출처
- source_url: https://aisparkup.com/posts/15008
- author: Spark
- published: Wed, 05 Aug 2026 05:54:05 +0000
- raw: raw source:
2026-08-05-aisparkup-post-15008-post
개요
션 괴데케는 같은 LLM을 사용해도 결과가 크게 달라지는 주요 이유가 별도의 프롬프트 기술보다 해당 분야에 대한 전문성이라고 주장합니다. 테런스 타오의 ChatGPT 대화에서는 짧고 핵심적인 메시지, 모델 답변에 대한 선택적 반박, 주도적인 문제 방향 설정이 나타납니다. 그러나 이런 표면적인 대화 방식을 흉내 내는 것만으로는 충분하지 않으며, 유용한 아이디어를 고르고 이상한 부분을 찾아내려면 실제 도메인 지식이 필요합니다. 글의 근거는 타오의 대화 사례와 저자의 개인 경험에 기반한 관찰로, 실험이나 통계적 검증을 제시한 것은 아닙니다.
핵심 포인트
- 프롬프트의 중요한 변수는 문장 형식보다 프롬프트 대상 분야에 대한 이해도라는 주장입니다.
- 타오는 모델의 답변을 문장별로 따라가기보다 핵심에 짧게 반응하고, 다음 탐색 방향을 직접 정합니다.
- 타오는 답변이 이상해 보일 때 바로 부정하기보다 복잡성이나 문제점을 완곡하게 지적합니다.
- 전문성을 드러내면 모델도 초보자 설명보다 전문가와 대화하는 방식으로 더 간결하게 응답할 수 있다고 설명합니다.
- 이런 방식을 재현하려면 답변에서 쓸 만한 아이디어를 선별하고, 대안적 접근이나 문제점을 제시할 수 있어야 합니다.
- 소프트웨어 개발에서는 일반적인 설계 원칙보다 현재 코드베이스의 구체적인 구조와 제약을 잘 아는 것이 모델을 더 효과적으로 이끄는 데 도움이 될 수 있습니다.
- 도메인 지식이 없어도 LLM을 통해 일정한 결과를 얻을 수 있지만, 같은 모델에서 끌어낼 수 있는 가치의 크기는 달라질 수 있습니다.
왜 중요한가
이 글은 LLM 활용 능력을 프롬프트 문법이나 정해진 기법의 문제가 아니라, 결과를 평가하고 방향을 제시할 수 있는 사람의 전문성 문제로 바라봅니다. 따라서 AI 활용 역량을 높이려면 프롬프트 팁만 익히기보다 업무 영역의 개념, 코드베이스, 제약 조건을 이해하고 모델의 결과를 검토하는 능력을 함께 갖춰야 한다는 시사점을 줍니다. 다만 글의 결론은 제한된 사례와 개인 경험에 근거하므로 모든 작업과 사용자에게 동일하게 적용된다고 단정할 수는 없습니다.
참고 링크
- 원문: https://aisparkup.com/posts/15008
- Sean Goedecke, “LLMs reward expertise”: https://www.seangoedecke.com/llms-reward-expertise/
- Terence Tao의 ChatGPT 대화 기록: https://chatgpt.com/share/6a5fdc7a-d6f8-83e8-bbea-8deb42cfed56
관련 위키
원문 보존 위치
원문 전체는 raw source: 2026-08-05-aisparkup-post-15008-post에 source_url 및 HTML 원문과 함께 저장되어 있습니다.