AWS 생성형 AI 자격증 학습자료 · 영상 전사 원본ASR 오인식 보정 전 원문 — 보정 표기는 요약본

고급 프롬프트 엔지니어링 방법 및 Tool Use 활용 가이드

AWS 공식 한국어 세미나 · 영상 길이 35분 02초 · 세그먼트 339행 · 연계 3주차 · 원본 videoId 87d134d0e4c

▶ 원본 영상 보기 — aws.amazon.com/ko/video/watch/87d134d0e4c/

요약본(v3 학습요약): 요약본 폴더의 16_영상3_프롬프트엔지니어링_ToolUse.html · 전체 목록: 자료실.html (세트 루트 기준 경로)

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.
시작종료지속발화
0:010:097.8아, 네, 잠시만요.
0:090:156.0네, 저는 AWS에서 솔륜사키텍트로 근무하고 있는 주혜령입니다.
0:150:183.5저는 오늘 여러분과 함께 프롬프트 엔진이어린과
0:180:212.9투르유제에 대해서 깊이 있게 살펴보고
0:210:265.2이를 실제로 활용하는 방법에 대해 이야기해 보려고 합니다.
0:260:293.0네, 우리의 아전다는 다음과 같습니다.
0:290:334.1먼저 프롬프트 엔진이어링 마스터하기, 라는 주제로
0:330:363.0프롬프트 엔진이어링에 대해서 알아볼 거고요.
0:360:425.9두 번째 아전다로 투르유제에 관련된 부 내용을 설명드리겠습니다.
0:420:463.7그리고 마지막으로 이 두 가지 기능을 모두 활용할 수 있는
0:460:515.0데모, 어플리케이션을 소개해 드리도록 하겠습니다.
0:510:543.0그래서 여러분들은 오늘 이 세션을 듣고 나면
0:540:573.2프롬프트의 주요 요소를 이해하실 수가 있고
0:570:592.3또 실제 업무에 적용할 수 있는
0:591:044.3실용적인 프롬프트 설계 지식을 어두실 수 있습니다.
1:041:073.0그리고 마지막으로 투르유제를 통한 LLM의
1:071:114.9확장된 기능을 이해하실 수 있을 겁니다.
1:111:142.8먼저 프롬프트 엔진이어링 마스터하기, 라는
1:141:183.8주제의 아전다를 시작해 보도록 하겠습니다.
1:181:224.0사실 프롬프트라는 거 되게 많이 들어보셨을 거예요.
1:221:264.1프롬프트란 AI 시스템의 응답을 유도하기 위해서
1:261:304.0우리가 직접 입력하는 텍스트 메세지입니다.
1:301:343.4자율 구성된 프롬프트는 모델이 원하는 작업을
1:341:373.8정확히 이해하고 좋은 결과를 툴력할 수 있도록
1:371:402.8돕습니다.
1:401:443.3그러면 프롬프트 엔진이어링이랑 무엇일까요?
1:441:473.2말 그대로 프롬프트를 설계하고 최적화하는
1:471:503.2기법을 의미합니다.
1:501:533.1프롬프트 엔진이어링이 중요한 이유는 바로
1:531:585.4AI와의 소통을 마스터하는 핵심 기술이라고 할 수 있기 때문입니다.
1:582:012.2이 프롬프트 엔진이어링을 통해서
2:012:065.2우리는 AI의 진정한 잠재력을 끌어낼 수 있습니다.
2:062:115.4그렇다면 이 프롬프트는 대체 어떤 구성 요소를 이루어져 있을까요?
2:112:154.0프롬프트는 여러 가지 구성 요소로 이루어져 있는데요.
2:152:204.9크게 필수 요소와 선택적 요소로 나눠볼 수 있을 것 같습니다.
2:202:243.8필수 요소는 거의 모든 프롬프트에 포함되어야 하는
2:242:262.0핵심 구성 요소인데요.
2:262:314.6이제 크게 세 가지가 이 필수 요소 안에 들어간다고 보시면 됩니다.
2:312:332.3첫 번째로 지지상입니다.
2:332:384.7AI가 어떤 작업을 수행할지 정확하게 이해하도록 도울 수 있는
2:382:402.1그런 구성 요소이고요.
2:402:422.4두 번째는 맹락정보입니다.
2:422:453.4AI가 수행할 작업에 필요한 배경정보죠.
2:452:493.5그래서 AI가 더 적절한 응답을 생성하는데
2:492:522.7도움을 주는 구성 요소입니다.
2:522:553.6세 번째로 AI가 어떤 것들을 처리해야 되는지
2:552:593.5그 구체적인 정보를 제공하는 입력 데이터가
2:593:023.5꼭 필요한 필수 요소가 되겠습니다.
3:023:063.4나머지 구성 요소들을 모두 선택적 요소인데요.
3:063:104.8작업의 성격과 원하는 결과에 따라 여러분들이 치사 선택해서
3:103:154.5프롬프트에 추가할 수 있는 요소들입니다.
3:153:205.5이러한 프롬프트의 구성 요소들은 실제 AI 시스템과의 사고 작용해서
3:203:243.5두 가지 주요 프롬프트 유용으로 적용이 됩니다.
