잘 시키는 법
프롬프트에서 컨텍스트로
Session 4 · Day 1
기법의 진화(zero → few → CoT → ToT → ReAct) · 메타 프롬프팅 · 컨텍스트 엔지니어링
강사 박수현 · 🚀 젠아이랩스(GenAI Labs)
🎨 이미지 프롬프트: "Editorial illustration on dark navy #1a1a2e background. On the left, a single short glowing command line labeled 'PROMPT' floats alone. A bold horizontal arrow labeled 'to CONTEXT' sweeps rightward. On the right, a tidy desk holds a small neat stack of layered materials labeled 'Instruction', 'Examples', 'Docs', 'Memory', 'Tools' arranged in order under a soft glow. Clean editorial illustration style, teal #00b894 and purple #6c5ce7 accents with warm orange highlights, 16:9. CRITICAL: All visible text MUST be in English ONLY (no Korean characters). Each label appears EXACTLY ONCE — no duplicates. No mirrored or reversed text."
Session 4 · Day 1 — 15:20 ~ 16:30 (70분)
PART 1
잘 물으면 확률을 당긴다
어떻게 묻느냐가 확률 막대의 모양을 바꾼다 · 이 기법들은 설계된 게 아니라 발견된 것.
어떻게 묻느냐가 답을 가른다
이 기계는 매 순간 다음에 올 후보들의 확률 막대그래프를 세우고, 그중 하나를 골라 잇는다.
그 확률은 무엇이 정하는가. 모델의 학습된 성질이 절반이라면, 나머지 절반은 우리가 건넨 말이다. 같은 질문이라도 어떻게 묻느냐에 따라 그 막대그래프의 모양이 달라진다.
📌 오늘의 물음. 애초에 잘 물으면 이 확률을 우리 쪽으로 당길 수 있지 않은가. 무엇을 어떤 순서로, 어떤 맥락과 함께 건네야 하는가.
관점을 먼저 못 박는다 — 설계가 아니라 발견
오늘 소개할 기법들 — zero-shot, few-shot, 생각의 사슬, 생각의 나무, 추론+행동 — 은 누가 책상에서 이론으로 설계한 것이 아니다. 모델이 먼저 세상에 나왔고, 그 모델을 수많은 사람이 써 보며 "이렇게 물으니 더 잘하더라"를 하나씩 발견해 온 것이다.
🔬 보통의 기술
- 원리를 세우고 → 그에 맞춰 도구를 만든다
- 물리학에 가깝다
🍳 프롬프트 기법
- 거대한 예측 기계가 먼저 있었고 → 재능을 실험으로 캐냈다
- 요리·원예에 가깝다: 해 보고, 되는 걸 남긴다
📌 이 관점을 잡으면 오늘 전체가 한 줄기로 이어진다. 각 기법은 앞선 기법의 한계에서 나온 다음 방법이고, 그 방법들은 모두 한 방향 — 모델이 스스로 더 생각·행동하게 — 을 가리킨다.
🎨 이미지 프롬프트: "Editorial illustration on dark navy #1a1a2e background showing a single left-to-right arrow with five stops labeled in order: 'Zero-shot', 'Few-shot', 'CoT', 'ToT', 'ReAct'. Above the arrow a bold directional label reads 'Model thinks and acts more on its own'. The leftmost stops glow softly while the rightmost grow brighter, suggesting increasing autonomy. Clean editorial timeline style, teal #00b894 and purple #6c5ce7 accents, 16:9. CRITICAL: All visible text MUST be in English ONLY (no Korean characters). Each label appears EXACTLY ONCE — no duplicates. No mirrored or reversed text."
관점을 먼저 못 박는다 — 설계가 아니라 발견
PART 2
그냥 시키기에서 예시 주기로
zero-shot의 한계 → few-shot이 예시로 패턴을 세우는 원리 → 문맥 속 학습.
zero-shot — 예시 없이 지시만
가장 단순한 방식은 그냥 시키는 것이다. 예시도 요령도 없이 원하는 일을 말로 지시한다. 이것을 zero-shot(제로샷)이라 한다. 여기서 "샷(shot)"은 모델에게 미리 보여 주는 예시의 개수다. 예시를 하나도 안 주니 제로샷이다.
