(DAY42) 프롬프트 엔지니어링, 생각의 나무(ToT) 프롬프팅

 

안녕하세요 :) 오늘은 어제와 이어서 프롬프트 엔지니어링 프레임워크에 대해 공부했습니다.

생각의 사슬, 생각의 나무, ReAct 프롬프팅 등 생각보다 많이 있더라고요😳

 

 

---

 

 

 

✏️오늘의 학습

실습 1) 생각의 사슬, 생각의 나무 프롬프팅 연습해보기
실습 2) Scholar AI 사용해보기
실습 3) 프롬프트 작성해서 Lovable로 UI 제작해보기

실습 4) 항공권 검색 UI 그리기 미션

 

 

 

 

📖오늘의 핵심

다양한 프롬프팅 프레임워크 중에서 생각의 나무, 리액트 프롬프팅을 위주로 알고 가면 좋다.

 

 

 

 

 

📝 수업 내용 메모장 👇🏻

📝 수업 내용 메모장

 

좋은 결과물을 위한 프롬프트 엔지니어링

1) Step by Step으로 절차 세분화하기

2) Don't 대신 Do에 집중하기

(왼) Don't → (오) Do

3)  예시 친절하게 알려주기

 

📌 프롬프트 엔지니어링 목차
초보자 전략
1.  CO-STAR 프레임워크 활용
2. 구분기호 사용한 섹션 프롬프트
고급 전략
3. LLM 가드레일 사용한 시스템 프롬프트
4. 플러그인,코드 없이 LLM만을 사용한 데이터 세트 분석

 

 

1. CO-STAR 프레임워크 

 

 

CO-STAR 프레임워크는 구조화를 위한 편리한 템플릿이다.

 

(C) 맥락: 작업에 대한 배경 정보 제공하기

(O) 목표: LLM이 수행해야 할 작업이 무엇인지 정의하기

(S) 스타일: LLM에서 사용할 글쓰기 스타일을 지정하기
이는 특정 유명인의 글쓰기 스타일일 수도 있고, 비즈니스 분석 전문가나 CEO처럼 특정 직업의 전문가일 수도 있음

(T) 톤: 반응의 태도를 설정하기
격식 있는 표현, 유머러스한 표현, 공감적인 표현 등이 있음

(A) 대상: 응답이 누구를 대상으로 하는지 식별합니다.
LLM의 응답을 해당 분야의 전문가, 초보자, 어린이 등 대상 청중에 맞게 조정하면 해당 대상 청중이 요구되는 맥락에서 적절하고 이해하기 쉬운지 확인할 수 있음

(R) 응답 : 응답 형식(출력 형식)을 제공하기
예를 들어 목록, JSON, 전문 보고서 등이 있음

다운스트림 조작을 위해 LLM 응답을 프로그래밍 방식으로 처리하는 대부분의 LLM 애플리케이션에는 JSON 출력 형식이 이상적입니다.

 

 

2. 구분기호 사용한 섹션 프롬프트

다음의 구분기호들을 활용하여 작성

• 내용

**내용**

===

<<<내용>>>

 

3. LLM 가드레일 사용한 시스템 프롬프트

가드레일 설정해서 사용하기

 

 

 

 

출처: https://towardsdatascience.com/how-i-won-singapores-gpt-4-prompt-engineering-competition-34c195a93d41/

How I Won Singapore's GPT-4 Prompt Engineering Competition | Towards Data Science

---

 

 

 

 

 

생각의 사슬 CoT 프롬프팅

 

https://www.ibm.com/kr-ko/think/topics/chain-of-thoughts

생각의 사슬(CoT - Chain of Thought) 프롬프트란 무엇인가요? | IBM

 

 

 - Let's think Step by Step

 - "차근차근 생각해보자"를 앞에 넣어서 step by step으로 사고과정을 뱉게 만들기

 

 

★ 단계별로 말하게 하는 것이 생각의 사슬(CoT)의 핵심!

