프롬프트 설계 프레임워크 5가지

1챕터에서 AI의 동작 원리를 이해했습니다. 이제 그 원리를 실전에 적용할 차례입니다. 이 챕터에서는 프롬프트를 체계적으로 설계하는 5가지 프레임워크를 배웁니다.

프레임워크란, 프롬프트를 구성하는 '설계도'입니다. 매번 감으로 프롬프트를 쓰는 대신, 검증된 구조에 내용을 채워넣으면 일관되게 좋은 결과를 얻을 수 있습니다. 각 프레임워크는 서로 다른 상황에 최적화되어 있으므로, 상황에 맞는 도구를 고르는 감각이 핵심입니다.

1. RACE 프레임워크 — 가장 범용적인 프롬프트 구조

RACE는 Role(역할), Action(행동), Context(맥락), **Expectation(기대 결과)**의 약자입니다. 프롬프트 엔지니어링에서 가장 널리 쓰이는 프레임워크이며, 대부분의 업무 프롬프트에 바로 적용할 수 있습니다.

구조:

[Role] 너는 ~이다.
[Action] ~을 해줘.
[Context] 상황/배경은 ~이다.
[Expectation] 결과물은 ~형태로, ~조건을 만족해야 한다.

실전 예시:

[Role] 너는 10년 경력의 B2B SaaS 마케팅 매니저다.
[Action] 우리 제품의 랜딩 페이지 카피를 작성해줘.
[Context] 우리 제품은 중소기업용 프로젝트 관리 도구이고, 경쟁사는 Notion과 Monday.com이다.
         타겟 고객은 직원 10~50명 규모의 IT 스타트업 대표다.
[Expectation] 헤드라인(15자 이내) + 서브헤드라인(30자 이내) + 핵심 혜택 3가지(각 2줄)를
             포함하되, 전문 용어를 피하고 비개발자도 이해할 수 있는 언어로 작성해줘.

이 프롬프트가 강력한 이유를 분석하면 다음과 같습니다:

• Role이 AI의 답변 톤과 전문성 수준을 결정합니다
• Action이 구체적인 작업을 명시해 모호함을 제거합니다
• Context가 경쟁 환경과 타겟을 특정해 예측 방향을 좁힙니다
• Expectation이 출력 형식과 제약 조건을 정해 수정 횟수를 줄입니다

RACE가 적합한 상황: 보고서 작성, 이메일 초안, 마케팅 카피, 번역, 요약 — 즉, 결과물의 형태가 명확한 대부분의 업무.

2. CO-STAR 프레임워크 — 복잡한 요청을 정밀하게 제어

CO-STAR는 RACE보다 세분화된 프레임워크입니다. Context(맥락), Objective(목표), Style(스타일), Tone(톤), Audience(독자), **Response(응답 형식)**의 6가지 요소로 구성됩니다.

구조:

[Context] 배경 상황
[Objective] 달성 목표
[Style] 글쓰기 스타일 (학술적, 저널리스틱, 대화체 등)
[Tone] 감정적 톤 (격식, 친근, 긴급 등)
[Audience] 독자/청중
[Response] 응답 형식 (길이, 구조, 포맷)

실전 예시:

[Context] 우리 회사는 올해 매출이 전년 대비 23% 하락했다. 주요 원인은 핵심 제품의
         시장 점유율 감소(35%→28%)와 신규 고객 유치율 둔화다.
[Objective] 이사회에 제출할 실적 분석 보고서의 핵심 요약 섹션을 작성한다.
[Style] 맥킨지 보고서 스타일. 데이터 기반, 논리적 구조, 핵심 먼저.
[Tone] 솔직하되 건설적. 문제를 직시하면서도 개선 방향을 제시하는 톤.
[Audience] C-level 경영진. 재무/전략 용어에 익숙하지만, 기술 용어는 최소화.
[Response] 300자 이내 요약 + 핵심 원인 3가지(각 2줄) + 권고 사항 3가지(각 1줄).
          마크다운 사용.

