고급 프롬프트 엔지니어링 방법 및 Tool Use 활용 가이드
전사 경위 — HLS 오디오 추출(ffmpeg) → AI Ready MCP팀 서버(:8766) create_case(format="audio") · faster-whisper CPU(D44 STT) · 전사일 2026-11-18.
타임스탬프는 원 영상 기준이며 ASR 오인식(예: 고유명사)은 보정 전 상태로 보존했다 — 핵심 수치·용어 보정표는 요약본 하단 참조.
| 시작 | 종료 | 지속 | 발화 |
|---|---|---|---|
| 0:01 | 0:09 | 7.8 | 아, 네, 잠시만요. |
| 0:09 | 0:15 | 6.0 | 네, 저는 AWS에서 솔륜사키텍트로 근무하고 있는 주혜령입니다. |
| 0:15 | 0:18 | 3.5 | 저는 오늘 여러분과 함께 프롬프트 엔진이어린과 |
| 0:18 | 0:21 | 2.9 | 투르유제에 대해서 깊이 있게 살펴보고 |
| 0:21 | 0:26 | 5.2 | 이를 실제로 활용하는 방법에 대해 이야기해 보려고 합니다. |
| 0:26 | 0:29 | 3.0 | 네, 우리의 아전다는 다음과 같습니다. |
| 0:29 | 0:33 | 4.1 | 먼저 프롬프트 엔진이어링 마스터하기, 라는 주제로 |
| 0:33 | 0:36 | 3.0 | 프롬프트 엔진이어링에 대해서 알아볼 거고요. |
| 0:36 | 0:42 | 5.9 | 두 번째 아전다로 투르유제에 관련된 부 내용을 설명드리겠습니다. |
| 0:42 | 0:46 | 3.7 | 그리고 마지막으로 이 두 가지 기능을 모두 활용할 수 있는 |
| 0:46 | 0:51 | 5.0 | 데모, 어플리케이션을 소개해 드리도록 하겠습니다. |
| 0:51 | 0:54 | 3.0 | 그래서 여러분들은 오늘 이 세션을 듣고 나면 |
| 0:54 | 0:57 | 3.2 | 프롬프트의 주요 요소를 이해하실 수가 있고 |
| 0:57 | 0:59 | 2.3 | 또 실제 업무에 적용할 수 있는 |
| 0:59 | 1:04 | 4.3 | 실용적인 프롬프트 설계 지식을 어두실 수 있습니다. |
| 1:04 | 1:07 | 3.0 | 그리고 마지막으로 투르유제를 통한 LLM의 |
| 1:07 | 1:11 | 4.9 | 확장된 기능을 이해하실 수 있을 겁니다. |
| 1:11 | 1:14 | 2.8 | 먼저 프롬프트 엔진이어링 마스터하기, 라는 |
| 1:14 | 1:18 | 3.8 | 주제의 아전다를 시작해 보도록 하겠습니다. |
| 1:18 | 1:22 | 4.0 | 사실 프롬프트라는 거 되게 많이 들어보셨을 거예요. |
| 1:22 | 1:26 | 4.1 | 프롬프트란 AI 시스템의 응답을 유도하기 위해서 |
| 1:26 | 1:30 | 4.0 | 우리가 직접 입력하는 텍스트 메세지입니다. |
| 1:30 | 1:34 | 3.4 | 자율 구성된 프롬프트는 모델이 원하는 작업을 |
| 1:34 | 1:37 | 3.8 | 정확히 이해하고 좋은 결과를 툴력할 수 있도록 |
| 1:37 | 1:40 | 2.8 | 돕습니다. |
| 1:40 | 1:44 | 3.3 | 그러면 프롬프트 엔진이어링이랑 무엇일까요? |
| 1:44 | 1:47 | 3.2 | 말 그대로 프롬프트를 설계하고 최적화하는 |
| 1:47 | 1:50 | 3.2 | 기법을 의미합니다. |
| 1:50 | 1:53 | 3.1 | 프롬프트 엔진이어링이 중요한 이유는 바로 |
| 1:53 | 1:58 | 5.4 | AI와의 소통을 마스터하는 핵심 기술이라고 할 수 있기 때문입니다. |
| 1:58 | 2:01 | 2.2 | 이 프롬프트 엔진이어링을 통해서 |
| 2:01 | 2:06 | 5.2 | 우리는 AI의 진정한 잠재력을 끌어낼 수 있습니다. |
| 2:06 | 2:11 | 5.4 | 그렇다면 이 프롬프트는 대체 어떤 구성 요소를 이루어져 있을까요? |
| 2:11 | 2:15 | 4.0 | 프롬프트는 여러 가지 구성 요소로 이루어져 있는데요. |
| 2:15 | 2:20 | 4.9 | 크게 필수 요소와 선택적 요소로 나눠볼 수 있을 것 같습니다. |
| 2:20 | 2:24 | 3.8 | 필수 요소는 거의 모든 프롬프트에 포함되어야 하는 |
| 2:24 | 2:26 | 2.0 | 핵심 구성 요소인데요. |
| 2:26 | 2:31 | 4.6 | 이제 크게 세 가지가 이 필수 요소 안에 들어간다고 보시면 됩니다. |
| 2:31 | 2:33 | 2.3 | 첫 번째로 지지상입니다. |
| 2:33 | 2:38 | 4.7 | AI가 어떤 작업을 수행할지 정확하게 이해하도록 도울 수 있는 |
| 2:38 | 2:40 | 2.1 | 그런 구성 요소이고요. |
| 2:40 | 2:42 | 2.4 | 두 번째는 맹락정보입니다. |
| 2:42 | 2:45 | 3.4 | AI가 수행할 작업에 필요한 배경정보죠. |
| 2:45 | 2:49 | 3.5 | 그래서 AI가 더 적절한 응답을 생성하는데 |
| 2:49 | 2:52 | 2.7 | 도움을 주는 구성 요소입니다. |
| 2:52 | 2:55 | 3.6 | 세 번째로 AI가 어떤 것들을 처리해야 되는지 |
| 2:55 | 2:59 | 3.5 | 그 구체적인 정보를 제공하는 입력 데이터가 |
| 2:59 | 3:02 | 3.5 | 꼭 필요한 필수 요소가 되겠습니다. |
| 3:02 | 3:06 | 3.4 | 나머지 구성 요소들을 모두 선택적 요소인데요. |
| 3:06 | 3:10 | 4.8 | 작업의 성격과 원하는 결과에 따라 여러분들이 치사 선택해서 |
| 3:10 | 3:15 | 4.5 | 프롬프트에 추가할 수 있는 요소들입니다. |