✅ 놀랍게도 잘 통한다
- "이 문단을 세 줄로 요약해줘"
- "이 문장을 영어로 옮겨줘"
- "회의록에서 할 일만 뽑아줘"
- ChatGPT에 하는 일 대부분이 사실 제로샷
⚠️ 그런데 한계가 있다
- 일이 까다로워지면 결과가 들쭉날쭉
- 원하는 형식을 정확히 못 맞춤
- "긍정/부정만" 했는데 장황한 설명
- 표로 달라 했는데 문장으로 답함
📌 지시만으로는 우리가 의도한 결과를 모델이 정확히 맞추지 못한다. 여기서 다음 방법이 나온다.
few-shot — 예시 몇 개로 패턴을 세우기
제로샷의 한계를 메운 발견은 단순하다. 말로 설명하지 말고, 예시를 몇 개 보여 주는 것. 예시를 몇 개 주면 few-shot(퓨샷), 딱 하나면 one-shot(원샷)이다. 고객 리뷰를 긍정·부정으로 분류하는 일로 차이를 본다.
🔴 제로샷 — 형식이 흔들린다
다음 리뷰가 긍정인지 부정인지 판단해줘.
"배송은 느렸지만 물건은 마음에 든다."
어떤 때는 "긍정", 어떤 때는 "긍정입니다. 왜냐하면…" 하고 설명을 늘어놓는다.
🟢 few-shot — 예시가 패턴을 세운다
리뷰: "포장이 꼼꼼했다." → 긍정
리뷰: "두 번이나 환불받았다." → 부정
리뷰: "화면은 예쁜데 배터리가 빨리 닳는다." → 부정
리뷰: "배송은 느렸지만 물건은 마음에 든다." →
앞의 세 줄이 세운 틀을 이어받아 "긍정" 한 단어만 내놓는다.
예시가 답의 내용만이 아니라 형식까지 지정했다. 원하는 모습 자체를 몇 번 보여 주니 모델이 그 모습을 따라 그린다.
🎨 이미지 프롬프트: "Editorial illustration on dark navy #1a1a2e background. On the left, three stacked example blocks, each shaped as 'review -> label', line up to form a smooth rail or track. At the end of the rail a new review card rolls along and a single clean label 'Positive' emerges. On the far right, a contrasting cluster shows plain BLANK cards scattering in all directions with no rail and no order — the scattered cards carry NO text at all. A caption reads 'Examples lay the track'. Clean editorial illustration style, teal #00b894 and purple #6c5ce7 accents, 16:9. All visible text MUST be in English ONLY (no Korean characters). Do NOT write the word 'Answer' anywhere. The only labels are 'review', 'label', 'Positive', and 'Examples lay the track' — NO duplicated/mirrored text, NO paragraph/sentence text, the scattered cards stay empty, keep every element fully inside frame."
few-shot — 예시 몇 개로 패턴을 세우기
왜 예시가 통하는가 — 문맥 속에서 패턴을 잡는다
예시 몇 개가 왜 이렇게 힘이 셀까. 앞 절에서 쌓은 두 가지로 곧장 설명된다.
🧩 본업이 패턴 잇기
이 기계는 "이런 흐름 다음엔 이런 것이 온다"를 익힌 기계다. 예시 세 줄은 "이런 흐름"을 눈앞에 직접 깔아 주는 일이다. 그러면 모델은 자기가 가장 잘하는 일 — 깔린 패턴 이어 가기 — 를 하면 된다.
⏱️ 그 자리에서만 일어난다
모델 내부를 다시 학습시키는 게 아니다. 건넨 예시는 오직 이번 대화에서만 힘을 발휘한다. 이렇게 주어진 문맥 안의 예시만으로 그 자리에서 요령을 잡는 능력을 문맥 속 학습(in-context learning)이라 부른다.
📌 few-shot은 모델을 다시 가르치는 게 아니라, 이미 가진 패턴 잇기 능력에 정확한 본보기를 깔아 주는 것이다. 그래서 예시의 질이 곧 답의 질을 좌우한다.
