신영선
기본 과정
Chat GPT4o
Chat GPTo1 pro mode
Chat GPT 4.5

99%가 모르는 GPT 최강 명령어 프롬프트

샘알트먼의 오픈 AI에서 공식으로 발표한 GPT 사용 치트키

2025-03-12

릴스 영상을 저장 또는 공유하기로 기록을 해놓습니다.
DM으로 받은 링크를 카톡으로 옮겨 놓습니다.
PC로 접속해서 AI 즐겨찾기 폴더를 만들어 저장해놓습니다.
바로 사용을 해봅니다. 절대 미루지 마세요. (⭐ 제일 중요)

https://platform.openai.com/docs/guides/prompt-engineering 해당 사이트에 접속합니다.
DEEPL 번역기 또는 구글 번역기를 사용하여 번역하여 학습합니다.
프롬프트 엔지니어링 부분은 제가 번역 해놨으니 보다 쉽게 확인하실 수 있습니다.
아래 있는 프롬프트를 GPT에 입력하고 ‘내가 만약 해당 공식을 어기거나, 공식에 있는 내용을 누락한 채로 프롬프트를 입력하면 어떤 부분이 부족했는지 피드백해줘’라고 추가하여 입력합니다.
급하신 분들은 아래 프롬프트 양식을 복사해서 사용합니다. 빨간 글씨만 수정해서 사용하면 됩니다.

1. OPEN AI에서 공식 발표한 GPT 프롬프트 양식

당신은 [어떤 상황에도 유연하게 대응하는 고급 AI 어시스턴트]입니다.

의도 파악: 사용자의 요청 혹은 질문을 명확히 이해합니다. 불충분한 정보가 있으면 먼저 짚어주거나 추가 정보를 요청하세요.
사고 과정: 내부적으로는 문제를 단계별로 검토해 최적의 해답을 도출합니다. 하지만 필요 이상으로 그 과정을 노출하지 마세요. (필요하면 간략하게 요약만)
사실성 & 정확도: 확실한 정보만 제시하며, 출처가 불명확하거나 모르면 "정확한 답변이 어렵다"고 솔직하게 말합니다. 근거 없이 추측하지 마세요.
명확하고 간결한 답변: 핵심을 중심으로 이해하기 쉽게 설명합니다. 전문용어가 필요하면 간단히 풀어서 부연하세요.
추가 가치 제공: 상황에 따라 예시, 참고 자료, 주의사항, 확장 아이디어 등을 능동적으로 제안할 수 있습니다.
톤 & 형식:

존중과 배려를 바탕으로 대화합니다.
요청에 따라 요약/예시/코드/표 등을 제시하되, 과하게 장황하지 않게 유지합니다.
글씨 크기, 이모지, 표,그래프 등 시각적 자료를 이용해 가독성을 높여주세요.
3000자 캔버스로 설명해주세요

위 지침을 바탕으로, 사용자가 묻거나 요청하는 모든 질문에 최선을 다해 답변하세요.

프롬프트 엔지니어링(Prompt Engineering) 개요
메시지와 역할(Messages and Roles)
Responses API 예시
Chat Completions API 예시
추가 데이터 활용(RAG 기법)
더 나은 결과를 위한 6가지 전략
명확한 지시사항 작성
참고 텍스트 제공
복잡한 작업을 하위 작업으로 분할
모델에게 사고할 시간 주기
외부 도구 사용
변화 효과를 체계적으로 테스트하기
전략별 전술(Tactics)
모델 출력 최적화
기타 참고자료
(부록) 반드시 알아야 할 핵심 요약 및 실전 프롬프트 공식

1. 프롬프트 엔지니어링(Prompt Engineering) 개요

프롬프트 엔지니어링이란 모델에게 올바른 출력을 유도하기 위해 입력(프롬프트)을 설계하는 과정이다.
모델이 잘 모를 수 있는 사적이거나 전문 지식을 추가로 제공하면 결과 품질을 높일 수 있다.
사용자는 모델에게 여러 가지 지시사항, 맥락, 예시 등을 포함시켜 원하는 반응을 얻도록 유도할 수 있다.

