왜 중요한가

AI 어시스턴트를 쓰는 모든 사람이 프롬프트를 쓰는데, 대부분 시행착오로 합니다. 어떤 사람은 훌륭한 결과를 얻으면서 이유를 말하지 못합니다. 다른 사람은 모호하거나 틀린 답을 얻고 도구가 나쁘다고 결론짓습니다. 차이는 흔히 모델이 아니라 요청에 있습니다. 작업이 얼마나 분명하게 진술되었는지, 어시스턴트에게 어떤 자료가 있는지, 답이 어떻게 점검되는지입니다.

서비스 관리에서는 일에 걸린 것이 있으므로 이 차이가 중요합니다. 기억에서 인시던트를 요약하는 프롬프트는 지어낸 타임라인을 만들 수 있습니다. "모범 사례"를 요청하는 프롬프트는 맞는 것처럼 들리지만 아무에게도 도움이 되지 않는 일반론을 줍니다. 서둘러 쓴 프롬프트는 기밀 데이터를 엉뚱한 도구에 붙여 넣을 수 있습니다. 이것들은 습관이고, 습관은 개선할 수 있습니다.

스킬은 이 생각을 한 단계 더 나아가게 합니다. 스킬은 런북 쓰기나 포스트모템 진행처럼 반복되는 작업의 지시를, 작업이 생길 때 AI 어시스턴트가 불러올 수 있는 파일에 담습니다. 이 가이드의 스킬은 Claude Code 형식으로 쓰여 있습니다. 각각은 언제 쓰는지에 대한 짧은 설명과 작업을 하기 위한 지침이 있는 SKILL.md 파일입니다. 팀은 이를 복사하고, 적응시키고, 자신의 것을 쓸 수 있습니다. 이 주제는 이 가이드의 프롬프트와 스킬을 쓰는 방법, 통하는 패턴, 결과를 검증하는 방법, 팀 자신의 스킬을 쓰는 방법을 설명합니다. 주제 5.1 — 서비스 관리에서의 AI와 주제 5.6 — AI 거버넌스, 위험, 규정 준수의 안전장치 위에 서 있습니다.

핵심 개념

프롬프트. 응답을 얻기 위해 대규모 언어 모델에 주는 텍스트와 첨부 자료입니다. Wikipedia는 프롬프트 엔지니어링을 생성 모델이 원하는 출력을 내도록 지시를 구조화하는 과정으로 설명합니다. 모델은 프롬프트의 패턴에 반응하며, 더 분명한 프롬프트가 보통 더 나은 응답을 줍니다.

컨텍스트. 모델이 답할 때 고려할 수 있는 모든 것입니다. 여러분의 지시, 제공한 문서, 지금까지의 대화입니다. Wikipedia가 모델이 한 번에 고려할 수 있는 양을 제한하는 컨텍스트 윈도를 설명합니다. 컨텍스트에 없는 것은 모델이 일반 지식으로 메울 수 있고, 거기서 오류가 스며듭니다.

근거 두기. 원천 자료를 제공하고 모델에게 그것만 쓰라고 요청하는 것입니다. Wikipedia가 자동화된 형태인 검색 증강 생성을 설명합니다. 수동으로 쓸 때는 관련 텍스트를 붙여 넣고 "아래 텍스트만 사용하라"고 말하세요. 주제 3.9 — 지식 관리를 참조하세요.

좋은 프롬프트의 구조. 여섯 부분이 대부분의 필요를 다룹니다.

부분 하는 일 예
역할 또는 맥락 상황을 정한다 "당신은 서비스 데스크 리드가 리뷰를 준비하는 것을 돕고 있습니다."
작업 무엇을 만들지 말한다 "인시던트를 타임라인으로 요약하세요."
원천 자료 사실을 제공한다 붙여 넣은 티켓 이력
제약 한도를 정한다 "텍스트만 사용하세요. 원인을 추측하지 마세요."
형식 출력의 모양을 잡는다 "시각, 사건, 인용한 출처가 있는 표."
불확실성 규칙 확신이 없을 때 할 일을 말한다 "'명시되지 않음'이라고 쓰고 확신이 없는 것을 나열하세요."

