Process / pipeline
프롬프트 엔지니어링 — 대규모 언어 모델을 위한 지시 설계
프롬프트 엔지니어링은 대규모 언어 모델(LLM)로부터 목표하는 출력을 이끌어내기 위해 구조화된 자연어 지시, 즉 프롬프트를 작성하는 실천 방법이다. GPT-3의 맥락에서 Brown 등(2020)에 의해 형식화되었고, 연쇄적 사고 프롬프팅(chain-of-thought prompting)으로 Wei 등(2022)에 의해 확장된 이 방법은 제로샷(zero-shot), 퓨샷(few-shot), 연쇄적 사고, 트리 오브 씽킹(tree-of-thought)의 네 가지 주요 전략을 포함한다. 분석가는 모델을 재훈련하는 대신, 입력 텍스트의 설계를 통해 모델의 행동을 전적으로 형성한다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. link ↗
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/ko/text-mining/prompt-engineering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 소수 예제 텍스트 분류텍스트 마이닝↔ compare
- GPT 파인튜닝딥러닝↔ compare
- LoRA 및 PEFT딥러닝↔ compare
- 자연어 생성텍스트 마이닝↔ compare
- 검색 증강 생성 (RAG)텍스트 마이닝↔ compare
- 텍스트 분류텍스트 마이닝↔ compare
- 제로샷 분류텍스트 마이닝↔ compare