2. 메시지와 역할(Messages and Roles)

메시지를 모델에게 전달할 때는 messages 배열을 사용한다. 각 메시지는 특정 role을 갖는데, 다음과 같이 구분된다:

user
일반적인 사용자 요청. ChatGPT 등에서 유저가 직접 입력하는 메시지와 유사하다.
예: "JavaScript에서 세미콜론은 선택사항인가요?"
developer (과거 system prompt)
사용자 메시지보다 우선순위가 높은 개발자(혹은 시스템)의 지시사항.
모델이 전반적으로 어떤 톤이나 성격, 혹은 우선순위를 가져야 하는지 기술할 수 있다.
예: "당신은 미국 남동부 출신의 ‘서던벨(Southern Belle)’ 느낌으로 프로그래밍 질문에 답변하는 도움을 주는 어시스턴트입니다."
assistant
이전 단계에서 모델이 생성한 응답을 다시 제공하거나, 예시를 보여줄 때 사용한다.
예: 특정 대화 맥락에서 모델이 답변한 내용을 재활용해 추가 힌트 제공.

이렇게 역할을 분리하면, 모델이 어떤 지시사항을 우선적으로 따라야 하는지 명확해진다.

3. Responses API 예시

javascript
복사
const response = await openai.chat.completions.create({
  model: "gpt-4o",
  messages: [
    {
      "role": "developer",
      "content": [
        {
          "type": "text",
          "text": `
            당신은 남동부 출신의 서던벨 느낌으로
            프로그래밍 관련 질문에 답해주는
            매우 도움이 되는 어시스턴트입니다.
          `
        }
      ]
    },
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "JavaScript에서 세미콜론은 선택사항인가요?"
        }
      ]
    }
  ],
  store: true,
});

위 예시는 모델로부터 다음과 같은 응답을 유도한다(예시):

복사
오메, 그 질문 참 반갑네요! 자바스크립트 세계에선 세미콜론이
진주 목걸이 같은 존재라 할 수 있답니다...

4. Chat Completions API 예시

javascript
복사
const response = await openai.chat.completions.create({
  model: "gpt-4o",
  messages: [
    {
      "role": "developer",
      "content": [
        {
          "type": "text",
          "text": `
            당신은 남동부 출신의 서던벨 느낌으로
            프로그래밍 관련 질문에 답해주는
            매우 도움이 되는 어시스턴트입니다.
          `
        }
      ]
    },
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "JavaScript에서 세미콜론은 선택사항인가요?"
        }
      ]
    }
  ],
  store: true,
});

출력 예시는 Responses API 예시와 동일하며, 결과적으로 비슷한 응답 형식을 얻을 수 있다.

5. 추가 데이터 활용(RAG 기법)

RAG(Retrieval Augmented Generation): 모델에 외부 데이터(예: DB 조회 결과, 관련 문서 등)를 제공해 답변에 반영하도록 하는 기법.
모델이 사전에 학습하지 않은 최신 정보나 전문 지식을 활용해야 할 때 효과적.

6. 더 나은 결과를 위한 6가지 전략

명확한 지시사항 작성

원하는 응답의 분량, 톤, 포맷 등을 구체적으로 말해주면 모델이 더 정확히 응답한다.

참고 텍스트 제공

모델이 자신 있게 말하도록, 정확한 정보(예: 문서, DB 쿼리 결과 등)을 제공해 “환상(hallucination)”을 줄인다.

복잡한 작업을 하위 작업으로 분할

한 번에 큰 작업을 처리하기보다는 작은 단계로 나눠 처리하면 오류 확률이 낮아지고, 관리가 쉬워진다.

모델에게 사고할 시간 주기

모델이 즉시 답을 내놓기보다, 중간 과정을 거쳐 스스로 논리를 전개하도록 요청하면 더 정확한 결과가 나올 수 있다(‘chain of thought’).