📖 참고: Brown et al., Language Models are Few-Shot Learners (GPT-3, 2020, NeurIPS · arXiv 2005.14165) — 프롬프트 안 예시만으로 새 과제 수행.
PART 3
생각을 꺼내게 하기
CoT(과정을 펼친다) → 왜 통하나(자기회귀 발판) → "Let's think step by step" → ToT(갈래를 뻗는다).
CoT — "차근차근 단계별로 생각해줘"
예시로 형식을 잡았어도 여전히 어려운 일이 있다. 여러 단계를 밟아야 풀리는 문제 — 계산, 논리 추론, 조건이 얽힌 판단이다. 이런 문제에서 모델은 과정을 건너뛰고 결론부터 내놓다가 곧잘 틀린다.
여기서 나온 발견이 생각의 사슬(Chain of Thought, CoT)이다. 발상은 단순하다. 답을 바로 내지 말고, 중간 과정을 한 줄씩 적으면서 풀라고 시키는 것.
🔴 그냥 물으면 — 건너뛴다
카페에 사과가 23개 있었다. 20개로 주스를
만들었고, 그다음 6개를 더 사 왔다.
지금 사과는 몇 개인가?
과정을 건너뛰니 그럴듯한 숫자를 성급하게 내놓기 쉽다.
🟢 "차근차근 풀어줘" — 밟는다
처음 사과는 23개다.
20개로 주스를 만들었으니 23 - 20 = 3개.
6개를 더 사 왔으니 3 + 6 = 9개.
답: 9개.
같은 모델, 같은 문제인데 정답률이 눈에 띄게 오른다.
왜 과정을 뱉으면 정답률이 오르나 — 자기회귀 발판
CoT가 왜 통하는지가 이 파트의 핵심이다. 앞 절에서 배운 자기회귀 — 한 조각씩 앞을 보고 다음을 잇는다 — 하나로 곧장 설명된다.
이 기계는 다음 조각을 고를 때 지금까지 화면에 적힌 것 전부를 근거로 삼는다. 그러니 중간 과정을 적게 하면, 그 적힌 과정 자체가 다음 조각을 고르는 새로운 근거가 된다. "23 - 20 = 3"이라고 적고 나면, 그 "3"이 다음 계산의 발판이 된다.
📌 암산과 필산의 차이다. 복잡한 계산을 머릿속에서 한 번에 끝내려 하면 사람도 틀린다. 종이에 한 줄씩 풀어 적으면 훨씬 정확해진다. 앞 줄의 결과가 눈앞에 남아 다음 줄의 기반이 되기 때문이다. 중간 토큰이 곧 다음 토큰의 더 나은 발판이 된다.
📖 참고: Wei et al., Chain-of-Thought Prompting (2022, NeurIPS · arXiv 2201.11903).
한마디면 된다 — "Let's think step by step"
CoT를 처음 쓸 때는 단계를 밟아 푼 예시를 몇 개 붙였다(few-shot CoT). 그런데 더 놀라운 발견이 뒤따랐다. 예시를 하나도 붙이지 않고, 딱 한 문장만 덧붙여도 같은 효과가 난다.
그 문장이 "Let's think step by step", 우리말로 "차근차근 단계별로 생각해보자"이다. 문제 끝에 이 한 줄을 붙이는 것만으로 모델이 스스로 과정을 펼치기 시작했고, 정답률이 크게 뛰었다. 예시조차 필요 없는 이 방식을 zero-shot CoT라 한다.
📌 말 한마디가 성능을 끌어올렸다. 프롬프트 기법이 왜 "설계가 아니라 발견"인지를 이보다 잘 보여 주는 예가 없다. 누군가 시험 삼아 넣어 보고 효과를 확인했고, 왜 통하는지는 그다음에 설명이 붙었다.
📖 참고: Kojima et al., Large Language Models are Zero-Shot Reasoners (2022, NeurIPS · arXiv 2205.11916).
ToT — 한 갈래가 아니라 여러 갈래로
생각의 사슬은 한 줄기다. 한 방향으로 디딤돌을 놓는다. 그런데 처음 디딤돌을 잘못 놓으면 그 줄기 전체가 틀린 곳으로 향한다.
