[promt] 추론 모델과 비추론 모델의 프롬프트 차이점-2

 

 

 

🧠 1. 추론형 LLM용 고급 프롬프트 설계 전략

 

항목	설명	예시
① 문제 해결 유도형 (Reasoning Trigger)	문제 자체의 논리적 구조를 인식시키고, 단계별로 사고하도록 유도	“문제를 단계적으로 해결해보자. 첫째, 무엇을 구해야 할까?”
② Chain of Thought 확장(CoT Prompting)	중간 사고 과정을 명시적으로 요구하여 정확도 향상	“답을 바로 말하지 말고, 먼저 가능한 원인들을 나열한 뒤 결론을 제시해줘.”
③ 역할 기반 명시(Role Specification)	특정 전문 분야 지식을 모델에게 입히는 방식	“너는 베테랑 입법 분석가야. 정부 지원 정책의 맹점을 지적해줘.”
④ 맥락 기반 지시(Contextual Anchoring)	시간, 공간, 배경 정보를 제공해 정확한 추론 방향을 설정	“2023년 기준으로, 한국의 부동산 정책에 대해 분석해줘.”
⑤ 다단계 출력 구조 요구(Multi-step Output)	중간 해석 → 결론 → 정리 순으로 명확하게 출력하도록 지시	“1단계: 정의 / 2단계: 사례 분석 / 3단계: 결론 도출 순서로 설명해줘.”

📌 주의사항

• 모델 성능이 높을수록 단순한 “Let’s think step by step”보다 구체적 프레임을 제시하는 것이 효과적입니다.
• 반복되는 형식을 내재화하지 않도록 질문과 답변 스타일의 다양화도 병행이 필요합니다.

 

 

🔍 2. 비추론형 LLM용 고급 프롬프트 설계 전략

항목	설명	예시
① 정보 추출 지시(Information Extraction)	특정 문서 또는 텍스트에서 키 정보를 추출하도록 요구	“다음 기사에서 날짜, 사건, 관련 인물을 bullet으로 추출해줘.”
② 출력 포맷 명시(Output Formatting)	테이블, 리스트, JSON 등 특정 포맷으로 결과를 반환하도록 지시	“다음 데이터를 JSON 형태로 정리해줘. key는 ‘이름’, ‘점수’야.”
③ 검색/요약 명령(Search/Summary Prompt)	외부 문서를 기반으로 요약이나 재구성 요청	“이 URL의 주요 내용을 정책 보고서 형식으로 요약해줘. 항목별로 구분해서.”
④ 반복 가능 작업 최적화(Task Automation Prompt)	자주 반복되는 단순 작업에 대해 고정된 프롬프트 구조 적용	“다음 문단의 오타를 교정하고 문장을 더 자연스럽게 다듬어줘.”
⑤ 사용자 맥락 설명(Context Injection)	사용자가 원하는 목적과 대상 독자를 미리 알려주어 정확도 향상	“이 글은 초등 교사 대상 교육 자료야. 쉽게 요약해줘.”

📌 주의사항

• 지시가 모호하면 모델이 엉뚱한 정보를 추출하거나 요약할 수 있으므로 출력 기대치를 명확히 전달하는 것이 중요합니다.
• 출처 기반 요약 시, 문맥 순서를 바꾸지 않도록 요청하는 것도 고려해야 합니다.

---

🧾 요약 비교표

항목	추론형 LLM	비추론형 LLM
주요 목적	복잡한 문제 해결, 논리 구성	정보 요약, 검색 결과 활용, 패턴 반복
핵심 전략	단계적 사고 유도, 맥락 확장, 역할 부여	명확한 지시, 포맷 지정, 정형화된 요청
고급 기법	CoT, Role-based Prompt, Multi-step Instruction	Structured Output, Context-aware Extraction, Search-Summary Mapping
주의사항	과도한 유도는 자연스러움 해침, 추론 구조 과적합 주의	지시 불명확 시 요약 오류 가능, 포맷 일관성 필수