3:243:273.3시스템 프롬프트와 유저 프롬프트인데요.
3:273:346.6먼저 시스템 프롬프트는 AI의 전반적인 동작과 성격을 설정합니다.
3:343:395.4여기서 우리는 맹락과 역할 설정 같은 요소를 주로 사용을 합니다.
3:393:433.8예를 들어서 AI에게 전문가 역할을 부여하거나
3:433:474.2아니면 대화의 전반적인 맹락을 설정할 수 있습니다.
3:473:492.3두 번째로 유저 프롬프트인데요.
3:493:566.4사용자가 AI에게 직접 입력하는 질문이나 지시사항이 이해해당합니다.
3:564:015.1여기서 우리는 거의 모든 프롬프트 구성 요소를 사용할 수 있습니다.
4:014:054.3지시사항과 입력 데이터는 필수적으로 포함이 되어야 하지만
4:054:138.0출력형식이나 제약 조건 또 단계별 지시 등의 선택적인 요소도 여기서 지정하실 수가 있습니다.
4:134:185.0정리하면 앞서 살펴본 프롬프트의 여러 가지 구성 요소들은
4:184:234.7시스템 프롬프트와 유저 프롬프트라는 이 두 가지 구조 안에서
4:234:306.8유기적으로 작동해서 AI와의 효과적인 상호작용을 가능하게 합니다.
4:304:354.9여러분들이 각 요소를 어디에 어떻게 배치하고 사용하는 예약에 따라
4:354:394.1AI의 응답품들이 크게 달라질 수 있습니다.
4:394:423.4제가 한번 예시를 실제로 가져와봤는데요.
4:424:464.0제가 저희의 배드락에 보면 체플레이그라모드라고 해서
4:464:514.8여러 가지 배드락에서 지원하고 있는 파운데이션 모델을 통해서
4:514:554.3시스템 프롬프트와 유저 프롬프트를 각각 입력해서 응답을 쉽게
4:555:004.3채팅을 형태로 응답을 받을 수 있는 기능입니다.
5:005:033.2요거를 저희가 캡처를 해왔습니다.
5:035:074.0저는 먼저 시스템 프롬프트로 다음과 같이 AI에게
5:075:125.3초등학교 교사 역할을 설정을 했고 맥락도 설명을 해 주었습니다.
5:125:175.2그리고 유저 프롬프트로는 광합성이 무엇인지 설명해달라고 했습니다.
5:175:224.3그랬더니 이 클로드보델은 이 두 프롬프트를 기반으로 해서
5:225:286.7다음과 같이 초중학생 눈높이에 맞는 적절한 응답을 생성했습니다.
5:285:334.8이번에는 시스템 프롬프트의 대학 교수 역할을 설정해 보았습니다.
5:335:395.5그리고 유저 프롬프트의 제약 조건과 출력 경식을 추가했더니
5:395:456.0아래와 같이 조금 더 수준이 높은 답변을 주었습니다.
5:455:549.2이렇게 여러분들이 프롬프트로 어떻게 작성하는 아에 따라 AI의 응답폼질이 크게 달라질 수 있습니다.
5:546:006.6이제 우리는 프롬프트의 기본 구성 요소들이 실제로 어떻게 조용되는지 이해했습니다.
6:006:054.7이를 바탕으로 다음으로는 더 효과적인 프롬프트를 설계하기 위한
6:056:104.4다양한 프롬프트 엔진이어링 기법들을 살펴보겠습니다.
6:106:166.8사실 LLM 모델 간의 프롬프트 엔진이어링은 기본 원칙을 공유하면서도 차이가 있습니다.
6:166:214.7강 모델마다 최대 토큰 제안과 컨택스트 윈도우가 다르고
6:216:275.8또 있는 프롬프트에 포함할 수 있는 정보의 양의 영향을 미치기 때문인데요.
6:276:335.9그래서 모델에 따라서 최상의 결과를 얻기 위해 다른 접근 방식이 필요할 수 있는데
6:336:362.8오늘은 이 클로드 모델을 기준으로 해서
6:366:426.0프롬프트를 잘 작성하기 위한 9가지 기법들을 설명하려고 합니다.
6:426:497.3먼저 가장 기본적으로 해야 하는 것은 명확하고 직접적인 지침을 제공하는 것입니다.
6:496:567.1클로드를 매우 똑똑하지만 배경지식이 없는 신입 직원으로 생각해 보시면 편합니다.
6:567:058.8내가 원하는 응답에 대한 맥락을 더 자세하게 그리고 더 정확하게 설명할수록 클로드의 응답은 나아집니다.
7:057:116.0여기서 말하는 맥락은 응답 결과가 어디에 그리고 누구에게 사용되는지
7:117:165.4그리고 이 결과가 어떤 플로우에 속하는지 등이 되겠습니다.
7:167:214.9또 원하는 결과에 대해서 좀 구체적으로 설명해 보시는 것도 좋은데요.
7:217:276.2예를 들어서 클로드가 수행을 사항을 순서로 표현하는 것도 좋습니다.
