용어집
《프롬프트 엔지니어링 기초: 효과적인 지시문 쓰는 법》의 용어 66개. 레슨 본문에서 처음 등장하는 용어에 마우스를 올리면 정의를 볼 수 있습니다.
| 용어 | 정의 | 출처 |
|---|---|---|
| 프롬프트 | 무엇을 원하는지 알려 주기 위해 AI 모델에 건네는 텍스트 지시. 질문, 설명, 작업 지시 또는 이 셋이 섞인 것일 수 있다. 이것은 모델이 작업을 이해할 수 있는 유일한 경로다. | Prompt - Wikipedia |
| 대규모 언어 모델(LLM) | 방대한 양의 텍스트로 학습한 AI 시스템으로, 자연어를 이해하고 새로운 텍스트를 생성할 수 있다. ChatGPT와 Claude가 그 예다. | Large Language Model - Wikipedia |
| 프롬프트 엔지니어링 | 모델이 실제로 필요한 것을 실행할 수 있도록 프롬프트를 체계적으로 설계하고 다듬는 실천. 일회성 요령 모음이 아니라 재사용 가능한 기술이다. | Prompt - Wikipedia |
| 모호한 프롬프트 | 모델이 필요로 하는 정보―청자, 형식, 범위―를 빠뜨려, 모델이 의도를 추측해야 하는 지시. | OpenAI Prompt Engineering Best Practices |
| 명확한 프롬프트 | 작업, 출력 형식, 모델이 필요로 하는 배경을 못 박아, 모델이 즉흥적으로 만들어낼 여지를 거의 남기지 않는 지시. | OpenAI Prompt Engineering Best Practices |
| 출력 품질 | 모델의 응답이 필요했던 것과 얼마나 맞아떨어지는지―정확성, 관련성, 완결성, 올바른 형식을 모두 따진 것이지, 내용이 맞는지만 보는 것이 아니다. | Prompt Engineering Best Practices 2026 |
| 주고받으며 다듬는 | 명세가 부족한 프롬프트를 메우기 위해 필요한 대화의 추가 라운드. 코드 생성 연구는 명시적인 명세가 이 라운드를 68% 줄인다는 결과를 확인했다. | Prompt Engineering for Code Generation |
| 지시를 잘 따릅니다 | 프롬프트가 실제로 요청한 것을 받아들여 실행하는 모델의 능력. 2026년 현재 모델은 복잡한 지시, 긴 문서, 여러 단계의 작업에서도 이것을 잘 해낸다. | IBM Prompt Engineering Guide 2026 |
| 토큰 | LLM이 텍스트를 처리하는 단위로, 대략 단어 조각 하나다. 프롬프트와 모델의 응답 둘 다 토큰을 소모하며, 이것이 비용과 대기 시간의 기준이다. | OpenAI Prompt Engineering Best Practices |
| 역할 | AI에게 어떤 정체성이나 관점으로 답하라고 말하는 것. '당신은 시니어 Python 엔지니어다' 또는 '당신은 비유로 설명하는 교사다'처럼. 전문성 수준과 어조를 정한다. | Anthropic Prompt Engineering Overview |
| 작업 설명 | 정확히 무엇을 해 주기를 원하는지 말하는 프롬프트 부분. 세 층으로 이루어진다. 동사(요약하다, 분석하다, 생성하다), 대상(무엇을 다루는가), 그리고 목표(어떤 결과에 도달할 것인가). | OpenAI Prompt Engineering Best Practices |
| 출력 형식 | 답이 담길 구조와 문체―JSON, 표, 세 개 불릿, 정해진 섹션 묶음―를 모델에 맡기지 않고 명시적으로 적은 것. | OpenAI Prompt Engineering Best Practices |
| 제약 | 응답을 경계 안에 묶어 두는 '오직…만' 그리고 '…하지 말 것' 규칙―길이, 범위, 어조, 제외 항목, 우선순위―로, 모델이 작업을 이탈하는 것을 막는다. | OpenAI Prompt Engineering Best Practices |
| 맥락 | 모델이 특정 상황, 청자, 작업의 경계를 이해하도록 프롬프트에 공급하는 배경 정보. | Anthropic Prompt Engineering Overview |
| 청자의 관점 | 누가 읽을 것인지를 중심으로 답을 짜는 역할 패턴. '비기술 경영진에게 설명하는 중이다' 같은 것. 깊이와 어휘를 통제한다. | Anthropic Prompt Engineering Overview |
