그런데 여기서 중요한 점은 '많을수록 좋다'는 공식이 통하지 않는다는 사실입니다. arXiv에 발표된 한 연구는 '오버 프롬프팅(over-prompting)' 현상을 지적합니다. 예시를 너무 많이 넣으면 오히려 모델의 성능이 떨어질 수 있다는 뜻입니다 .
| 시나리오 | 추천 방법 |
|---|---|
| JSON, 라벨, 톤 등 형식이 중요한 작업 | 깔끔하고 다양한 2~5개의 예시 사용. 예시가 형식과 톤을 고정시켜줍니다 . |
| 일반 텍스트 생성/분류 | 2~3개의 고품질 예시로 시작. 예시가 모델을 더 나은 방향으로 유도합니다 . |
| 추론(Reasoning)이 중요한 작업 | 일단 예시 없이(제로샷) 시도. 형식 제어가 필요할 때만 1~2개 추가하고, 예시가 도움이 되는지 꼭 테스트해보세요 . |
| 복잡한 정보 추출 작업 | 작업과 최대한 유사한 소수의 대표 예시 사용 . |
| 잘 모르겠다면? | 3개부터 시작해서 테스트하며 조정하세요. 2~5개 범위를 넘지 않는 것이 좋습니다 . |
무작정 예시 개수를 늘리는 것보다, 고품질의 다양한 예시를 고르는 것이 훨씬 중요합니다. 엉성한 예시를 넣으면 모델이 그 '엉성함'까지 그대로 배워버립니다 .
결론: 예시는 반드시 활용하세요. 단, 2~5개로 유지하고, 양보다 질과 다양성에 집중하세요 . 그리고 추론이 중요한 작업이라면, 예시가 정말 도움이 되는지 먼저 테스트해보는 현명함이 필요합니다 .
그런데 여기서 중요한 점은 '많을수록 좋다'는 공식이 통하지 않는다는 사실입니다. arXiv에 발표된 한 연구는 '오버 프롬프팅(over-prompting)' 현상을 지적합니다. 예시를 너무 많이 넣으면 오히려 모델의 성능이 떨어질 수 있다는 뜻입니다 .
| 시나리오 | 추천 방법 |
|---|---|
| JSON, 라벨, 톤 등 형식이 중요한 작업 | 깔끔하고 다양한 2~5개의 예시 사용. 예시가 형식과 톤을 고정시켜줍니다 . |
| 일반 텍스트 생성/분류 | 2~3개의 고품질 예시로 시작. 예시가 모델을 더 나은 방향으로 유도합니다 . |
| 추론(Reasoning)이 중요한 작업 | 일단 예시 없이(제로샷) 시도. 형식 제어가 필요할 때만 1~2개 추가하고, 예시가 도움이 되는지 꼭 테스트해보세요 . |
| 복잡한 정보 추출 작업 | 작업과 최대한 유사한 소수의 대표 예시 사용 . |
| 잘 모르겠다면? | 3개부터 시작해서 테스트하며 조정하세요. 2~5개 범위를 넘지 않는 것이 좋습니다 . |
무작정 예시 개수를 늘리는 것보다, 고품질의 다양한 예시를 고르는 것이 훨씬 중요합니다. 엉성한 예시를 넣으면 모델이 그 '엉성함'까지 그대로 배워버립니다 .
결론: 예시는 반드시 활용하세요. 단, 2~5개로 유지하고, 양보다 질과 다양성에 집중하세요 . 그리고 추론이 중요한 작업이라면, 예시가 정말 도움이 되는지 먼저 테스트해보는 현명함이 필요합니다 .