GPT-2부터 현재까지: 프롬프트 엔지니어링의 진화

프롬프트 엔지니어링은 2020년 GPT-3를 중심으로 한 비공식적인 시행착오적 텍스트 조작에서 출발하여, 2026년까지 명명된 기법, 프레임워크, 도구를 갖춘 체계적인 학문 분야로 발전하였습니다. 이 발전 과정은 다섯 단계로 나뉩니다: 초기 퓨샷 실험, 기술을 대중적 인식으로 끌어올린 ChatGPT 시대, 구조화된 추론 기법의 발전, 자동화 프롬프트 최적화의 부상, 그리고 현재의 컨텍스트 설계로의 전환.

이 학문 분야는 단일 논문이나 기업에서 탄생하지 않았습니다. 연구(퓨샷 학습, 연쇄 사고 추론, RAG), 온라인에서 프롬프트 컬렉션을 공유하는 실무자 커뮤니티, 그리고 좋은 프롬프팅을 즉각적으로 보람 있게 만든 강력한 모델의 갑작스러운 공개적 사용 가능성의 교차점에서 성장하였습니다. 2026년 현재, 프롬프트 엔지니어링은 더 이상 틈새 요령이 아니라 AI 시스템을 사용하는 모든 사람에게 필수적인 기본 기술입니다.

"프롬프트 엔지니어링"이라는 용어가 존재하기 전에도 연구자들은 이미 더 나은 출력을 이끌어내기 위해 모델 입력을 조작하고 있었습니다. 다만 그것을 그렇게 부르지 않았을 뿐입니다. GPT-2(2019, OpenAI)와 BERT(2018, Google) 같은 초기 트랜스포머 모델은 신중하게 선택된 입력 텍스트로 사용되었지만, 이 실무는 데이터 전처리의 일부로 취급되었을 뿐 독자적인 기술로 인식되지 않았습니다.

2019년 2월에 출시된 GPT-2는 15억 개 매개변수 모델로, 놀랍도록 일관된 방식으로 텍스트를 완성할 수 있었습니다. 연구자와 초기 실무자들은 입력의 표현 방식이 완성물의 품질을 극적으로 바꾼다는 것을 알아차렸지만, 이 관찰을 중심으로 형성된 프레임워크, 용어, 커뮤니티는 아직 존재하지 않았습니다. 프롬프트는 입력이었을 뿐, 엔지니어링 결과물이 아니었습니다.

프롬프트 엔지니어링의 현대적 역사는 사실상 GPT-3에서 시작됩니다. 2020년 5월, OpenAI는 1750억 개 매개변수 모델 GPT-3를 Brown et al.의 획기적인 논문 "Language Models are Few-Shot Learners"와 함께 공개하였습니다. 이 논문은 모델 가중치를 업데이트하지 않고도 원하는 작업의 몇 가지 예제를 프롬프트에 직접 포함하는 것만으로 다운스트림 작업의 성능이 극적으로 향상된다는 것을 보여주었습니다.

이것이 학문 분야로서의 프롬프트 엔지니어링의 씨앗이었습니다. 연구자와 개발자들은 동일한 모델이 프롬프트를 작성하는 방식만 바꿔도 번역기, 요약기, 코드 생성기, 또는 질의응답 시스템으로 전환될 수 있다는 것을 깨달았습니다. 모델은 재훈련이 필요하지 않았습니다. 더 나은 프롬프트가 필요했습니다. 그 통찰이 프롬프트를 재정의하였습니다: 단순한 입력이 아니라 설계 결과물로서.

Brown et al.은 퓨샷 성능이 모델 크기와 일관되게 확장된다고 보고하였습니다: 1750억 개 GPT-3 모델은 테스트된 모든 벤치마크에서 소규모 변형보다 크게 앞섰으며, 규모와 프롬프트 기반 학습이 직접적으로 연결되어 있음을 확립하였습니다. 이로써 프롬프트의 품질은 연구자뿐만 아니라 실무자도 통제할 수 있는 변수가 되었습니다.

GPT-3가 유명하게 만든 기법에 대한 실용적인 가이드는 제로샷 vs. 퓨샷: 어떤 접근법이 더 나은 결과를 가져올까?를 참조하십시오.