이 방식을 모델에 옮긴 것이 생각의 나무(Tree of Thoughts, ToT)다. 한 단계에서 후보 여러 개를 벌여 보고, 각 후보가 얼마나 유망한지 스스로 가늠한 다음, 될 성싶은 가지를 골라 더 뻗는다. 막다른 가지는 접고 다른 가지로 돌아간다.
📌 대가가 있다. 여러 갈래를 벌이고 저울질하니 계산과 시간이 더 든다. 그래서 ToT는 일상의 간단한 물음보다 여러 수를 내다봐야 하는 어려운 문제(탐색·계획)에서 진가를 발휘한다.
📖 참고: Yao et al., Tree of Thoughts (2023, NeurIPS · arXiv 2305.10601).
PART 4
생각에 행동을 더하기
ReAct(생각-행동-관찰 루프) → 한 줄기 진화 — 점점 더 스스로.
ReAct — 생각·행동·관찰을 번갈아
지금까지의 기법은 모두 모델의 머릿속에서만 이루어진다. 다음 방법은 이 한계를 넘어선다. 생각만 하지 말고, 밖으로 행동해 정보를 가져오게 하는 것. 추론(Reason)과 행동(Act)을 합쳐 ReAct(리액트)라 부른다.
🧠 생각한다 (Reason)
"이걸 풀려면 최신 환율이 필요하다."
🛠️ 행동한다 (Act)
검색 도구를 불러 환율을 조회한다.
👁️ 관찰한다 (Observe)
도구가 돌려준 결과를 받아 읽는다.
📖 참고: Yao et al., ReAct (2022 · ICLR 2023 · arXiv 2210.03629).
한 줄기 진화 — 점점 더 스스로 생각하고 행동하게
따로 보면 다섯 개의 기법이지만, 이어 보면 한 줄기다. 사람이 손으로 쥐여 주던 몫이 점점 모델 쪽으로 넘어갔다.
🚉 다섯 정거장
- zero-shot — 그냥 시킨다
- few-shot — 예시로 패턴을 깔아 준다
- CoT — 과정을 펼쳐 발판으로 삼게 한다
- ToT — 여러 갈래로 뻗어 저울질하게 한다
- ReAct — 생각에 바깥 행동을 더한다
➡️ 한 방향
초기에는 답의 형식까지 일일이 예시로 지정해 줘야 했다(예시). 그다음에는 생각하는 방법을 지시했고(과정을 펼쳐라), 이제는 스스로 판단해 도구까지 쓰게 한다(행동하라). 이 방향의 끝에 — 스스로 목표를 쪼개고 도구를 골라 일을 끝내는 — 에이전트가 있다.
사람이 쥐여 주던 몫 → 모델이 스스로 하는 몫
📌 이 방향은 다음 단계를 예고한다. 이 흐름을 더 밀고 나가면, 굳이 기법을 하나하나 짜 맞추지 않아도 되는 지점에 이른다. 오늘의 뒤 절반은 바로 그 지점 — 기법을 다 외우지 않아도 되는 단계 — 를 다룬다.
PART 5
이제 다 안 외워도 된다 — 메타 프롬프팅
좋은 프롬프트를 모델에게 대신 짜게 한다 · 일이 아니라 "일을 시키는 방법"을 시킨다.
좋은 프롬프트를, 모델에게 대신 짜게 한다
다섯 기법을 다 외워야 하나. 상황마다 어떤 기법을 조합할지 매번 고민해야 하나. 그럴 필요가 점점 줄고 있다.
방법은 단순하다. 모델 자신에게 좋은 프롬프트를 대신 써 달라고 부탁하는 것이다. "이 일을 가장 잘 시킬 수 있는 프롬프트를 만들어줘"라고 물으면 된다. 이렇게 프롬프트에 대해 프롬프트를 시키는 방식을 메타 프롬프팅(meta prompting)이라 한다. "메타"는 "한 겹 위에서"라는 뜻 — 일을 시키는 것이 아니라 일을 시키는 방법을 시키는 한 겹 위의 주문이다.