| 3:15 | 3:20 | 5.5 | 이러한 프롬프트의 구성 요소들은 실제 AI 시스템과의 사고 작용해서 |
| 3:20 | 3:24 | 3.5 | 두 가지 주요 프롬프트 유용으로 적용이 됩니다. |
| 3:24 | 3:27 | 3.3 | 시스템 프롬프트와 유저 프롬프트인데요. |
| 3:27 | 3:34 | 6.6 | 먼저 시스템 프롬프트는 AI의 전반적인 동작과 성격을 설정합니다. |
| 3:34 | 3:39 | 5.4 | 여기서 우리는 맹락과 역할 설정 같은 요소를 주로 사용을 합니다. |
| 3:39 | 3:43 | 3.8 | 예를 들어서 AI에게 전문가 역할을 부여하거나 |
| 3:43 | 3:47 | 4.2 | 아니면 대화의 전반적인 맹락을 설정할 수 있습니다. |
| 3:47 | 3:49 | 2.3 | 두 번째로 유저 프롬프트인데요. |
| 3:49 | 3:56 | 6.4 | 사용자가 AI에게 직접 입력하는 질문이나 지시사항이 이해해당합니다. |
| 3:56 | 4:01 | 5.1 | 여기서 우리는 거의 모든 프롬프트 구성 요소를 사용할 수 있습니다. |
| 4:01 | 4:05 | 4.3 | 지시사항과 입력 데이터는 필수적으로 포함이 되어야 하지만 |
| 4:05 | 4:13 | 8.0 | 출력형식이나 제약 조건 또 단계별 지시 등의 선택적인 요소도 여기서 지정하실 수가 있습니다. |
| 4:13 | 4:18 | 5.0 | 정리하면 앞서 살펴본 프롬프트의 여러 가지 구성 요소들은 |
| 4:18 | 4:23 | 4.7 | 시스템 프롬프트와 유저 프롬프트라는 이 두 가지 구조 안에서 |
| 4:23 | 4:30 | 6.8 | 유기적으로 작동해서 AI와의 효과적인 상호작용을 가능하게 합니다. |
| 4:30 | 4:35 | 4.9 | 여러분들이 각 요소를 어디에 어떻게 배치하고 사용하는 예약에 따라 |
| 4:35 | 4:39 | 4.1 | AI의 응답품들이 크게 달라질 수 있습니다. |
| 4:39 | 4:42 | 3.4 | 제가 한번 예시를 실제로 가져와봤는데요. |
| 4:42 | 4:46 | 4.0 | 제가 저희의 배드락에 보면 체플레이그라모드라고 해서 |
| 4:46 | 4:51 | 4.8 | 여러 가지 배드락에서 지원하고 있는 파운데이션 모델을 통해서 |
| 4:51 | 4:55 | 4.3 | 시스템 프롬프트와 유저 프롬프트를 각각 입력해서 응답을 쉽게 |
| 4:55 | 5:00 | 4.3 | 채팅을 형태로 응답을 받을 수 있는 기능입니다. |
| 5:00 | 5:03 | 3.2 | 요거를 저희가 캡처를 해왔습니다. |
| 5:03 | 5:07 | 4.0 | 저는 먼저 시스템 프롬프트로 다음과 같이 AI에게 |
| 5:07 | 5:12 | 5.3 | 초등학교 교사 역할을 설정을 했고 맥락도 설명을 해 주었습니다. |
| 5:12 | 5:17 | 5.2 | 그리고 유저 프롬프트로는 광합성이 무엇인지 설명해달라고 했습니다. |
| 5:17 | 5:22 | 4.3 | 그랬더니 이 클로드보델은 이 두 프롬프트를 기반으로 해서 |
| 5:22 | 5:28 | 6.7 | 다음과 같이 초중학생 눈높이에 맞는 적절한 응답을 생성했습니다. |
| 5:28 | 5:33 | 4.8 | 이번에는 시스템 프롬프트의 대학 교수 역할을 설정해 보았습니다. |
| 5:33 | 5:39 | 5.5 | 그리고 유저 프롬프트의 제약 조건과 출력 경식을 추가했더니 |
| 5:39 | 5:45 | 6.0 | 아래와 같이 조금 더 수준이 높은 답변을 주었습니다. |
| 5:45 | 5:54 | 9.2 | 이렇게 여러분들이 프롬프트로 어떻게 작성하는 아에 따라 AI의 응답폼질이 크게 달라질 수 있습니다. |
| 5:54 | 6:00 | 6.6 | 이제 우리는 프롬프트의 기본 구성 요소들이 실제로 어떻게 조용되는지 이해했습니다. |
| 6:00 | 6:05 | 4.7 | 이를 바탕으로 다음으로는 더 효과적인 프롬프트를 설계하기 위한 |
| 6:05 | 6:10 | 4.4 | 다양한 프롬프트 엔진이어링 기법들을 살펴보겠습니다. |
| 6:10 | 6:16 | 6.8 | 사실 LLM 모델 간의 프롬프트 엔진이어링은 기본 원칙을 공유하면서도 차이가 있습니다. |
| 6:16 | 6:21 | 4.7 | 강 모델마다 최대 토큰 제안과 컨택스트 윈도우가 다르고 |
| 6:21 | 6:27 | 5.8 | 또 있는 프롬프트에 포함할 수 있는 정보의 양의 영향을 미치기 때문인데요. |
| 6:27 | 6:33 | 5.9 | 그래서 모델에 따라서 최상의 결과를 얻기 위해 다른 접근 방식이 필요할 수 있는데 |
| 6:33 | 6:36 | 2.8 | 오늘은 이 클로드 모델을 기준으로 해서 |
| 6:36 | 6:42 | 6.0 | 프롬프트를 잘 작성하기 위한 9가지 기법들을 설명하려고 합니다. |
| 6:42 | 6:49 | 7.3 | 먼저 가장 기본적으로 해야 하는 것은 명확하고 직접적인 지침을 제공하는 것입니다. |
| 6:49 | 6:56 | 7.1 | 클로드를 매우 똑똑하지만 배경지식이 없는 신입 직원으로 생각해 보시면 편합니다. |
| 6:56 | 7:05 | 8.8 | 내가 원하는 응답에 대한 맥락을 더 자세하게 그리고 더 정확하게 설명할수록 클로드의 응답은 나아집니다. |
| 7:05 | 7:11 | 6.0 | 여기서 말하는 맥락은 응답 결과가 어디에 그리고 누구에게 사용되는지 |
| 7:11 | 7:16 | 5.4 | 그리고 이 결과가 어떤 플로우에 속하는지 등이 되겠습니다. |
| 7:16 | 7:21 | 4.9 | 또 원하는 결과에 대해서 좀 구체적으로 설명해 보시는 것도 좋은데요. |