 

+ ChatGPT에게 생각의 사슬 프롬프트 시키기

---

 

 

 

생각의 나무 ToT 프롬프팅

https://www.ibm.com/kr-ko/think/topics/tree-of-thoughts

생각의 나무 프롬프트란 무엇인가요? | IBM

 

 

생각의 나무란?

- 추론 능력을 향상하기 위해 설계된 프레임워크

- 문제 해결을 위한 인간의 인지 전략을 시뮬레이션하여 나무의 가지 경로처럼 구조화된 방식으로 탐색

- 쉽게 말해, AI를 사람처럼 생각하게 만든다.

 

 ↑ 이런 형식이다 알고만 있기.

 

💡사용 Tip

실제 사용할때는 "OO를 해결하고 싶어. 생각의나무 프롬프팅을 활용해서 알려줘." 라는 식으로 명령하기

멘토님은 이런식으로 활용한다고 함

 

 

 

 

 

 

 

 

ReAct 프롬프팅

- Reasoning 추론한다 + Acting 행동한다

- 챗GPT한테 여행일정짜줘. 하면 없어진 맛집을 추천해줌.. → LLM 혼자서 추론하기 때문임.

→ 이를 보완하기 위해 나온 것이 ReAct 프롬프팅

ReAct 프롬프트 템플릿

 

 

 

---

 

챗GPT 탐색하기 >  Scholar AI 

- 리서치 특화 AI

- 시장조사(논문 찾기)할 때 쓰기 좋음

 

 

Lovable AI

- 해외 디자이너들이 현재 앱/웹 제작 AI중에 이게 가장 퀄리티 높다고 평가함

- 얘는 프롬프트 쓸 때 영어로 써야 함

https://lovable.dev/?via=coupon-coupon&gad_source=1&gad_campaignid=23215779256&gbraid=0AAAABB5eW-CWNFafhrxO1xxNbgADQmeOr&gclid=CjwKCAiAt8bIBhBpEiwAzH1w6Uc272KaS0ly_qRJPjQ48qBMcVqna3-mSXd1l4I5dmj_TYzC2T2LJxoCj7cQAvD_BwE

Lovable

 

 

 

 

 

 

실습 1) 생각의 사슬, 생각의 나무 프롬프팅 연습해보기

 

💬 작성한 프롬프트

난 프로덕트 디자이너고, 서비스의 문제를 생각의 사슬 프롬프팅을 사용해서 해결책을 찾고싶어. 너가 생각의 사슬 프롬프팅에 맞게 작성해서 결과값을 보여줘.
우리 서비스의 문제: 온라인 옷쇼핑몰인데 사용자들이 상세페이지에서 구매로 전환이 안되고 자꾸 다른 쇼핑몰로 이탈함. #참조 정답만 말하지 말고, 사용자의 의사결정 흐름과 인지부하 관점에서 스텝 바이 스텝으로 단계적으로 생각해줘.

 

( ⛓️생각의 사슬 ) 챗GPT 답변 👇🏻

사용자 의사결정 흐름(스텝) — 문제·인지부하 관점 · 해결책(요약)

아래 8단계로 나누고, 각 단계별로 문제 가설 / 인지부하 요인 / 빠른 해결책 / 우선순위·측정 지표를 적었습니다.

1)유입/관심(Attention) — "이 제품이 내 관심사인가?"

문제 가설: 사용자가 상세페이지에 왔지만 헤드라인(핵심 가치)·비주얼이 흐려서 관심 유지 불가.

인지부하 요인: 너무 많은 이미지·텍스트가 한눈에 들어오지 않음. 제품의 핵심 매력(핵심 포인트)이 분명하지 않음.

해결책(빠른 개선):

• 첫 화면(L1)에서 1줄 핵심 포인트(누구에게, 왜 좋은지) 노출 — 예: “여름용 경량 통기 슬립온 — 하루 종일 통풍O / 4WAY 신축”.
• 대표 이미지 1장(생활 맥락), 1장(디테일)으로 줄이기.
• 우선순위: 매우 높음(빠른 A/B).
• 측정 지표: 상세페이지 체류시간(초), 스크롤 깊이, 이탈률.

