GPT가 ‘생각하는 방식’을 설계하는 고급 프롬프트 전략
고급 추론 프레임워크 ?
이름만 어려운 Chain of Thought(CoT), Zero-shot, Few-shot 러닝 등 전략적 설계
GPT는 “답만 달라”는
요청보다
“생각 과정을 보여줘”라는 요청에 훨씬 강합니다.
이번 편에서는 대형 언어 모델의 진짜 잠재력을 끌어내는
고급 추론 유도 전략을 소개합니다.
GPT는 왜 ‘추론 과정’을
좋아할까?
GPT는 패턴 예측 모델입니다.
그래서 정답을 맞히는 것보다 정답까지 도달하는 방식을 예측하는 게 더 잘 맞습니다.
따라서 “생각의
흐름을 따라가며 대답해줘” 같은 지시가
단순 “답만 줘”보다 정확도와 일관성이 훨씬
높아집니다.
1. Chain
of Thought (CoT) : 생각의 흐름 유도
CoT 프롬프팅은 “문제를 단계적으로 생각해보자”
라는 구조로 GPT의 내부 추론을 활성화하는 방식입니다.
예시)
|
이 문제를 풀기 위해 단계별로 생각해봐. 각 단계를 논리적으로 설명하고, 마지막에
최종 답을 말해줘. 문제:
|
|
CoT 응답 :
|
2. Zero-shot
: 예시 없이 지시
Zero-shot은 별도의 데이터나 설명을 덧붙이지 않고 답하게 만드는 방식입니다.
예시)
|
인공지능의
특징을 설명해줘. |
💡 언제 사용하나?
- 예시를 줄 수 없는 상황
- 가벼운 추론을 빠르게 수행할 때
3.
Few-shot Learning : 예시 기반 유도
Few-shot Learning은 GPT에게 2~3개의
예시(샘플)를 먼저 보여주고,
그 패턴을 따라 답하게 만드는 방식입니다.
예시)
|
사과는 동그랗고 빨개, 바나나는
길고 노란색이야, 멜론은? |
💡 효과적인 경우
- 정형화된 패턴이 있는 작업
- 데이터 변환, 분류, 문장 생성 등
4. 자기 일관성(Self-consistency)
Self-consistency는 GPT에게 같은 질문을 여러 번 하게 한 후,
결과들을 비교해 다수결 혹은 가장 논리적인 답을 선택하는 전략입니다.
예시)
|
이 문제를 3번 생각해보고, 각각의 추론을 한 뒤 가장 일관된 결론을 선택해줘. |
💡 활용 팁
- 한 번에 정답이 불확실한 문제
- 수학/논리/정책
판단 문제에 유효
5. 자기 반성(Self-reflection)
Self-reflection은
GPT가 자신의 답변을 돌아보고 "왜 그렇게 생각했는가?", "혹시 오류는 없나?"
스스로 검토하도록 유도하는 전략입니다.
예시)
|
위 답변에 스스로 평가를 해줘. - 논리적 오류가 있었는가? - 더 나은 대답을 할 수 있었는가? |
💡 활용 팁
- 응답 후 시점 복잡한 문제에 대한 재검토
고급 프레임워크 비교 요약
|
전략 |
특징 |
추천 상황 |
|
Chain of Thought |
단계별
추론 유도 |
복잡한
문제 해결, 사고 유도 |
|
Zero-shot CoT |
예시
없이 사고 유도 |
빠른
판단, 구조가 단순할 때 |
|
Few-shot |
예시
패턴 학습 |
정형화된
작업, 변환, 생성 |
|
Self-consistency |
반복
응답 중 다수/정확 선택 |
불확실한
문제, 추론 일관성 확보 |
|
Self-reflection |
자기
오류 평가 |
품질
향상, 복잡한 판단 검토 |
통합 실무 프롬프트 예시
|
아래 질문에 대해 1) 단계별 추론(CoT) 2) 최종 답 제시 3) 답변에 대해 스스로 점검(Self-reflection) 하는 방식으로 대답해줘.
|
< 요약 >
GPT는 정답 생성기가 아니라 생각 흐름 예측기입니다.
사고의 구조를 유도할수록 정확도와 일관성이 높아집니다.
|
핵심 프레임워크 |
핵심 프롬프트 |
|
CoT |
단계별로
생각해봐 |
|
Zero-shot |
그냥
설명해줘. |
|
Few-shot |
A는 이렇고 B는 이런데 C는? |
|
Self-consistency |
3번 생각해보고 각각을 추론해봐 |
|
Self-reflection |
위
답변에 스스로 평가를 해봐 |