커스텀 지침 제작을 위한 전문가급 인터뷰 프롬프트

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

사용자와의 정밀 인터뷰를 통해 ChatGPT, Claude 등 AI 도구별 최적화된 커스텀 지침을 자동으로 설계해주는 고도화된 프롬프트이다.

배경

사용자가 AI의 응답 품질을 높이고 개인의 선호도에 맞추기 위해, 전문가 수준의 커스텀 지침을 생성해주는 인터뷰형 프롬프트를 직접 제작하여 공유했다.

의미 / 영향

이 토론은 고도화된 프롬프트 엔지니어링이 단순한 명령 전달을 넘어 사용자의 의도를 정밀하게 추출하는 '인터뷰어' 역할을 수행할 수 있음을 보여준다. 특히 예시 기반의 선택지와 실시간 초안 업데이트 방식은 복잡한 AI 설정 과정을 체계화하는 실무적 표준이 될 수 있다.

커뮤니티 반응

게시물 작성자가 직접 제작한 프롬프트의 논리 구조와 상세한 단계별 설계에 대해 긍정적인 반응이 예상되며, 특히 예시를 통한 선호도 파악 방식이 유용하다는 평가를 받는다.

주요 논점

01찬성다수

인터뷰 방식의 프롬프트가 사용자의 막연한 요구사항을 구체적인 지침으로 변환하는 데 매우 효과적이다.

합의점 vs 논쟁점

합의점

사용자의 기술 수준에 따른 동적 질문 조절이 필요하다.
도구별 제약 사항(글자 수 등)을 고려한 최종 출력이 중요하다.

실용적 조언

AI 어시스턴트의 성향을 바꿀 때 추상적인 단어(친절하게, 상세하게) 대신 실제 예시를 프롬프트에 포함하여 학습시키면 더 정확한 결과를 얻을 수 있다.
ChatGPT나 Claude 등 사용하는 도구의 시스템 프롬프트 글자 수 제한을 미리 확인하고 지침의 우선순위를 정해야 한다.

섹션별 상세

프롬프트는 사용자의 답변 스타일을 실시간으로 분석하여 기술적 숙련도를 자동 감지한다. 정교하고 구조화된 답변에는 추상적이고 기술적인 질문을 던지고, 짧고 일상적인 답변에는 쉬운 예시 위주의 질문으로 전환하여 사용자 맞춤형 인터뷰를 진행한다. 이를 통해 사용자가 자신의 수준에 맞는 최적의 피드백을 제공할 수 있도록 유도한다.

text

AUDIENCE AUTO-DETECTION
Do not ask the user whether they are technical or non-technical. Instead, infer it from how they write and answer early questions:
- Detailed, precise, or structured answers → shift toward direct abstract questions and technical language.
- Short, vague, or conversational answers → shift toward example-pair questions and plain language throughout.

사용자의 답변 스타일을 통해 기술적 수준을 자동으로 파악하고 질문 전략을 수정하는 로직

text

EXAMPLE-PAIR QUESTION FORMAT
For preferences that users may not have conscious opinions about — tone, hedging, formatting, directness, pushback — do not ask abstract questions. Instead present two short contrasting examples and ask which feels more useful.
TONE / DIRECTNESS
A: "That's a great question! There are several things to consider here..."
B: "The answer is X. Here's why, and where it gets complicated..."

추상적인 질문 대신 대조적인 응답 예시를 제시하여 선호도를 파악하는 기법

사용자가 인지하지 못하는 미세한 선호도를 추출하기 위해 '예시 쌍 질문법'을 도입했다. 톤, 상세도, 포맷팅 등 모호한 개념에 대해 'A 응답'과 'B 응답'을 대조하여 보여줌으로써 사용자가 직관적으로 선택하게 만든다. 선택이 어려운 경우 제3의 옵션을 통해 자유로운 설명을 유도하고 이를 즉시 작업 초안에 반영하는 메커니즘을 갖췄다.

인터뷰 과정은 효율성을 위한 Quick Track과 정밀 설정을 위한 Deep Track으로 이원화되어 작동한다. 7개 핵심 영역부터 9단계의 심층 분석까지 사용자의 시간 여유에 따라 선택 가능하며, 중간마다 '작업 초안(Working Draft)'을 제시하여 수정 사항을 실시간으로 확인한다. 최종 결과물은 ChatGPT, Claude, Cursor 등 각 도구의 글자 수 제한과 포맷팅 규칙에 맞춰 자동 최적화된다.

단순한 응답 스타일 설정을 넘어 AI의 '반박(Pushback)' 및 '불확실성 처리' 방침을 구체화한다. 사용자의 요청이 비효율적일 때 AI가 대안을 제시할지, 모호한 질문에 대해 가정을 하고 답변할지 아니면 질문을 던질지 등의 의사결정 규칙을 수립한다. 이는 실무 환경에서 AI가 단순한 도구를 넘어 능동적인 파트너로 동작하게 만드는 핵심 로직이다.

실무 Takeaway

사용자의 답변 패턴을 분석해 질문의 난이도와 어휘를 조절하는 'Audience Auto-detection' 기법으로 사용자 경험을 극대화했다.
추상적인 질문 대신 실제 응답 사례를 비교 선택하게 하는 'Example-Pair' 방식을 통해 사용자의 잠재적 선호도를 정확히 도출한다.
ChatGPT, Claude, Cursor 등 도구별 글자 수 제한과 특성을 고려한 최종 출력 최적화 기능을 포함하여 실무 적용성을 확보했다.

언급된 도구

ChatGPT추천

커스텀 지침 적용 대상 AI 도구

Claude추천

시스템 프롬프트 적용 대상 AI 도구

Cursor추천

규칙 파일(.cursorrules) 적용 대상 AI 도구