7:277:3710.0제가 이렇게 이런 기법들을 적용한 것에 비포와 앱부터 예시를 각각 이렇게 정리를 해았습니다.
7:377:479.3왼쪽 예시를 보면 유저 프론프트의 고객이 들이 좋아할 만한 것을 알려주라고 해서 클로드에게 응답을 요청해 보았습니다.
7:477:536.9그랬더니 클로드는 일반적으로 많은 고객들의 좋아하는 요소에 대해서 답을 해줬습니다.
7:538:0511.6이번에는 특정 고객의 정보를 기반으로 고객 맞추면 패션 아이템을 추천해달라고 아주 명확하고 직접적으로 유저 프론프트를 작성해 보았습니다.
8:058:148.6그랬더니 클로드는 이번에는 해당 고객에 맞는 아이템과 그 추천 이유를 맞춤형으로 제안해줬습니다.
8:148:217.5클로드의 답변 퀄리티가 확실히 달라지는 것을 여러분들 느끼셨을 거예요.
8:218:254.3두 번째 기법은 바로 모델에게 역할을 부여하는 건데요.
8:258:348.4클로드를 사용할 때 시스템 파라미터를 사용을 해서 클로드에게 역할을 부여하면 성능이 향성될 수 있습니다.
8:348:384.6이 기술을 역할 프론프트, 즉, role-promting이라고 하는데
8:388:456.2클로드를 일반적인 협력자에서 전문가로 변화시킬 수 있는 효과적인 방법입니다.
8:459:0116.4특히 이 기법은 특정 분야, 예를 들어서 금융 모델린 같은 복잡한 시나리오에서 정확도가 향상되고 지정된 역할에 맞게 어조나 태도 등이 변경될 수 있는 그런 기법입니다.
9:019:054.0이것도 비포와 애프터를 가져와봤는데요.
9:059:126.8첫 번째 여행 쪽의 예시를 보시면 일반적으로 운동의 중요성에 대해서 설명해 주세요.
9:129:196.8라고만 말을 썼을 땐 누구나 할 수 있는 일반적인 운동의 중요성에 대해서 답변을 해줬습니다.
9:199:289.8하지만 오른쪽의 실을 보시면 스포츠 의학 전문이로서의 운동의 중요성에 대해서 설명해 달라고 유저 프론프트를 넣어서 클로드에 교정을 했다니
9:289:367.5이번에 클로드는 좀 더 전문적인 답변을 내주었습니다.
9:369:403.8다음은 클로드에 좀 특화된 방법인데요.
9:409:466.6클로드는 XM-1로 구조화된 데이터에서 아주 잘 작동하도록 훌련이 되어 있습니다.
9:469:569.7특히 긴 프론프트를 작성하거나 클로드가 답변을 정한 방식으로 마치도록 할 때 이 XM-LTEG를 사용하는 게 좋습니다.
9:5610:0711.4XM-LTEG를 사용하게 되면 클로드가 이 프론프트를 보다 정확하게 해석하도록 도와줘서 더 높은 품질의 결과물을 제공받을 수 있습니다.
10:0710:157.4프론프트의 부분을 명확하게 구분함으로써 프론프트의 클로드가 프론프트를 오해하는 일을 줄일 수 있고요.
10:1510:204.8또 나중에 여러분들이 일정 부분을 수정하는 것도 수월합니다.
10:2010:244.8이 XM-LTEG를 사용할 때 딱 정해지는 태그 이름은 없습니다.
10:2410:294.3하지만 컨텐츠와 연강지여서 작성하면 좋습니다.
10:2910:312.0클로드는 특정 X.
10:3410:373.7태그 이름이 해당 내용을 잘 설명하도록 만들어놓은다면
10:3710:424.4클로드는 이 XML 태그의 역할에 대해서 유추할 수 있습니다.
10:4210:485.3그리고 프론프트 전체에 대해서 동일한 태그 이름을 사용하는 것도 중요하구요.
10:4810:535.1태그 안에 내용에 대해 언급할 때는 또 해당 태그를 사용하는 것이 좋습니다.
10:5510:593.5그리고 이 프론프트 구조를 유지하면서
10:5911:033.8태그 안에 주요 내용만 이렇게 변경하실 수도 있는데요.
11:0311:051.9또 중첩 구조도 가능합니다.
11:0511:093.6너무 많은 중첩은 성능의 저화를 줄 수 있기 때문에
11:0911:134.0저희는 일반적으로 5개 미만의 중첩을 권장하고 있습니다.
11:1611:214.9XML 태그를 사용한 프론프트의 전후를 또 예시를 들어보겠습니다.
11:2111:3210.95초 프론프트에서는 XML 태그를 사용해서 청중, 톤, 길이, 주요 특징, 세부정보들을 이렇게 명확하게 구조했습니다.
11:3311:396.0각 요소가 태그로 구분되어 있기 때문에 AI가 쉽게 이해하고 처리할 수 있습니다.
11:4011:487.8그 결과 XML를 사용하지 않은 예시보다 더 정확하고 목접에 부합하는 결과를 얻을 수 있습니다.
11:5011:543.8다음 기법은 예시를 사용하는 방법인데요.
