역할부여 (Role Assignment)

AI에게 특정 역할을 부여해 더 정확한 답을 얻는 방식.
“너는 전문 쇼핑몰 컨설턴트야. 내 상황에 맞춰 설명해줘.”처럼 역할을 지정하면
답변 스타일이 전문적이고 일관되게 바뀜.

예제:
“너는 다이어트 코치야. 내 식단을 더 건강하게 바꿔줘.”

예시주기 (Few-shot)

AI에게 원하는 방식의 예시를 몇 개 보여주고, 그 패턴대로 답을 생성하게 하는 방법.
예를 보여주면 AI가 그 스타일을 학습해 더 원하는 방향으로 답함.

예제:
“예시:
아침: 가벼운 식사
점심: 단백질 중심
이런 형식으로 ‘1일 식단 계획’ 작성해줘.”

생각의 사슬 (Chain of Thought, CoT)

AI가 답을 내기까지 중간 추론 과정을 단계별로 적게 함으로써
더 정확하고 논리적인 결과를 얻는 방법.
초보자도 문제를 ‘하나씩 풀게 만드는 기법’이라고 이해하면 됨.

예제:
“단계를 나눠서 설명해줘: 1) 문제이해 2) 원인 3) 해결법.”
“단계를 나눠 설명해줘: 1) 여행 목적 2) 예산 3) 추천 도시.”

생각의 트리 (ToT, Tree of Thought)

CoT보다 확장된 방식으로, 여러 가지 해결 가능성을 가지(branch)처럼 펼쳐보고,
그중에서 가장 좋은 답을 선택하는 추론 방식.
문제가 복잡할 때 다양한 시나리오를 탐색하는 느낌.

예제:
“가능한 해결 방법을 3가지로 나누고, 각 장단점을 비교해 최적안을 골라줘.”
“주말 계획을 3가지(집, 야외, 친구만남)로 나누고 각각 장단점을 비교해 가장 좋은 선택을 알려줘.”

메타 프롬프팅 (Meta-Prompting)

AI에게 “어떻게 답해야 하는지에 대한 규칙”을 미리 알려 답변 품질을 높이는 기법.
즉, 프롬프트에 ‘답변 스타일의 설명’을 포함하는 것.

예제:
“모든 답은 단계별로, 예시 포함, 초보자에게 친절한 스타일로 작성해.”
“모든 답은 짧게, 번호 목록으로, 초보자도 이해하기 쉽게 작성해.”

자기 성찰 (Self-Refine)

AI가 스스로 “방금 만든 답에서 틀린 점이나 부족한 점”을 찾아 재검토 후 개선하는 방식.
더 정확한 답을 만들기 위한 자기 점검 단계라고 보면 됨.

예제:
“방금 작성한 답을 다시 검토하고, 더 명확하게 개선된 버전을 다시 작성해줘.”
“방금 작성한 운동 계획을 다시 검토해서 더 현실적인 버전으로 수정해줘.”
“1) 네가 쓴 답의 문제점을 3가지 찾고
2) 그 문제를 해결한 개선 버전을 다시 작성해줘.”

검색 증강 생성 (RAG, Retrieval-Augmented Generation)

AI가 추론만으로 답하지 않고, 외부 문서·데이터·검색 결과를 불러와
더 정확한 정보를 제공하는 방식.
업데이트가 필요한 정보에 유리함.

예제:
“오늘 LA 날씨를 검색해서 무엇을 입으면 좋을지 추천해줘.”
“최신 미국 통관 규정을 검색해 요약해줘.”

추론과 행동 (ReAct, Reason + Act)

AI가 추론(Reason) 과 행동(Act, 외부 도구 사용이나 검색, 정보확인) 을 번갈아 하면서 문제를 해결하는 방식.
즉, 생각하고 > 필요한 액션을 하고 > 다시 판단하는 구조.

예제:
“원인을 추론하고, 필요한 경우 검색해서 해결책을 찾아줘.”
“내가 오늘 지출한 금액을 정리하고, 부족한 부분을 계산해서 조언해줘.”