이전 응답을 바탕으로 발전시키기

인공지능 모델과의 다중 차례 대화는 협업을 통한 구축입니다. 각 교환이 이전 내용을 대체하는 대신 새로운 내용을 더합니다.

이는 오류를 수정하기 위한 후속 프롬프트 작성과는 다릅니다. 이전 응답을 바탕으로 발전시킨다는 것은 모델의 이전 출력을 원재료로 사용해 확장하거나, 그중에서 선택하거나, 재조합하거나, 새로운 관점을 적용하는 것을 의미합니다.

이 패턴을 익히면 하나의 프롬프트만으로는 불가능한 복잡하고 여러 층으로 구성된 출력을 만들 수 있습니다.

가장 간단한 구축 패턴은 모델이 방금 작성한 내용을 참조하는 것입니다.

• "위에서 작성한 내용을 바탕으로 가장 큰 위험 세 가지는 무엇인가요?"
• "설명한 체계를 가져와 의료 분야에 적용해 주세요."
• "마지막 응답의 어조를 사용하여 이 새로운 문단을 다시 작성해 주세요."
• "생성한 목록에서 어떤 항목을 가장 먼저 우선시하겠으며, 그 이유는 무엇인가요?"

이러한 참조는 모델이 이전에 수행한 작업을 바탕으로 답변하게 하여 대화 차례가 바뀌어도 일관성을 유지합니다.

모델이 목록이나 선택지 집합을 생성하면 항목 하나를 선택하여 자세히 확장하도록 요청할 수 있습니다.

• "목록의 두 번째 선택지를 가져와 완전한 계획으로 확장해 주세요."
• "세 번째 접근 방식이 가장 마음에 듭니다. 이를 위한 300단어 분량의 구현 안내서를 작성해 주세요."
• "선택지 B가 제가 필요한 것에 가장 가깝습니다. 구체적인 단계와 일정으로 더 발전시켜 주세요."

이 패턴은 아이디어 발상 작업 흐름에서 강력합니다. 한 차례에 선택지를 생성하고, 다음 차례에 선택하여 발전시킬 수 있기 때문입니다.

모델에게 한 응답의 구조를 새로운 내용에 적용하도록 요청할 수 있습니다.

• "마지막 응답과 같은 구조를 사용하여 경쟁사 B를 분석해 주세요."
• "동일한 5개 부분 형식을 이 새로운 제품에 적용해 주세요."
• "위에서 만든 개요를 따르되, B2C 대신 B2B 대상 독자를 위한 내용으로 작성해 주세요."

이 방법은 여러 주제에 걸쳐 동일한 서식을 따라야 하는 보고서, 비교 자료, 분석 문서처럼 일관된 병렬 문서를 작성할 때 매우 유용합니다.

여러 차례에 걸친 대화를 사용하면 깊이를 점진적으로 높일 수 있습니다.

1. 1차 대화: "머신러닝 처리 파이프라인을 높은 수준에서 개괄해 주세요."
2. 2차 대화: "데이터 전처리 단계에 대해 더 자세히 설명해 주세요."
3. 3차 대화: "해당 전처리 단계에서 결측값을 처리하는 Python 코드 예시를 보여 주세요."
4. 4차 대화: "이제 해당 코드 예시에 오류 처리와 로그 기록을 추가해 주세요."

각 차례마다 한 단계씩 범위를 좁혀 자세히 살펴봅니다. 이는 하나의 복잡한 프롬프트로 모든 내용을 한 번에 요청하는 것보다 더 세밀하게 제어할 수 있는 방법입니다.

대화가 길어지면 앞선 여러 차례의 대화에서 요소를 가져와 하나로 결합할 수 있습니다.

• "2차 대화의 사용자 유형과 4차 대화의 제품 기능을 결합하여 각 유형을 겨냥한 제안문을 작성해 주세요."
• "앞서 파악한 위험과 마지막 응답의 완화 전략을 가져와 위험 행렬을 만들어 주세요."

이 방법은 각 이전 차례에서 명확한 제목이 붙은 서로 구별되는 내용을 생성했을 때 가장 잘 작동합니다. 이전 차례의 내용이 정리되어 있지 않으면 사용자와 모델 모두 상호 참조를 혼란스럽게 느낄 수 있습니다.