| 전문 용어 | 누가 읽는지에 따라 사용 여부를 정해야 하는 도메인 특화 어휘. 잘못된 청자를 겨냥하면 독자를 잃거나 필요 없는 설명에 시간을 낭비한다. | Anthropic Prompt Engineering Overview |
| 템플릿 | 가변 부분이 자리표시자로 교체된 프롬프트로, 같은 구조를 입력만 바꾸어 가며 재사용할 수 있다. | Anthropic Prompt Engineering Overview |
| 리뷰 차원 | AI에게 무언가를 검토하라고 할 때 지목하는 이름 붙은 각도―정확성, 성능, 보안, 명료함―로, 보통 우선순위와 함께 준다. | Prompt Engineering for Code Generation |
| few-shot 학습 | 소수의 예시(보통 2~5개)를 프롬프트에 넣어 모델을 이끄는 기법. 모델이 입력-출력 대응, 형식, 문체를 그것들로부터 추론한다. | Prompt Engineering Guide - Few-Shot Prompting |
| zero-shot | 지시만 있고 예시는 전혀 없이 프롬프팅하는 것. 모델이 작업에 자신의 판단을 적용하도록 남겨둔다. | Zero-shot Learning - Wikipedia |
| one-shot | 예시를 정확히 하나 주는 프롬프팅―zero-shot보다 안내가 많고, few-shot보다 적다. | Few-Shot Prompting Guide |
| 인컨텍스트 학습 | 현재 대화 안의 예시로부터 규칙을 추론하고 새 입력에 적용하는 LLM의 능력. 재학습은 일어나지 않는다. | Prompt Engineering Guide - Few-Shot Prompting |
| 다양성 | 작업이 실제로 마주칠 서로 다른 종류의 입력을 포괄하는 few-shot 예시를 고르는 것. 같은 케이스의 변주 여러 개가 아니라. | Prompt Engineering Guide - Few-Shot Prompting |
| 형식 일관성 | 모든 few-shot 예시에서 정확히 같은 구조와 표지를 쓰는 것. 모델이 하나의 모호하지 않은 출력 모양을 배운다. | Prompt Engineering Guide - Few-Shot Prompting |
| 엣지 케이스 | 작업이 실제에서 부딪힐 애매하거나 불완전하거나 이례적인 입력―빠진 필드, 엇갈린 신호, 극단값―으로, 깔끔한 이상 케이스와 대비된다. | Few-Shot Prompting Guide |
| JSON | 추출 작업에서 흔히 요청되는 구조화된 데이터 형식. 프로그램이 직접 파싱할 수 있기 때문이다. | Prompt Engineering Guide - Few-Shot Prompting |
| chain-of-thought | 최종 답을 주기 전에 중간 추론 단계를 펼쳐 놓게 하는 프롬프팅 기법. 여러 단계의 추론이 필요한 작업에서 정확도를 높인다. | Prompt Engineering Guide - Chain-of-Thought |
| CoT | chain-of-thought 프롬프팅의 표준 약어. 전체 용어와 같은 뜻으로 쓰인다. | Prompt Engineering Guide - Chain-of-Thought |
| 추론 단계 | 모델이 문제에서 답까지 보여 주는 눈에 보이는 단계별 경로. 논리의 각 고리를 믿음으로 받아들이지 않고 확인할 수 있다. | Chain of Thought Prompting Guide |
| 단계적으로 생각해 보자 | 예시를 공급하지 않고 단계별 추론을 촉발하기 위해 프롬프트에 덧붙이는 표준 신호 문구. | Prompt Engineering Guide - Chain-of-Thought |
| Zero-Shot CoT | 신호 문구만으로 촉발되는 chain-of-thought. 예시 없이. 모델이 문제를 쪼개게 만드는 가장 단순한 방법이다. | Prompt Engineering Guide - Chain-of-Thought |
| Few-Shot CoT | 전체 추론 과정을 보여 주는 예시 한두 개로 안내하는 chain-of-thought. 모델이 단계와 그것의 세부 수준을 둘 다 흉내 낸다. | Prompt Engineering Guide - Chain-of-Thought |
| 중간 단계 | 질문과 최종 답 사이의 개별 계산이나 추론. 그것을 명시적으로 만드는 것이 chain-of-thought의 목적이다. | Prompt Engineering Guide - Chain-of-Thought |