자리 표시자. 이 가이드의 프롬프트는 [대괄호]로 여러분 자신의 자료로 바꿔야 할 곳을 표시합니다. 채우지 않은 자리 표시자가 있는 프롬프트는 나쁜 결과의 흔한 원인이므로, 보내기 전에 하나하나 읽으세요.

예시와 구조. Wikipedia가 설명하는 퓨샷 프롬프팅처럼, 원하는 출력의 예를 하나나 둘 주면 추가 설명보다 결과를 더 개선하는 경우가 많습니다. 표 같은 구조를 요청하면 확인하기 쉬워집니다.

추론을 요청하기. Wikipedia가 연쇄적 사고 프롬프팅으로 설명하는, 모델에게 단계를 거쳐 풀어 보라고 요청하는 기법은 일부 문제에서 답을 개선할 수 있습니다. 드러난 추론이 답이 만들어진 과정의 충실한 설명이라는 보장은 없고, 오류를 담을 수도 있습니다. 확인을 돕는 데 쓰고, 증거로 삼지 마세요.

검증. 모든 출력을 초안으로 다루세요. 사실은 원천과 대조하고, 계산을 확인하고, 인용이 실재하는지 확인하세요. Wikipedia가 환각과 자동화 편향을 설명하며, 둘 다 검증해야 하는 이유입니다. 모델에게 출처를 인용하라고 요청하는 프롬프트는 이를 빠르게 해 줍니다.

반복. 첫 결과가 최선인 경우는 드뭅니다. 변경을 요청하고, 오류를 지적하고, 프롬프트를 다듬으세요. 통한 버전을 보관하세요.

스킬. 이 가이드에서 스킬은 AI 어시스턴트에게 한 유형의 작업을 하는 방법을 알려 주는 SKILL.md 파일입니다. 스킬의 이름과 언제 쓰는지에 대한 설명을 담은 짧은 헤더로 시작하고, 이어서 지침이 옵니다. 핵심 구성 요소, 단계, 점검입니다. 스킬을 지원하는 어시스턴트는 요청이 설명에 맞을 때 관련 파일을 불러옵니다. 스킬은 평문이므로 다른 문서처럼 읽고, 검토하고, 버전 관리하고, 공유할 수 있습니다. Wikipedia의 마크다운 문서가 스킬이 쓰는 형식을 설명합니다.

스킬 대 프롬프트. 프롬프트는 단일한 요청을 위한 것이고, 스킬은 반복되는 종류의 작업을 위한 방법을 담아 매번 다시 쓰지 않게 합니다. 스킬에는 여러 프롬프트, 점검표, 좋은 결과의 기준이 담길 수 있습니다. 이 가이드의 주제는 방법이 유용한 곳에서 스킬로 연결됩니다.

스킬에 담겨야 할 것. 좋은 스킬은 언제 쓰고 언제 쓰지 않는지 밝히고, 출력의 핵심 부분을 정의하고, 짧은 절차를 주고, 흔한 실수를 나열하고, 결과를 어떻게 확인하는지 말합니다. 구체적이고 간결합니다. 모든 것을 다루려는 스킬은 거의 쓰이지 않습니다.

스킬과 프롬프트 시험하기. 업무 산출물로 다루세요. 좋은 결과가 알려진 현실적인 시험 사례 몇 개를 만들어 돌리고 실패를 기록하세요. 모델, 도구, 스킬이 바뀔 때 다시 돌리세요. Wikipedia가 변경 뒤에 시험을 다시 돌려 고장을 잡는 프랙티스인 회귀 시험을 설명합니다.

버전 관리와 오너십. 스킬을 오너, 변경 이력, 변경 검토와 함께 저장소에 보관하세요. Wikipedia가 버전 관리를 설명합니다. 검토 없이 조용히 바뀌는 스킬은 아무도 모르게 팀의 결과를 바꿀 수 있습니다.

