복잡한 태스크를 더욱 단순한 프롬프트로 세분화

여러 안내나 단계가 필요한 복잡한 태스크의 경우 프롬프트를 하위 태스크로 나누면 모델의 응답을 개선할 수 있습니다. 프롬프트를 작게 하면 제어 가능성, 디버깅, 정확성을 개선하는 데 도움이 됩니다.

복잡한 프롬프트를 분해하여 모델에 처리하는 방법에는 두 가지가 있습니다.

  • 프롬프트 체이닝: 작업을 하위 작업으로 분할하고 하위 작업을 순차적으로 실행합니다.
  • 응답 집계: 태스크를 하위 태스크로 분할하고 하위 태스크를 동시에 실행합니다.

프롬프트 연결

여러 순차적 단계가 포함된 복잡한 태스크의 경우 각 단계를 프롬프트로 만들고 프롬프트를 순서대로 연결합니다. 이 순차적인 프롬프트 체인에서 시퀀스의 한 프롬프트의 출력이 다음 프롬프트의 입력이 됩니다. 시퀀스에서 마지막 프롬프트의 출력이 최종 출력입니다.

예시

예를 들어 통신 비즈니스를 운영하고 있으며 모델을 사용하여 고객 의견을 분석하여 일반적인 고객 문제를 파악하고 문제를 카테고리로 분류하고 문제 카테고리에 대한 해결책을 생성하려고 한다고 가정해 보겠습니다.

작업 1: 고객 문제 파악

모델이 완료해야 하는 첫 번째 작업은 원시 고객 의견에서 의미 있는 데이터를 추출하는 것입니다. 이 작업을 실행하는 프롬프트는 다음과 유사할 수 있습니다. 여기서 CUSTOMER_FEEDBACK는 고객 의견이 포함된 파일입니다.

데이터 추출 
      Extract the main issues and sentiments from the customer feedback on our telecom services.
      Focus on comments related to service disruptions, billing issues, and customer support interactions.
      Please format the output into a list with each issue/sentiment in a sentence, separated by semicolon.

      Input: CUSTOMER_FEEDBACK

모델의 응답에는 고객 의견에서 추출된 문제 및 감정의 목록이 포함될 것으로 예상됩니다.

작업 2: 문제를 카테고리로 분류

다음으로, 이전 태스크의 응답을 사용하여 고객이 겪는 문제 유형을 파악할 수 있도록 모델에 데이터를 카테고리로 분류하도록 요청합니다. 이 작업을 실행하는 프롬프트는 다음과 유사할 수 있습니다. 여기서 TASK_1_RESPONSE은 이전 작업의 응답입니다.

데이터 분류 
        Classify the extracted issues into categories such as service reliability, pricing concerns, customer support quality, and others.
        Please organize the output into JSON format with each issue as the key, and category as the value.

        Input: TASK_1_RESPONSE

모델의 응답에는 분류된 문제가 포함되어야 합니다.

작업 3: 솔루션 생성

이제 이전 작업의 응답을 사용하여 고객 만족도를 개선하기 위해 분류된 문제를 기반으로 실행 가능한 추천을 생성하도록 모델에 프롬프트합니다. 이를 실행하는 프롬프트는 다음과 같이 표시될 수 있습니다. 여기서 TASK_2_RESPONSE은 이전 작업의 응답입니다.

추천 생성 
        Generate detailed recommendations for each category of issues identified from the feedback.
        Suggest specific actions to address service reliability, improving customer support, and adjusting pricing models, if necessary.
        Please organize the output into a JSON format with each category as the key, and recommendation as the value.

        Input: TASK_2_RESPONSE

모델의 응답에는 전반적인 목표를 충족하는 고객 경험과 서비스 품질 개선을 목표로 하는 각 카테고리의 추천이 포함될 것으로 예상됩니다.

응답 집계

복잡한 작업이 있지만 특정 순서로 작업을 실행할 필요가 없는 경우 프롬프트를 동시에 실행하고 모델의 응답을 집계할 수 있습니다.

예시

예를 들어 음반 매장을 운영하고 있으며 음악 스트리밍 동향과 매장의 판매 데이터를 기반으로 재고를 보충할 음반을 결정하는 데 도움이 되는 모델을 사용하고 싶다고 가정해 보겠습니다.

작업 1: 데이터 분석

먼저 스트리밍 데이터와 판매 데이터라는 두 데이터 세트를 분석해야 합니다. 프롬프트를 실행하여 이러한 작업을 동시에 완료할 수 있습니다. 이러한 작업을 실행하는 메시지는 다음과 유사할 수 있습니다. 여기서 STORE_SALES_DATA는 판매 데이터가 포함된 파일이고 STREAMING_DATA는 스트리밍 데이터가 포함된 파일입니다.

작업 1a: 판매 데이터 분석하기 
      Analyze the sales data to identify the number of sales of each record.
      Please organize the output into a JSON format with each record as the key, and sales as the value.

      Input: STORE_SALES_DATA

출력에는 JSON 형식의 각 레코드 판매 수가 포함됩니다.

작업 1b: 스트리밍 데이터 분석 
        Analyze the streaming data to provide a the number of streams for each album.
        Please organize the output into a JSON format with each album as the key, and streams as the value.

        Input: STREAMING_DATA

출력에는 JSON 형식의 각 앨범 스트림 수가 포함됩니다.

작업 2: 데이터 집계

이제 두 데이터 세트의 데이터를 집계하여 구매 결정을 계획할 수 있습니다. 데이터를 집계하려면 두 태스크의 출력을 입력으로 포함합니다. 이를 실행하는 프롬프트는 다음과 같이 표시될 수 있습니다. 여기서 TASK_1A_RESPONSE 및 TASK_1B_RESPONSE는 이전 작업의 응답입니다.

판매 및 스트리밍 데이터 집계 
        Recommend a stocklist of about 20 records based on the most sold and most streamed records.
        Roughly three quarters of the stock list should be based on record sales, and the rest on streaming.


      Input: TASK_1A_RESPONSE and TASK_1B_RESPONSE

출력에는 음반 판매 및 스트림을 기반으로 한 약 20개의 음반으로 구성된 추천 재고 목록이 포함되며, 스트리밍 인기도가 높은 음반보다 입증된 판매 이력이 있는 음반이 더 많이 포함될 것으로 예상됩니다.

다음 단계