LLM 프롬프트 활용 교과서

1장 프롬프트 엔지니어링과 대규모 언어 모델
1.1 프롬프트 엔지니어링이란
__1.1.1 생성형 AI의 유행
__1.1.2 생성형 AI의 열쇠를 쥔 ‘프롬프트’란
__1.1.3 프롬프트 엔지니어링이란
__1.1.4 프롬프트 엔지니어링은 왜 필요한가?
__1.1.5 머지않아 프롬프트 엔지니어링은 필요 없어질까?
__1.1.6 프롬프트 엔지니어링 연구
__1.1.7 대규모 언어 모델 이외에서도 활약하는 프롬프트 엔지니어링

1.2 대규모 언어 모델의 장단점
__1.2.1 대규모 언어 모델로 무엇을 할 수 있을까?
__1.2.2 대규모 언어 모델이 잘하는 네 가지 주요 작업
__1.2.3 좀 더 구체적인 작업
__1.2.4 대규모 언어 모델이 할 수 없는 것, 잘 못하는 것

1.3 대규모 언어 모델의 작동 원리와 발전 과정
__1.3.1 대규모 언어 모델이 등장하기까지 역사
__1.3.2 세 차례의 AI 붐과 딥러닝에 이를 때까지
__1.3.3 딥러닝의 등장부터 생성형 AI까지
__1.3.4 순환 신경망
__1.3.5 트랜스포머
__1.3.6 BERT
__1.3.7 GPT

1.4 대규모 언어 모델의 종류와 활용 방법
__1.4.1 대규모 언어 모델을 사용하려면?
__1.4.2 웹 서비스로 사용하기
__1.4.3 Web API로 사용하기
__1.4.4 오픈소스 LLM을 설치해서 사용하기

1.5 ChatGPT 사용법
__1.5.1 ChatGPT와 개발사 OpenAI
__1.5.2 ChatGPT 회원 가입 및 사용 방법

2장 프롬프트 엔지니어링 입문
2.1 대규모 언어 모델의 기본 작동 방식을 확인하자
__2.1.1 대규모 언어 모델의 ‘개연성’이란
__2.1.2 ’큰 집에서’로 시작하는 그럴듯한 문장은?
__2.1.3 ’그럴듯함’이 ‘환각’을 보여 주는 경우
__2.1.4 다양성을 지정하는 파라미터 temperature
__2.1.5 다양성을 제한하는 파라미터 top_p

2.2 프롬프트의 Q&A 포맷
__2.2.1 Q&A 템플릿을 사용하면 질문에 답을 끌어낼 수 있다
__2.2.2 Q&A로 바다 색깔을 물어보자
__2.2.3 독해력이 필요한 일반적인 질문을 해 보자
__2.2.4 Q&A를 사용하면 대규모 언어 모델의 응답이 안정적이다
__2.2.5 Q&A로 일반 상식 문제를 풀 수 있는지 확인하자
__2.2.6 Q&A로 창의적인 질문을 하자: 어디로 여행을 갈까?
__2.2.7 여러 답변을 유도하는 Q&A의 변형 포맷
__2.2.8 Q와 번호를 조합하자

2.3 지시와 입력 형식
__2.3.1 지시와 입력을 포함한 프롬프트 설계
__2.3.2 텍스트를 이어서 생성하는 작업
__2.3.3 정중한 어조로 바꾸는 작업
__2.3.4 이해하기 쉽게 문장을 바꾸어 말하는 작업
__2.3.5 영한 번역 작업
__2.3.6 보기 중에서 매운 음식을 고르는 작업
__2.3.7 보기 중에서 빨간색 물건을 고르는 작업
__2.3.8 구분 기호에 관한 고찰
__2.3.9 마크다운 문법

3장 대규모 언어 모델의 기본 작업
3.1 요약 작업: 스타일을 지정하여 요약
__3.1.1 대규모 언어 모델과 요약 작업
__3.1.2 요약 목적을 의식하자
__3.1.3 요약의 핵심 포인트
__3.1.4 요약 스타일을 지정하자
__3.1.5 정보 누락과 왜곡
__3.1.6 출처 및 인용을 명시한 요약
__3.1.7 토큰 제한
__3.1.8 더 긴 문장을 요약하고 싶다면?