보안. 프롬프트와 스킬은 공격받거나 오용될 수 있습니다. 붙여 넣은 콘텐츠에 지시가 담길 수 있으며, Wikipedia는 이 위험을 프롬프트 인젝션으로 설명합니다. 알 수 없는 출처에서 내려받은 스킬이 어시스턴트에게 해로운 일을 하라고 지시할 수 있습니다. 쓰기 전에 스킬을 읽고, 어시스턴트에게는 필요한 접근만 주세요. 주제 5.5 — 에이전트형 AI와 사람의 감독을 참조하세요.

기밀성. 어떤 도구에 무엇을 붙여 넣어도 되는지 정하세요. 주제 5.6 — AI 거버넌스, 위험, 규정 준수를 참조하세요.

렌즈는 어떻게 맞물리는가. 스킬과 프롬프트는 팀이 AI를 일관되게 일하게 하는 방법입니다. 애자일 프랙티스는 사용과 피드백으로 개선되는 공유 라이브러리를 유지하기를 제안합니다. 자동화는 승인된 프롬프트를 워크플로에서 실행할 수 있습니다. 분석은 어떤 프롬프트와 스킬이 쓰이고 도움이 되는지 보여 줍니다.

모범 사례

  1. 주제가 아니라 작업을 진술합니다. "인시던트를 도와줘"보다 "이 사실들로 고객용 상태 업데이트의 초안을 써 줘"가 더 잘 통합니다. 무엇을 누구를 위해 만들어 달라는 것인지 말하세요.
  2. 원천을 제공하고 그것으로 제한합니다. 관련 자료를 붙여 넣고 그것만 쓰라고 말하세요. 자료가 침묵하는 곳에는 어시스턴트가 "명시되지 않음"이라고 쓰도록 요청하세요.
  3. 필요한 형식을 말합니다. 표, 번호 목록, 단어 수 제한을 요청하세요. 결과를 확인하고 쓰기가 쉬워집니다.
  4. 출처와 불확실성을 요청합니다. 인용이나 참조, 그리고 어시스턴트가 확신하지 못하는 것의 목록을 요청하세요. 그 목록을 읽으세요. 어디부터 확인할지 보여 줍니다.
  5. 비밀이나 보호되는 데이터를 승인되지 않은 도구에 붙여 넣지 않습니다. 가능하면 이름, 자격 증명, 개인 데이터를 제거하세요. 민감한 자료에는 조직이 승인한 도구를 쓰세요.
  6. 쓰기 전에 확인합니다. 사실, 숫자, 시각, 이름을 원천과 비교하세요. 코드나 명령은 먼저 안전한 환경에서 실행하세요.
  7. 반복하고 통한 것을 보관합니다. 몇 차례에 걸쳐 프롬프트를 다듬은 다음, 최종 버전을 무엇을 위한 것이고 언제 실패하는지에 대한 메모와 함께 저장하세요.
  8. 팀 라이브러리를 공유하고 검토합니다. 시험된 프롬프트와 스킬을 오너가 있는 공유 장소에 보관하세요. 변경을 검토하고, 더는 통하지 않는 것은 폐기하세요.
  9. 반복되는 업무를 위한 스킬을 씁니다. 같은 프롬프트를 되풀이하고 있다면, 분명한 설명, 단계, 점검이 있는 스킬로 바꾸세요. 짧게 유지하세요.
  10. 실제 사례로 스킬을 시험합니다. 시험 사례 몇 개를 만들어 스킬이나 도구가 바뀔 때마다 돌리고 결과를 기록하세요.

팀과 논의할 질문

오늘 AI 도구에 무엇을 하라고 요청하며, 그중 어느 것을 재사용 가능한 프롬프트나 스킬로 적을 수 있습니까? 예를 모으세요. 요약, 초안, 점검표 같은 반복되는 작업이 예상됩니다. 더 깊이 들어가려면, 작업 하나를 골라 시험된 버전을 함께 쓰세요.

AI 답변을 쓰기 전에 어떻게 확인하며, 모두가 같은 방식으로 합니까? 누군가 마지막으로 오류를 발견한 때를 물으세요. 서로 다른 습관이 예상됩니다. 더 깊이 들어가려면, 작업 유형별로 짧은 검증 루틴에 합의하세요.