| 7:21 | 7:27 | 6.2 | 예를 들어서 클로드가 수행을 사항을 순서로 표현하는 것도 좋습니다. |
| 7:27 | 7:37 | 10.0 | 제가 이렇게 이런 기법들을 적용한 것에 비포와 앱부터 예시를 각각 이렇게 정리를 해았습니다. |
| 7:37 | 7:47 | 9.3 | 왼쪽 예시를 보면 유저 프론프트의 고객이 들이 좋아할 만한 것을 알려주라고 해서 클로드에게 응답을 요청해 보았습니다. |
| 7:47 | 7:53 | 6.9 | 그랬더니 클로드는 일반적으로 많은 고객들의 좋아하는 요소에 대해서 답을 해줬습니다. |
| 7:53 | 8:05 | 11.6 | 이번에는 특정 고객의 정보를 기반으로 고객 맞추면 패션 아이템을 추천해달라고 아주 명확하고 직접적으로 유저 프론프트를 작성해 보았습니다. |
| 8:05 | 8:14 | 8.6 | 그랬더니 클로드는 이번에는 해당 고객에 맞는 아이템과 그 추천 이유를 맞춤형으로 제안해줬습니다. |
| 8:14 | 8:21 | 7.5 | 클로드의 답변 퀄리티가 확실히 달라지는 것을 여러분들 느끼셨을 거예요. |
| 8:21 | 8:25 | 4.3 | 두 번째 기법은 바로 모델에게 역할을 부여하는 건데요. |
| 8:25 | 8:34 | 8.4 | 클로드를 사용할 때 시스템 파라미터를 사용을 해서 클로드에게 역할을 부여하면 성능이 향성될 수 있습니다. |
| 8:34 | 8:38 | 4.6 | 이 기술을 역할 프론프트, 즉, role-promting이라고 하는데 |
| 8:38 | 8:45 | 6.2 | 클로드를 일반적인 협력자에서 전문가로 변화시킬 수 있는 효과적인 방법입니다. |
| 8:45 | 9:01 | 16.4 | 특히 이 기법은 특정 분야, 예를 들어서 금융 모델린 같은 복잡한 시나리오에서 정확도가 향상되고 지정된 역할에 맞게 어조나 태도 등이 변경될 수 있는 그런 기법입니다. |
| 9:01 | 9:05 | 4.0 | 이것도 비포와 애프터를 가져와봤는데요. |
| 9:05 | 9:12 | 6.8 | 첫 번째 여행 쪽의 예시를 보시면 일반적으로 운동의 중요성에 대해서 설명해 주세요. |
| 9:12 | 9:19 | 6.8 | 라고만 말을 썼을 땐 누구나 할 수 있는 일반적인 운동의 중요성에 대해서 답변을 해줬습니다. |
| 9:19 | 9:28 | 9.8 | 하지만 오른쪽의 실을 보시면 스포츠 의학 전문이로서의 운동의 중요성에 대해서 설명해 달라고 유저 프론프트를 넣어서 클로드에 교정을 했다니 |
| 9:28 | 9:36 | 7.5 | 이번에 클로드는 좀 더 전문적인 답변을 내주었습니다. |
| 9:36 | 9:40 | 3.8 | 다음은 클로드에 좀 특화된 방법인데요. |
| 9:40 | 9:46 | 6.6 | 클로드는 XM-1로 구조화된 데이터에서 아주 잘 작동하도록 훌련이 되어 있습니다. |
| 9:46 | 9:56 | 9.7 | 특히 긴 프론프트를 작성하거나 클로드가 답변을 정한 방식으로 마치도록 할 때 이 XM-LTEG를 사용하는 게 좋습니다. |
| 9:56 | 10:07 | 11.4 | XM-LTEG를 사용하게 되면 클로드가 이 프론프트를 보다 정확하게 해석하도록 도와줘서 더 높은 품질의 결과물을 제공받을 수 있습니다. |
| 10:07 | 10:15 | 7.4 | 프론프트의 부분을 명확하게 구분함으로써 프론프트의 클로드가 프론프트를 오해하는 일을 줄일 수 있고요. |
| 10:15 | 10:20 | 4.8 | 또 나중에 여러분들이 일정 부분을 수정하는 것도 수월합니다. |
| 10:20 | 10:24 | 4.8 | 이 XM-LTEG를 사용할 때 딱 정해지는 태그 이름은 없습니다. |
| 10:24 | 10:29 | 4.3 | 하지만 컨텐츠와 연강지여서 작성하면 좋습니다. |
| 10:29 | 10:31 | 2.0 | 클로드는 특정 X. |
| 10:34 | 10:37 | 3.7 | 태그 이름이 해당 내용을 잘 설명하도록 만들어놓은다면 |
| 10:37 | 10:42 | 4.4 | 클로드는 이 XML 태그의 역할에 대해서 유추할 수 있습니다. |
| 10:42 | 10:48 | 5.3 | 그리고 프론프트 전체에 대해서 동일한 태그 이름을 사용하는 것도 중요하구요. |
| 10:48 | 10:53 | 5.1 | 태그 안에 내용에 대해 언급할 때는 또 해당 태그를 사용하는 것이 좋습니다. |
| 10:55 | 10:59 | 3.5 | 그리고 이 프론프트 구조를 유지하면서 |
| 10:59 | 11:03 | 3.8 | 태그 안에 주요 내용만 이렇게 변경하실 수도 있는데요. |
| 11:03 | 11:05 | 1.9 | 또 중첩 구조도 가능합니다. |
| 11:05 | 11:09 | 3.6 | 너무 많은 중첩은 성능의 저화를 줄 수 있기 때문에 |
| 11:09 | 11:13 | 4.0 | 저희는 일반적으로 5개 미만의 중첩을 권장하고 있습니다. |
| 11:16 | 11:21 | 4.9 | XML 태그를 사용한 프론프트의 전후를 또 예시를 들어보겠습니다. |
| 11:21 | 11:32 | 10.9 | 5초 프론프트에서는 XML 태그를 사용해서 청중, 톤, 길이, 주요 특징, 세부정보들을 이렇게 명확하게 구조했습니다. |
| 11:33 | 11:39 | 6.0 | 각 요소가 태그로 구분되어 있기 때문에 AI가 쉽게 이해하고 처리할 수 있습니다. |
| 11:40 | 11:48 | 7.8 | 그 결과 XML를 사용하지 않은 예시보다 더 정확하고 목접에 부합하는 결과를 얻을 수 있습니다. |
| 11:50 | 11:54 | 3.8 | 다음 기법은 예시를 사용하는 방법인데요. |
