정의
LLM의 성능을 극대화하기 위해 입력 프롬프트에 특정 도메인의 전문 용어, 인물명, 논문 초록 등을 의도적으로 주입하여 모델의 주의(attention)를 해당 영역으로 유도하고, 모델이 사전 학습 단계에서 획득한 과잉 능력(overhang)을 발휘하게 하는 기법.
핵심 속성
- 적확한 토큰의 필요성: 모델은 입력된 토큰에 민감하게 반응하며, 도메인에 특화된 용어가 없으면 관련 지식을 제대로 활성화하지 못함.
- 사용자 지식 비대칭 극복: 사용자가 해당 도메인을 몰라도 arXiv, 인물 목록 등 외부 소스를 통해 토큰을 채울 수 있음.
- 위험성 공존: 모르는 도메인의 용어를 주입하면 모델이 과도하게 자신감을 보이거나 잘못된 방향으로 갈 수 있음.
- 스킬(Skill) 시스템과의 연계: 이 기법은 재사용 가능한 프롬프트+코드 패키지인 스킬의 핵심 원리로 작동함.
관계
- 20260606-understand-model-to-help-model — 프라이밍을 효과적으로 사용하려면 모델의 작동 원리를 이해해야 함.
- 20260606-skill-system-industrialization-prompt-engineering — 스킬 시스템은 이 기법을 표준화한 구현체.
인용
“적확한 토큰을 넣어줘야 반응이 나오거든요. 그 도메인에 맞는 지시문들, 그리고 적확한 용어들이 있을 때 능력이 발휘되죠.”
“내가 모르는 영역에 대해서 대화를 하기 때문에 위험성은 따라오지만, 그 맥락에서 진짜 전문가들이 할 법한 이야기들의 그 어떤 분포를 만들어 낼 때는, 나는 모르지만 실제로 존재하는 토큰들을 어떻게든 끌어와야 한다.”
출처
- 📎 클리핑: 20260613-ep82-ko-transcript