LangChain - 프롬프트 (Prompts) 개요

끄적끄적메모 2025. 6. 13. 19:27

2025. 6. 13. 19:27

📑 Contents

프롬프트는 모델의 응답 품질을 좌우하는 핵심 요소임
LangChain에서는 목적에 맞는 적절한 프롬프트를 설계함으로써, 원하는 정보를 효과적으로 추출하거나 특정 작업을 정확하게 수행할 수 있도록 도와줌
단순한 질의부터 복잡한 지시, 예시 기반 학습까지, 프롬프트 구성에 따라 LLM의 응답 전략도 달라짐

1. 프롬프트 구성 방식

프롬프트는 목적과 상황에 따라 다양한 방식으로 설계될 수 있음

1) 요청 형식

질문형 (Question)

간결한 질문 형태로 구성하여, 특정 정보에 대해 구체적인 응답을 유도함
정보 추출, 지식 확인, 대화의 방향 설정 등에 효과적임
예: "다음 주제에 대해 무엇을 알고 있나요?: {topic}"

지시형 (Instruction)

명확한 작업 지시문을 통해 특정 작업을 수행하도록 유도함
번역, 요약, 감성 분석 등 정형화된 작업에 특히 적합함
예: "다음 문장을 한국어로 번역해 주세요: {sentence}"

대화형 (Conversational)

사용자와의 자연스러운 상호작용을 통해 문맥을 지속적으로 유지할 수 있음
역할 기반 메시지 구조(System, Human, AI)를 활용하여, 대화 흐름에 맞는 자연스러운 응답을 유도할 수 있음
주로 멀티턴 대화, 챗봇 응답, 시뮬레이션 기반 상호작용에 적합함

2) 예시 활용 방식

제로샷 (Zero-shot)

예시 없이 직접 LLM에게 작업을 지시함
단순하고 직관적인 작업에 적합함
다만 작업 문맥이 복잡하거나 응답 형식이 명확하지 않을 경우, 일관성이 떨어질 수 있음

원샷 (One-shot)

하나의 입출력 예시를 제시한 뒤, 유사한 작업을 지시함
LLM이 예시의 형식, 출력 구조를 모방하도록 유도함
일정한 포맷을 따르는 작업에서 효과적이나, 예시 하나에 과적합될 수 있음

퓨샷 (Few-shot)

2-5개의 예시 입력-출력 쌍을 제공하여, LLM이 작업 패턴을 일반화하도록 유도함
복잡한 문장 구조, 고정된 출력 포맷, 응답 일관성이 요구되는 작업에 효과적임
입력 문장과 유사한 예시만을 동적으로 선택하여 높은 응답 품질을 유지할 수 있음
다만 프롬프트가 길어져 토큰 비용이 증가하고, LLM 입력 한도를 초과할 수도 있음

3) 추론 유도 기법

CoT (Chain Of Thought)

LLM이 복잡한 문제를 해결할 때 중간 사고 과정을 명시적으로 기술하도록 유도함
정답만 제시하는 방식보다 사고 흐름이 명확하게 드러나므로 신뢰도와 설명 가능성(explainability)이 높아짐

Self-consistency

모델이 하나의 문제에 대해 다양한 사고 경로를 따라 여러 번 추론하도록 유도하는 기법임
각 경로에서 도출된 결과 간 일관성을 비교하여 정확한 답변을 선택함
다양한 접근을 통해 얻은 결과가 일치하는지 확인함으로써 오류 가능성을 낮출 수 있음

PAL (Program-Aided Language)

자연어 문제를 프로그래밍적 사고방식으로 구조화하여 해결하도록 유도하는 기법임
문제를 코드 또는 의사코드 형태로 변환하여 처리함

Reflexion

AI가 자신의 이전 응답을 검토하고 평가한 후 개선하도록 유도하는 메타인지적 기법임
자기 피드백(self-critique)을 통해 답변의 완성도를 높이는 방식임
반복적인 자기 점검을 통해 점진적으로 더 나은 결과물을 생성할 수 있음

⚠️ 추론 기법에 대한 상세 내용은 별도 글에서 다룰 예정임

2. 프롬프트 엔지니어링 (Prompt Engineering)

1) 개념

프롬프트 엔지니어링은 LLM에게 명확하고 목적에 부합하는 지시를 제공함으로써, 원하는 결과를 안정적으로 얻어내는 기술임
단순 질의에서 고도화된 작업 지시까지, 프롬프트의 설계 방식에 따라 출력 품질이 크게 달라짐
잘 설계된 프롬프트 템플릿은 재사용 가능하며, 다양한 입력에 대해 일관된 응답 품질과 정확도를 확보할 수 있음