AI 도구에 붙여 넣지 말았어야 할 것을 붙여 넣은 적이 있으며, 올바른 일을 쉽게 만들려면 어떻게 합니까? 안전한 자리에서 물으세요. 실수가 예상됩니다. 더 깊이 들어가려면, 무엇이 어디로 가도 되는지 합의하고 승인된 도구와 짧은 안내서를 제공하세요.

개인에게는 잘 통했지만 공유된 적이 없는 프롬프트는 무엇입니까? 사람들에게 시연해 달라고 요청하세요. 좋은 것들이 예상됩니다. 더 깊이 들어가려면, 셋을 오너와 검토 날짜가 있는 공유 라이브러리로 모으세요.

우리가 쓰는 스킬이 내일 바뀐다면 어떻게 알아챕니까? "알아채지 못한다"가 예상됩니다. 더 깊이 들어가려면, 스킬이 버전 관리에 있고, 검토되고, 시험 사례 몇 개가 있도록 합의하세요.

검증을 거치더라도 AI 어시스턴트에게 넘기지 말아야 할 작업은 무엇입니까? 사람에게 영향을 주는 결정, 법적 결론, 승인을 논의하세요. 의견 차이가 예상됩니다. 더 깊이 들어가려면, 짧은 목록과 누가 그것을 바꿀 수 있는지 적으세요.

실제 적용: 서비스 관리 사례

한 지역 병원의 25명 IT 서비스 팀이 AI 어시스턴트를 쓰기 시작했습니다. 직원마다 다르게 씁니다. 한 분석가는 티켓 메모로 지식 문서의 초안을 쓰고, 다른 사람은 긴 이메일 스레드를 요약하고, 세 번째 사람은 낯선 오류 메시지를 설명해 달라고 합니다. 팀 리드는 걱정스럽습니다. 그럴듯하지만 틀린 명령이 담긴 문서를 본 적이 있기 때문입니다.

그녀는 팀에게 한 시간짜리 세션에 가장 유용했던 프롬프트 세 개를 가져오라고 요청합니다. 네 사람이 해결된 티켓을 문서로 바꾸는 거의 같은 프롬프트를 쓰고 있음을 알게 됩니다. 가장 잘 통하는 버전은 어시스턴트가 티켓 텍스트만 써야 하고, 거기에 없는 것은 "[missing]"으로 써야 하고, 단계를 번호 매긴 줄로 나열해야 하고, 확신이 없는 것의 짧은 목록으로 마쳐야 한다고 명시합니다. "[missing]" 규칙이 없으면 어시스턴트가 공백을 메웠습니다.

팀은 이를 스킬 파일로 바꿉니다. 언제 쓰는지(해결된 티켓을 문서 초안으로 바꿀 때), 좋은 문서의 핵심 부분, 절차, 게시 전에 사람이 해야 하는 점검(모든 명령을 시험 환경에서 실행하기 포함)입니다. 해결책이 알려진 오래된 티켓 열 건으로 시험해 보고, 세 건에서 어시스턴트가 버전 번호를 추측했음을 발견합니다. 버전 번호에 대한 규칙을 더하고 시험을 다시 돌립니다. 스킬을 팀의 저장소에 보관하고, 리드의 부관을 오너로 지정하고, 변경은 코드처럼 검토하기로 합의합니다.

또한 AI 도구에 들어가서는 안 되는 것에 대한 한 쪽짜리 글을 씁니다. 환자 데이터, 자격 증명, 공개 전의 보안 보고서입니다. 그리고 모두에게 자신들의 데이터로 훈련하는 것을 금지하는 계약이 있는 승인된 도구를 안내합니다.

달라진 점은 문서 초안이 몇 분이면 나오고, 리뷰에서 발견되는 잘못된 단계가 있는 문서의 수가 줄었다는 것입니다. 여전히 어려운 점은 승인된 도구가 느릴 때 일부 직원이 여전히 개인 계정을 쓴다는 것, 스킬 라이브러리가 14개 파일로 커졌는데 절반은 아무도 검토하지 않았다는 것, 벤더 업데이트 뒤에 어시스턴트의 행동이 살짝 바뀌었는데 누군가 시험을 다시 돌려서야 잡혔다는 것입니다. 리드는 월간 시험 실행과 분기별 정리 세션을 더합니다.