2)이해(Comprehension) — "이 제품이 실제로 어떤 특성인가?"

문제 가설: 스펙·사이즈·재질 설명이 분산·전문용어가 많아 이해하기 어렵다.

인지부하 요인: 정보 과부하(긴 문장, 수치가 맥락없이 나열).

해결책:

• 요약 카드(3가지 핵심): 소재·핏·사이즈 팁을 상단에 배치.
• 시각적 아이콘(재질·세탁·신축성)로 인지처리 단순화.
• “한 줄 요약”과 “더 보기”로 정보 계층화.
• 우선순위: 높음.
• 측정 지표: 제품 이해 설문(간단 팝업), CTA 클릭률(장바구니·구매).

3)신뢰(Trust) — "이 브랜드/상품을 믿을 수 있나?"

문제 가설: 사용자에게 신뢰 신호(리뷰, 반품정책, 배송속도)가 약함 → 비교 사이트로 이탈.

인지부하 요인: 신뢰 관련 정보가 페이지 하단 또는 여러 탭에 분산.

해결책:

• 상단 근처에 리뷰 평점(요약)·반품 정책 요약(무료/기간) 배치.
• 실제 착용샷·사용자 리뷰 중 ‘문제 해결’ 사례 하이라이트(예: "사이즈가 크게 나온 편이에요 — 한 사이즈 작게 추천").
• 보증/안전 배지(결제 보안/정품 보증) 시각화.
• 우선순위: 매우 높음.
• 측정 지표: 전환율, 리뷰 클릭률, 반품전환 비율.

4)비교(Evaluation) — "다른 쇼핑몰/브랜드와 비교할 때 어떤 차이가 있나?"

문제 가설: 가격·배송·반품·옵션 비교가 어렵고, 경쟁 쇼핑몰이 더 명확한 비교 정보를 제공 → 이탈.

인지부하 요인: 사용자 스스로 여러 탭·앱을 띄워 비교해야 하는 인지·시간 비용.

해결책:

• 가격·배송·반품의 핵심 비교표(예: 우리: 무료배송·7일 반품 vs 평균) 또는 “우리만의 혜택”을 한눈에.
• 가격 안정성/할인 팝업(한정수량/타임리미트) 사용 시 주의: 과도한 긴장감은 역효과.
• 우선순위: 중상.
• 측정 지표: 외부 링크 클릭률(타 사이트로 이탈), 비교표 노출 후 전환율.

5)의도(Intent) — "구매하려는 마음이 생겼나?"

문제 가설: CTA(구매 버튼)가 명확하지 않거나 신뢰성 있는 결제·배송 옵션이 보이지 않아 망설임.

인지부하 요인: 복잡한 옵션(색상·사이즈·배송비), 재고 정보 불투명.

해결책:

• 고정 하단 CTA 바: 선택한 옵션 요약 + 가격 + ‘장바구니’/‘바로구매’ 두 버튼.
• 옵션 변경 시 즉시 가격·재고 반영(지연 없이).
• 결제 수단, 배송 예상일(정확한 날짜) 미리 노출.
• 우선순위: 매우 높음.
• 측정 지표: CTA 클릭률 → 결제 시작률(Checkout start).

6)행동(Action) — "결제를 완료할 수 있는가?"

문제 가설: 결제 프로세스에서 입력/지연·추가비용(관세/배송비) 때문에 포기.

인지부하 요인: 입력필드가 많음, 불필요한 선택(계정 생성 강제) 등.

해결책:

• 비회원 간편 결제, 결제 단계 수 최소화(가능하면 1~2 단계).
• 총 비용(세금·배송비) 사전에 명확히 표시.
• 폼 필드 자동완성·유효성 검증 실시간.
• 우선순위: 매우 높음.
• 측정 지표: 결제 완료율(cart→purchase), 체크아웃 이탈률.

