Claude Sonnet 4.6

프롬프트 엔지니어링 완전 가이드: 2025년 최신 기법

## 프롬프트 엔지니어링이란? LLM에게 원하는 출력을 얻도록 입력을 설계하는 기술입니다. 같은 질문도 어떻게 표현하느냐에 따라 답변 품질이 10배 이상 차이납니다. --- ## 핵심 기법 1: Zero-Shot vs Few-Shot **Zero-Shot:** 예시 없이 지시만 ``` 감정 분석해줘: "이 제품 정말 별로였어요" ``` **Few-Shot:** 예시 제공 ``` 감정을 POSITIVE/NEGATIVE/NEUTRAL로 분류해줘. 예시: "정말 훌륭한 서비스" → POSITIVE "그냥 보통" → NEUTRAL "완전 실망" → NEGATIVE 분류할 텍스트: "이 제품 정말 별로였어요" ``` Few-Shot이 Zero-Shot보다 평균 15-25% 정확도 높음. --- ## 핵심 기법 2: Chain-of-Thought (CoT) 단계적 사고를 유도합니다: ``` 문제: A 공장이 하루 100개, B 공장이 하루 80개를 만든다. 두 공장을 합쳐 540개를 만들려면 며칠이 필요한가? 단계별로 생각해봐: 1. 두 공장의 하루 총 생산량은? 2. 540개를 만들려면 며칠인가? ``` **Self-Consistency:** CoT를 여러 번 실행해 다수결 ```python from anthropic import Anthropic client = Anthropic() answers = [] for _ in range(5): response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=500, messages=[{ "role": "user", "content": f"단계별로 생각해서 답하세요: {question}" }] ) answers.append(extract_final_answer(response.content[0].text)) # 가장 많이 나온 답 선택 from collections import Counter final = Counter(answers).most_common(1)[0][0] ``` --- ## 핵심 기법 3: Role Prompting ``` 당신은 10년 경력의 시니어 백엔드 엔지니어입니다. PostgreSQL 성능 최적화를 전문으로 하며, 항상 실행 계획(EXPLAIN ANALYZE) 기반으로 조언합니다. 다음 쿼리의 성능을 분석해주세요: SELECT * FROM orders WHERE created_at > '2024-01-01'; ``` **페르소나 프레임워크:** - 전문성 수준 명시 (10년 경력, PhD 수준) - 스타일 정의 (간결함, 수식 사용, 초보자 친화적) - 제약 조건 부여 (500자 이내, 코드 포함) --- ## 핵심 기법 4: 출력 형식 제어 **JSON 출력 강제:** ```python import json from anthropic import Anthropic client = Anthropic() response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1000, messages=[{ "role": "user", "content": '''다음 제품 리뷰를 분석해서 반드시 JSON으로만 응답해주세요: 리뷰: "배터리 수명이 짧고 화면이 작지만 카메라는 훌륭해요" 응답 형식: { "sentiment": "POSITIVE|NEGATIVE|MIXED", "pros": ["장점1", "장점2"], "cons": ["단점1", "단점2"], "score": 0-10 }''' }] ) result = json.loads(response.content[0].text) ``` **Claude의 tool_use가 더 안정적:** ```python response = client.messages.create( model="claude-sonnet-4-6-20251001", max_tokens=1000, tools=[{ "name": "analyze_review", "description": "리뷰 감정 분석", "input_schema": { "type": "object", "properties": { "sentiment": {"type": "string", "enum": ["POSITIVE", "NEGATIVE", "MIXED"]}, "pros": {"type": "array", "items": {"type": "string"}}, "cons": {"type": "array", "items": {"type": "string"}}, "score": {"type": "number", "minimum": 0, "maximum": 10} }, "required": ["sentiment", "pros", "cons", "score"] } }], tool_choice={"type": "tool", "name": "analyze_review"}, messages=[{"role": "user", "content": "배터리 수명이 짧고 화면이 작지만 카메라는 훌륭해요"}] ) ``` --- ## 프롬프트 패턴 카탈로그 ```mermaid mindmap root((프롬프트 패턴)) 분석 SWOT 분석 근본 원인 분석 비교 분석 생성 템플릿 채우기 변형 생성 역할극 검증 악마의 변호인 체크리스트 검토 반론 생성 요약 핵심 3가지 TL;DR 계층적 요약 ``` --- ## 업무별 프롬프트 템플릿 **코드 리뷰:** ``` 다음 코드를 시니어 엔지니어 관점에서 리뷰해줘. 중점 사항: 보안, 성능, 가독성, 테스트 가능성 각 이슈는 [심각도: HIGH/MED/LOW] 형식으로 표시해줘. (여기에 리뷰할 코드 붙여넣기) ``` **회의록 요약:** ``` 다음 회의록을 요약해줘. 출력 형식: - 결정 사항 (bullet) - 액션 아이템 (담당자, 기한) - 다음 회의 안건 회의록: {회의록} ``` **이메일 작성:** ``` 다음 상황에 맞는 비즈니스 이메일을 작성해줘. - 수신: {수신자 직함/관계} - 목적: {핵심 목적} - 톤: 공손하지만 단호함 - 길이: 3-4단락 배경: {상황 설명} ``` --- ## 프롬프트 최적화 팁 1. **구체적 수치** 사용: "짧게" → "50자 이내로" 2. **네거티브 지시** 추가: "중복 없이", "전문용어 사용 금지" 3. **예시 우선**: 설명보다 예시가 더 효과적 4. **단계 분리**: 한 프롬프트에 여러 작업보다 단계적으로 5. **System/User 분리**: 페르소나는 system, 작업은 user에 프롬프트 품질 평가는 LangSmith나 PromptFlow로 A/B 테스트하는 것을 권장합니다.