| 11:55 | 12:00 | 4.9 | 잘 구성된 예시 선어가지를 이 프론프트에 포함하는 거는 |
| 12:00 | 12:06 | 5.9 | 플루클로드에 출력정학성, 일반성, 그리고 품질을 크게 향성시킬 수 있는 방법입니다. |
| 12:07 | 12:11 | 4.2 | 이러한 기술을 우리는 휘샷 혹은 멀티샵 프론프트라고 부르는데요. |
| 12:11 | 12:15 | 3.4 | 형식을 준수해야 하는 작업에 특히 효과적입니다. |
| 12:16 | 12:19 | 3.6 | 이때 예시는 실제 사용사례와 유사한 것이 좋습니다. |
| 12:20 | 12:22 | 2.7 | 또 다양한 예시를 다룰수록 좋은데, |
| 12:23 | 12:28 | 5.4 | 클로드가 의도화제 아는 패턴을 답할 수도 있는 상황을 방지할 수 있습니다. |
| 12:29 | 12:33 | 4.2 | 이 예시는 좀 전에 예로 말씀드렸더니 XML 태그 중에 |
| 12:33 | 12:39 | 5.5 | 이그젠플 태그로 감싸서 입력하면 더 AI가 쉽게 이해할 수 있습니다. |
| 12:40 | 12:42 | 2.7 | 그리고 일반적으로 예시가 많을수록 |
| 12:42 | 12:48 | 6.2 | 지연시간과 톡근을 더 많이 소모할 수 있다는 또 하나의 고민이 생기는 데 |
| 12:49 | 12:59 | 10.6 | 그렇게 하더라도 일반적으로 예시를 사용하므로서 AI는 더 안정적인 응답이 가능하다는 결과, 영국 결과가 많습니다. |
| 13:02 | 13:09 | 7.2 | 형식을 준수해야 하는 고객 응대 매일 작성 작업에서 예시를 가져와 봤는데요. |
| 13:10 | 13:17 | 7.4 | 우측 프롬프트에서는 예시를 사용해서 내가 원하는 결과물에 구체적인 형태를 보여주고 |
| 13:17 | 13:22 | 4.8 | 원하는 응대의 톤과 스타일을 명확하게 전달했습니다. |
| 13:22 | 13:30 | 7.6 | 또한 즉각적인 좋지나 보상제공 등의 문재 해결 적금방 방식의 예시를 직접적으로 적기 때문에 |
| 13:30 | 13:35 | 4.4 | AI가 이를 응답해서 다음으로 같이 응답을 주었습니다. |
| 13:35 | 13:43 | 7.5 | 그 결과 예시를 주지 않았던 프롬프트에 대한 응답보다 더 정확하고 품질이 좋은 결과를 얻을 수 있었습니다. |
| 13:46 | 13:53 | 6.8 | 네, 클로드가 사고와 하는 과정을 또 허용하게 되면 클로드의 성능이 크게 향성될 수 있습니다. |
| 13:53 | 13:57 | 3.7 | 이런 과정을 체인업서트 COT라고 부르는데요. |
| 13:57 | 14:08 | 11.5 | 복잡한 문제를 작은 단위로 분해하면서 명시적으로 사고 과정을 분석하도록 지시함으로써 보다 체계적이고 철저한 문재 해결을 가능하게 합니다. |
| 14:09 | 14:18 | 9.1 | 이 COT 기법은 연구, 준석 혹은 복잡한 수학이나 문제 해결과 같은 복잡한 작업을 할 때 매우 좋습니다. |
| 14:18 | 14:21 | 2.9 | 논리적인 오르도 간소시킬 수 있습니다. |
| 14:22 | 14:28 | 6.3 | XML 태그 중에서 TINKIN, ANSOR 같은 태그를 사용해 주는 것도 좋은 방법입니다. |
| 14:29 | 14:40 | 11.0 | 최종 결과물을 얻을 때까지 사고하는 과정, 즉 단계별 출온을 생성하기 때문에 응답 속도에는 영향을 미칠 수는 있다는 것을 주의를 해주시면 좋겠습니다. |
| 14:42 | 14:51 | 9.6 | COT를 하기 위해서 가장 간단하게 해볼 수 있는 방법으로는 이 프롬프트 내용에 단계별로 생각해 라고 알려주는 것입니다. |
| 14:52 | 15:00 | 8.5 | 그러면 이렇게 보시는 방법 같이 모델이 스스로 각 단계를 생성하고 또 최종 출온까지 응답을 생성해냅니다. |
| 15:01 | 15:08 | 6.8 | 이렇게 COT를 사용한 프롬프트는 논리적인 사고그램을 만들어서 AI가 더 체계적이고, |
| 15:08 | 15:11 | 2.7 | 호갈적인 답변을 제공하도록 유도합니다. |
| 15:14 | 15:16 | 2.3 | 다음은 프롬프트 체인인 기법인데요. |
| 15:17 | 15:22 | 5.2 | 프롬프트 체인인은 한 번에 여러가지 작업을 수행하도록 부정하는 게 아니라 |
| 15:22 | 15:31 | 8.4 | 복잡한 작업을 여러 개의 하위 작업으로 나눠서 클로드가 각 하위 작업에 집중하도록 하는 기술입니다. |
| 15:31 | 15:38 | 6.6 | 인을 통해서 오리로 줄이고 또 더 저 명확한 지시상과 출력을 얻을 수 있습니다. |
| 15:39 | 15:41 | 1.8 | 사람도 비슷한 것 같아요. |
| 15:41 | 15:47 | 5.9 | 한 사람에게 한 번에 너무 많은 작업을 요청하게 되면 그 안에서 실수할 가능성이 높죠. |
| 15:47 | 15:59 | 11.2 | 하지만 작업을 명확하고 순차적인 단계로 나눠서 요청을 하게 되면 더 명확하게 지시상을 이에요하고 그에 맞는 결과를 낼 수 있습니다. |
| 16:01 | 16:06 | 4.8 | 예시로는 다음과 같은 샘플 코드로 대체를 해보려고 하는데요. |
| 16:06 | 16:16 | 10.2 | 이 예시는 20장의 프리젠테이션 내용을 만들어야 되는 복잡한 문제를 여러 단계로 나눠서 순차적으로 처리하게 한 예제입니다. |
| 16:17 | 16:26 | 8.5 | 우선 20장에 대한 제목만 만드는 작업을 하게 하고 만들어진 개율을 또 하위 작업에 입력으로 넣었고 |
| 16:26 | 16:30 | 4.4 | 열정성이 나눠서 프리젠테이션을 내용을 만들게 하였습니다. |