3.2 추론 작업: 텍스트를 분류하고 감정을 분석
__3.2.1 대규모 언어 모델과 추론 작업
__3.2.2 텍스트를 분류하자
__3.2.3 감정을 분석하자
__3.2.4 문장을 평가하고 채점하자
__3.2.5 정보를 바탕으로 결과를 추론하자

3.3 변환 작업: 어조를 바꾸고 문장을 교정하고 데이터 형식을 변환
__3.3.1 변환 작업
__3.3.2 번역 작업
__3.3.3 문장 재구성 작업
__3.3.4 문장 교정 및 첨삭
__3.3.5 데이터 형식 변환

3.4 확장 작업: 이야기 창작 및 코드 생성 능력 확인
__3.4.1 확장 작업
__3.4.2 이야기 창작
__3.4.3 아이디어 발상 프레임워크
__3.4.4 코드 생성

3.5 기타 작업: 채팅 및 추출 등
__3.5.1 그 밖의 작업들
__3.5.2 대화 작업: 게임과 역할극
__3.5.3 정보 추출 작업

4장 퓨샷 프롬프트와 성능 향상 테크닉
4.1 제로샷·원샷·퓨샷 프롬프트
__4.1.1 제로샷, 원샷, 퓨샷이란
__4.1.2 제로샷, 원샷, 퓨샷 비교
__4.1.3 퓨샷 프롬프트에 무엇을 제공하면 좋을까?
__4.1.4 제로샷과 퓨샷으로 생성되는 문장 비교

4.2 생각의 연결 고리
__4.2.1 생각의 연결 고리란
__4.2.2 생각의 연결 고리(CoT)를 이용해 보자
__4.2.3 ’3인 가위바위보 문제’에 생각의 연결 고리(CoT)를 이용하자
__4.2.4 제로샷 CoT란
__4.2.5 벽지 계산 문제를 제로샷 CoT로 풀어 보자
__4.2.6 제로샷 CoT를 유도하는 필승 문구
__4.2.7 대규모 언어 모델의 사고를 자극하는 문구
__4.2.8 대규모 언어 모델에 ‘심호흡’을 시켜 보자
__4.2.9 감정 프롬프트

4.3 자기 일관성
__4.3.1 자기 일관성이란
__4.3.2 자기 일관성을 계산 문제에 활용하는 사례
__4.3.3 자기 일관성을 이용하여 메시지가 중요한지 판단해 보자

4.4 생각의 나무
__4.4.1 생각의 나무란
__4.4.2 생각의 나무로 공이 어디 있는지 추론해 보자
__4.4.3 프롬프트에 생각의 나무(ToT)를 넣어 보자
__4.4.4 24 게임을 풀어 보자

4.5 MAGI 시스템 261
__4.5.1 여러 사람의 지혜를 모아 보자: MAGI 시스템 모방
__4.5.2 MAGI 시스템이 답하다: Rust와 Go 중 어느 언어가 좋은가?
__4.5.3 MAGI 시스템의 인격을 변형해 보자
__4.5.4 독해 문제에 도전해 보자

4.6 가상 스크립트 엔진, PAL
__4.6.1 가상 스크립트 엔진이란
__4.6.2 가상 프로그램에 따라 행동하게 하자
__4.6.3 가상 스크립트 엔진처럼 동작하게 하자
__4.6.4 유사 코드를 시뮬레이션하자
__4.6.5 프로그램처럼 명확하게 절차를 지정하자
__4.6.6 SQL을 활용하여 데이터를 생성하자
__4.6.7 PAL, 프로그램 지원 언어 모델

4.7 모의 프롬프트(mock prompt)
__4.7.1 모의 프롬프트란
__4.7.2 모의 프롬프트 실습
__4.7.3 문장 품질을 향상시키는 모의 프롬프트 활용

5장 템플릿을 사용한 10배 도움되는 프롬프트 모음
5.1 프로필과 이력서 생성 프롬프트
__5.1.1 관심을 끄는 SNS 프로필을 생각하는 프롬프트
__5.1.2 대규모 언어 모델을 사용한 이력서 작성
__5.1.3 커버레터 작성
__5.1.4 대규모 언어 모델을 활용해서 더 나은 이력서를 만들자

5.2 명명 프롬프트: 반려동물 이름부터 블로그 제목까지
__5.2.1 이름을 지을 때 주의할 점
__5.2.2 어떤 이름이 좋은가
__5.2.3 반려동물 이름을 지어 보자
__5.2.4 블로그 기사 제목을 지어 보자
__5.2.5 변수 이름과 함수 이름

