MLAD의 5축 프롬프트 분류 체계 제안 및 커뮤니티 피드백 요청

실용적 조언

프롬프트 라이브러리 구축 시 단순 제목 저장 대신 작업 유형(Activity)과 컨텍스트 범위(Scope)를 태깅하면 검색 효율을 높일 수 있다.
Anthropic이나 OpenAI의 프롬프트 가이드를 참고하여 내부적인 분류 용어를 먼저 정리하는 것이 좋다.

섹션별 상세

프롬프트를 다각도로 관리하기 위해 5가지 핵심 축(Axis)을 정의했다. Type(유형), Activity(작업), Activation(출력 제약 강도), Constraint(명시적 규칙), Scope(컨텍스트 범위)로 구성된 이 체계는 각 프롬프트의 특성을 메타데이터화하여 API를 통해 정밀하게 필터링할 수 있도록 작동한다. 이는 단순한 작업 기반 분류를 넘어 프롬프트의 구조적 성격과 작동 방식을 규정하려는 시도이다.

작성자는 특히 'Activation'이라는 개념이 'Activity'와 별개로 실무적인 의미가 있는지 질문했다. Activation은 모델이 출력 형태를 얼마나 엄격하게 고정해야 하는지를 결정하는 축으로, 입력된 프롬프트가 결과물의 형식을 강제하는 정도를 수치화하거나 범주화하여 관리한다. 이는 작업의 종류와는 별개로 하위 평가(downstream eval)의 안정성에 영향을 미치는 요소로 상정되었다.

프롬프트 분류에 있어 업계 표준이나 공통된 어휘 체계의 부재를 지적했다. Anthropic의 가이드나 OpenAI Cookbook 등 파편화된 프레임워크는 존재하지만, 이를 통합하거나 실무에서 오버헤드를 감수할 만큼 가치 있는 분류 기준이 무엇인지에 대한 커뮤니티의 경험적 데이터를 확인하고자 했다. 특히 Task Type 외에 실제 검색이나 조합(Composition)에 유용한 축이 무엇인지가 주요 논점이다.

용어 해설

프롬프트 라이브러리(Prompt Library): — 특정 작업에 최적화된 프롬프트들을 체계적으로 수집하고 관리하는 저장소이다. 개발자가 매번 프롬프트를 새로 작성하지 않고 검증된 템플릿을 재사용하여 AI 응답의 일관성을 높이고 개발 시간을 단축하는 데 기여한다.
분류 체계(Classification Scheme): — 데이터나 객체를 공통된 특성에 따라 그룹화하는 구조적 틀이다. 프롬프트 엔지니어링에서는 프롬프트의 목적, 제약 조건, 출력 형태 등을 기준으로 분류하여 검색 효율성과 관리 편의성을 극대화하는 역할을 한다.
컨텍스트 윈도우(Context Window): — LLM이 한 번에 처리할 수 있는 텍스트 정보의 양을 의미한다. 프롬프트의 'Scope' 분류와 직결되며, 모델이 참조해야 할 문서의 범위나 이전 대화 기록의 길이를 결정하는 핵심적인 기술적 제약 요소이다.

언급된 도구

MLAD추천

AI 보조 소프트웨어 개발을 위한 큐레이션된 프롬프트 라이브러리 및 API

언급된 리소스

API DocsMLAD API Documentation