| 16:31 | 16:37 | 5.8 | 이렇게 함으로써 실제로 만들어지는 프리젠테이션 내용의 품질을 향상시킬 수 있었고요. |
| 16:37 | 16:45 | 8.1 | 또 오류 발생시 이 특정 하위 단계만 수정을 해서 효율적인 디버킹이 가능한 효과도 얻을 수 있었습니다. |
| 16:46 | 16:51 | 5.0 | 이와 관련한 자세한 내용은 저희 AWS 기터배에 올라와 있고요. |
| 16:51 | 16:55 | 3.8 | 여기 나와 있는 내용과 코드를 참고해 주시면 되겠습니다. |
| 16:57 | 17:03 | 6.5 | 지금부터 말씀드리는 마지막 프론프트 엔진이어링의 세 가지 기법은 좀 추가적인 팁인데요. |
| 17:04 | 17:08 | 4.1 | 먼저 기인 프론프트를 효과적으로 다르기 위한 방법입니다. |
| 17:08 | 17:14 | 5.2 | 기인 프론프트를 다룰 때 가장 중요한 건 이 컨택스트의 배치입니다. |
| 17:15 | 17:22 | 7.2 | 전체 컨택스트를 사용자의 질문보다 앞에 배치를 하게 되면 더 나온 결과를 얻을 수 있습니다. |
| 17:23 | 17:28 | 5.8 | 예를 들어서 기인 기사를 요약해 달라고 할 때는 먼저 기사 전문을 먼저 제시하십시오. |
| 17:29 | 17:35 | 6.3 | 그 다음에 마지막에 요약해조라고 하는 명령을 내리는 게 일반적으로 성능이 더 좋습니다. |
| 17:36 | 17:38 | 1.8 | 그리고 구조화가 중요합니다. |
| 17:38 | 17:43 | 5.3 | 이 XML 태그를 사용하면 기인 컨택스트를 효과적으로 구조할 수 있습니다. |
| 17:44 | 17:48 | 4.5 | 이렇게 하면 AI가 더 정보를 쉽게 이해하고 처리할 수 있기 때문이죠. |
| 17:49 | 17:57 | 7.7 | 그리고 정확성을 높이기 위해서 AI에게 제공된 컨택스트들에서만 답변하도록 지시하는 것이 좋습니다. |
| 17:58 | 18:00 | 2.5 | 이는 AI의 할루신ation 현상. |
| 18:01 | 18:05 | 4.0 | 즉 없는 정보를 만들어야 하는 현상을 줄이는데도 도움이 됩니다. |
| 18:06 | 18:12 | 6.3 | 할루신ation이 나와서 할루신ation을 최소화하는 방법에 대해서 또 말씀드릴 텐데요. |
| 18:13 | 18:23 | 9.8 | 클로드에게 모르는 경우는 모릅니다 라고 말하고 답변에 확신이 있는 경호에만 답변하도록 플롬프트로 가이드를 하는 게 좋습니다. |
| 18:23 | 18:31 | 8.2 | 그리고 제공한 컨택스트에서 질문에 대한 내용을 찾지 못한 경우에도 모른다라고 가이드를 하라는 게 좋습니다. |
| 18:34 | 18:42 | 7.8 | 플롬프트 인젝션과 적대정 플롬프트는 AI 시스템에 보안과 실례성을 위협하는 중요한 문제입니다. |
| 18:43 | 18:54 | 11.0 | 이러한 공격은 AI가 AI 모델이 의도하지 않은 방식으로 동작하게 만들거나 또 부적절한 컨텐츠를 생성하도록 유도할 수가 있습니다. |
| 18:54 | 19:06 | 11.7 | 사실 클로드는 원래 사람의 피드백을 통한 강화학습과 밀리적인 AI 덕분에 플롬프트 인젝션과 적대적 플롬프팅에 대한 저항력이 끼어나다고 알려져 있지만 |
| 19:06 | 19:10 | 4.1 | 사실은 이 외에 더 추가적인 보충이 필요할 수도 있습니다. |
| 19:11 | 19:22 | 11.0 | 사용자의 입력을 철저히 검증하고 AI의 출력을 엄격히 통제하므로서 우리는 더욱 안전하고 책임감 있는 AI 서비스를 제공할 수 있게 됩니다. |
| 19:24 | 19:29 | 5.3 | 네, 지금까지 9가지 플롬프트 엔진이어링의 기법을 소개해 드렸는데요. |
| 19:29 | 19:37 | 7.5 | 무엇보다 좋은 플롬프트를 설계하려면 플롬프트를 자주 테스트하고 자주 반복하는 게 중요합니다. |
| 19:38 | 19:47 | 9.2 | 지속적으로 플롬프트를 업데이트하고 테스트를 자동화시키고 신속하게 개선상을 적용하고 플롬프트의 버전을 관리하십시오. |
| 19:49 | 19:57 | 8.0 | 네, 지금까지 우리는 플롬프트 엔진이어링의 기본 개념과 중요성 그리고 주요 기법들에 대해서 살펴보았습니다. |
| 19:58 | 20:04 | 6.4 | 이제 여러분들은 이 기술이 AI와의 효과적인 소통을 가능하게 한다는 점을 이해하셨을 것입니다. |
| 20:05 | 20:12 | 7.0 | 하지만 이 프롬프트 엔진이어링만으로는 해결하기 어려운 문제들이 있습니다. |
| 20:12 | 20:22 | 10.0 | 프롬프트 엔진이어링은 강력한 도구이지만 실시간 데이터 접근이나 복잡한 계산과 같은 영역에서는 한계를 보입니다. |
| 20:22 | 20:33 | 11.0 | LLM이 아직 최신 데이터를 학습하지 않았고 복잡한 계산식이나 아니면 우리 회사에서만 쓰는 이 이미의 계산식에 대해서는 학습하지 않았기 때문입니다. |
| 20:33 | 20:39 | 6.0 | 그래서 이러한 한계를 곱보하기 위해서는 새로운 접근 방식이 필요한데요. |
| 20:39 | 20:47 | 8.0 | 그 해결책을 찾기 위해서 먼저 LLM은 호출할 때 사용되는 API에 다양한 방식을 살펴보겠습니다. |
| 20:47 | 20:57 | 9.8 | LLM과 상호작용하는 방식에서는 컴플리션 API와 메세지 API가 있습니다. |
| 20:57 | 21:12 | 15.0 | 대부분의 LLM이 이 두 가지의 API 스타일을 지원합니다. 그 주 이 메세지사 API 방식은 더 복잡하고 다양한 기능을 지원하기 때문에 이 최근에 트렌드이고 업계 표준이 되어가는 추세입니다. |
