--- title: "프롬프트만 잘 쓰면 되는 줄 알았다" date: 2025-07-22 updated: 2025-07-22 category: ai canonical: https://intzzzero.dev/context-engineering-based-ontology/ source: "Between Negative and Positive" language: ko --- LLM의 성능이 프롬프트만으로 결정된다고 생각했다면 오산이다. 진짜 실력은 모델이 보는 모든 정보, 즉 '컨텍스트'를 설계하는 데서 나온다. 프롬프트 엔지니어링을 넘어, 메모리, 도구, 데이터를 총괄하는 컨텍스트 엔지니어링에 대한 이야기다. ### 프롬프트에 집착하던 나, 바보였을까? 개발자라면 한 번쯤 이런 고민을 해봤을 것이다. "분명히 프롬프트는 완벽한 것 같은데, 왜 LLM은 어떨 땐 똑똑하고 어떨 땐 엉뚱한 소리를 할까?" 나 역시 마찬가지였다. RAG(검색 증강 생성)로 최신 정보까지 알려줬는데도 사실과 다른 답변을 내놓는 모델을 보며 답답함을 느끼곤 했다. 이 문제의 원인은 대부분 '컨텍스트(Context)'의 부재 혹은 오염에 있다. LLM은 강력한 연산 장치(CPU)지만, 그 작업 공간인 컨텍스트 창(Context Window)은 한정된 메모리(RAM)와 같다. 이 한정된 공간에 어떤 정보를, 어떻게 넣어주느냐에 따라 결과물의 품질이 극명하게 갈린다. 여기서 '컨텍스트 엔지니어링'이라는 개념이 등장한다. 컨텍스트 엔지니어링이란, LLM이 특정 작업을 성공적으로 수행하는 데 필요한 모든 정보와 도구를 최적의 형태로 조합하여 제공하는, 체계적인 시스템을 구축하는 기술을 말한다. 단순히 질문을 잘 다듬는 '프롬프트 엔지니어링'에서 한 단계 나아간, LLM이 처한 전체 정보 환경을 설계하는 일에 가깝다. 프롬프트 엔지니어링이 요리사에게 '맛있는 파스타 만들어줘'라고 말하는 것이라면, 컨텍스트 엔지니어링은 최고의 파스타를 만들 수 있도록 신선한 재료와 잘 닦인 조리도구, 상세한 레시피까지 준비해 주는 것과 같다. ### 그래서 컨텍스트가 뭔데? 그렇다면 LLM에게 제공되는 '컨텍스트'라는 브리핑 자료는 구체적으로 무엇으로 구성될까? 정보 과학의 '온톨로지(Ontology)'는 세상의 모든 것을 분류하고 관계를 정의하는 학문인데, 이걸 빌려와 컨텍스트를 한 번 해부해 보자. - **시스템 지침 \(System Instructions\)**: 모델의 역할이나 정체성을 지정해 주는 가장 기본적인 설정이다. "당신은 친절한 개발자 도우미입니다" 또는 "모든 답변은 JSON 형식으로 출력하세요"와 같은 규칙을 부여하여 일관된 톤앤매너와 결과물 형식을 유지하게 만든다. - **사용자 프롬프트 \(User Prompt\)**: 사용자가 바로 지금 입력한 질문이나 명령이다. 컨텍스트의 가장 직접적인 구성 요소다. - **대화 기록 \(Conversation History\)**: 이전 대화 내용을 요약하거나 그대로 포함하여 대화의 연속성을 보장한다. "방금 내가 말한 거 기억하지?"를 가능하게 만드는 단기 기억 장치 역할을 한다. - **외부 데이터 \(External Data\)**: RAG를 통해 검색된 최신 정보, 데이터베이스 조회 결과, 사내 문서 등 LLM이 사전 학습 과정에서 보지 못했던 지식을 제공한다. 이를 통해 환각(Hallucination)을 줄이고 답변의 신뢰도를 높인다. - **도구 \(Tools\)**: LLM이 스스로의 한계를 극복하기 위해 사용할 수 있는 외부 기능들이다. 웹 검색, 계산기, 코드 실행기, 다른 API 호출 등이 여기에 해당한다. LLM은 필요하다고 판단하면 특정 도구를 호출하고 그 결과를 다시 컨텍스트에 포함하여 다음 행동을 결정한다. 결국 컨텍스트 엔지니어링은 위와 같은 다양한 정보 조각들을 작업에 맞게 실시간으로 조합하고, 한정된 컨텍스트 창 안에서 우선순위를 정해 최적화하는 과정이다. 오류나 노이즈가 섞인 정보를 걸러내고(Context Poisoning), 너무 많은 정보에 모델이 길을 잃지 않도록(Context Distraction) 관리하는 것이 핵심이다. 과거에는 프롬프트에 기발한 문장 몇 개를 넣어 모델을 구슬리는 것이 중요했다면, 이제는 신뢰할 수 있는 AI 시스템을 만들기 위한 아키텍처 설계가 더 중요해졌다. 어쩌면 우리는 프롬프트를 속삭이는 심리학자에서, LLM이 마음껏 뛰어놀 수 있는 정보의 놀이터를 설계하는 아키텍트로 진화하고 있는지도 모른다. > Ref: > > 1. [A Survey of Context Engineering for Large Language Models](https://arxiv.org/abs/2507.13334) > 2. [Ontology\_(information_science)]()