| 여러 단계의 추론 | 답이 의존적인 추론이나 계산의 사슬에 달린 작업―수학 문제, 복잡도 분석, 근본 원인 분석, 계획 결정. | Chain of Thought Prompting Guide |
| 프롬프트 디버깅 | 실패하는 프롬프트를 코드 디버깅하듯 고치는 것. 구체적인 증상을 짚고, 무엇이 그것을 일으켰는지 진단하고, 한 가지를 바꾸고, 검증한다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 디버깅 루프 | 반복하는 사이클. 실행하고, 출력을 확인하고, 문제를 짚고, 진단하고, 한 가지를 바꾸고, 테스트 케이스로 검증하고, 통한 버전을 기록한다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 문제 짚기 | 첫 디버깅 단계. 출력의 정확히 무엇이 잘못됐는지 이름 붙이기―형식 오류, 빗나간 내용, 정보 누락, 과잉 생성, 의도 오해, 불안정. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 원인 진단 | 두 번째 디버깅 단계. 프롬프트의 어느 부분이―또는 빠진 어느 부분이―짚어낸 문제를 일으켰는지 파악하는 것. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 한 번에 변수 하나씩 | 핵심 디버깅 규율. 반복마다 정확히 한 가지만 바꾸어 그 변경의 효과가 모호하지 않게 한다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 반복 | 변경-테스트-평가 사이클을 한 번 지나는 것. 프롬프트는 한 번의 완벽한 초안이 아니라, 작고 검증된 여러 통과를 통해 좋아진다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 테스트 케이스 | 3~5개의 대표 입력 묶음―명확한 케이스, 섞인 케이스, 엣지 케이스―으로, 프롬프트 변경 뒤마다 다시 실행해 실제로 개선되었는지 확인한다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 프롬프트 버전 | 코드처럼 관리되는 프롬프트. 각 버전이 무엇을 바꿨고 무엇을 냈는지와 함께 기록되어, 비교하고 되돌릴 수 있다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| A/B 테스트 | 두 프롬프트 버전을 유지하고 각각을 약 10번 실행해 성공률을 비교하여, 데이터가 어느 쪽이 나은지 결정하게 하는 것. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 성공률 | 기대와 맞는 출력을 낸 테스트 케이스의 비율. '이 프롬프트가 더 나은 느낌'을 버전 간 비교 가능한 숫자로 바꾼다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 형식이 불안정 | 같은 프롬프트가 실행마다 다른 출력 모양을 내는 실패 모드―한 번은 JSON, 다음엔 줄글, 대문자 표기가 그 사이를 표류한다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 도입부 | 요청한 내용 앞에 모델이 더하는 도입 문구―'핵심은 다음과 같습니다:', '이메일은 다음과 같습니다'―로, 깔끔한 출력을 원할 때 제거해야 한다. | OpenAI Prompt Engineering Best Practices |
| 충분히 좋 | 프롬프트 조율의 실용적 멈춤 규칙. 테스트 케이스의 약 90% 성공, 안정된 형식, 그리고 프롬프트의 모든 부분이 설명 가능한 일을 한다. | AI Prompt Debugging: Fixing Issues Through Iteration |
| 코드 생성 프롬프트 | AI에게 실행 가능한 코드를 쓰라고 요청하는 프롬프트. 좋은 것은 여섯 가지―언어와 버전, 함수 시그니처, 핵심 로직, 엣지 케이스, 코드 스타일, 의존성 제한―를 다룬다. | Prompt Engineering for Code Generation |
| 함수 시그니처 | 함수의 이름, 입력 파라미터 타입, 반환 타입―코드 생성 프롬프트가 앞서 말해야 하는 인터페이스 계약. | Prompt Engineering for Code Generation |