| 21:13 | 21:21 | 8.0 | 마지막, 이제 여래에 보시면 메세지사 API의 주요 장점 중에 하나가 바로 확장선입니다. |
| 21:21 | 21:27 | 6.0 | 이 API를 통해서 우리는 투유조와 같은 고급 기능을 활용할 수가 있습니다. |
| 21:27 | 21:37 | 10.0 | 이 중에서도 오늘은 툴 유주가 무엇이고 어떻게 툴 유주 기능이 프롬포트 엔진이어링의 한계를 극복할 수 있는지 살펴보겠습니다. |
| 21:38 | 21:41 | 3.0 | 툴 유주는 펑션컬링이라고도 부르구요. |
| 21:42 | 21:46 | 4.0 | 말 그대로 LLM이 이 외부의 도구를 활용할 수 있게 해주는 기능입니다. |
| 21:47 | 21:55 | 8.0 | 외부 함수에서 얻은 결과값을 프롬포트에결랍해서 LLM에게 다시 응답호출하는 방식인데요. |
| 21:57 | 22:01 | 4.0 | 이를 통해서 우리는 앞서 언급한 프롬포트 엔진이어링의 한계, |
| 22:01 | 22:06 | 5.2 | 한계, 즉, 실시간 데이터의 접근이나 아니면 복잡 변 계산 문제를 |
| 22:06 | 22:09 | 3.3 | 해결할 수 있습니다. |
| 22:09 | 22:13 | 3.4 | 툴 유지는 다음과 같은 단계로 동작합니다. |
| 22:13 | 22:18 | 5.2 | 크게 이제 내 단계로 구성이 되어 있는데 각 단계에서 모델과 클라이언드 |
| 22:18 | 22:24 | 6.2 | 가 어떻게 상호작용하는지 자세히 설명드리겠습니다. |
| 22:24 | 22:33 | 8.7 | 예를 들어서 사용자가 날씨 요청을 LLM에게 요청했다고 가정해 봅시다. |
| 22:33 | 22:36 | 3.5 | 혼자 LLM은 요청을 분석하게 되고요. |
| 22:36 | 22:43 | 6.8 | 날씨 정보를 제공하는 툴을 선택을 하게 됩니다. |
| 22:43 | 22:50 | 6.7 | 이 툴을 사용을 실행하게 되어서 날씨 정보를 받아온 후에 LLM은 이 |
| 22:50 | 22:56 | 5.9 | 정보를 사용자가 이해하기 쉬운 형태로 제 가공에서 응답을 합니다. |
| 22:56 | 23:01 | 5.3 | 이루완 과정을 통해서 툴 유지는 LLM의 능력을 크게 확정시키며 |
| 23:01 | 23:09 | 8.3 | 7시간 데이터 접근이나 복잡한 계산과 같은 작업을 가능하게 합니다. |
| 23:09 | 23:15 | 5.8 | 툴 유지와 프롬프트 엔진이어링 이 2 기술은 상호 보안적 관계입니다. |
| 23:15 | 23:19 | 4.2 | 이 둘을 결합했을 때 신어질 효과를 낼 수 있습니다. |
| 23:19 | 23:24 | 5.0 | 클로드가 사용할 수 있는 답변을 반환하는 외부 함수에 대한 호출과 |
| 23:24 | 23:33 | 8.3 | 프롬프트를 결합해서 클로드의 기능에 광범위한 기능을 추가할 수 있습니다. |
| 23:33 | 23:38 | 5.8 | 지금부터는 앞서 설명드린 프롬프트 엔진이어링과 툴 유지를 실제로 |
| 23:38 | 23:42 | 3.6 | 활용해 본 애플리키이션을 대모로 보여드릴때요. |
| 23:42 | 23:48 | 5.8 | 실제로 보여드리면서 툴 유지에 대한 동작 월리나 프롬프트 엔진이어링이 |
| 23:48 | 23:56 | 8.0 | 실제로 적용되는 사례에 대해서 여러분들 이해하실 수 있을 것 같습니다. |
| 23:56 | 24:01 | 5.2 | 여러분들께 소개해드릴 대모는 미국 주식 문석 서비스입니다. |
| 24:01 | 24:03 | 2.4 | 요즘 미국 주식이 불장이죠. |
| 24:03 | 24:06 | 2.6 | 그래서 저도 굉장히 관심이 많은데요. |
| 24:06 | 24:10 | 3.7 | 그래서 오늘 대모를 뭘 준비해 볼까 하다가 |
| 24:10 | 24:13 | 3.7 | 이러한 대모를 한번 개발해보게 되었습니다. |
| 24:13 | 24:21 | 7.5 | 저는 클로드 3소냄 모델을 통해서 제가 관심 있는 주식의 티커신보를 입력하면 |
| 24:21 | 24:27 | 6.5 | 해당 주식의 전일 종과 거리랑 등 최신 데이터를 얻고 싶었습니다. |
| 24:27 | 24:32 | 4.5 | 하지만 클로드 모델은 실시간 데이터를 학습하지 않았기 때문에 |
| 24:32 | 24:38 | 6.0 | 최신 주식 정보를 기반으로 제가 답변을 받으려면 다른 방법이 휴밀했습니다. |
| 24:38 | 24:43 | 5.0 | 이를 위해서 외부에 알파 벤티지 라고 하는 API를 사용을 해서 |
| 24:43 | 24:47 | 4.2 | 최신 거래 데이터를 가지고 오는 방법을 생각해봤고요. |
| 24:47 | 24:51 | 4.5 | 바로 이걸 하기 위해서는 툴 유지 방식이 필요했습니다. |
| 24:51 | 24:55 | 3.2 | 이를 위해서 저는 베이집 버전과 어드벤스드 버전, |
| 24:55 | 24:59 | 4.1 | 두 가지 버전으로 주식 분석 서비스를 만들어봤습니다. |
| 24:59 | 25:03 | 4.4 | 먼저 베이집 버전은 툴 유지 기능을 사용해서 |
| 25:03 | 25:07 | 4.2 | 전일 주식 거래 데이터를 외부 API로부터 가져와서 |
| 25:07 | 25:11 | 4.1 | 데이터에 대해 자연으로 응답을 받는 시스템입니다. |
| 25:11 | 25:17 | 5.2 | 어드벤스버전은 더 나아가 해당 주식의 최근 뉴스 기사에 |
| 25:17 | 25:21 | 4.4 | 감정 분석 결과까지도 외부 API로부터 가져와서 |
