[문제] 생성형 AI 모델에서 프롬프트 엔지니어링(Prompt Engineering)의 개념과 중요성을 설명하고, 주요 프롬프트 기법(Zero-Shot, Few-Shot, Chain-of-Thought, Tree-of-Thought)을 비교 서술하시오. 또한 할루시네이션(Hallucination) 문제와 RAG(Retrieval-Augmented Generation) 아키텍처를 통한 해결 방안을 논하시오.
1. 프롬프트 엔지니어링 개념과 중요성
프롬프트 엔지니어링은 LLM(대형언어모델)이 원하는 출력을 생성하도록 입력 텍스트(프롬프트)를 체계적으로 설계·최적화하는 기술이다. 모델 재학습 없이 성능을 극대화할 수 있어 AI 활용의 핵심 역량으로 부상했다.
중요성: 동일 모델에서 프롬프트 품질에 따라 정확도·일관성 차이가 극명하게 나타남. 업무 자동화·콘텐츠 생성·코드 작성에서 ROI를 결정하는 핵심 요소
2. 주요 프롬프트 기법 비교
| 기법 | 개념 | 특성 | 적합 용도 |
|---|---|---|---|
| Zero-Shot | 예시 없이 지시문만으로 작업 수행 | 간단·빠름, 모델 기본 능력에 의존 | 일반 질의응답, 번역, 분류 |
| Few-Shot | 2~10개의 입력-출력 예시를 프롬프트에 포함 | 예시가 출력 형식·스타일 가이드 역할 | 특정 형식 출력, 도메인 특화 작업 |
| Chain-of-Thought (CoT) | 중간 추론 단계(“단계별로 생각해보자”)를 포함하여 복잡한 문제 해결 | 논리 추론·수학 문제에서 정확도 대폭 향상 | 수학 계산, 논리 추론, 복잡한 분석 |
| Tree-of-Thought (ToT) | 여러 사고 경로를 트리 구조로 탐색·평가하여 최적 경로 선택 | 탐색적·창의적 문제에서 CoT보다 우수 | 전략 수립, 게임 플레이, 창의적 문제 해결 |
3. 할루시네이션 문제
할루시네이션(Hallucination)은 LLM이 사실이 아닌 정보를 사실인 것처럼 자신감 있게 생성하는 현상이다.
- 원인: 학습 데이터 편향, 지식 컷오프 날짜 이후 정보 부재, 확률 기반 생성 특성
- 유형: 존재하지 않는 논문 인용, 잘못된 수치·날짜, 허위 사실 서술
4. RAG (Retrieval-Augmented Generation) 아키텍처
RAG 동작: ① 사용자 질의를 임베딩 벡터로 변환 → ② 벡터 DB에서 유사 문서 검색 → ③ 검색 문서를 프롬프트에 삽입(증강) → ④ LLM이 근거 기반 응답 생성
효과: 모델 재학습 없이 최신 정보 반영, 출처 제시로 신뢰성 향상, 할루시네이션 대폭 감소
[ 결론 ]
프롬프트 엔지니어링은 LLM 성능을 극대화하는 핵심 기술이며, CoT·ToT로 복잡한 추론 능력을 향상시킨다. 할루시네이션 문제는 RAG 아키텍처로 벡터 DB 검색 기반 근거 생성을 통해 완화하며, 고신뢰성이 요구되는 법률·의료·금융 분야에서 필수 접근법이다.