2021년과 2022년 초 사이에 프롬프트 작성은 연구 논문에서 실무자 커뮤니티로 이동하였습니다. "awesome-prompts" 스타일의 목록으로 코딩 지원, 요약, 창의적 글쓰기에 효과적인 것을 공유하는 큐레이션된 프롬프트 컬렉션의 GitHub 저장소가 등장하였습니다. Twitter와 Reddit에서 공유된 프롬프트 컬렉션은 커뮤니티 자산이 되었습니다. Prompt Engineering Guide는 기법을 체계적으로 분류하는 최초의 전용 참고 자료 중 하나가 되었습니다.

"프롬프트 엔지니어링"이라는 용어는 이 시기 동안 연구 논문, 블로그 게시물, 채용 공고에 더 자주 등장하기 시작하였습니다. OpenAI의 InstructGPT 논문(Ouyang et al., 2022)은 자연어 지시에 훨씬 더 신뢰성 있게 반응하는 RLHF 튜닝 모델을 도입하여 프롬프트 품질의 중요성을 더욱 높였습니다. 2022년 중반에는 이것이 연구자의 호기심이 아닌 전이 가능한 기술이라는 것이 명확해졌습니다.

2022년 연쇄 사고(CoT) 프롬프팅의 도입은 이 분야의 짧은 역사에서 가장 중요한 기술적 발전이었습니다. Wei et al.(Google Brain)은 "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"를 발표하여, 답변 전에 단계별로 추론하도록 모델에게 요청하면 산술, 상식적 추론, 기호적 추론 작업의 성능이 극적으로 향상된다는 것을 입증하였습니다. 주목할 만한 결과 중 하나로, 연쇄 사고 프롬프팅은 GSM8K 초등학교 수학 벤치마크에서 PaLM의 정확도를 17.9%에서 58%로 향상시켰으며, 이는 추가적인 모델 훈련 없이 프롬프트 구조만 변경하여 달성한 것이었습니다. 그 함의는 심오하였습니다: 프롬프트의 구조가 다른 추론 동작을 활성화할 수 있었습니다.

관련 기법들이 빠르게 이어졌습니다. Zhou et al.은 복잡한 문제를 순서대로 해결하는 더 간단한 하위 문제들의 시퀀스로 분해하는 최소-최대 프롬프팅을 도입하였습니다. 이러한 접근 방식은 프롬프트 엔지니어링을 서식 연습에서 그렇게 추론하도록 명시적으로 훈련되지 않은 모델에서 구조화된 추론을 이끌어내는 도구로 전환시켰습니다. 프롬프팅은 인지를 위한 발판이 되었습니다.

전체 기법 가이드는 연쇄 사고 프롬프팅: AI가 추론 과정을 보이게 하기와 프롬프트 체이닝: 큰 작업을 성공적인 단계들로 나누는 방법을 참조하십시오.

2022년 11월 30일 ChatGPT의 출시는 하룻밤 사이에 프롬프트 엔지니어링의 대중적 인지도를 바꿨습니다. ChatGPT는 첫 5일 만에 100만 명의 사용자에 도달하였으며, 이는 2022년 12월 Twitter에서 OpenAI CEO Sam Altman이 확인한 것입니다. 그리고 Reuters가 인용한 UBS 분석에 따르면 2023년 1월까지 월간 활성 사용자 1억 명에 도달하였습니다. 며칠 만에 수백만 명의 사람들이 프롬프트를 실험하며 요청을 표현하는 방식에 따라 결과가 크게 달라진다는 것을 발견하였습니다. 기술 미디어는 배울 가치가 있는 기술로서 "프롬프트 엔지니어링"을 다루었습니다. Oxford English Dictionary는 2023년에 AI와 관련된 동사로서 "prompt"를 추가하였으며, 이 단어 자체가 여러 순위에서 올해의 단어 후보로 올랐습니다.

2023년 초에는 Anthropic을 포함한 기업들에서 $175,000–$335,000의 연봉과 함께 "프롬프트 엔지니어"가 직함으로 등장하였으며, 이는 널리 인용된 채용 공고에 따른 것입니다. Bloomberg, The Guardian, The Atlantic 모두 프롬프트 엔지니어링이 진정한 직업인지를 다루었습니다. 당시의 합의: 그것은 인간-컴퓨터 인터페이스 설계, 주제 전문 지식, 품질 보증이 혼합된 과도기적 역할이었습니다.