7)재확인·안심(Confirmation) — "구매 후 안심할 수 있는가?"

문제 가설: 주문 완료 후 확인 메시지·추적 정보가 부족하면 신뢰가 떨어짐(취소·문의로 이어짐).

인지부하 요인: 정보가 산발적(메일·앱 알림 불일치).

해결책:

• 주문 완료 페이지에 명확한 다음 단계(배송추적, 예상도착일, 반품방법) 안내.
• SMS/앱 푸시로 핵심 정보(운송장) 즉시 전송.
• 우선순위: 중.
• 측정 지표: CS 문의량(주문 관련), 반품 사유 분포.

8)이탈 포인트 분석(Exit) — "어디서 주로 나가는가?"

문제 가설: 특정 구간(예: 사이즈 선택, 결제 수단 선택)에서 이탈 집중.

해결책:

• 페이지 분석(heatmap, funnel)으로 이탈 구간 식별 → 해당 블록 우선 손보기.
• 우선순위: 필수(데이터 기반 우선순위 결정).
• 측정 지표: 단계별 이탈률, 클릭/스크롤 히트맵.

 

 

 

 

💬 작성한 프롬프트
난 프로덕트 디자이너고, 서비스의 문제를 생각의 나무 프롬프팅을 사용해서 해결책을 찾고싶어. 내가 문제만 적을테니, 너가 생각의 나무 프롬프팅에 맞게 작성해서 결과값을 보여줘. 문제 : 우리 온라인 옷쇼핑 앱에서 상세페이지 정보와 리뷰만으로는 사용자한테 핏하게 맞는 옷을 찾는게 어려워서 사용자가 많이 이탈하는 것.

 

( 🌳생각의 나무 ) 챗GPT 답변 👇🏻

🌱 뿌리 (핵심 문제 정의)

우리 온라인 옷쇼핑 앱에서 상세페이지 정보와 리뷰만으로는 사용자에게 핏하게 맞는 옷을 찾기 어렵다. → 이로 인해 사용자 이탈률이 높아지고, 구매 전환율이 낮아진다.

🌿 줄기 (문제를 이루는 주요 원인)

정보 부족

• 사용자가 자신의 체형 정보와 옷의 실제 핏을 매칭하기 어려움
• 상세페이지의 사이즈 표가 비표준적이거나 브랜드별 차이가 큼

리뷰 신뢰도 문제

• 리뷰가 개인 주관에 의존하고 체형·사이즈 정보가 누락된 경우 많음
• 사진 없는 리뷰는 실질적 도움이 적음

피팅 경험 부재

• 사용자가 직접 착용하지 못해 실제 핏, 질감, 착용감을 예측 불가

UX 흐름의 단절

• 추천 알고리즘이 사용자 체형이나 선호도 기반이 아님
• ‘비슷한 체형의 사람은 이렇게 입었다’ 같은 맥락적 정보 부족

🍃 가지 (해결의 방향 탐색)

가지 A. 정보 정교화 방향

• AI 기반 사이즈 추천 시스템 (사용자 신체 정보, 구매 이력 기반)
• 옷 상세 정보의 표준화된 핏 가이드 제공 (핏 타입, 소재 신축성, 체형별 착용 예시)

가지 B. 신뢰도 향상 방향

• 리뷰 작성 시 체형·키·몸무게·착용 사이즈 필수 입력으로 구조화
• 사진·영상 리뷰 인센티브 제공
• AI가 리뷰 요약해 “당신과 비슷한 체형의 사람 80%가 M사이즈를 선택했어요” 식으로 시각화

가지 C. 가상 피팅 경험

• AR 기반 가상 피팅 (자신의 신체 스캔 기반)
• 또는 3D 아바타 피팅 (사진 2장으로 체형 예측 후 옷 입혀보기)