11:5512:004.9잘 구성된 예시 선어가지를 이 프론프트에 포함하는 거는
12:0012:065.9플루클로드에 출력정학성, 일반성, 그리고 품질을 크게 향성시킬 수 있는 방법입니다.
12:0712:114.2이러한 기술을 우리는 휘샷 혹은 멀티샵 프론프트라고 부르는데요.
12:1112:153.4형식을 준수해야 하는 작업에 특히 효과적입니다.
12:1612:193.6이때 예시는 실제 사용사례와 유사한 것이 좋습니다.
12:2012:222.7또 다양한 예시를 다룰수록 좋은데,
12:2312:285.4클로드가 의도화제 아는 패턴을 답할 수도 있는 상황을 방지할 수 있습니다.
12:2912:334.2이 예시는 좀 전에 예로 말씀드렸더니 XML 태그 중에
12:3312:395.5이그젠플 태그로 감싸서 입력하면 더 AI가 쉽게 이해할 수 있습니다.
12:4012:422.7그리고 일반적으로 예시가 많을수록
12:4212:486.2지연시간과 톡근을 더 많이 소모할 수 있다는 또 하나의 고민이 생기는 데
12:4912:5910.6그렇게 하더라도 일반적으로 예시를 사용하므로서 AI는 더 안정적인 응답이 가능하다는 결과, 영국 결과가 많습니다.
13:0213:097.2형식을 준수해야 하는 고객 응대 매일 작성 작업에서 예시를 가져와 봤는데요.
13:1013:177.4우측 프롬프트에서는 예시를 사용해서 내가 원하는 결과물에 구체적인 형태를 보여주고
13:1713:224.8원하는 응대의 톤과 스타일을 명확하게 전달했습니다.
13:2213:307.6또한 즉각적인 좋지나 보상제공 등의 문재 해결 적금방 방식의 예시를 직접적으로 적기 때문에
13:3013:354.4AI가 이를 응답해서 다음으로 같이 응답을 주었습니다.
13:3513:437.5그 결과 예시를 주지 않았던 프롬프트에 대한 응답보다 더 정확하고 품질이 좋은 결과를 얻을 수 있었습니다.
13:4613:536.8네, 클로드가 사고와 하는 과정을 또 허용하게 되면 클로드의 성능이 크게 향성될 수 있습니다.
13:5313:573.7이런 과정을 체인업서트 COT라고 부르는데요.
13:5714:0811.5복잡한 문제를 작은 단위로 분해하면서 명시적으로 사고 과정을 분석하도록 지시함으로써 보다 체계적이고 철저한 문재 해결을 가능하게 합니다.
14:0914:189.1이 COT 기법은 연구, 준석 혹은 복잡한 수학이나 문제 해결과 같은 복잡한 작업을 할 때 매우 좋습니다.
14:1814:212.9논리적인 오르도 간소시킬 수 있습니다.
14:2214:286.3XML 태그 중에서 TINKIN, ANSOR 같은 태그를 사용해 주는 것도 좋은 방법입니다.
14:2914:4011.0최종 결과물을 얻을 때까지 사고하는 과정, 즉 단계별 출온을 생성하기 때문에 응답 속도에는 영향을 미칠 수는 있다는 것을 주의를 해주시면 좋겠습니다.
14:4214:519.6COT를 하기 위해서 가장 간단하게 해볼 수 있는 방법으로는 이 프롬프트 내용에 단계별로 생각해 라고 알려주는 것입니다.
14:5215:008.5그러면 이렇게 보시는 방법 같이 모델이 스스로 각 단계를 생성하고 또 최종 출온까지 응답을 생성해냅니다.
15:0115:086.8이렇게 COT를 사용한 프롬프트는 논리적인 사고그램을 만들어서 AI가 더 체계적이고,
15:0815:112.7호갈적인 답변을 제공하도록 유도합니다.
15:1415:162.3다음은 프롬프트 체인인 기법인데요.
15:1715:225.2프롬프트 체인인은 한 번에 여러가지 작업을 수행하도록 부정하는 게 아니라
15:2215:318.4복잡한 작업을 여러 개의 하위 작업으로 나눠서 클로드가 각 하위 작업에 집중하도록 하는 기술입니다.
15:3115:386.6인을 통해서 오리로 줄이고 또 더 저 명확한 지시상과 출력을 얻을 수 있습니다.
15:3915:411.8사람도 비슷한 것 같아요.
15:4115:475.9한 사람에게 한 번에 너무 많은 작업을 요청하게 되면 그 안에서 실수할 가능성이 높죠.
15:4715:5911.2하지만 작업을 명확하고 순차적인 단계로 나눠서 요청을 하게 되면 더 명확하게 지시상을 이에요하고 그에 맞는 결과를 낼 수 있습니다.
16:0116:064.8예시로는 다음과 같은 샘플 코드로 대체를 해보려고 하는데요.
16:0616:1610.2이 예시는 20장의 프리젠테이션 내용을 만들어야 되는 복잡한 문제를 여러 단계로 나눠서 순차적으로 처리하게 한 예제입니다.