외부 도구 사용

모델이 취약한 부분(예: 대규모 계산, API 호출 등)을 외부 시스템이나 코드로 처리하도록 결합하면 효율성과 정확도가 높아진다.

변화 효과를 체계적으로 테스트하기

프롬프트를 조금씩 바꿔가며 대규모 테스트를 해보아야, 평균적으로 어떤 프롬프트가 더 좋은 결과를 내는지 알 수 있다.

7. 전략별 전술(Tactics)

7.1.1 쿼리에 구체적인 세부사항 포함

“이 문서를 요약해줘”보다 “이 문서를 한 문단으로 요약한 뒤, 발표용 슬라이드에 쓸 수 있도록 핵심 키워드를 bullet point로 나열해줘”가 더 정확한 결과를 얻는다.

7.1.2 모델에게 특정 인물/캐릭터/persona로 답하도록 지시

예:
System Prompt: “당신은 유머를 잘 섞어서 답변하는 어시스턴트입니다.”
User Prompt: “고객에게 감사 편지를 써주세요.” => 반드시 유머가 포함된 편지를 결과물로 기대할 수 있음.

7.1.3 구분자(Delimiter)로 입력 구역을 명확히 지정

예:
"""(트리플 쿼터)
<article>...</article> 등 => 복잡한 문서 구조를 모델에 전달할 때 유용.

7.1.4 작업 단계를 구체적으로 명시

예:

입력 텍스트 요약
그 요약을 다른 언어로 번역
번역본을 표 형식으로 정리 … => 모델이 단계별로 출력함으로써 오류 감소.

7.1.5 예시(샘플) 제공

Few-Shot Prompting 기법: 원하는 답변 형식이나 톤을 실제 예시로 보여줌.

7.1.6 출력 길이 지정

예:
“50단어 내외로 요약해줘”
“3문장으로 요약해줘”
“3개의 bullet point로 요약해줘”

7.2.1 레퍼런스 텍스트 기반 답변 유도

“다음 문서를 참고하여 답변해. 문서에 없는 내용이면 ‘찾지 못했다’고 답해.”

7.2.2 인용/출처 표기

“반드시 해당 문서의 인용 구간을 답변에 포함해. 문서에 없는 내용이면 ‘정보가 부족하다’고 말해.”

7.3.1 의도 분류를 먼저 수행하고, 필요한 지시사항만 적용

예: 고객 질문이 결제 관련인지 기술 지원 관련인지 분류하여, 각 카테고리에 맞는 맞춤형 가이드 제공.

7.3.2 매우 긴 대화가 필요할 경우, 이전 내용을 요약해서 전달

모델의 콘텍스트 윈도우 한계를 넘기지 않도록 이전 대화를 요약하거나 핵심만 정리해서 시스템에 주입.

7.3.3 긴 문서를 나눠 요약 후 최종적으로 합치기

긴 문서는 한 번에 요약하기 어렵다. 파트별 요약 → 요약들을 종합해 최종 요약.

7.4.1 결론 도출 전에 단계별 해결 과정을 지시

예: “문제를 먼저 본인이 풀어보고, 그 해답을 바탕으로 학생 해답의 옳고 그름을 평가해줘.”

7.4.2 내부 추론은 숨기고, 최종 요약만 공개

예: “내부 계산 내용은 """ 안에 적고(출력은 숨김), 결과만 사용자에게 보여줘.” => 모델이 중간 사고 과정을 노출하지 않고 최종 결과만 제시.

7.4.3 여러 번 답변을 거쳐 누락된 부분을 확인

“혹시 빠뜨린 관련 구절이 있는지 추가로 찾아봐달라”고 후속 질의를 하여 누락 보완.

7.5.1 Embeddings 기반 검색(벡터 검색)으로 대규모 지식 조회

문서를 잘게 쪼개 Embedding 후 벡터 검색으로 필요한 조각만 모델에 전달 → 효율성 및 정확도↑

7.5.2 코드 실행으로 계산 정확도 보완

모델 자체 연산이 부정확할 수 있으므로, Python 등 코드를 실행해 정확한 결과를 얻고 이를 다시 모델에 전달.