네 가지 관점

제품 및 전달 팀

평소의 검토와 파이프라인 점검 아래에서 코드, 테스트, 문서의 초안 작성에 프롬프트와 스킬을 쓰세요. 자신의 워크플로를 위한 스킬은 코드 옆 저장소에 두세요.

서비스 및 운영 팀

업데이트, 문서, 리뷰 같은 반복 업무를 위한 작은 라이브러리를 만드세요. 통하는 것을 공유하고, 모든 출력을 확인하고, 스킬이 실패하면 오너에게 알리세요.

리더십과 거버넌스

무엇을 어디에 붙여 넣어도 되는지에 대한 규칙을 정하고, 승인된 도구를 제공하고, 라이브러리를 만들고 시험하는 시간에 재원을 대세요. 출력이 확인된다는 증거를 요청하세요. 프롬프트를 프로세스의 대체물로 다루지 마세요.

고객과 사용자

AI가 초안을 쓴 콘텐츠를 접할 수 있습니다. 사람이 확인했는지 묻고, 틀렸을 때 제공자에게 알리세요. 어떤 AI 도구에든 어떤 개인 데이터를 주는지 조심하세요.

애자일, AI, 자동화, 분석

애자일

실제 사용에서 라이브러리를 키우세요. 작업이 반복되면 스킬을 추가하고, 피드백으로 개선하고, 도움이 되지 않게 되면 폐기하세요. 스킬을 짧게 유지하고 검토하세요. 주의: 검토되지 않은 큰 라이브러리는 부채이므로, 작고 오너가 있게 유지하세요.

AI

스킬과 프롬프트는 우리가 AI에게 주는 지시이므로, 오너십, 검토, 시험, 사용 기록처럼 다른 통제에 기울이는 주의를 받을 자격이 있습니다. 주의: "정확하게 하라"는 지시가 모델을 정확하게 만들지는 않으므로, 제공된 출처, 점검, 사람의 검토에 의존하세요. 주제 5.1 — 서비스 관리에서의 AI를 참조하세요.

자동화

승인된 프롬프트를 티켓이 닫힐 때 요약 초안을 쓰는 것처럼 워크플로에 내장할 수 있으며, 사용 전에 검토 단계를 둡니다. 주의: 자동화된 프롬프트는 사람이 매번 읽는 주의 없이 실행되므로, 다양한 입력으로 시험하고 사람의 관문을 유지하세요. 주제 6.2 — 워크플로 자동화와 오케스트레이션을 참조하세요.

분석

어떤 프롬프트와 스킬이 쓰이는지, 초안이 얼마나 자주 편집되는지, 검토에서 발견된 오류, 작업별로 절약한 시간을 추적하세요. 주의: 사용 횟수는 양에 보상을 주고 추정된 절약 시간은 쉽게 부풀려지므로, 최종 출력의 품질을 표본 추출하세요. 서비스 관리 지표(Service Management Metrics) 책과 주제 7.3 — 측정과 보고를 참조하세요.

흔한 실패 유형

  • 모호한 요청. 답이 일반론입니다. 작업, 독자, 형식을 진술하세요.
  • 원천 자료 없음. 모델이 기억으로 공백을 메웁니다. 원천을 제공하고 그것으로 제한하세요.
  • 채워지지 않은 자리 표시자. "[여기에 붙여넣기]"가 들어 있는 채로 프롬프트가 나갑니다. 보내기 전에 확인하세요.
  • 첫 답을 믿기. 오류가 눈에 띄지 않습니다. 원천에 대해 검증하세요.
  • 비밀 붙여 넣기. 데이터가 유출됩니다. 승인된 도구를 쓰고 민감한 세부 사항을 제거하세요.
  • 아무도 소유하지 않는 스킬 라이브러리. 파일이 낡거나 모르는 사이에 바뀝니다. 오너와 시험이 있는 버전 관리에 두세요.
  • 읽지 않고 내려받은 스킬. 해로운 지시가 실행됩니다. 사용 전에 읽고 검토하세요.