16:1716:268.5우선 20장에 대한 제목만 만드는 작업을 하게 하고 만들어진 개율을 또 하위 작업에 입력으로 넣었고
16:2616:304.4열정성이 나눠서 프리젠테이션을 내용을 만들게 하였습니다.
16:3116:375.8이렇게 함으로써 실제로 만들어지는 프리젠테이션 내용의 품질을 향상시킬 수 있었고요.
16:3716:458.1또 오류 발생시 이 특정 하위 단계만 수정을 해서 효율적인 디버킹이 가능한 효과도 얻을 수 있었습니다.
16:4616:515.0이와 관련한 자세한 내용은 저희 AWS 기터배에 올라와 있고요.
16:5116:553.8여기 나와 있는 내용과 코드를 참고해 주시면 되겠습니다.
16:5717:036.5지금부터 말씀드리는 마지막 프론프트 엔진이어링의 세 가지 기법은 좀 추가적인 팁인데요.
17:0417:084.1먼저 기인 프론프트를 효과적으로 다르기 위한 방법입니다.
17:0817:145.2기인 프론프트를 다룰 때 가장 중요한 건 이 컨택스트의 배치입니다.
17:1517:227.2전체 컨택스트를 사용자의 질문보다 앞에 배치를 하게 되면 더 나온 결과를 얻을 수 있습니다.
17:2317:285.8예를 들어서 기인 기사를 요약해 달라고 할 때는 먼저 기사 전문을 먼저 제시하십시오.
17:2917:356.3그 다음에 마지막에 요약해조라고 하는 명령을 내리는 게 일반적으로 성능이 더 좋습니다.
17:3617:381.8그리고 구조화가 중요합니다.
17:3817:435.3이 XML 태그를 사용하면 기인 컨택스트를 효과적으로 구조할 수 있습니다.
17:4417:484.5이렇게 하면 AI가 더 정보를 쉽게 이해하고 처리할 수 있기 때문이죠.
17:4917:577.7그리고 정확성을 높이기 위해서 AI에게 제공된 컨택스트들에서만 답변하도록 지시하는 것이 좋습니다.
17:5818:002.5이는 AI의 할루신ation 현상.
18:0118:054.0즉 없는 정보를 만들어야 하는 현상을 줄이는데도 도움이 됩니다.
18:0618:126.3할루신ation이 나와서 할루신ation을 최소화하는 방법에 대해서 또 말씀드릴 텐데요.
18:1318:239.8클로드에게 모르는 경우는 모릅니다 라고 말하고 답변에 확신이 있는 경호에만 답변하도록 플롬프트로 가이드를 하는 게 좋습니다.
18:2318:318.2그리고 제공한 컨택스트에서 질문에 대한 내용을 찾지 못한 경우에도 모른다라고 가이드를 하라는 게 좋습니다.
18:3418:427.8플롬프트 인젝션과 적대정 플롬프트는 AI 시스템에 보안과 실례성을 위협하는 중요한 문제입니다.
18:4318:5411.0이러한 공격은 AI가 AI 모델이 의도하지 않은 방식으로 동작하게 만들거나 또 부적절한 컨텐츠를 생성하도록 유도할 수가 있습니다.
18:5419:0611.7사실 클로드는 원래 사람의 피드백을 통한 강화학습과 밀리적인 AI 덕분에 플롬프트 인젝션과 적대적 플롬프팅에 대한 저항력이 끼어나다고 알려져 있지만
19:0619:104.1사실은 이 외에 더 추가적인 보충이 필요할 수도 있습니다.
19:1119:2211.0사용자의 입력을 철저히 검증하고 AI의 출력을 엄격히 통제하므로서 우리는 더욱 안전하고 책임감 있는 AI 서비스를 제공할 수 있게 됩니다.
19:2419:295.3네, 지금까지 9가지 플롬프트 엔진이어링의 기법을 소개해 드렸는데요.
19:2919:377.5무엇보다 좋은 플롬프트를 설계하려면 플롬프트를 자주 테스트하고 자주 반복하는 게 중요합니다.
19:3819:479.2지속적으로 플롬프트를 업데이트하고 테스트를 자동화시키고 신속하게 개선상을 적용하고 플롬프트의 버전을 관리하십시오.
19:4919:578.0네, 지금까지 우리는 플롬프트 엔진이어링의 기본 개념과 중요성 그리고 주요 기법들에 대해서 살펴보았습니다.
19:5820:046.4이제 여러분들은 이 기술이 AI와의 효과적인 소통을 가능하게 한다는 점을 이해하셨을 것입니다.
20:0520:127.0하지만 이 프롬프트 엔진이어링만으로는 해결하기 어려운 문제들이 있습니다.
20:1220:2210.0프롬프트 엔진이어링은 강력한 도구이지만 실시간 데이터 접근이나 복잡한 계산과 같은 영역에서는 한계를 보입니다.
20:2220:3311.0LLM이 아직 최신 데이터를 학습하지 않았고 복잡한 계산식이나 아니면 우리 회사에서만 쓰는 이 이미의 계산식에 대해서는 학습하지 않았기 때문입니다.
20:3320:396.0그래서 이러한 한계를 곱보하기 위해서는 새로운 접근 방식이 필요한데요.