| 특수한 경우 | 모델에게 어떻게 다룰지 말하는 구체적 입력 조건. 빈 리스트, None 값, 중복 항목, 빠진 필드. | Prompt Engineering for Code Generation |
| 코드 스타일 | 생성된 코드가 따라야 하는 형식, 네이밍, 주석, 타이핑 관례. 모델에 맡기지 않고 프롬프트에 명시한다. | Prompt Engineering for Code Generation |
| 의존성 제한 | 생성된 코드가 사용할 수 있는 라이브러리를 명시하는 규칙―표준 라이브러리만, 또는 서드파티 패키지의 이름 붙은 허용 목록. | Prompt Engineering for Code Generation |
| 표준 라이브러리 | 언어가 함께 배송하는 모듈로, 설치가 필요 없다. 생성된 코드를 그것으로 제한하면 결과가 이식 가능하고 의존성 없다. | Prompt Engineering for Code Generation |
| 타입 힌트 | 파라미터와 반환 값에 붙는 명시적 타입 주석으로, 인터페이스 계약을 코드 자체에서 보이게 한다. | Prompt Engineering for Code Generation |
| 에러 처리 | 유효하지 않은 입력, 예외, 엣지 조건을 위한 코드의 논리―프롬프트에 명시할 것이지, 나중에 억지로 붙일 것이 아니다. | Prompt Engineering for Code Generation |
| 방어적 프로그래밍 | 입력이 유효하지 않을 수 있다고 전제하고 코드를 쓰는 것. 호출자를 믿지 않고 나쁜 데이터에 어떻게 응답할지 앞서 결정한다. | Prompt Engineering for Code Generation |
| 독스트링 | 함수 안의 문서 블록으로, 무엇을 하는지, 어떻게 쓰는지, 관련된 특성이 무엇인지 서술한다―명시적으로 말할 만한 코드 스타일 요구사항이다. | Prompt Engineering for Code Generation |
| 문서 작성 | 산문을 내놓거나 다시 만드는 것―기술 문서, 회의록, 요약, 보고서―이 목적인 프롬프트 작업. 청자, 목적, 어조, 구조가 작업을 짊어진다. | Anthropic Prompt Engineering Overview |
| 대상 독자 | 문서의 의도된 독자로, 직함이 아니라 역할, 배경 지식, 읽기 목표로 서술된다. | Anthropic Prompt Engineering Overview |
| 구조 템플릿 | 출력을 위한 사전 정의된 조직―배경, 비교된 옵션, 권장안, 리스크―으로, 모델이 하나를 고르는 대신 고정된 모양을 채우게 준다. | Anthropic Prompt Engineering Overview |
| 어조와 문체 | 글의 등록―격식 또는 캐주얼, 상세 또는 간결, 실용 또는 판촉―으로, 문서가 상황이 요구하는 방식으로 들리게 명시된다. | Anthropic Prompt Engineering Overview |
| 데이터 추출 프롬프트 | 비구조화된 텍스트에서 구조화된 정보를 뽑아내는 프롬프트. 신뢰할 만한 것은 네 가지―필드 정의, 결측값 처리, 출력 형식, 데이터 검증―를 풀어 쓴다. | Prompt Engineering Guide - Few-Shot Prompting |
| 필드 정의 | 추출하길 바라는 각 필드의 명시된 의미, 타입, 허용 값―이를테면 감정은 긍정, 부정, 중립 중 정확히 하나여야 한다. | Prompt Engineering Guide - Few-Shot Prompting |
| 결측값 처리 | 필드가 소스에 없을 때 무엇을 출력할지에 대한 명시적 규칙―null, 'not provided', 또는 'TBD'―더하기 추측하지 말라는 지시. | Prompt Engineering Guide - Few-Shot Prompting |
| 데이터 검증 | 추출된 데이터가 기대한 모양과 범위를 갖는지 확인하는 규칙―급여 필드는 숫자를 담아야 하고, 위치는 값이나 null일 수 있지만 빈 문자열은 절대 아니다. | Prompt Engineering Guide - Few-Shot Prompting |
| 할루시네이션 | 모델이 사실을 확신 있게 지어내는 습관―그럴듯하게 읽히지만 소스에도 없고 진실하지도 않은 정보를 발명한다. | IBM Prompt Engineering Guide 2026 |