"프롬프트 엔지니어링"이라는 표현의 대중화는 때로 다양한 실무자와 논평가에게 귀속됩니다. Salesforce의 전 수석 과학자 Richard Socher는 일부 논평에서 이 아이디어를 초기에 정립하는 데 도움을 준 인물로 언급됩니다. 프롬프트 엔지니어링에 관한 Wikipedia 문서는 용어 기원에 대한 경쟁하는 주장들을 균형 있게 개괄하고 있습니다.

2023년 3월 GPT-4의 출시는 프롬프트 엔지니어링을 두 가지 방향으로 동시에 확장하였습니다: 더 큰 컨텍스트 창(이후 버전에서 최대 128K 토큰)과 멀티모달 입력. 실무자들은 이제 텍스트와 함께 프롬프트에 이미지를 포함할 수 있게 되었으며, 프롬프트 엔지니어링이 시각적 작업, 즉 이미지 설명, 다이어그램 비교, 차트 주석 달기에도 적용될 수 있게 되었습니다. Google의 초기 Gemini 모델과 Anthropic의 멀티모달 Claude 버전이 수개월 내에 뒤를 이었습니다.

같은 해에는 프롬프트 엔지니어링 모범 사례의 공식화가 이루어졌습니다. OpenAI는 공식 프롬프트 엔지니어링 가이드를 발표하였습니다. Google Cloud는 자체 프롬프트 엔지니어링 문서를 공개하였습니다. 독립 저자들은 CRAFT, CO-STAR, SPECS, RISEN, TRACE와 같은 프레임워크를 체계화하여 실무자들에게 반복 가능한 프롬프트 구조화 템플릿을 제공하고 시행착오에 대한 의존성을 줄였습니다.

이러한 프레임워크들은 프롬프트 엔지니어링이 개인적 기술에서 가르치고 공유할 수 있는 실무로 성숙했음을 나타냈습니다. 프레임워크 선택에 대한 가이드는 어떤 프롬프트 프레임워크를 사용해야 합니까?를, 멀티모달 차원에 대해서는 텍스트를 넘어서: 이미지로 프롬프트하는 방법을 참조하십시오.

2023년의 주목할 만한 발전은 LLM이 사람만큼 잘 프롬프트를 최적화할 수 있다는 것을 보여주는 연구였습니다. Zhou et al.은 "Large Language Models Are Human-Level Prompt Engineers"(APE)를 발표하여, 프롬프트 후보를 생성하고 평가하는 임무를 받은 LLM이 벤치마크 작업에서 사람이 작성한 프롬프트와 동등하거나 그것을 능가할 수 있다는 것을 입증하였습니다. Stanford의 DSPy 프레임워크(2023)는 이를 더 발전시켜 개발자가 프롬프트가 달성해야 할 것을 설명하면 시스템이 자동으로 표현을 최적화할 수 있도록 하였습니다.

동시에, 검색 증강 생성(RAG) — 원래 2020년 Meta의 Lewis et al.이 도입한 — 이 프로덕션 AI 시스템의 핵심 패턴이 되었습니다. RAG는 검색된 문서를 프롬프트 컨텍스트에 직접 주입하여, 프롬프트에 모든 필요한 사실을 포함할 필요 없이 실제 최신 출처에 모델 출력을 기반을 두었습니다. 이는 프롬프트 엔지니어링의 강조점을 "모델이 이것을 어떻게 알게 할까?"에서 "컨텍스트를 어떻게 구조화해야 모델이 이것을 올바르게 사용할까?"로 이동시켰습니다.

이 시기의 주요 기법에 대한 내용은 RAG 설명: AI 답변을 실제 데이터에 기반시키는 방법과 자기 일관성 프롬프팅: AI가 자체 작업을 검토하도록 하기를 참조하십시오.