2) 프롬프트 설계 원칙

명확성 (Clarity)

프롬프트는 불필요한 수식어나 중의적 표현을 배제하고, 핵심 요구사항에 집중하여 작성해야 함
LLM이 혼동 없이 작업을 수행할 수 있도록, 의도한 결과물에 대해 구체적이고 정확한 지시를 제공해야 함
예측 가능한 결과를 얻기 위해선, 문맥이 간결하면서도 목적이 분명한 문장으로 구성되어야 함

맥락성 (Context)

배경 정보, 목적, 대상 환경 등을 명확히 포함한 문맥 정보는 LLM이 사용자의 의도를 이해하고, 보다 정밀하게 목적에 부합하는 응답을 생성하는 데 도움을 줌
멀티턴 대화, 문서 요약, 코드 생성 등 복잡한 작업일수록 적절한 맥락 제공은 출력 품질과 정확도를 크게 향상 시킴

구조화 (Structure)

프롬프트는 일관된 입력-출력 형식을 유도할 수 있도록 구조화되어야 함
명확한 포맷 예시, 출력 템플릿, JSON 형식 등의 구조화를 적용하면 LLM의 응답 안정성을 높일 수 있음
구조화된 출력은 후처리 자동화, 오류 감지, 시스템 간 연동 등에 유리하며, 프롬프트의 재사용성과 유지보수 효율성도 함께 향상됨

3. 기본 프롬프트 구현

1) PromptTemplate

입력 변수를 포함한 프롬프트 양식을 정의할 수 있는 LangChain의 기본 템플릿 클래스임
변수에 값을 채워 넣어 다양한 상황에 맞는 프롬프트를 동적으로 생성할 수 있음
반복적으로 사용하는 프롬프트 구조를 템플릿화함으로써, 재사용성과 유지보수 효율을 높일 수 있음

템플릿 직접 생성

PromptTemplate 객체를 직접 생성하면 입력 변수 명을 명시적으로 지정할 수 있음
format 메서드는 템플릿에 정의된 입력 변수에 값을 채워 최종 프롬프트 문자열을 생성함

from langchain_core.prompts import PromptTemplate

# 템플릿 생성
prompt = PromptTemplate(
    template="다음 주제에 대해 {length}자 이내로 설명해주세요: {topic}의 {content}",
    input_variables=["length", "topic", "content"]
)

# 최종 프롬프트
formatted_prompt = prompt.format(
    length="500",
    topic="인공지능",
    content="정의, 역사, 응용분야"
)
print(formatted_prompt)
"""
'다음 주제에 대해 500자 이내로 설명해주세요: 인공지능의 정의, 역사, 응용분야'
"""

템플릿 간편 생성

from_template 메서드를 사용하면 템플릿 문자열 내 변수들을 자동 추출하여 간단히 생성 가능함
변수명을 명시하지 않아도 되므로 코드가 간결해짐

from langchain_core.prompts import PromptTemplate

# 템플릿 생성
prompt = PromptTemplate.from_template(
    "다음 주제에 대해 {length}자 이내로 설명해주세요: {topic}의 {content}"
)

# 최종 프롬프트
formatted_prompt = prompt.format(
    length="500",
    topic="인공지능",
    content="정의, 역사, 응용분야"
)
print(formatted_prompt)
"""
'다음 주제에 대해 500자 이내로 설명해주세요: 인공지능의 정의, 역사, 응용분야'
"""

템플릿 부분 포맷팅

partial 메서드를 사용하면 템플릿의 일부 입력값을 미리 고정해둘 수 있음
유사한 질의를 반복적으로 생성할 때 효율적임

from langchain_core.prompts import PromptTemplate

# 템플릿 생성 
prompt = PromptTemplate(
    template="다음 주제에 대해 {length}자 이내로 설명해주세요: {topic}의 {content}",
    input_variables=["length", "topic", "content"]
)

# 템플릿 부분 포맷팅
partial_prompt = prompt.partial(topic="인공지능")

# 최종 프롬프트
final_prompt1 = partial_prompt.format(content="정의", length="100")
final_prompt2 = partial_prompt.format(content="역사", length="300")
final_prompt3 = partial_prompt.format(content="응용분야", length="100")
print(final_prompt1, final_prompt2, final_prompt3, sep="\n")
"""
다음 주제에 대해 100자 이내로 설명해주세요: 인공지능의 정의
다음 주제에 대해 300자 이내로 설명해주세요: 인공지능의 역사
다음 주제에 대해 100자 이내로 설명해주세요: 인공지능의 응용분야
"""