📌 이게 통하는 이유는 앞에서 다 나왔다. 모델은 방대한 글을 학습하며 "잘 쓰인 지시문이 어떻게 생겼는지"까지 익혔다. 역할을 정하고, 맥락을 깔고, 형식을 지정하고, 예시를 붙이는 — 좋은 프롬프트의 패턴도 학습 안에 들어 있다.
직접 해보기 — "이 일을 시키는 프롬프트를 만들어줘"
어설픈 요청 하나를 던지고, 잘 다듬은 프롬프트를 받아 본다.
고객이 배송 지연에 항의하는 메일을 보냈다.
여기에 정중하고 책임감 있게 답장하는 일을 시키려 한다.
이 일을 가장 잘 해내게 할 프롬프트를 대신 만들어줘.
모델은 대개 이런 얼개를 돌려준다 — 먼저 답하는 이의 역할을 정하고("너는 고객 응대 담당자다"), 지켜야 할 태도와 제약을 깔고("사과로 시작하고, 보상안을 한 가지 제시하며, 다섯 문장 이내로"), 필요하면 예시까지 붙인다. 오늘 배운 기법들이 그 안에 알아서 녹아 있다.
📌 두 가지를 보인다. ① 프롬프트 설계를 몰라도 쓸 만한 프롬프트를 얻는다. ② 그 결과를 알아보고 고칠 수 있는 사람은 오늘 원리를 배운 사람이다. 프롬프트 짜기의 무게를 모델과 나눠 지는 것 — 이것이 메타 프롬프팅의 실속이다.
PART 6
무게중심 이동 — 프롬프트에서 컨텍스트로
관건이 "한 줄 주문"에서 "무엇을 보여줄 것인가"로 · 컨텍스트 다섯 조각 · 책상 비유.
관건이 바뀐다 — 한 줄 주문에서, 무엇을 보여줄 것인가로
메타 프롬프팅까지 오면 한 가지가 드러난다. 한 줄 주문을 얼마나 잘 짜느냐는 이제 예전만큼 결정적이지 않다. 그 짜기는 모델이 상당 부분 거들 수 있다.
관건은 "모델에게 무엇을 보여줄 것인가"로 옮겨 간다. 같은 주문이라도, 곁에 어떤 자료를 함께 놓느냐에 따라 답이 완전히 달라진다. 근거 문서를 붙이니 답이 교정됐다. 회사 내부 규정을 함께 건네면 그 규정에 맞는 답이 나오고, 지난 대화를 기억해 두면 맥락을 이어 간다.
📌 이 세션의 전환. 초점이 한 줄을 어떻게 쓰나(프롬프트)에서 무엇을 어떤 순서로 함께 보여 주나(컨텍스트)로 넘어간다. 잘 쓰인 한 문장보다, 잘 갖춰진 한 묶음의 자료가 결과를 더 크게 좌우하는 단계에 들어섰다.
컨텍스트란 무엇인가 — 다섯 조각
컨텍스트, 우리말로 맥락이란 모델이 답을 만들기 전에 함께 건네는 모든 것이다. 크게 다섯 조각으로 나뉜다.
💬 ① 지시
무엇을 해 달라는 주문 그 자체. 지금까지 프롬프트라 부른 것.
📑 ② 예시
오늘 배운 few-shot의 본보기. 원하는 입력·출력의 짝.
📚 ③ 관련 문서
답의 근거가 될 자료. 규정집·보고서·문헌. 검색 증강(RAG)이 이 조각을 자동으로 찾아 붙이는 방식.
🕐 ④ 이전 대화·메모리
주고받은 내용, 사용자에 대해 기억해 둔 정보(직무·선호·프로젝트).
🔧 ⑤ 도구가 가져온 자료
검색·계산·조회 도구가 물어와 건넨 결과. 컷오프 너머의 최신 사실이 여기로 들어온다.