RACE와의 차이: RACE는 4개 요소로 빠르게 구성하는 반면, CO-STAR는 스타일과 톤을 분리해서 더 정밀하게 제어합니다. 특히 '누가 읽는가'(Audience)를 명시하면 AI의 어휘 선택과 설명 깊이가 크게 달라집니다.

CO-STAR가 적합한 상황: 보고서, 프레젠테이션, 공식 문서처럼 톤과 독자가 중요한 고품질 콘텐츠.

3. Chain of Thought (CoT) — AI의 추론 능력을 끌어올리는 기법

Chain of Thought는 AI에게 단계별로 생각하도록 유도하는 기법입니다. 복잡한 문제를 한 번에 답하게 하면 오류가 발생하지만, 중간 과정을 명시하면 정확도가 크게 올라갑니다.

이 기법은 2022년 구글 연구진이 발표한 논문에서 체계화되었습니다(Wei et al., "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"). 단순히 "단계별로 생각해"라고 추가하는 것만으로도 수학·논리 문제의 정확도가 크게 향상된다는 것이 실험으로 입증되었습니다.

기본 사용법 — 프롬프트 끝에 한 줄만 추가하면 됩니다:

다음 문제를 단계별로 풀어줘. 각 단계의 근거를 설명한 뒤, 최종 답을 제시해.

"월 매출 3,000만 원인 카페가 원두 원가를 15% 절감하고, 동시에 메뉴 가격을
10% 인상하면, 원두 원가가 매출의 30%를 차지한다고 가정할 때,
월 이익은 얼마나 증가하는가?"

CoT 없이 질문하면 AI는 바로 숫자를 내놓는데, 중간 계산이 틀릴 확률이 높습니다. CoT를 적용하면 AI가 "현재 원두 원가 = 3,000만 × 30% = 900만" → "절감 후 = 900만 × 85% = 765만" → "가격 인상 후 매출 = 3,300만" 식으로 단계를 밟아 정확도가 올라갑니다.

고급 CoT — 추론 구조 지정:

다음 비즈니스 제안을 분석해줘. 아래 순서로 사고해:

1단계: 제안의 핵심 가정 3가지를 식별한다.
2단계: 각 가정이 틀릴 수 있는 시나리오를 제시한다.
3단계: 최선/최악/현실적 시나리오별 예상 결과를 비교한다.
4단계: 최종 판단과 근거를 요약한다.

[비즈니스 제안 내용]

CoT가 적합한 상황: 수학/논리 문제, 복잡한 분석, 의사결정, 비교 평가 — 즉, '생각의 과정'이 중요한 모든 작업.

4. Few-shot 프롬프팅 — 예시로 AI를 훈련시키는 기법

Few-shot은 AI에게 원하는 입출력 예시를 먼저 보여주고, 같은 패턴으로 새로운 입력을 처리하게 하는 기법입니다. 설명하기 어려운 스타일이나 형식이 있을 때 "이렇게 해줘"보다 "이런 식으로"가 훨씬 효과적입니다.

구조:

[작업 설명]
[예시 입력 1] → [예시 출력 1]
[예시 입력 2] → [예시 출력 2]
[실제 입력] → ?

실전 예시 — 제품 리뷰를 한 줄 요약으로 변환:

아래 예시처럼, 고객 리뷰를 [감정: 긍정/부정/중립] + 한 줄 요약으로 변환해줘.

리뷰: "배송은 빨랐는데 제품에 스크래치가 있었어요. 교환 신청했더니 대응은 친절했습니다."
→ [감정: 중립] 배송 속도와 CS 대응은 긍정적이나, 제품 품질 관리 문제 있음.

리뷰: "가격 대비 성능이 최고입니다. 3개월째 쓰고 있는데 전혀 문제없어요."
→ [감정: 긍정] 가성비와 내구성에 높은 만족도.

리뷰: "설치가 너무 복잡해서 포기했어요. 설명서도 불친절하고 고객센터도 연결이 안 됩니다."
→

AI는 앞의 2개 예시에서 패턴(감정 태그 + 요약 스타일)을 학습하고, 세 번째 리뷰에 같은 형식을 적용합니다.