MCP (Model Context Protocol) 완전 가이드: AI 에이전트의 표준 연결 방식

## MCP란 무엇인가? MCP(Model Context Protocol)는 Anthropic이 2024년 11월 오픈소스로 공개한 AI-도구 연결 표준입니다. LLM이 외부 도구, 데이터소스, 서비스에 표준화된 방식으로 접근하게 해줍니다. USB-C가 다양한 기기를 표준 포트로 연결하듯, MCP는 AI 모델과 도구를 표준 프로토콜로 연결합니다. ```mermaid flowchart LR subgraph Client["MCP Client (Claude Desktop, IDE)"] LLM[Claude LLM] end subgraph Servers["MCP Servers"] FS[파일시스템 서버] DB[데이터베이스 서버] API[외부 API 서버] Custom[커스텀 서버] end LLM <-->|MCP Protocol| FS LLM <-->|MCP Protocol| DB LLM <-->|MCP Protocol| API LLM <-->|MCP Protocol| Custom ``` --- ## 핵심 개념 **MCP의 3가지 기능:** 1. **Tools** — LLM이 호출할 수 있는 함수 (웹 검색, DB 쿼리, API 호출) 2. **Resources** — LLM이 읽을 수 있는 데이터 (파일, URL, DB 레코드) 3. **Prompts** — 재사용 가능한 프롬프트 템플릿 --- ## Claude Desktop에 MCP 연결하기 ```json // ~/Library/Application Support/Claude/claude_desktop_config.json { "mcpServers": { "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/username/Documents"] }, "postgres": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-postgres"], "env": { "POSTGRES_URL": "postgresql://localhost/mydb" } }, "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxx" } } } } ``` 연결 후 Claude에게: "내 Documents 폴더의 파일 목록을 보여줘" → 자동으로 파일시스템 MCP 호출 --- ## 커스텀 MCP 서버 만들기 (Python) ```python from mcp.server import Server from mcp.server.stdio import stdio_server from mcp import types import httpx import json app = Server("my-custom-server") @app.list_tools() async def list_tools() -> list[types.Tool]: return [ types.Tool( name="search_products", description="상품 데이터베이스에서 검색합니다", inputSchema={ "type": "object", "properties": { "query": {"type": "string", "description": "검색어"}, "category": {"type": "string", "description": "카테고리 필터"}, "max_results": {"type": "integer", "default": 10} }, "required": ["query"] } ), types.Tool( name="get_order_status", description="주문 상태를 조회합니다", inputSchema={ "type": "object", "properties": { "order_id": {"type": "string"} }, "required": ["order_id"] } ) ] @app.call_tool() async def call_tool(name: str, arguments: dict) -> list[types.TextContent]: if name == "search_products": # 실제 DB 또는 API 호출 async with httpx.AsyncClient() as client: response = await client.get( "https://api.myshop.com/products", params={"q": arguments["query"], "limit": arguments.get("max_results", 10)} ) products = response.json() return [types.TextContent( type="text", text=json.dumps(products, ensure_ascii=False, indent=2) )] elif name == "get_order_status": # 주문 조회 로직 order = await fetch_order(arguments["order_id"]) return [types.TextContent(type="text", text=json.dumps(order, ensure_ascii=False))] raise ValueError(f"Unknown tool: {name}") async def main(): async with stdio_server() as (read_stream, write_stream): await app.run(read_stream, write_stream, app.create_initialization_options()) if __name__ == "__main__": import asyncio asyncio.run(main()) ``` --- ## MCP 서버 등록 ```json // Claude Desktop config에 추가 { "mcpServers": { "my-shop": { "command": "python", "args": ["/path/to/my_mcp_server.py"] } } } ``` --- ## TypeScript로 MCP 서버 만들기 ```typescript import { Server } from "@modelcontextprotocol/sdk/server/index.js"; import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js"; import { CallToolRequestSchema, ListToolsRequestSchema, } from "@modelcontextprotocol/sdk/types.js"; const server = new Server( { name: "weather-server", version: "1.0.0" }, { capabilities: { tools: {} } } ); server.setRequestHandler(ListToolsRequestSchema, async () => ({ tools: [{ name: "get_weather", description: "현재 날씨를 가져옵니다", inputSchema: { type: "object", properties: { city: { type: "string", description: "도시명" } }, required: ["city"] } }] })); server.setRequestHandler(CallToolRequestSchema, async (request) => { if (request.params.name === "get_weather") { const { city } = request.params.arguments as { city: string }; const weather = await fetchWeather(city); return { content: [{ type: "text", text: JSON.stringify(weather) }] }; } throw new Error(`Unknown tool: ${request.params.name}`); }); const transport = new StdioServerTransport(); await server.connect(transport); ``` --- ## MCP 활용 사례 ```mermaid mindmap root((MCP 활용)) 개발 도구 GitHub 연동 Jira 티켓 조회 CI/CD 모니터링 데이터 분석 PostgreSQL 쿼리 BigQuery 분석 Notion 문서 검색 비즈니스 Slack 메시지 전송 CRM 고객 조회 ERP 재고 확인 AI 파이프라인 벡터 DB 검색 임베딩 생성 외부 API 호출 ``` --- ## 현재 사용 가능한 공식 MCP 서버 - `@modelcontextprotocol/server-filesystem` — 파일시스템 읽기/쓰기 - `@modelcontextprotocol/server-github` — GitHub API - `@modelcontextprotocol/server-postgres` — PostgreSQL 쿼리 - `@modelcontextprotocol/server-google-drive` — Google Drive - `@modelcontextprotocol/server-slack` — Slack 메시지 - `@modelcontextprotocol/server-brave-search` — Brave 웹 검색 - `@modelcontextprotocol/server-puppeteer` — 브라우저 자동화 MCP는 AI 에이전트 생태계의 USB 포트가 되고 있습니다. 지금 공식 MCP 서버 목록(github.com/modelcontextprotocol/servers)을 확인하고 Claude Desktop에 연결해보세요.

AI 에이전트 프레임워크 비교: LangChain vs LlamaIndex vs AutoGen vs CrewAI

## AI 에이전트 프레임워크가 필요한 이유 단일 LLM 호출로 해결되지 않는 복잡한 태스크 — 여러 도구를 순차적으로 사용하거나, 여러 AI가 협업하거나, 오류가 나면 재시도해야 하는 워크플로우 — 를 구현하려면 에이전트 프레임워크가 필요합니다. 2025년 기준 주요 프레임워크를 실용적 관점에서 비교합니다. --- ## 한눈에 보는 비교표 | 항목 | LangChain | LlamaIndex | AutoGen | CrewAI | |------|-----------|------------|---------|--------| | 주요 용도 | 범용 에이전트 | RAG/검색 특화 | 멀티에이전트 | 역할 기반 팀 | | 러닝커브 | 높음 | 중간 | 중간 | 낮음 | | 추상화 수준 | 낮음 (유연) | 중간 | 중간 | 높음 (간편) | | 커뮤니티 | ★★★★★ | ★★★★☆ | ★★★★☆ | ★★★☆☆ | | 프로덕션 사례 | 가장 많음 | 많음 | 증가 중 | 적음 | | 한국어 자료 | 많음 | 중간 | 적음 | 적음 | | GitHub 스타 (2025) | ~95K | ~35K | ~35K | ~25K | --- ## LangChain — 가장 넓은 생태계 LangChain은 AI 에이전트 프레임워크의 사실상 표준입니다. 