| 25:21 | 25:28 | 6.8 | 종합적으로 투자인사이드 랩 포트를 응답으로 받는 시스템입니다. |
| 25:28 | 25:32 | 4.6 | 이제 코드 별로, 코드 블럭을 단계별로 실행하면서 |
| 25:32 | 25:37 | 4.9 | 앞서 설명드렸던 프롬프트 엔지니어린 기법과 툴 유지의 실제 |
| 25:37 | 25:40 | 2.8 | 적용 방법을 알아보겠습니다. |
| 25:40 | 25:45 | 5.1 | 먼저 베이집 버전부터 살펴보겠습니다. |
| 25:45 | 25:49 | 4.2 | 먼저 필요한 파이선 라이브러를 설치하고 |
| 25:49 | 26:03 | 13.5 | 베트라 클라이언트를 생성을 하겠습니다. |
| 26:03 | 26:06 | 3.2 | 다음은 알파 벤티즈 API를 사용해서 |
| 26:06 | 26:09 | 3.4 | 최신 거래 데이터를 가지고 오는 함수인데요. |
| 26:09 | 26:14 | 4.5 | 이 함수는 주식의 티커신보를 입력으로 받아서 |
| 26:14 | 26:22 | 8.5 | API로 호출하고 그 응답을 바난합니다. |
| 26:22 | 26:27 | 5.0 | 이제 클로드로 호출하는 핵심 함수를 살펴보겠습니다. |
| 26:27 | 26:31 | 4.0 | 클로트가 우리가 정리한 출함수를 이해할 수 있도록 |
| 26:31 | 26:37 | 5.9 | 툴 컴픽의 초의 이름, 설명, 입력, 바람이 덜 정리합니다. |
| 26:37 | 26:42 | 4.2 | 밑에 보면 툴 초이스 필드를 제가 오토로 설정을 했는데요. |
| 26:42 | 26:47 | 5.6 | 바로 클로드가 이 툴의 사용 여부를 자율적으로 결정하는 부분입니다. |
| 26:47 | 26:51 | 3.9 | 만약 여러분이 이 필드에 값을 N로 설정하게 되면 |
| 26:51 | 26:56 | 4.9 | 툴이 여러 개 있을 때 적어도 한 개를 무조건 실행하게 되고요. |
| 26:56 | 27:01 | 4.6 | 툴으로 설정하게 되면 툴 사용을 무조건 강제하게 됩니다. |
| 27:01 | 27:07 | 6.4 | 그리고 이제 시스템 프롬프트는 클로드에게 금융 분석화 역할을 부여했고 |
| 27:07 | 27:13 | 6.6 | 주어진 주식 킥커에 대해 함수에서 데이터를 가져와 분석하도록 지시했습니다. |
| 27:13 | 27:26 | 12.2 | 분석해야 할 구체적인 항목들과 응답형식도 이렇게 명시해 봤습니다. |
| 27:26 | 27:31 | 5.2 | 그리고 사용자가 입력한 주식 킥커신보를 포함한 유저 프롬프트를 |
| 27:31 | 27:35 | 4.1 | 이 메세지 배열을 추가했습니다. |
| 27:35 | 27:41 | 6.2 | 툴 유지 기능을 활용하기 위해서 저는 아마존 배드락의 컴버스 API를 사용했습니다. |
| 27:41 | 27:47 | 5.5 | 컴버스 API는 배드락에서의 메세지 API라고 보시면 됩니다. |
| 27:47 | 27:50 | 3.3 | 저는 클로드 3-Sones을 사용을 했고요. |
| 27:50 | 27:55 | 5.6 | 이 툴 유지 과정에서는 LLM 모델을 최소 두 번 호출해야 됩니다. |
| 27:55 | 28:02 | 7.0 | 첫 번째 호출은 사용자의 초기 요청을 처리하고 툴 사용 여부를 결정하는 부분입니다. |
| 28:02 | 28:11 | 8.3 | 그래서 만약에 클로드가 툴 사용이 필요하다고 판단하면 응답의 스탑리전필드에 툴 유지 값을 반환하게 되고요. |
| 28:11 | 28:23 | 11.8 | 이 경우 게스트학 데이터 함수를 호출하고 그 결과를 다시 메세지 배열에 추가합니다. |
| 28:23 | 28:30 | 7.7 | 이렇게 최신 주식 거래 데이터가 추가된 프롬프트로 클로드 모델을 다시 호출하게 되고요. |
| 28:30 | 28:43 | 13.2 | 이 두 번째 컴버스 API의 목적은 A 데이터를 해석해서 우리가 이야기 쉬운 자연어 형태로 응답을 제 생성하는 역할입니다. |
| 28:43 | 28:48 | 4.9 | 자 이제 이 함수를 실제로 호출해 보겠습니다. |
| 28:48 | 28:57 | 8.8 | 이렇게 아마존의 주식 티커 신보를 입력하면 툴이 사용되었음을 확인할 수가 있고요. |
| 28:57 | 29:06 | 8.4 | 클로드는 이렇게 최신 거래 데이터를 바탕으로 우리가 원하는 형식의 분석 결과를 제공합니다. |
| 29:06 | 29:17 | 11.3 | 이렇게 프롬프트 인지니어린과 툴 유지를 결합해서 여러분들은 실시간 데이터 기반에 정확하고 유용한 주식 분석 서비스도 구현할 수 있습니다. |
| 29:17 | 29:20 | 3.4 | 이 소스 코드는 기터배에 올라가 있고요. |
| 29:20 | 29:40 | 19.6 | 이 보시는 코드를 사용해서 여러분들이 원하는 주식 티컬에 입력을 해서 전날 종가에 결의 데이터를 쉽게 확인을 하실 수 있겠습니다. |
| 29:40 | 29:51 | 11.0 | 네, 이번에는 단순한 데이터 수집을 넘어서 클로드에게 심층적인 데이터 분석을 유정해 보겠습니다. |
| 29:51 | 29:57 | 6.1 | 어드벤스드 버전이고요. |
| 29:57 | 30:03 | 6.2 | 이를 위해서 저희는 세 가지 툴을 활용할 예정입니다. |
| 30:03 | 30:12 | 9.0 | 지금 보시면 기존의 주식 데이터 수집 기능을 유지를 한 거고 이제 새롭게 추가된 함수가 두 개가 있는데 |
| 30:12 | 30:20 | 7.5 | 첫 번째 새롭게 추가된 함수는 전일 대빈 변동법과 거래의 양을 분석하는 새로운 함수입니다. |