Few-shot이 적합한 상황:

• 특정 글쓰기 스타일을 복제하고 싶을 때 (예: 기존 블로그 글의 톤)
• 분류/태깅 작업에서 일관된 기준을 적용하고 싶을 때
• 출력 형식이 복잡해서 말로 설명하기 어려울 때

팁: 예시는 2~3개면 충분합니다. 너무 많으면 토큰을 낭비하고, 너무 적으면(1개) 패턴 학습이 부정확할 수 있습니다. 또한 예시가 편향되면 출력도 편향되므로, 다양한 케이스를 포함하는 것이 좋습니다.

5. Tree of Thought (ToT) — 여러 가능성을 탐색하는 기법

Tree of Thought는 Chain of Thought의 확장판입니다. CoT가 하나의 사고 경로를 따라가는 것이라면, ToT는 여러 경로를 동시에 탐색하고 비교합니다. 정답이 하나가 아닌 복잡한 문제에 적합합니다.

구조:

[문제 제시]
→ 가능한 접근법 A, B, C를 각각 전개한다.
→ 각 접근법의 장단점을 평가한다.
→ 최적의 접근법을 선택하고 근거를 제시한다.

실전 예시:

우리 팀(5명)의 업무 생산성을 높이기 위한 AI 도입 전략을 수립해줘.

3가지 다른 접근법을 제시하고, 각각을 다음 기준으로 평가해:
- 도입 난이도 (상/중/하)
- 예상 효과 (높음/중간/낮음)
- 초기 비용 (월 기준)
- 팀원 저항 가능성

접근법별로 1개월, 3개월, 6개월 로드맵을 포함해.
마지막에 3가지 중 최적 전략을 선택하고, 그 이유를 3줄로 설명해.

ToT가 적합한 상황: 전략 수립, 의사결정, 복잡한 기획, 문제 해결 방안 비교 — 즉, 여러 대안을 비교해야 하는 고수준 판단.

CoT vs ToT: 수학 문제처럼 정답이 하나인 경우 CoT, 전략 수립처럼 여러 해답이 가능한 경우 ToT가 효과적입니다.

프레임워크 선택 가이드

어떤 프레임워크를 쓸지 고민될 때, 이 표를 참고하세요:

상황	추천 프레임워크	이유
일상 업무 (이메일, 요약, 번역)	RACE	빠르게 구성, 범용적
고품질 콘텐츠 (보고서, 발표)	CO-STAR	톤·독자·스타일 정밀 제어
분석·계산·논리 문제	CoT	추론 정확도 향상
스타일·형식 복제	Few-shot	예시가 설명보다 효과적
전략·기획·의사결정	ToT	다중 대안 비교·평가

프레임워크 조합의 힘

실전에서는 프레임워크를 단독으로 쓰기보다 조합해서 쓸 때 가장 강력합니다. 몇 가지 조합 패턴을 소개합니다:

RACE + CoT: 역할과 맥락을 RACE로 설정하고, 실행 방식을 CoT로 지정합니다.

[Role] 너는 CFO 출신 재무 컨설턴트다.
[Action] 아래 투자 제안서를 분석해줘.
[Context] 시리즈A 단계 스타트업, 현재 MRR 5,000만 원.
[Expectation] 단계별로 분석해:
  1단계: 핵심 가정을 식별
  2단계: 각 가정의 리스크를 평가
  3단계: 투자 의견과 조건을 제시

CO-STAR + Few-shot: CO-STAR로 전체 프레임을 잡고, 원하는 출력 스타일을 Few-shot 예시로 보여줍니다.

ToT + CoT: 여러 대안을 ToT로 탐색한 뒤, 최종 선택된 대안을 CoT로 깊이 분석합니다.

이런 조합 능력은 다음 챕터부터 실전 프롬프트에서 자연스럽게 체득될 것입니다. 3~6챕터의 프롬프트 200개가 모두 이 5가지 프레임워크(또는 그 조합)를 기반으로 설계되어 있습니다.

다음 챕터에서는 직장인이 매일 쓸 수 있는 프롬프트 50개를 RACE, CoT, Few-shot 등을 적용하여 제공합니다. "이론"에서 "실전"으로 넘어가는 시간입니다.