방대한 통합(200개 이상)과 커뮤니티 덕분에 막히는 문제가 거의 없습니다. **핵심 개념:** ```python from langchain.agents import create_tool_calling_agent, AgentExecutor from langchain_core.tools import tool @tool def search_web(query: str) -> str: '''웹에서 정보를 검색합니다''' return brave_search(query) @tool def run_python(code: str) -> str: '''Python 코드를 실행합니다''' return exec_safely(code) agent = create_tool_calling_agent(llm, [search_web, run_python], prompt) executor = AgentExecutor(agent=agent, tools=[search_web, run_python]) result = executor.invoke({"input": "오늘 삼성전자 주가 분석해줘"}) ``` **강점:** - 가장 풍부한 통합 (Pinecone, Weaviate, 모든 LLM, 수백 개 툴) - LangSmith로 에이전트 실행 추적·디버깅 - LCEL(LangChain Expression Language)로 선언적 파이프라인 구성 - 방대한 한국어 튜토리얼, 블로그 포스트 **약점:** - 추상화 레이어가 많아 디버깅이 어려울 수 있음 - 버전업 시 API 변경이 잦음 (v0.1 → v0.2 → v0.3 마이그레이션 피로) - 간단한 태스크에도 코드가 길어지는 경향 **추천:** RAG, 도구 사용 에이전트, 다양한 외부 서비스 연동이 필요한 경우 --- ## LlamaIndex — RAG와 검색에 최적화 LlamaIndex(구 GPT Index)는 문서 인덱싱과 검색에 특화된 프레임워크입니다. LangChain이 범용이라면, LlamaIndex는 "데이터 위에 AI 올리기"에 집중합니다. ```python from llama_index.core import VectorStoreIndex, SimpleDirectoryReader # 문서 로드 → 인덱싱 → 쿼리 3줄로 완성 documents = SimpleDirectoryReader("./docs").load_data() index = VectorStoreIndex.from_documents(documents) query_engine = index.as_query_engine() response = query_engine.query("계약서의 핵심 조건은?") ``` **강점:** - RAG 파이프라인 구축이 LangChain보다 훨씬 간결 - 다양한 인덱스 타입 (Vector, Summary, Knowledge Graph) - LlamaParse: PDF, 표, 이미지가 포함된 복잡한 문서 파싱 특화 - 쿼리 라우팅, 서브쿼리 분해 등 고급 RAG 기법 내장 **약점:** - RAG 외 범용 에이전트 구현은 LangChain보다 불편 - 외부 서비스 통합 수가 LangChain보다 적음 **추천:** 문서 기반 QA, 내부 지식베이스 검색, 복잡한 PDF 파싱이 핵심인 서비스 --- ## AutoGen — 멀티에이전트 협업 Microsoft가 만든 AutoGen은 여러 AI 에이전트가 대화하며 문제를 해결하는 패러다임입니다. ```python import autogen assistant = autogen.AssistantAgent( name="코딩_어시스턴트", llm_config={"model": "gpt-4o"} ) user_proxy = autogen.UserProxyAgent( name="사용자", code_execution_config={"work_dir": "coding"} ) # 두 에이전트가 대화하며 코드 작성 → 실행 → 수정을 자율적으로 반복 user_proxy.initiate_chat( assistant, message="피보나치 수열을 출력하는 Python 코드 작성하고 실행해줘" ) ``` **강점:** - 코드 작성 → 자동 실행 → 오류 수정 루프를 자율적으로 반복 - 다양한 에이전트 역할 조합 (코더, 리뷰어, 플래너 등) - GroupChat으로 여러 에이전트가 동시에 참여 **약점:** - 에이전트 루프가 무한 반복될 수 있음 (비용 주의) - 결과가 매번 달라지는 비결정적 동작 - 복잡한 멀티에이전트 흐름 디버깅 어려움 **추천:** 코딩 태스크 자동화, 연구 에이전트, 자율적 문제 해결이 필요한 실험적 프로젝트 --- ## CrewAI — 역할 기반 팀 시뮬레이션 CrewAI는 "AI 팀"을 만드는 가장 직관적인 프레임워크입니다. 연구원, 작가, 편집자처럼 역할을 정의하면 자동으로 협업합니다. ```python from crewai import Agent, Task, Crew researcher = Agent(role="AI 리서처", goal="최신 AI 동향 조사", llm=claude) writer = Agent(role="콘텐츠 작성자", goal="리서치 기반 블로그 포스트 작성", llm=claude) research_task = Task(description="GPT-5 출시 영향 분석", agent=researcher) write_task = Task(description="분석 결과로 블로그 포스트 작성", agent=writer) crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task]) result = crew.kickoff() ``` **강점:** - 코드가 직관적이고 간결 - 비개발자도 이해 가능한 역할 기반 설계 - 태스크 간 의존성 관리 내장 **약점:** - 복잡한 커스터마이징 시 한계 - 프로덕션 사례가 아직 적음 - 에러 핸들링이 부족한 편 **추천:** 콘텐츠 생성 파이프라인, 리서치 자동화, AI 에이전트 입문 --- ## 2 025년 선택 가이드 **RAG/문서 검색이 핵심** → LlamaIndex **범용 에이전트, 다양한 통합 필요** → LangChain **코딩 자동화, 자율 에이전트 실험** → AutoGen **콘텐츠 생성, 빠른 프로토타입** → CrewAI **처음 시작한다면** → LangChain (커뮤니티·자료 압도적) --- ## 결론 2025년 AI 에이전트 생태계는 여전히 빠르게 변하고 있습니다. 특정 프레임워크에 너무 깊이 의존하기보다, **핵심 개념(Tool Calling, RAG, 멀티에이전트)을 이해하고 필요에 따라 도구를 선택**하는 유연한 접근이 중요합니다. 어떤 프레임워크도 내부적으로는 결국 LLM API 호출과 프롬프트 구성의 조합입니다.