고급 프롬프팅 기법 — ReAct, 자기 일관성, 메타 프롬프팅

기초를 넘어: 한계 극복 기법들

앞서 배운 CoT, Few-shot, 역할 부여는 강력하지만 한계가 있습니다.

최신 정보가 없음 → LLM 지식 컷오프
계산이 틀릴 수 있음 → 수학적 오류
같은 질문에 다른 답 → 일관성 부족
프롬프트 작성이 어려움 → 설계 비용

이 한계를 극복하는 고급 기법들을 살펴봅니다.

기법 1: ReAct (Reason + Act)

**추론(Reason)**과 **행동(Act)**을 교차하며 문제를 해결하는 패턴입니다.

flowchart TB
    Q["질문"] --> T1

    subgraph LOOP["ReAct 사이클"]
        T1["🧠 생각 (Thought)\n'무엇을 해야 하는가?'"]
        A1["⚡ 행동 (Action)\n'도구를 실행한다'"]
        O1["👁️ 관찰 (Observation)\n'결과를 확인한다'"]
        T2["🧠 다음 생각\n'결과로 무엇을 알 수 있나?'"]
        
        T1 --> A1 --> O1 --> T2
        T2 -->|"목표 달성 전"| A2["다음 행동"]
    end

    T2 -->|"목표 달성"| ANS["최종 답변"]

ReAct 프롬프트 구조

다음 형식으로 문제를 해결해줘:

생각: [현재 상황 분석]
행동: [실행할 작업] (검색("쿼리"), 계산("수식"), 읽기("파일"))
관찰: [행동 결과]
생각: [결과 해석]
... (반복)
최종 답변: [결론]

---
질문: 2024년 한국 반도체 수출 금액과 2023년 대비 변화율은?

ReAct는 AI 에이전트 구현의 핵심 패턴이기도 합니다. 도구(검색, 계산, API)를 LLM과 연결할 때 사용합니다.

기법 2: 자기 일관성 (Self-Consistency)

같은 질문을 여러 번 독립적으로 추론시키고 다수결로 최종 답변을 결정합니다.

flowchart TB
    Q["동일한 질문"]

    Q --> P1["추론 경로 1\n→ 답 A"]
    Q --> P2["추론 경로 2\n→ 답 A"]
    Q --> P3["추론 경로 3\n→ 답 B"]
    Q --> P4["추론 경로 4\n→ 답 A"]
    Q --> P5["추론 경로 5\n→ 답 A"]

    P1 & P2 & P3 & P4 & P5 --> VOTE["다수결\nA: 4표 / B: 1표"]
    VOTE --> FINAL["최종 답변: A\n(신뢰도 80%)"]

자기 일관성 활용 예시

아래 문제를 3가지 다른 방식으로 각각 독립적으로 풀어줘.
각 풀이는 서로 참조하지 않고 독립적으로 작성해.
마지막에 3개의 답변을 비교하고 다수결로 최종 답을 결정해줘.

문제: [복잡한 추론 문제]

단일 추론보다 신뢰도가 높아지지만 비용(토큰)이 N배 됩니다. 중요한 의사결정에만 활용하세요.

기법 3: 메타 프롬프팅

프롬프트를 생성하는 프롬프트입니다. LLM에게 좋은 프롬프트를 설계하게 시킵니다.

flowchart LR
    GOAL["목표 설명"] -->|"메타 프롬프트"| LLM1["LLM\n(프롬프트 설계자)"]
    LLM1 --> PROMPT["최적화된 프롬프트"]
    PROMPT -->|"실제 작업"| LLM2["LLM\n(실행자)"]
    LLM2 --> RESULT["결과"]

메타 프롬프팅 예시

나는 이런 작업을 하려고 해:
"고객 리뷰 텍스트에서 감정(긍정/부정/중립)과 
주요 키워드를 추출하고 구조화된 JSON으로 출력"

이 작업을 위한 최적의 시스템 프롬프트와 사용자 프롬프트 템플릿을 
설계해줘. 실제 예시 2개도 포함해줘.

