세 줄 요약

• 핵심 이슈: 마크다운, 구분자, 긍정 지시어를 결합하여 거대언어모델(LLM)의 출력 구조와 대화 종결을 정밀하게 제어하는 프롬프트 설계 전략이 주목받고 있습니다.
• 중요성: 불필요한 서술을 줄여 API 비용을 최적화하고, 가독성을 높여 사용자 경험의 일관성을 확보하며 오작동 위험을 낮춥니다.
• 의사결정 가이드: 시스템 메시지 최상단에 지시 사항을 배치하고, 구분자로 맥락을 분리하며, 금지어보다는 구체적인 출력 형식을 정의하는 규칙을 적용하십시오.

예: 사용자가 물건 위치를 묻자 인공지능이 날씨 인사와 함께 긴 답변을 보냅니다. 화면에 정보가 가득 차서 정작 중요한 내용은 찾기 어렵습니다. 대화가 끝났음에도 계속 질문을 던지는 바람에 사용자는 피로를 느낍니다.

현황

시스템 메시지 설계 시 지시 사항을 시작 부분에 배치하는 구조가 응답의 정확도를 높이고 있습니다. OpenAI의 공식 프롬프트 엔지니어링 가이드라인에 따르면, ### 또는 """와 같은 구분자를 사용하여 명령과 실제 데이터를 명확히 분리할 것을 권장합니다. 이는 모델의 주의력을 핵심 지시 사항에 집중시켜 명령 미준수 사례를 줄이는 효과가 있습니다.

모델에게 하지 말아야 할 일을 나열하기보다 해야 할 일을 명확히 규정하는 긍정 지시 방식이 더 높은 성능을 보입니다. 전문 용어를 사용하지 말라는 지시보다는 초등학생도 이해할 수 있는 쉬운 단어로 설명하라는 지시가 모델의 행동 제어 측면에서 더 정밀한 결과를 도출합니다.

가독성을 위해 마크다운 활용도 강조됩니다. 제목, 불릿 포인트, 굵게 표시 등을 지정하여 정보의 위계 구조를 만듭니다. 백틱을 활용해 페르소나의 내적 상태를 삽입하거나, 추가 입력을 유도하지 않는 닫힌 문장 기법을 사용해 대화의 완결성을 높이는 전략이 활용됩니다. 다만 백틱을 활용한 비언어적 묘사 기술은 공식 문서보다는 실무적인 팁으로 공유되는 단계입니다.

분석

시스템 프롬프트 설계는 자유도와 통제 사이의 균형을 관리하는 작업입니다. 모델의 창의성을 일정 부분 억제하더라도 비즈니스 로직에 맞는 일관된 응답을 얻으려면 구조적 제약 조건이 명확해야 합니다. 마크다운과 구분자는 모델이 다음 토큰을 예측할 때 확률 분포를 좁혀주는 가이드라인 역할을 합니다.

닫힌 문장 유도 기법은 운영 비용과 직결됩니다. 인공지능이 응답 끝에 다른 도움이 필요한지 반복해서 물으면 사용자는 불필요한 대화를 지속하게 되어 API 호출 횟수가 늘어납니다. 반면 정보 제공 후 도움이 되었기를 바란다는 식의 완결성 있는 문장으로 종결하면 대화의 밀도를 높이고 자원 낭비를 막을 수 있습니다.

비언어적 표현 제어는 페르소나를 강화하지만 텍스트 인터페이스에서는 가독성을 해칠 우려가 있습니다. 이를 괄호나 백틱으로 격리하여 실제 정보와 섞이지 않게 처리하는 기술적 장치가 필요합니다. 이는 모델이 수행하는 역할과 전달할 정보를 혼동하지 않게 만드는 안전장치가 됩니다.

실전 적용

개발자와 서비스 기획자는 시스템 프롬프트를 작성할 때 구조적으로 접근해야 합니다. 자연어의 모호함을 줄이고 모델이 직관적으로 해석할 수 있는 시각적, 구조적 단서를 제공하는 것이 핵심입니다.

오늘 바로 할 일:

• 모든 시스템 프롬프트의 금지 명령을 긍정 지시로 전환하여 다시 작성하십시오.
• 구분자를 도입하여 명령과 데이터 사이의 경계를 명확하게 구분하십시오.
• 대화 종결 조건이 충족되었을 때 모델이 사용할 표준 종결 문구 세트를 시스템 메시지에 명시하십시오.

FAQ

Q: 구분자로 ### 대신 다른 기호를 써도 되나요? A: 가능합니다. """나 --- 등 모델이 텍스트의 전환점으로 인식할 수 있는 명확한 기호 사용을 권장합니다. 일관성 있게 사용하여 모델이 데이터의 경계를 인지하게 만드는 것이 중요합니다.

Q: 긍정 지시만으로 부정적인 행동을 막을 수 있나요? A: 특정 행동을 막고 싶다면 그 행동 대신 수행해야 할 대안적 행동을 상세히 기술하는 방식이 효과적입니다. 금지어 위주의 프롬프트는 모델이 금지된 단어 자체에 집중하게 만들어 오히려 해당 행동을 유발할 수 있습니다.

Q: 마크다운 구조화가 토큰 사용량을 늘리지 않나요? A: 마크다운 기호가 일부 추가되지만, 모델이 내뱉는 불필요한 문장을 줄여주는 효과가 더 큽니다. 전체적인 대화 맥락에서 보면 토큰 효율성이 높아지고 응답의 질이 개선됩니다.

결론

거대언어모델 행동 제어의 핵심은 모델을 구조화된 명령을 수행하는 엔진으로 이해하는 데 있습니다. 2026년의 프롬프트 엔지니어링은 마크다운과 구분자를 활용한 정교한 설계의 영역으로 진입했습니다.

이러한 수동 제어 기법이 모델의 미세 조정이나 에이전트 워크플로우와 결합되는 양상을 주목해야 합니다. 시스템 메시지의 정교함은 모델의 성능을 끌어올리는 효율적인 방법이므로, 조직 내 표준 프롬프트 라이브러리를 구축하고 이를 검증하는 체계를 갖추어야 합니다.

참고 자료

• 🛡️ Best practices for prompt engineering with the OpenAI API