여러 차례에 걸친 대화에는 실질적인 한계가 있습니다. 바로 모델의 문맥 창입니다. 사용자의 메시지와 모델의 메시지를 포함한 모든 메시지가 API로 전송되는 문맥에 포함됩니다. 대화가 길어질수록 오래된 메시지가 잘릴 수 있습니다.

실용적인 전략은 다음과 같습니다.

• 이전 차례의 내용을 더 이상 세부적으로 모두 유지할 필요가 없으면 요약하고 압축합니다
• 주제가 근본적으로 바뀌면 새로운 대화를 시작합니다
• 개별 응답을 간결하게 유지하여 모델이 더 오래된 내용까지 확인할 수 있도록 합니다

Python에서는 각 메시지 쌍을 대화 기록 목록에 append하여 여러 차례의 대화 문맥을 유지합니다.

이전 출력을 참조할 때는 무엇을 의미하는지 정확히 밝혀야 합니다. 모호한 참조는 모델이 추측하게 만듭니다.

• 모호한 표현: "앞서 말한 내용을 확장해 주세요."
• 명확한 표현: "이전 응답의 세 번째 글머리표 항목, 즉 사용자 초기 사용 안내 과정의 불편에 관한 항목을 확장해 주세요."

이전 응답에 여러 부분이 있었다면 해당 부분의 이름을 말해 주세요. 목록이었다면 항목 번호를 참조해 주세요. 참조 대상을 정확히 지정할수록 모델은 사용자의 의도를 더 안정적으로 따릅니다.

여러 차례에 걸쳐 작성하는 방식은 보고서, 계획서, 제안서처럼 구조화된 문서를 만들 때 적합합니다.

1. 1차 대화: 개요 생성
2. 2차 대화: 1번째 부분 작성
3. 3차 대화: 2번째 부분 작성(1번째 부분의 어조 유지)
4. 4차 대화: 1번째와 2번째 부분을 바탕으로 경영진 요약 작성

이 단계별 접근 방식은 다음 부분으로 넘어가기 전에 각 부분을 제어할 수 있게 하며, 모든 내용을 잃지 않고 문서 작성 중간에 방향을 조정할 수 있게 합니다.

모델이 앞선 문맥을 놓치면 여러 차례에 걸친 문서 작성이 잘못될 수 있습니다. 맥락을 놓쳤다는 신호는 다음과 같습니다.

• 모델이 두 차례 전 자신이 말한 내용과 모순되는 말을 합니다
• 대화 초기에 설정한 제약 조건을 무시합니다
• 직접 구축한 구체적인 체계 대신 일반적인 조언으로 되돌아갑니다

해결 방법은 모델이 기억할 것이라고 가정하지 말고 다음 메시지에서 핵심 문맥을 명시적으로 다시 제시하는 것입니다. "앞서 정한 대로 대상 독자는 비기술 분야의 경영진입니다. 이를 염두에 두고..."

세 차례의 대화가 있습니다. 1차 대화에서는 비즈니스 보고서를 위한 5개 부분의 개요가 생성되었습니다. 2차 대화에서는 1번째 부분인 시장 분석의 전체 내용이 생성되었습니다. 이제 1번째 부분과 동일한 구조와 어조를 따르는 2번째 부분인 경쟁 환경을 작성하려고 합니다.

어떤 3차 대화 프롬프트가 가장 효과적일까요?

여러 차례에 걸친 대화는 복잡한 결과물을 점진적으로 구축하는 강력한 방법입니다. 핵심 기법은 이전 출력을 이름이나 번호로 참조하고, 특정 항목을 선택하여 확장하며, 한 응답의 구조를 새로운 내용에 적용하고, 차례마다 깊이를 조정하는 것입니다.

정확한 참조 대상 지정과 문맥 창의 한계를 인식하는 것이 여러 차례에 걸친 대화의 일관성 상실을 막는 주요 능력입니다.

다음 학습에서는 계속 구축하는 대신 언제 대화를 중단하고 새로 시작해야 하는지 알아봅니다.