| 30:20 | 30:27 | 7.6 | 세 번째 로는 태당 주식과 관련된 최근 세 개의 뉴스 감성을 분석하는 기능도 구현해 봤습니다. |
| 30:27 | 30:31 | 3.8 | 이 세 가지 툴에 대한 정보를 툴 컵. |
| 30:34 | 30:41 | 7.6 | 시스템 프럼프트에서는 클로즈에게 기술적 지표분석 그리고 전반적인 시장 감성평가 |
| 30:41 | 30:53 | 11.3 | 그리고 매매에 대한 인사이트와 투자 조언을 이번에는 한국어로 제공하도록 지시를 해보았습니다. |
| 30:53 | 30:59 | 6.5 | 그리고 첫 번째 컴버스에 입배를 통해서 먼저 사용자의 초기 요청을 처리하고 |
| 30:59 | 31:08 | 8.5 | 클로즈가 필요한 툴 사용을 결정하도록 했습니다. |
| 31:08 | 31:17 | 9.2 | 그리고 클로즈가 이 툴의 사용이 필요하다고 판단이 되면 시스템이 가 함수를 호출을 해서 결과를 |
| 31:17 | 31:27 | 10.5 | 출력하고 이 결곽값으로 받은 응답값을 모두 메시지 베어레 추가를 했습니다. |
| 31:27 | 31:35 | 7.4 | 마지막으로 이 수집된 모든 데이터를 기반으로 클로즈에게 우리의 요구상에 맞는 구체적이고 |
| 31:35 | 31:41 | 6.3 | 심층적인 분석을 요청합니다. |
| 31:41 | 31:51 | 10.2 | 이제 실제로 이 기능도 시원을 한번 해보겠습니다. |
| 31:51 | 32:04 | 12.9 | 결과를 보시면 할 수 있듯이 이전 버전에 대해서 훨씬 깊이 있고 유용한 주식 정보분석 정보를 제공받을 수가 있는데요. |
| 32:04 | 32:14 | 9.7 | 이 툴들의 실제로 이용되어 있는지를 다 툴, 네임과 아이디로 해서 여러분들이 확인을 하실 수가 있고요. |
| 32:14 | 32:22 | 7.9 | 실제로 이 외부 함수를 통해서 가지고 온 시시간 데이터와 외부 함수를 통해서 결과로 리터받은 |
| 32:22 | 32:26 | 3.6 | 이 뉴스에 대한 감정 분석을 기반으로 해서 |
| 32:26 | 32:33 | 6.9 | 클로즈는 이렇게 한국어로 제가 원하는 방식의 아웃부스로 래포트를 작성을 주신 준 걸 |
| 32:33 | 32:35 | 2.6 | 여러분들도 확인해 보실 수 있습니다. |
| 32:36 | 32:47 | 11.2 | 보시다시피 프롬프트 인지니어린과 툴 유지를 결합함으로써 우리는 LLM의 분석 능력과 7시간 데이터를 효과적으로 활용할 수 있었습니다. |
| 32:47 | 32:55 | 8.1 | 이는 단순한 정보 검색을 넘어서 실제적인 가치를 제공하는 AI 애플리키션의 좋은 예시입니다. |
| 32:56 | 33:02 | 6.2 | 여러분들도 이 기술들에 활용해서 충분히 혁신적인의 솔루션을 만들어 보실 수 있는데요. |
| 33:02 | 33:10 | 8.1 | 앞으로 어떤 애플리키션들이 여러분의 고객사 여러분 회사에서 나오게 될지 너무 기대가 됩니다. |
| 33:14 | 33:25 | 10.2 | 마지막으로 제가 오늘 발표한 내용 관련해서 여러분들을 실제로 개발을 하실 때 도움이 될 만한 내용들을 정리해 보았는데요. |
| 33:25 | 33:37 | 11.6 | 먼저 엔스로픽의 워크 벤치라고 해서 프롬프트를 잘 개발하고 수정할 수 있는 그런 기능들이 담긴 기능입니다. |
| 33:37 | 33:50 | 13.0 | 그리고 아마존 배드락의 프롬프트 매니지만들하고 해서 최근에 저희도 비슷하게 프롬프트를 잘 생성하고 여러 가지 버전의 프롬프트를 관리할 수 있는 기능이 새로 출시가 되어있습니다. |
| 33:50 | 33:56 | 6.5 | 그래서 고고에 대한 블로그도 링크로 남겨두었으니까 확인해보시면 좋을 것 같습니다. |
| 33:58 | 34:02 | 4.3 | 이번에는 툴유저 활용에 관련된 웹사이트를 모아봤는데요. |
| 34:02 | 34:11 | 8.8 | 엔스로픽의 툴유저 관련된 기능에 대해서 소개된 퍼플릿 딱과 유튜브 영상에 대한 링크입니다. |
| 34:12 | 34:20 | 8.6 | 그리고 아마존 배드락에서 툴유저 활용하기 위해서는 메세지세 API 방식인 컴퍼스 API를 사용해야 된다고 말씀드렸는데, |
| 34:20 | 34:25 | 4.8 | 그 컴퍼스 API 레퍼런스 분들도 제가 정리해 보았습니다. |
| 34:27 | 34:35 | 8.8 | 마지막으로 제가 오늘 보여드렸던 샘플, 데모코드에 대한 코드 외에 다른 다양한 코드들이, |
| 34:35 | 34:41 | 5.9 | 저희 AWS AIM의 한국 워크샵 예제 보험 기터를 올려서 많이 올라가 있습니다. |
| 34:41 | 34:47 | 5.5 | 방어 같은 카테고리 별로 예제 코드가 많이 개발되어서 저장되어 있으니까요. |
| 34:47 | 34:53 | 6.0 | 시간이 되실 때 한번 방문하셔서 여러 가지 샘플 코드를 직접 돌려보시면 좋을 것 같습니다. |
| 34:54 | 34:57 | 2.6 | 이로써 오늘의 발표를 마치겠습니다. |
| 34:57 | 34:59 | 2.6 | 장시간 동안 들어주셔서 감사합니다. |
Provenance: 원문 87d134d0e4c_transcript.md / .json (downloads 폴더 14-영상오디오) · 원본 영상 aws.amazon.com/ko/video/watch/87d134d0e4c/ · 변환 방식 audio_to_mark (D44 STT) · 길이 35:02 (2102.4s) · 전사 2026-11-18 · 본 HTML은 열람용 렌더(빌드: mktranscript-html.py)