🎨 이미지 프롬프트: "Editorial illustration on dark navy #1a1a2e background showing five input streams flowing into a central prediction-engine icon, each stream a distinct icon with a single label: 'Instruction' as a speech bubble, 'Examples' as sample cards, 'Documents' as a stack tagged 'RAG', 'Memory' as a clock and drawer, 'Tools' as a search-and-calculator icon. The five streams merge into one bundle labeled 'Context' entering the engine. Clean editorial illustration style, teal #00b894 and purple #6c5ce7 accents, 16:9. CRITICAL: All visible text MUST be in English ONLY (no Korean characters). Each label appears EXACTLY ONCE — no duplicates. No mirrored or reversed text."
컨텍스트란 무엇인가 — 다섯 조각
컨텍스트 엔지니어링 — 책상에 필요한 자료만 펼치기
다섯 조각을 다 쏟아붓는다고 좋은 답이 나오지는 않는다. 모델의 제한된 작업 공간에 무엇을, 얼마나, 어떤 순서로 채울지를 설계하는 일 — 이것이 컨텍스트 엔지니어링이다.
먼저 "제한된 작업 공간"을 짚는다. 모델이 한 번에 볼 수 있는 양의 한계를 컨텍스트 창(context window)이라 한다. 창은 점점 커지지만 무한하지 않고, 크다고 아무거나 잔뜩 넣는 게 유리한 것도 아니다.
📌 비유는 책상이다. 관련 없는 서류까지 책상 가득 쌓으면 정작 필요한 걸 못 찾고 산만해진다. 반대로 자료를 너무 아끼면 근거가 부족해 막힌다. 일에 꼭 필요한 자료만, 손이 잘 닿는 자리에, 보기 좋은 순서로 펼치는 것 — 컨텍스트 엔지니어링은 모델의 책상을 그렇게 차려 주는 일이다.
프롬프트 엔지니어링이 한 줄을 잘 쓰는 일이었다면, 컨텍스트 엔지니어링은 그 한 줄이 놓일 책상 전체를 차리는 일이다.
🎨 이미지 프롬프트: "Editorial illustration on dark navy #1a1a2e background with two contrasting desks side by side inside a single rounded border frame. A small centered label on the top border reads 'Context window'. The left desk is buried under piles of unrelated papers with a needed document lost in the mess and a confused person; one heading sits above this desk reading 'Cluttered'. The right desk holds only a few essentials placed neatly within reach, with a calmly-working person; one heading sits above this desk reading 'Well-arranged'. A caption below the frame reads 'Lay out only what the work needs'. Clean editorial illustration style, teal #00b894 and purple #6c5ce7 accents, 16:9. All visible text MUST be in English ONLY (no Korean characters). The ONLY four text labels in the whole image are 'Context window', 'Cluttered', 'Well-arranged', and 'Lay out only what the work needs' — each printed EXACTLY ONCE. Do not print any other words, subtitles, notes, or parenthetical text anywhere. NO duplicated/mirrored text, keep every element fully inside frame."
📖 참고: Anthropic, Effective context engineering for AI agents (2025.09.29).
컨텍스트 엔지니어링 — 책상에 필요한 자료만 펼치기
왜 많을수록 흐려지나 — 주목이 얇게 퍼진다
자료는 많이 넣을수록 안전할 것 같지만, 오히려 답이 산만해진다. 그 까닭은 앞 절에서 본 어텐션에 있다.
📌 자료가 많아질수록 주목이 얇게 퍼진다. 관련 없는 내용을 잔뜩 넣으면 중요한 대목이 그 속에 묻히고, 모델은 어디에 주목해야 할지 판단하기 어려워진다. 자료를 더 넣는다고 근거가 또렷해지는 것이 아니라, 오히려 핵심이 흐려질 수 있다.
좋은 컨텍스트는 두꺼운 자료가 아니라 알짜만 잘 추린 자료다. 정말 필요한 것만 골라 넣고, 중요한 것을 잘 보이는 자리에 둔다. 이것이 "무엇을, 얼마나, 어떤 순서로"라는 세 물음이 컨텍스트 엔지니어링의 전부인 까닭이다.
