정의
LLM의 입력 단계에 전략적으로 선별된 핵심 용어, 무작위 데이터(ArXiv 초록, 두문자어), 또는 인명을 배치하여 모델의 내부 확률 분포를 특정 전문가 영역으로 급격히 전이시키는 프롬프팅 방법론이다. 단순한 역할 부여와 달리, 모델의 과잉 능력(Overhang)을 활성화하기 위한 “미니맵 밝히기”에 해당한다.
핵심 속성
- 발산적 도메인 탐색: 파레이돌리아(Pareidolia), ArXiv 초록 샘플링, A-Z 인물 소환 등을 통해 모델의 연상 능력을 유발하여 낯선 개념 공간을 열어줌.
- 수렴적 전문성 집중: 특정 도메인의 전문 용어를 주입하여 해당 영역의 “내부 표현”을 집중적으로 활성화, 응답의 질(의미론적 정확성)을 끌어올림.
- 합성 전문성 (Synthetic Expertise): 인간이 직접 모르는 분야여도, 외부 지식 그래프(ArXiv)나 스킬(Skill) 파일을 통해 토큰을 주입함으로써 모델의 숨겨진 능력을 표면화할 수 있음.
- 리스크 (스포츠카 모드): 잘못된 프라이밍은 인간이 통제할 수 없는 수준의 전문성을 활성화(산으로 감)하여 출력의 신뢰성과 정합성을 떨어뜨림.
관계
- 20260607-unlocking-ai-potential-with-precise-tokens — 연장 (이 기법이 인간에게 요구하는 새로운 리터러시)
- 20260607-harness-is-the-new-source-code — 연장 (스킬과 하네스는 이 프라이밍을 시스템화, 자동화한 구현체)
- Chain-of-Thought — 대조 (CoT가 모델의 내부 경로 추적이라면, 프라이밍은 그 경로가 놓일 지형 자체를 설계하는 행위)
인용
“적확한 토큰을 넣어줘야 반응이 나오거든요… 그 도메인에 맞는 지시문들, 그리고 적확한 용어들이 있을 때 능력이 발휘되죠.” — 최승준