2) ChatPromptTemplate

대화형 LLM과의 상호작용을 위해 설계된 템플릿 클래스임
System, User, AI 등 역할 기반 메시지를 구조화하여 대화 흐름을 정의함
멀티턴 대화에서 문맥을 유지하며 자연스럽고 일관된 응답을 유도할 수 있음

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.prompts import (
    SystemMessagePromptTemplate, 
    HumanMessagePromptTemplate
)
from pprint import pprint

# 메시지 템플릿 생성
system_message = SystemMessagePromptTemplate.from_template(
    "당신은 {role} 전문가입니다."
)
human_message = HumanMessagePromptTemplate.from_template(
    "{question}"
)

# 템플릿 생성
chat_prompt = ChatPromptTemplate.from_messages(
    [system_message, human_message]
)

# 최종 프롬프트
formatted_prompt = chat_prompt.format(
    role="인공지능",
    question="인공지능의 정의를 설명해주세요."
)
pprint(formatted_prompt)
"""
'System: 당신은 인공지능 전문가입니다.\nHuman: 인공지능의 정의를 설명해주세요.'
"""

3) FewShotChatMessagePromptTemplate

예시(입력-출력 쌍)를 메시지 형식으로 포함하여 few-shot 프롬프트를 구성할 수 있는 LangChain의 클래스임
ChatPromptTemplate 클래스와 함께 사용되어, Chat 모델(ChatOpenAI, Claude 등)에 최적화된 few-shot 메시지 시퀀스를 자동으로 생성함
반복적인 예시 패턴을 템플릿 형태로 관리할 수 있어, 예시의 변경이나 확장이 용이하고 재사용성도 높음

from langchain_core.prompts import (
    FewShotChatMessagePromptTemplate,
    ChatPromptTemplate
)
from pprint import pprint

# 예시
examples = [
    {
        "input": "노트북 화면이 선명하고 키보드 타건감이 좋아서 업무용으로 만족스럽습니다.",
        "output": "디스플레이, 키보드"
    },
    {
        "input": "무선 이어폰은 배터리도 오래가고 블루투스 연결이 끊기지 않아 편리해요.",
        "output": "배터리 수명, 블루투스 연결"
    },
    {
        "input": "이 공기청정기는 소음이 거의 없고 센서 반응 속도도 빨라요.",
        "output": "소음, 센서 반응 속도"
    }
]

# 예시 템플릿 생성
example_prompt = ChatPromptTemplate.from_messages(
    [('human', '리뷰: {input}'), ('ai', '기능 키워드:{output}')]
)

# 퓨샷 템플릿 생성
few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
)
final_prompt = ChatPromptTemplate.from_messages([
    ('system', '당신은 제품 리뷰에서 **기능 관련 핵심 키워드**를 추출하는 전문가입니다.'),
    few_shot_prompt,
    ('human', '리뷰: {input}'),
])

# 최종 프롬프트
formatted_prompt = final_prompt.format(
    input="로봇청소기 흡입력이 좋고 장애물 회피도 잘해서 만족합니다."
)
pprint(formatted_prompt)
"""
('System: 당신은 제품 리뷰에서 **기능 관련 핵심 키워드**를 추출하는 전문가입니다.\n'
 'Human: 리뷰: 노트북 화면이 선명하고 키보드 타건감이 좋아서 업무용으로 만족스럽습니다.\n'
 'AI: 기능 키워드:디스플레이, 키보드\n'
 'Human: 리뷰: 무선 이어폰은 배터리도 오래가고 블루투스 연결이 끊기지 않아 편리해요.\n'
 'AI: 기능 키워드:배터리 수명, 블루투스 연결\n'
 'Human: 리뷰: 이 공기청정기는 소음이 거의 없고 센서 반응 속도도 빨라요.\n'
 'AI: 기능 키워드:소음, 센서 반응 속도\n'
 'Human: 리뷰: 로봇청소기 흡입력이 좋고 장애물 회피도 잘해서 만족합니다.')
"""

Reference

프롬프트 유형 설명 :🔗 링크
LangChain 문서 : 🔗 API 문서

'LangChain' 카테고리의 다른 글

LangChain - 모델 (Models) 개요 (1)	2025.06.11
LangChain 개념 (3)	2025.06.04

머신러닝 메모