가지 D. 맥락적 UX 설계

• 상품 상세페이지 내에서 바로 “내 체형에 맞는 추천 사이즈 보기”
• 유사 체형 유저의 착용 후기 자동 추천
• 쇼핑 히스토리를 기반으로 “이전 구매 옷과 비교” 기능 제공

🌸 열매 (통합적 해결 제안)

“개인화된 핏 매칭 경험 강화”를 중심으로 한 개선 전략

1️⃣ 데이터 기반 개인화

회원가입 시 간단한 체형 정보 입력 → AI 사이즈 추천 자동화

“핏 히스토리” 시스템으로 구매 후 만족도 반영해 추천 고도화

2️⃣ 체험 기반 시각화

3D/AR 피팅 기능을 앱 메인 전면에 노출

체형별 착용 이미지(실제 사용자 or 모델) 비교 가능하게 구성

3️⃣ 신뢰도 강화 UX

체형 기반 필터 (“나와 비슷한 체형 리뷰만 보기”)

리뷰 정보의 시각적 요약 (핏감/사이즈 만족도 그래프화)

4️⃣ 구매 맥락 연결

“내가 산 옷과 비교하기” 기능으로 기존 옷과 사이즈 감각 연결

추천 옷 목록을 “핏 유사도 기반”으로 정렬

💡 결론 (핵심 인사이트)

사용자는 “정보의 양”보다 “나와의 관련성 높은 정보” 를 원한다. 따라서 단순히 상세 정보를 늘리는 것이 아니라, 개인화된 핏 경험을 중심으로 한 UX 리디자인이 필요하다.

 

 

 

실습 2) Scholar AI 사용해보기

 

💬작성한 프롬프트

우리 온라인 옷쇼핑 앱에서 상세페이지 정보와 리뷰만으로는 사용자한테 핏하게 맞는 옷을 찾는게 어려워서 사용자가 많이 이탈하는 것이 문제인데 이 문제를 해결하기 위해서 참고할만한 자료를 찾아줘.

 

챗GPT Scholar AI 답변 👇🏻

온라인 의류 쇼핑몰에서 “리뷰와 상세정보만으로는 사용자에게 맞는 핏을 찾기 어렵다”는 문제는 전자상거래 업계에서 매우 공통적인 이탈 요인(churn factor)입니다. 최근 연구들은 이 문제를 해결하기 위해 딥러닝 기반 사이즈/핏 예측 모델, 가상 피팅(virtual try-on), 머신러닝 기반 이탈 예측 및 추천 시스템을 결합하는 방향으로 발전하고 있습니다.

 

1. 딥러닝 기반 핏 예측 모델
2. Sheikh et al. (2019) 은 여성 의류 렌탈 플랫폼 데이터를 활용하여 신체 특성과 상품 정보를 결합한 딥러닝 모델로 사용자의 사이즈·핏 적합도를 예측했습니다. 이 접근은 단순 리뷰 분석보다 훨씬 높은 정확도로 사용자의 만족도를 높였고, 반품률과 이탈률을 모두 줄였습니다.
3. 가상 피팅 및 시각적 추천 시스템또한 Bezawada (2024) 는 증강현실(AR) 의류 시각화가 소비자 행동에 미치는 영향을 분석하며, AR 기반 피팅 기능이 구매 의사결정 확신도와 사이트 체류시간을 높인다고 밝혔습니다.
4. Vaishnavi & Narendra (2024) 은 가상 착용 시뮬레이션(virtual try-on) 과 패션 추천 시스템을 통합하여 “실제 착용감 불확실성(fit uncertainty)” 문제를 완화했습니다. 이는 오프라인 쇼핑의 경험적 요소를 온라인으로 옮기는 방법으로, 사용자 체형 기반 렌더링을 통해 구매 전후의 신뢰를 향상시켰습니다.
5. 머신러닝 기반 고객 이탈 예측 및 맞춤 추천유사하게 Hasan et al. (2024) 도 예측 분석을 통해 이탈을 줄이는 방법을 제시했으며, 이는 의류 플랫폼의 고객 생애가치(LTV) 최적화에도 유용합니다.
6. Jahan & Sanam (2024) 은 머신러닝을 활용한 고객 세분화 + 이탈 예측 + 추천 프레임워크를 제안했습니다. 이 연구는 고객의 구매 패턴, 반품 내역, 리뷰 텍스트를 통합 분석해 이탈 위험이 높은 사용자를 조기 식별하고 맞춤형 프로모션이나 추천으로 리텐션을 높였습니다.
7. 추천시스템 최적화 및 실증 연구
8. Ruh (2023) 는 “Try-Before-You-Buy” 모델에서 추천 시스템의 품질을 개선해 구매 전환율을 높인 사례를 소개했습니다. 특히 리뷰 및 반품 데이터의 피드백 루프를 통해 추천 정확도를 높이고, 핏 관련 불만족으로 인한 이탈을 완화했습니다.