20:3920:478.0그 해결책을 찾기 위해서 먼저 LLM은 호출할 때 사용되는 API에 다양한 방식을 살펴보겠습니다.
20:4720:579.8LLM과 상호작용하는 방식에서는 컴플리션 API와 메세지 API가 있습니다.
20:5721:1215.0대부분의 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.
21:1321:218.0마지막, 이제 여래에 보시면 메세지사 API의 주요 장점 중에 하나가 바로 확장선입니다.
21:2121:276.0이 API를 통해서 우리는 투유조와 같은 고급 기능을 활용할 수가 있습니다.
21:2721:3710.0이 중에서도 오늘은 툴 유주가 무엇이고 어떻게 툴 유주 기능이 프롬포트 엔진이어링의 한계를 극복할 수 있는지 살펴보겠습니다.
21:3821:413.0툴 유주는 펑션컬링이라고도 부르구요.
21:4221:464.0말 그대로 LLM이 이 외부의 도구를 활용할 수 있게 해주는 기능입니다.
21:4721:558.0외부 함수에서 얻은 결과값을 프롬포트에결랍해서 LLM에게 다시 응답호출하는 방식인데요.
21:5722:014.0이를 통해서 우리는 앞서 언급한 프롬포트 엔진이어링의 한계,
22:0122:065.2한계, 즉, 실시간 데이터의 접근이나 아니면 복잡 변 계산 문제를
22:0622:093.3해결할 수 있습니다.
22:0922:133.4툴 유지는 다음과 같은 단계로 동작합니다.
22:1322:185.2크게 이제 내 단계로 구성이 되어 있는데 각 단계에서 모델과 클라이언드
22:1822:246.2가 어떻게 상호작용하는지 자세히 설명드리겠습니다.
22:2422:338.7예를 들어서 사용자가 날씨 요청을 LLM에게 요청했다고 가정해 봅시다.
22:3322:363.5혼자 LLM은 요청을 분석하게 되고요.
22:3622:436.8날씨 정보를 제공하는 툴을 선택을 하게 됩니다.
22:4322:506.7이 툴을 사용을 실행하게 되어서 날씨 정보를 받아온 후에 LLM은 이
22:5022:565.9정보를 사용자가 이해하기 쉬운 형태로 제 가공에서 응답을 합니다.
22:5623:015.3이루완 과정을 통해서 툴 유지는 LLM의 능력을 크게 확정시키며
23:0123:098.37시간 데이터 접근이나 복잡한 계산과 같은 작업을 가능하게 합니다.
23:0923:155.8툴 유지와 프롬프트 엔진이어링 이 2 기술은 상호 보안적 관계입니다.
23:1523:194.2이 둘을 결합했을 때 신어질 효과를 낼 수 있습니다.
23:1923:245.0클로드가 사용할 수 있는 답변을 반환하는 외부 함수에 대한 호출과
23:2423:338.3프롬프트를 결합해서 클로드의 기능에 광범위한 기능을 추가할 수 있습니다.
23:3323:385.8지금부터는 앞서 설명드린 프롬프트 엔진이어링과 툴 유지를 실제로
23:3823:423.6활용해 본 애플리키이션을 대모로 보여드릴때요.
23:4223:485.8실제로 보여드리면서 툴 유지에 대한 동작 월리나 프롬프트 엔진이어링이
23:4823:568.0실제로 적용되는 사례에 대해서 여러분들 이해하실 수 있을 것 같습니다.
23:5624:015.2여러분들께 소개해드릴 대모는 미국 주식 문석 서비스입니다.
24:0124:032.4요즘 미국 주식이 불장이죠.
24:0324:062.6그래서 저도 굉장히 관심이 많은데요.
24:0624:103.7그래서 오늘 대모를 뭘 준비해 볼까 하다가
24:1024:133.7이러한 대모를 한번 개발해보게 되었습니다.
24:1324:217.5저는 클로드 3소냄 모델을 통해서 제가 관심 있는 주식의 티커신보를 입력하면
24:2124:276.5해당 주식의 전일 종과 거리랑 등 최신 데이터를 얻고 싶었습니다.
24:2724:324.5하지만 클로드 모델은 실시간 데이터를 학습하지 않았기 때문에
24:3224:386.0최신 주식 정보를 기반으로 제가 답변을 받으려면 다른 방법이 휴밀했습니다.
24:3824:435.0이를 위해서 외부에 알파 벤티지 라고 하는 API를 사용을 해서
24:4324:474.2최신 거래 데이터를 가지고 오는 방법을 생각해봤고요.
24:4724:514.5바로 이걸 하기 위해서는 툴 유지 방식이 필요했습니다.
24:5124:553.2이를 위해서 저는 베이집 버전과 어드벤스드 버전,
24:5524:594.1두 가지 버전으로 주식 분석 서비스를 만들어봤습니다.
24:5925:034.4먼저 베이집 버전은 툴 유지 기능을 사용해서
25:0325:074.2전일 주식 거래 데이터를 외부 API로부터 가져와서
25:0725:114.1데이터에 대해 자연으로 응답을 받는 시스템입니다.
