AI 트렌드 – Prompt 기법 (CoT 등) 완전 정리

목적: Prompt 기법 중 특히 시험 단골인 **Chain-of-Thought(CoT)**를 중심으로, Zero-shot/Few-shot, Self-Consistency, 기타 확장 기법까지 쉽게 정리.

---

0) 한눈에 핵심

• Prompting = LLM에게 어떻게 질문/지시하느냐에 따라 성능이 달라짐.
• CoT (Chain-of-Thought) = “단계별로 생각해보자” 식으로 추론 과정을 글로 유도.
• 응용: 수학·논리·절차 문제에서 정답률 대폭 향상.

---

1) Prompting 기본 유형

1. Zero-shot: 예시 없이 바로 질문.

   • “서울은 한국의 수도인가?”

2. Few-shot: 프롬프트에 예시 몇 개 포함.

   • Q: 2+2=? A:4 → Q:3+5=? A:8

3. Instruction: 지시문 형태.

   • “다음 문장을 영어로 번역하라.”

---

2) Chain-of-Thought (CoT)

• 정의: 모델이 중간 추론 단계를 글로 쓰게 하여 최종 답에 도달.

• 예시: 23×47=?

  • CoT: “먼저 20×47=940, 3×47=141, 합=1081.” → 정답 1081.

• 효과: 단순 답변보다 복합 계산/추론 문제에서 정확도↑.

• Zero-shot CoT: 단순히 “Let’s think step by step.” 추가해도 효과.

• Few-shot CoT: 예시 답안에 풀이과정 포함.

---

3) 확장 기법

• Self-Consistency: 여러 번 CoT 실행 → 다양한 풀이 중 다수결/확률로 최종 선택 → 안정성↑.
• Least-to-Most Prompting: 큰 문제를 작은 하위 문제로 나눠 풀도록 유도.
• ReAct (Reason + Act): 추론(Reason)과 외부행동(Act: 검색·툴사용)을 번갈아.
• Tree-of-Thought (ToT): 다양한 추론 경로를 트리 구조로 확장 탐색.

---

4) 언제 쓰나?

• 수학/논리/코딩: 중간 단계 필요.
• 절차적 과제: 단계별 규칙 적용.
• 교육/튜터링: 풀이과정 제시.
• 안전성↑: 중간 근거를 보고 검증 가능.

---

5) 장단점

• 장점: 추론 정확도↑, 설명가능성↑.
• 단점: 응답 길이·지연↑, 중간 오류가 답까지 전파 가능.
• 해결: Self-Consistency, 도구보정.

---

6) 시험장 포인트

• CoT= “단계별 사고” 유도.
• Zero-shot CoT = “Let’s think step by step.”
• Few-shot CoT = 풀이 포함된 예시 제공.
• Self-Consistency = 다수결.
• Least-to-Most = 큰 문제를 작은 문제로 분할.

---

7) 실전 체크리스트

• Zero-shot vs Few-shot 구분 가능한가?
• CoT 프롬프트 예시 말할 수 있는가?
• Self-Consistency 아이디어 설명 가능한가?
• 응답 길이/지연 trade-off 언급 가능한가?

---

8) 미니 연습(정답은 접어서)

1. CoT 프롬프트가 특히 효과적인 문제 유형은?
2. Self-Consistency의 핵심 아이디어는?
3. “큰 문제를 작은 문제로 나눠 단계별 풀기”는 어떤 기법인가?

정답 보기

1) **수학/논리/절차적 문제**. 2) 여러 번 CoT 실행 후 다수결/확률로 최종 선택. 3) **Least-to-Most Prompting**.