활용 상황:

프롬프트 작성에 익숙하지 않을 때
새로운 작업 유형의 프롬프트가 필요할 때
기존 프롬프트 품질을 개선하고 싶을 때

기법 4: 프롬프트 체이닝

복잡한 작업을 여러 단계로 나눠 순차적으로 처리합니다.

flowchart LR
    IN["원본 입력"] 

    subgraph CHAIN["프롬프트 체인"]
        S1["단계 1\n요약 추출"]
        S2["단계 2\n핵심 논점 분석"]
        S3["단계 3\n반론 생성"]
        S4["단계 4\n최종 보고서 작성"]
        
        S1 --> S2 --> S3 --> S4
    end

    IN --> S1
    S4 --> OUT["최종 결과물"]

체이닝 예시: 컨텐츠 파이프라인

# 의사코드
step1 = llm("다음 원문에서 핵심 사실만 3개 추출: {raw_text}")
step2 = llm(f"이 3가지 사실을 기반으로 블로그 개요 작성: {step1}")
step3 = llm(f"이 개요로 2000자 블로그 글 작성: {step2}")
step4 = llm(f"이 글에서 SNS용 요약 트윗 3개 생성: {step3}")

각 단계의 출력이 다음 단계의 입력이 됩니다.

기법 5: 역할 역전 (Flipped Interaction)

LLM이 질문을 받는 것이 아니라 사용자에게 질문하게 만듭니다.

flowchart LR
    subgraph FLIP["역할 역전 패턴"]
        U["사용자\n'앱 기획 도와줘'"]
        L["LLM\n'타겟 사용자는 누구인가요?\n주요 기능 3가지는? 예산 범위는?'"]
        U2["사용자\n답변 제공"]
        L2["LLM\n충분한 정보로\n구체적 기획안 제공"]
    end

    U --> L --> U2 --> L2

나는 [목표]를 달성하고 싶어. 최적의 결과를 위해 
나에게 필요한 정보를 질문해줘. 충분한 정보를 얻으면
그 때 [결과물]을 생성해줘.

초안을 먼저 받는 것보다 맥락 수집 후 생성이 훨씬 정확한 결과를 냅니다.

기법 선택 가이드

flowchart TD
    Q["어떤 상황인가?"]

    Q -->|"도구 사용 + 복잡한 추론"| R1["ReAct"]
    Q -->|"중요한 판단, 높은 정확도 필요"| R2["자기 일관성"]
    Q -->|"프롬프트 설계가 막막함"| R3["메타 프롬프팅"]
    Q -->|"복잡한 다단계 작업"| R4["프롬프트 체이닝"]
    Q -->|"사용자 요구사항이 불명확"| R5["역할 역전"]

실전: 기법 결합하기

실제 AI 서비스에서는 여러 기법을 동시에 씁니다.

[시스템 프롬프트] ← pe-04
당신은 수석 전략 컨설턴트입니다.

[역할 역전] ← 이번 편
클라이언트의 비즈니스 상황을 파악하기 위해
먼저 5개 핵심 질문을 해주세요.

[CoT 유도] ← pe-03
충분한 정보 수집 후, 단계별로 분석하여
전략 보고서를 작성해주세요.

[출력 형식]
보고서는 다음 구조로 작성합니다:
1. 현황 분석
2. 핵심 문제 정의
3. 전략 옵션 3가지 (장단점 비교)
4. 권고안

프롬프트 엔지니어링 전체 정리

flowchart TB
    subgraph PE["프롬프트 엔지니어링 기법"]
        direction LR
        B["기초\n명확성·구체성·구조화"]
        R["역할+Few-shot\n페르소나·예시 학습"]
        C["CoT\n단계별 추론"]
        S["시스템 프롬프트\n서비스 행동 제어"]
        A["고급 기법\nReAct·자기일관성\n메타·체이닝·역전"]
    end

    B --> R --> C --> S --> A

기법	효과	비용
명확성·구체성	기본 품질 향상	낮음
역할+Few-shot	일관성·전문성	중간
CoT	추론 정확도	중간
시스템 프롬프트	서비스 일관성	낮음
자기 일관성	신뢰도 최대화	높음 (N배)
ReAct	도구 활용	높음
체이닝	복잡한 작업	높음

이것으로 프롬프트 엔지니어링 시리즈를 마칩니다. 다음은 LLM API 개발 — 실제 코드로 LLM을 제어하고 서비스를 만드는 실습을 시작합니다.