25:1125:175.2어드벤스버전은 더 나아가 해당 주식의 최근 뉴스 기사에
25:1725:214.4감정 분석 결과까지도 외부 API로부터 가져와서
25:2125:286.8종합적으로 투자인사이드 랩 포트를 응답으로 받는 시스템입니다.
25:2825:324.6이제 코드 별로, 코드 블럭을 단계별로 실행하면서
25:3225:374.9앞서 설명드렸던 프롬프트 엔지니어린 기법과 툴 유지의 실제
25:3725:402.8적용 방법을 알아보겠습니다.
25:4025:455.1먼저 베이집 버전부터 살펴보겠습니다.
25:4525:494.2먼저 필요한 파이선 라이브러를 설치하고
25:4926:0313.5베트라 클라이언트를 생성을 하겠습니다.
26:0326:063.2다음은 알파 벤티즈 API를 사용해서
26:0626:093.4최신 거래 데이터를 가지고 오는 함수인데요.
26:0926:144.5이 함수는 주식의 티커신보를 입력으로 받아서
26:1426:228.5API로 호출하고 그 응답을 바난합니다.
26:2226:275.0이제 클로드로 호출하는 핵심 함수를 살펴보겠습니다.
26:2726:314.0클로트가 우리가 정리한 출함수를 이해할 수 있도록
26:3126:375.9툴 컴픽의 초의 이름, 설명, 입력, 바람이 덜 정리합니다.
26:3726:424.2밑에 보면 툴 초이스 필드를 제가 오토로 설정을 했는데요.
26:4226:475.6바로 클로드가 이 툴의 사용 여부를 자율적으로 결정하는 부분입니다.
26:4726:513.9만약 여러분이 이 필드에 값을 N로 설정하게 되면
26:5126:564.9툴이 여러 개 있을 때 적어도 한 개를 무조건 실행하게 되고요.
26:5627:014.6툴으로 설정하게 되면 툴 사용을 무조건 강제하게 됩니다.
27:0127:076.4그리고 이제 시스템 프롬프트는 클로드에게 금융 분석화 역할을 부여했고
27:0727:136.6주어진 주식 킥커에 대해 함수에서 데이터를 가져와 분석하도록 지시했습니다.
27:1327:2612.2분석해야 할 구체적인 항목들과 응답형식도 이렇게 명시해 봤습니다.
27:2627:315.2그리고 사용자가 입력한 주식 킥커신보를 포함한 유저 프롬프트를
27:3127:354.1이 메세지 배열을 추가했습니다.
27:3527:416.2툴 유지 기능을 활용하기 위해서 저는 아마존 배드락의 컴버스 API를 사용했습니다.
27:4127:475.5컴버스 API는 배드락에서의 메세지 API라고 보시면 됩니다.
27:4727:503.3저는 클로드 3-Sones을 사용을 했고요.
27:5027:555.6이 툴 유지 과정에서는 LLM 모델을 최소 두 번 호출해야 됩니다.
27:5528:027.0첫 번째 호출은 사용자의 초기 요청을 처리하고 툴 사용 여부를 결정하는 부분입니다.
28:0228:118.3그래서 만약에 클로드가 툴 사용이 필요하다고 판단하면 응답의 스탑리전필드에 툴 유지 값을 반환하게 되고요.
28:1128:2311.8이 경우 게스트학 데이터 함수를 호출하고 그 결과를 다시 메세지 배열에 추가합니다.
28:2328:307.7이렇게 최신 주식 거래 데이터가 추가된 프롬프트로 클로드 모델을 다시 호출하게 되고요.
28:3028:4313.2이 두 번째 컴버스 API의 목적은 A 데이터를 해석해서 우리가 이야기 쉬운 자연어 형태로 응답을 제 생성하는 역할입니다.
28:4328:484.9자 이제 이 함수를 실제로 호출해 보겠습니다.
28:4828:578.8이렇게 아마존의 주식 티커 신보를 입력하면 툴이 사용되었음을 확인할 수가 있고요.
28:5729:068.4클로드는 이렇게 최신 거래 데이터를 바탕으로 우리가 원하는 형식의 분석 결과를 제공합니다.
29:0629:1711.3이렇게 프롬프트 인지니어린과 툴 유지를 결합해서 여러분들은 실시간 데이터 기반에 정확하고 유용한 주식 분석 서비스도 구현할 수 있습니다.
29:1729:203.4이 소스 코드는 기터배에 올라가 있고요.
29:2029:4019.6이 보시는 코드를 사용해서 여러분들이 원하는 주식 티컬에 입력을 해서 전날 종가에 결의 데이터를 쉽게 확인을 하실 수 있겠습니다.
29:4029:5111.0네, 이번에는 단순한 데이터 수집을 넘어서 클로드에게 심층적인 데이터 분석을 유정해 보겠습니다.
29:5129:576.1어드벤스드 버전이고요.
29:5730:036.2이를 위해서 저희는 세 가지 툴을 활용할 예정입니다.