7.5.3 모델에 함수 호출 기능 부여

Chat Completion API에서 함수 스키마를 제공하면, 모델이 그 형식에 맞춰 JSON 형태로 함수 호출 파라미터를 생성할 수 있음.

7.6 변화 효과를 체계적으로 테스트하기

Evals(평가):
실제 사용 예시(또는 다양하고 대표성 있는 예시)로 프롬프트 변경 효과를 검증.
충분히 많은 테스트 케이스를 사용해 통계적 유의미성을 확보(10개, 100개, 1000개…).

7.6.1 정답 레퍼런스를 기준으로 모델 출력을 비교

모델 답변이 골든 스탠더드(정답)에 어느 정도 부합하는지 체크.
OpenAI Evals와 같은 도구를 사용해 자동화할 수 있음.

8. 모델 출력 최적화

정확도(Accuracy), 비용(Cost), **지연시간(Latency)**를 균형 있게 고려해야 한다.
정확도를 높이려면 더 많은 정보를 모델에 제공하고, 세부 지시사항을 주어야 한다.
비용을 줄이려면 토큰 사용량을 감소시키고, 경우에 따라 더 작은(저렴한) 모델을 사용한다.
지연시간(응답속도)은 프롬프트 길이, 병렬 처리, 모델 종류 등에 영향을 받으므로 적절히 조정해야 한다.

I. 반드시 알아야 할 핵심 내용

프롬프트 엔지니어링의 개념

대형 언어 모델(LLM)에게 원하는 결과를 정확히 얻기 위해 입력(프롬프트)을 정교하게 작성하는 기법이다.
세부 지침, 맥락, 예시, 형식 등을 구체적으로 제시할수록 결과 품질이 향상된다.

메시지와 역할(Role)의 활용

system(또는 developer) 메시지는 전체 대화의 톤과 규칙을 정한다.
user 메시지는 사용자의 질문 또는 요구 사항이다.
assistant 메시지는 모델이 이전에 생성했던 답변(또는 예시) 등을 전달할 때 사용한다.

6가지 핵심 전략
명확한 지시사항 작성

출력 형식, 분량, 전문성 수준, 어조 등을 구체적으로 제시

참고 텍스트 제공

원하는 자료(논문, DB 등)를 모델에 직접 입력해 환상을 줄이고 정확도를 높임

복잡한 작업을 하위 작업으로 분할

긴 대화나 복잡한 절차는 단계별 처리

모델에게 사고할 시간 주기

Chain of Thought(단계별 추론)를 유도해 논리적 오류를 줄임

외부 도구 사용

Embeddings 검색, 코드 실행(API 연동), 함수 호출 기능 등으로 모델의 한계를 보완

변화 효과를 체계적으로 테스트

Evals(테스트 세트)를 통해 프롬프트 변경 전후 성능 비교

RAG(Retrieval Augmented Generation) 기법

모델이 모르는 정보를 외부에서 찾아서 입력.
기존 지식 한계를 보완하고, 최신 정보나 구체적 자료를 활용 가능.

출력 최적화 고려사항

정확도: 충분한 정보와 지시사항 제공, 불확실 시 근거 제시
비용: 토큰 수 관리, 필요 없는 맥락 줄이기, 적절한 모델 크기 선택
지연시간: 프롬프트 간소화, 병렬 처리, 모델 선택 등으로 개선

II. 실전에서 활용할 수 있는 프롬프트 공식

공식 1: 기본 틀(역할 + 지시사항 + 입력)

less
복사
[System(또는 Developer) 메시지 예시]
당신은 [원하는 캐릭터/역할/어조]로 [특정 목표/문제]를 해결해주는 어시스턴트입니다.
아래 조건을 준수하세요:
1) ...
2) ...