성숙도 모델

영역 시작 발전 표준화 관리 오케스트레이션
프롬프팅 프랙티스 시행착오 팁을 비공식적으로 공유한다 출처와 점검이 있는 표준 패턴 오류 데이터로 패턴을 다듬는다 패턴이 도구와 워크플로에 내장된다
스킬 라이브러리 없음 개인 파일 공유되고, 오너가 있고, 버전 관리되는 스킬 스킬을 정기적으로 시험하고 검토한다 거버넌스와 함께 팀 전반에서 스킬을 관리한다
검증 없음 개인의 습관 작업별 표준 루틴 오류를 추적하고 환류한다 사람의 승인과 함께 도구가 검증을 지원한다
데이터 규칙 불분명하다 인식한다 분명한 규칙과 승인된 도구 규정 준수를 점검한다 도구에 통제가 내장된다

체크리스트

  • 우리의 프롬프트는 작업, 원천, 형식, 불확실성 규칙을 진술한다.
  • 쓰기 전에 출력을 원천과 대조해 확인한다.
  • 어떤 도구에 무엇을 붙여 넣어도 되는지에 대한 규칙과 승인된 도구가 있다.
  • 시험된 프롬프트와 스킬을 오너가 있는 공유 장소에 보관한다.
  • 스킬에 언제 쓰는지에 대한 분명한 설명이 있다.
  • 스킬이나 도구가 바뀔 때마다 실제 사례로 스킬을 시험한다.
  • 외부 출처의 스킬은 쓰기 전에 검토한다.
  • AI에게 넘기면 안 되는 작업을 나열했다.

AI 프롬프트

프롬프트를 개선합니다.

Here is a prompt I use: [paste]. Here is an example of an output that disappointed me: [paste].
Identify what the prompt does not say that would help (task, source material, constraints, format, uncertainty rule), propose a rewritten prompt with [placeholders] for my material, and explain each change in one line. Do not add facts about my situation.
List what you are unsure of.

프롬프트를 스킬로 바꿉니다.

Here is a prompt that works well for my team: [paste]. Here are two examples of good outputs: [paste].
Draft a SKILL.md with a header (name and a one-sentence description of when to use it and when not), key components of a good output, a short process, common mistakes, and a checklist for verifying the result. Keep it under 400 words and do not add steps not implied by my examples.
List what you are unsure of.

스킬을 위한 시험을 설계합니다.

Here is a skill: [paste].
Write eight test cases: five typical, two awkward, and one that tries to make the assistant ignore the skill. For each, describe the input and the correct behavior. Do not use real personal data.
List what you are unsure of.

AI 스킬

주요 출처

  • Anthropic, documentation on prompting and on Agent Skills (docs.anthropic.com): Claude 모델을 위한 지시와 스킬을 쓰는 데 대한 벤더의 지침.
  • OWASP, guidance on risks for applications built on large language models (owasp.org): 프롬프트 인젝션을 포함합니다.
  • Wikipedia, "Prompt engineering": 기법과 용어의 개관.
  • This guide's skills/ directory: 서비스 관리 작업을 위한 스킬의 실제 예.

참고 문헌

  1. Prompt engineering — Wikipedia — https://en.wikipedia.org/wiki/Prompt_engineering
  2. Large language model — Wikipedia — https://en.wikipedia.org/wiki/Large_language_model
  3. Context window — Wikipedia — https://en.wikipedia.org/wiki/Context_window
  4. Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
  5. Few-shot learning — Wikipedia — https://en.wikipedia.org/wiki/Few-shot_learning
  6. Chain of thought — Wikipedia — https://en.wikipedia.org/wiki/Chain_of_thought
  7. Hallucination (artificial intelligence) — Wikipedia — https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)
  8. Prompt injection — Wikipedia — https://en.wikipedia.org/wiki/Prompt_injection
  9. Regression testing — Wikipedia — https://en.wikipedia.org/wiki/Regression_testing
  10. Markdown — Wikipedia — https://en.wikipedia.org/wiki/Markdown
  11. Version control — Wikipedia — https://en.wikipedia.org/wiki/Version_control
  12. OWASP — OWASP Foundation — https://owasp.org