30:0330:129.0지금 보시면 기존의 주식 데이터 수집 기능을 유지를 한 거고 이제 새롭게 추가된 함수가 두 개가 있는데
30:1230:207.5첫 번째 새롭게 추가된 함수는 전일 대빈 변동법과 거래의 양을 분석하는 새로운 함수입니다.
30:2030:277.6세 번째 로는 태당 주식과 관련된 최근 세 개의 뉴스 감성을 분석하는 기능도 구현해 봤습니다.
30:2730:313.8이 세 가지 툴에 대한 정보를 툴 컵.
30:3430:417.6시스템 프럼프트에서는 클로즈에게 기술적 지표분석 그리고 전반적인 시장 감성평가
30:4130:5311.3그리고 매매에 대한 인사이트와 투자 조언을 이번에는 한국어로 제공하도록 지시를 해보았습니다.
30:5330:596.5그리고 첫 번째 컴버스에 입배를 통해서 먼저 사용자의 초기 요청을 처리하고
30:5931:088.5클로즈가 필요한 툴 사용을 결정하도록 했습니다.
31:0831:179.2그리고 클로즈가 이 툴의 사용이 필요하다고 판단이 되면 시스템이 가 함수를 호출을 해서 결과를
31:1731:2710.5출력하고 이 결곽값으로 받은 응답값을 모두 메시지 베어레 추가를 했습니다.
31:2731:357.4마지막으로 이 수집된 모든 데이터를 기반으로 클로즈에게 우리의 요구상에 맞는 구체적이고
31:3531:416.3심층적인 분석을 요청합니다.
31:4131:5110.2이제 실제로 이 기능도 시원을 한번 해보겠습니다.
31:5132:0412.9결과를 보시면 할 수 있듯이 이전 버전에 대해서 훨씬 깊이 있고 유용한 주식 정보분석 정보를 제공받을 수가 있는데요.
32:0432:149.7이 툴들의 실제로 이용되어 있는지를 다 툴, 네임과 아이디로 해서 여러분들이 확인을 하실 수가 있고요.
32:1432:227.9실제로 이 외부 함수를 통해서 가지고 온 시시간 데이터와 외부 함수를 통해서 결과로 리터받은
32:2232:263.6이 뉴스에 대한 감정 분석을 기반으로 해서
32:2632:336.9클로즈는 이렇게 한국어로 제가 원하는 방식의 아웃부스로 래포트를 작성을 주신 준 걸
32:3332:352.6여러분들도 확인해 보실 수 있습니다.
32:3632:4711.2보시다시피 프롬프트 인지니어린과 툴 유지를 결합함으로써 우리는 LLM의 분석 능력과 7시간 데이터를 효과적으로 활용할 수 있었습니다.
32:4732:558.1이는 단순한 정보 검색을 넘어서 실제적인 가치를 제공하는 AI 애플리키션의 좋은 예시입니다.
32:5633:026.2여러분들도 이 기술들에 활용해서 충분히 혁신적인의 솔루션을 만들어 보실 수 있는데요.
33:0233:108.1앞으로 어떤 애플리키션들이 여러분의 고객사 여러분 회사에서 나오게 될지 너무 기대가 됩니다.
33:1433:2510.2마지막으로 제가 오늘 발표한 내용 관련해서 여러분들을 실제로 개발을 하실 때 도움이 될 만한 내용들을 정리해 보았는데요.
33:2533:3711.6먼저 엔스로픽의 워크 벤치라고 해서 프롬프트를 잘 개발하고 수정할 수 있는 그런 기능들이 담긴 기능입니다.
33:3733:5013.0그리고 아마존 배드락의 프롬프트 매니지만들하고 해서 최근에 저희도 비슷하게 프롬프트를 잘 생성하고 여러 가지 버전의 프롬프트를 관리할 수 있는 기능이 새로 출시가 되어있습니다.
33:5033:566.5그래서 고고에 대한 블로그도 링크로 남겨두었으니까 확인해보시면 좋을 것 같습니다.
33:5834:024.3이번에는 툴유저 활용에 관련된 웹사이트를 모아봤는데요.
34:0234:118.8엔스로픽의 툴유저 관련된 기능에 대해서 소개된 퍼플릿 딱과 유튜브 영상에 대한 링크입니다.
34:1234:208.6그리고 아마존 배드락에서 툴유저 활용하기 위해서는 메세지세 API 방식인 컴퍼스 API를 사용해야 된다고 말씀드렸는데,
34:2034:254.8그 컴퍼스 API 레퍼런스 분들도 제가 정리해 보았습니다.
34:2734:358.8마지막으로 제가 오늘 보여드렸던 샘플, 데모코드에 대한 코드 외에 다른 다양한 코드들이,
34:3534:415.9저희 AWS AIM의 한국 워크샵 예제 보험 기터를 올려서 많이 올라가 있습니다.
34:4134:475.5방어 같은 카테고리 별로 예제 코드가 많이 개발되어서 저장되어 있으니까요.
34:4734:536.0시간이 되실 때 한번 방문하셔서 여러 가지 샘플 코드를 직접 돌려보시면 좋을 것 같습니다.
34:5434:572.6이로써 오늘의 발표를 마치겠습니다.
34:5734:592.6장시간 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)