[User 메시지]
(사용자가 묻고자 하는 질문 또는 요청)

목적: 전체 톤과 규칙, 어시스턴트의 역할 확립

공식 2: 단계별 응답 지시

csharp
복사
[System]
다음 단계로 답변해 주세요:
1) 문제를 자체적으로 분석 후 핵심 요점을 도출 (출력은 숨기거나 요약)
2) 최종 결과만 사용자에게 간단명료하게 알려주기
3) 가능하면 근거(출처) 제시

[User]
"구체적인 질문/요청 내용"

목적: Chain of Thought 유도 및 불필요한 노출 방지

공식 3: 참고 텍스트 활용

python
복사
[System]
당신은 아래에 주어진 텍스트를 바탕으로만 답변을 구성해야 합니다.
텍스트에 없는 내용은 "정보가 부족합니다"라고 답하세요.

[User]
"""
(참고용 텍스트)
"""
질문: (사용자 질문)

목적: 환상(hallucination)을 줄이고 정확도 향상

공식 4: 함수/코드 실행 결합

csharp
복사
[System]
당신은 외부 코드 실행 환경에 접근할 수 있습니다.
계산이 필요하면 파이썬 코드를 작성해 triple backtick 안에 넣으세요.

[User]
"수학 문제나 복잡 계산, 혹은 API 호출이 필요한 질문"

목적: 모델이 부정확한 계산을 피하고, 실제 실행 결과를 기반으로 응답하도록 함

공식 5: 간단 템플릿 + 예시 제공

diff
복사
[System]
당신은 (특정 분야 전문가)입니다.
사용자는 (특정 문제/상황)를 겪고 있습니다.
아래 예시 응답 형식을 참고해 동일한 구조로 답변하세요.

예시:
- 인사말: ...
- 핵심 안내: ...
- 권장 사항: ...
- 맺음말: ...

[User]
"(상황 또는 구체적인 질문)"

목적: 출력 형식을 지정해 일관성 유지

위 프롬프트 공식을 상황과 목적에 맞춰 변형·조합하면, 모델에게 더욱 정확하고 통제된 답변을 유도할 수 있다.

가장 중요한 것은 “모델이 제대로 이해할 수 있도록 명확하고 구체적으로” 작성하는 것이다. 한 번에 복잡한 요청을 하기보다, 필요하다면 여러 단계로 나누고 중간점검을 거쳐 답변 품질을 보정하면 훨씬 성공률이 높아진다.

요약:

모델이 가진 한계를 보완하려면, 필요한 맥락을 충분히 제공하고, 단계별 지시를 통해 논리적 흐름을 강화한다.
복잡한 문제는 하위 문제로 쪼개고, 외부 도구(코드 실행, RAG, 함수 호출 등)로 정확도를 높인다.
프롬프트를 수정할 때는 반드시 다수 예시로 테스트하여 실제로 더 나아졌는지 검증한다.

이 글을 보는 분들께. 5년 전 우리는 GPT가 아닌 AI 그 자체가 없는 세상에서 살아왔습니다. 설령 있었다고 하더라도, AI가 우리 생활에 이렇게 가까이 다가오진 않았습니다. 그럼 지금부터 5년 뒤를 상상해볼까요? 앞으로는 어떻게 될까요? AI, GPT를 잘 다루지 못하는 사람은 마치 인터넷을 잘 다루지 못하는 사람과 같이 도태될 수밖에 없을 겁니다. 세상이 엄청나게 빠르게 변화하고 있습니다. 이럴수록 배우고자 하는 의지가 모인 사람들끼리 모여 집단지성의 힘을 발휘해야 합니다. 그래서 커뮤니티를 만들려고 합니다. AI 시대에 도태되지 않고 앞장서서 성장하고 싶으신 분들은 아래 단톡방으로 참여해주세요. 많은 분들을 모시고 싶지만, 실제 사업과 실무에 적용되는 기밀 노하우가 많아 많은 분들을 받기는 어려울 것 같습니다.

이런 자료를 이메일로 받아보시겠습니까? 무료 강의 안내도 같이 갑니다.

무료로 신청하기