2024년까지 새로운 프레임이 "더 나은 프롬프트를 작성하라"는 단순한 아이디어를 대체하기 시작하였습니다. 실무자와 연구자들은 컨텍스트 엔지니어링을 언급하기 시작하였습니다 — 전체 컨텍스트 창에 들어가는 것을 조율하는 실무: 시스템 프롬프트, 검색된 문서, 도구 출력, 대화 기록, 사용자 입력, 모두 의도적으로 모델 동작을 안내하기 위해 구성됩니다. 프롬프트는 더 이상 독립적인 결과물이 아니었습니다; 그것은 설계된 컨텍스트의 하나의 레이어였습니다.

이 전환을 가속화한 여러 발전이 있었습니다. Meta의 Llama 3 계열 모델(2024)은 프라이빗 배포를 위한 유능한 오픈소스 LLM을 제공하여, 일부 프롬프트 엔지니어링을 클라우드 API에서 로컬 인프라로 이동시켰습니다. 컨텍스트 창은 100만 토큰 이상으로 성장하여(Gemini 3.5 Pro), 전체 코드베이스, 책, 또는 문서 컬렉션을 단일 프롬프트에 주입하는 것이 실용화되었습니다. LangChain과 AutoGen 같은 멀티 에이전트 프레임워크는 프롬프팅을 오케스트레이션으로 전환하였습니다 — 하나의 프롬프트가 다른 모델을 트리거하고, 그것이 도구를 트리거하고, 그것이 다음 프롬프트에 컨텍스트를 반환합니다.

2026년 현재, 연구와 논평은 프롬프트 엔지니어링을 틈새 직함이 아닌 AI 도구를 사용하는 지식 근로자의 기본 리터러시 기술로 점점 더 묘사하고 있습니다. 학술 논문은 구조화된 프롬프팅을 생성 AI 시스템 작업의 기본 역량으로 읽기, 쓰기, 계산과 나란히 위치시키고 있습니다.

이 역할은 두 가지 뚜렷한 트랙으로 분화하였습니다. 첫 번째는 시스템 및 컨텍스트 설계로, 프롬프트가 검색, 에이전트, 평가 파이프라인을 포함하는 더 큰 아키텍처의 일부를 형성하는 프로덕션 AI 시스템의 엔지니어링입니다. 두 번째는 일상적 사용으로, 기본 아키텍처를 알지 못해도 유용한 출력을 생성하는 명확하고 구조화된 프롬프트를 작성하는 능력입니다. 두 트랙 모두 동일한 핵심 원칙, 즉 명확한 작업 명세, 적절한 컨텍스트, 제약, 출력 형식에서 이익을 얻습니다.

더 유능한 모델과 자동화 도구에도 불구하고 변하지 않은 것은 근본적인 원칙입니다: 입력이 더 명확하고 구조화될수록, 출력은 더 신뢰할 수 있고 유용합니다. 기법, 용어, 도구는 성숙하였지만, GPT-3 시대의 핵심 통찰은 2026년에도 여전히 유효합니다.

아래 표는 2018년부터 2026년까지의 주요 이정표를 요약합니다 — 프롬프트 엔지니어링이 현재 형태로 진화하는 데 형태를 부여한 사건, 논문, 모델 출시입니다.

프롬프트 엔지니어링 진화의 각 단계는 현재 실무에 지속적인 흔적을 남겼습니다. GPT-3 시대는 모델 동작이 내용뿐만 아니라 입력 구조에 의해 형성된다는 핵심 통찰을 가져다주었습니다. 연쇄 사고 시대는 명시적인 추론 발판을 제공하였습니다: 단계별 프롬프팅, 프롬프트 체이닝, 트리 오브 사고 접근법. 프레임워크 시대는 각 실무자가 처음부터 발견할 필요 없이 모범 사례를 인코딩하는 재사용 가능한 템플릿을 제공하였습니다.

RAG와 컨텍스트 설계 시대는 프롬프트가 고립적으로 존재하지 않는다는 이해를 가져다주었습니다 — 프롬프트는 검색된 데이터, 시스템 지시, 도구 출력과 함께 전체 컨텍스트를 형성하기 위해 구성됩니다. 그리고 자동화 프롬프팅 시대는 좋은 프롬프팅의 원칙이 측정 가능하다는 것을 상기시켜 주었습니다: 더 잘 구조화된 프롬프트가 체계적으로 평가하고 최적화할 수 있는 방식으로 더 나은 출력을 생성합니다.