👉 정리하자면,

가장 효과적인 접근은 다음 세 가지의 통합입니다:

• 사용자 신체데이터 기반 딥러닝 핏 예측 (정확한 사이즈 매칭)
• AR/VR 기반 가상 피팅 (시각적 확신 제공)
• ML 기반 이탈 예측 및 개인화 추천 (고객 리텐션 강화)

이 세 가지를 단계적으로 결합하면, 상세페이지·리뷰 중심의 현재 한계를 극복하고 핏 중심 경험(personalized fit experience) 을 구축할 수 있습니다.

 

 

 

 

실습 3) 프롬프트 작성해서 Lovable로 UI 제작해보기

 

💡제작한 UI를 퍼블리싱해서 링크로 뱉어줍니다.

 

https://style-smartfit.lovable.app/

FitFinder - AI-Powered Fashion Fit

 

 

 

 

 

 

 

 

실습 4) 항공권 검색 UI 그리기 미션

• 항공권을 검색하거나 옵션을 비교할 수 있는 앱 또는 웹사이트를 디자인해보세요.
• 다음과 같은 변수를 고려해보세요: 편도, 왕복, 혹은 다구간 항공권인가? 수하물 비용은 포함되는가?
• 많은 데이터를 간단하고 명확하게 보여주는 것이 핵심입니다. 매일 수백만 명이 여행을 하기 때문에, 아주 작은 디테일이 사용자 경험에 큰 차이를 만듭니다.
• 항공사 앱, 여행 앱 실제 서비스를 확인하세요

 

 

💡 마이리얼트립 클론으로 진행했습니다.

실습 결과물

 

 

 

 

---

 

💡느낀점

 

프롬프트 엔지니어링 프레임워크가 다양하다는 것을 오늘 처음 알게 되었다.😮😮

스터디원께서 헷갈린다고 하셔서 이해한대로 정리해봤다.

 

필요에 따라 골라쓰면 될 것 같다. 사용자 여정을 자세히 뜯어보고 싶을땐 생각의 사슬로, 브레인스토밍이 필요할 땐 생각의 나무가 좋을 것 같다. 👍🏻

프롬프트 작성하는 법은 예전 챕터에서 배웠어서 더 배울게 있을까 싶었는데 AI는 파도파도 공부할게 계속 나오는 느낌이다ㅋㅋㅋㅋㅋ

 

lovable AI 사용해본 후기는 진짜 퀄리티가 좋은 것 같다! 프로토타입 수준까지 뽑아주는게 신기하다. 프로토타입까지 피그마로 추출할 수 있으면 참 좋을 것 같다.

 

항공권 UI는 생각보다 작업할 게 많았다...가는날/오는날 기입 화면에 달력이 나오는데 이전에 스케줄러 UI 작업했던게 떠올랐다. 그때 한 번 만들어봐서 그런지 조금 덜 부담스러웠지만 그럼에도 작업할 게 많았다...최근 일주일동안 급격히 살이 많이 쪄서 오늘부터 다이어트를 병행하고 있다 보니 작업하는 내내 기운이 없었던 하루였다...😑