한 장으로 요약 — 주문에서 맥락으로
🧭 관점 · 진화 · 원리
- 관점 — 프롬프트 기법은 설계된 게 아니라 발견해 온 요령의 역사다
- 진화 — zero → few → CoT → ToT → ReAct. 모델이 점점 더 스스로 생각·행동하게 유도해 온 흐름
- 원리 — few-shot은 패턴에 본보기를 깔고, CoT는 중간 단계를 발판 삼는다. 새 능력을 넣은 게 아니라 있던 능력을 끌어냈다
🔄 위임 · 이동
- 위임 — 다 외우지 않아도 된다. 메타 프롬프팅으로 모델에게 프롬프트를 대신 짜게 한다
- 이동 — 관건이 프롬프트에서 컨텍스트로 옮겨 갔다. 컨텍스트는 지시·예시·문서·기억·도구 다섯 조각이며, 알짜만 골라 순서대로 책상에 펼친다
🎯 한 문장으로
"잘 시키는 법의 무게중심은 '한 줄을 어떻게 쓰나'에서 '무엇을 곁에 놓나'로 옮겨 갔다."
남겨 두는 물음 — 글이 아닌 것은 어떻게 만들어지나
오늘 내내 다룬 것은 전부 글이었다. 어떻게 물어야 좋은 글이 나오는가, 어떤 글을 곁에 놓아야 답이 정확해지는가. 지시도 예시도 문서도 대화도, 모두 글자로 된 것이었다. 이 코스에서 살펴본 예측 기계도, 결국 다음 단어를 확률로 잇는 기계였다.
그런데 지금의 AI는 글만 다루지 않는다. 그림을 그리고, 영상을 만들고, 목소리를 낸다. 문장 한 줄로 없던 이미지를 만들어 내고, 짧은 설명만으로 움직이는 영상을 뽑아낸다.
🎯 여기서 하나의 물음이 남는다. 글이 아닌 것 — 이미지·영상·소리 — 은 대체 어떻게 만들어지는가. 다음 단어를 잇는 것과 같은 원리인가, 전혀 다른 방식인가. 그림에서 "다음 단어"에 해당하는 것은 무엇인가. 이 물음은 다음 세션에서 자세히 다룬다.
🎨 이미지 프롬프트: "Editorial illustration on dark navy #1a1a2e background. On the left, four clean solid rectangular tiles are neatly stacked and labeled 'Instruction', 'Examples', 'Documents', 'Dialogue' — solid tiles with one crisp single-word label each, NO scattered letters, NO random characters, NO gibberish texture. On the right sit a blank white canvas, a film reel, and a music note, all dim and empty. Between them stands an open glowing door with a single caption on the floor reading 'What about things that aren't text?'. Clean editorial illustration style, teal #00b894 and purple #6c5ce7 accents, 16:9. All visible text MUST be in English ONLY (no Korean characters). Each label 'Instruction', 'Examples', 'Documents', 'Dialogue', 'What about things that aren't text?' appears EXACTLY ONCE — NO duplicated/mirrored text, NO clouds of random letters, short labels only, keep every element fully inside frame."
남겨 두는 물음 — 글이 아닌 것은 어떻게 만들어지나
참고 문헌 — 검증한 출처
이 세션의 기법·개념은 아래 출처로 1차 검증했다. 수치·창 크기 같은 값은 과제·버전에 따라 달라지므로 방향만 남긴다.
📄 기법의 진화
- few-shot · 문맥 속 학습 — Brown et al., Language Models are Few-Shot Learners (GPT-3, 2020, NeurIPS · arXiv 2005.14165)
- CoT — Wei et al., Chain-of-Thought Prompting (2022, NeurIPS · arXiv 2201.11903)
- zero-shot CoT — Kojima et al., Large Language Models are Zero-Shot Reasoners (2022, NeurIPS · arXiv 2205.11916)
📄 나무·행동·컨텍스트
- ToT — Yao et al., Tree of Thoughts (2023, NeurIPS · arXiv 2305.10601)
- ReAct — Yao et al., ReAct: Synergizing Reasoning and Acting (2022 · ICLR 2023 · arXiv 2210.03629)
- 컨텍스트 엔지니어링 — Anthropic, Effective context engineering for AI agents (2025.09.29)