5.3 아이디어 발상법을 활용한 아이디어 생성 프롬프트
__5.3.1 아이디어 발상법
__5.3.2 아이디어 발상 프레임워크
__5.3.3 아이디어 발상의 기본: 브레인스토밍
__5.3.4 SCAMPER를 활용한 아이디어 발상법
__5.3.5 오스본 체크리스트를 사용해 보자
__5.3.6 식스햇 기법을 시도해 보자
__5.3.7 페르소나 기법을 활용한 아이디어 발상법

5.4 업무 자동화 1: 엑셀, 파일 일괄 처리 프롬프트
__5.4.1 대규모 언어 모델과 프로그래밍
__5.4.2 엑셀 사용법에 정통한 대규모 언어 모델
__5.4.3 엑셀 작업을 대규모 언어 모델로 자동화하자
__5.4.4 엑셀 연락처 파일을 읽고 PDF 초대장을 만들자
__5.4.5 ZIP 파일 압축을 100개 풀어 보자
__5.4.6 1년 이상 업데이트되지 않은 파일을 자동으로 백업하자

5.5 업무 자동화 2: 웹 브라우저 제어, 스크래핑 생성 프롬프트
__5.5.1 어떻게 웹 브라우저 동작을 자동으로 제어할까?
__5.5.2 지정한 웹 페이지의 스크린샷을 캡처하자
__5.5.3 회원제 웹 사이트에 로그인하여 CSV 파일을 내려받자
__5.5.4 특정 사용자의 작품을 모두 즐겨찾기로 추가하자

6장 Web API와 오픈소스 LLM 사용법
6.1 OpenAI ChatGPT API 사용법
__6.1.1 ChatGPT를 API로 사용하는 장점
__6.1.2 ChatGPT API를 사용할 준비
__6.1.3 안전하게 ChatGPT API를 사용하려면 확인해야 할 것
__6.1.4 OpenAI 플랫폼에서 API 키를 발급받자
__6.1.5 API 키를 환경 변수에 등록하자
__6.1.6 OpenAI 파이썬 패키지를 설치하자
__6.1.7 가장 간단한 프로그램을 실행하자
__6.1.8 ChatGPT API로 대화하자
__6.1.9 Azure OpenAI 서비스를 이용하자

6.2 오픈소스 대규모 언어 모델을 사용하는 방법
__6.2.1 쉽게 시도해 볼 수 있는 오픈소스 대규모 언어 모델
__6.2.2 코랩의 기본 사용법
__6.2.3 Meta의 대규모 언어 모델 Llama 3을 사용해 보자
__6.2.4 llama.cpp로 간편하게 대규모 언어 모델을 실행하자
__6.2.5 Vicuna를 사용해 보자
__6.2.6 로컬 PC에 설치하자

7장 AGI가 목표인 고급 프롬프트 엔지니어링
7.1 API 버전의 자기 일관성
__7.1.1 자기 일관성 복습 및 여기에서 만들 프로그램
__7.1.2 자기 일관성을 이용하여 나이를 계산하자
__7.1.3 자기 일관성을 이용하여 메일 중요도를 판단하자
__7.1.4 자기 일관성을 이용하여 케이크 판매 수량을 계산하자

7.2 API 버전의 MAGI 시스템
__7.2.1 API로 MAGI ToT 시스템을 구성하자
__7.2.2 MAGI ToT로 점심 메뉴를 결정하자
__7.2.3 MAGI ToT로 자가 소유 vs 임대를 토론해 보자

7.3 계획과 해결 프롬프트
__7.3.1 계획과 해결 프롬프트란
__7.3.2 계획과 해결 프롬프트의 구체적인 방법
__7.3.3 양초 길이 계산 문제를 풀어 보자
__7.3.4 계획과 해결 프롬프트로 파이썬 프로그램을 만들자
__7.3.5 API로 파이썬 프로그램을 자동으로 실행하자
__7.3.6 계획과 해결 프롬프트로 푸딩과 초콜릿 조합 문제를 풀어 보자

7.4 그라운딩: 검색 등 외부 리소스 활용
__7.4.1 그라운딩
__7.4.2 현재 시간을 대규모 언어 모델에 물어보자
__7.4.3 대규모 언어 모델에 외부 도구를 제공하자
__7.4.4 검색을 위해 Wikipedia API를 활용하자

7.5 벡터 데이터베이스와 연계
__7.5.1 대규모 언어 모델과 벡터 데이터베이스를 결합하자
__7.5.2 임베딩과 벡터 데이터베이스
__7.5.3 벡터 데이터베이스를 사용한 긴 문서 요약
__7.5.4 벡터 데이터베이스를 사용하지 않는 긴 문서 요약
__7.5.5 검색과 벡터 데이터베이스를 결합한 QA 시스템을 만들자