Stanford CS193T Thinking with AI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Stanford CS193T의 핵심 프롬프팅은 목표와 성공 기준을 분명히 전달하고, 근거와 처리 범위를 검증하며, 자신의 판단과 학습을 유지하는 AI 활용법이다.

📌 핵심 요점

1. 자연스러운 말로 구체적으로 지시한다. 작업의 목적, 화자와 독자, 제약, 출력 형식, 성공 기준을 설명한다. 역할 지정은 어조와 관점을 조정하지만 새로운 전문지식을 만들어 주지는 않는다.
2. 요구사항이 막연하면 AI가 먼저 질문하게 한다. 인터뷰 결과를 작업 범위 문서로 정리하고 실행 전에 검토하면, 누락된 조건 때문에 긴 작업을 다시 수행하는 낭비를 줄일 수 있다.
3. 실제 자료로 답변의 기준을 제공하고 주장과 원문을 대조한다. 그라운딩도 환각을 없애지는 못하며, 모델의 자신감이나 편향이 없다는 자기선언은 검증을 대신하지 못한다. 인용의 정확성과 문서 전체를 처리했는지도 확인해야 한다.
4. 만족한 결과의 조건을 독립적인 프롬프트로 정리해 재사용한다. 새 주제는 새 대화에서 시작하고, 같은 주제라도 필요한 맥락만 남긴다. 중요한 지시는 처음이나 끝에 배치하고 작업 난도에 맞는 모델·추론 강도·도구를 선택한다.
5. AI에 작업을 맡겨도 자신의 목적과 학습은 직접 관리한다. 결과를 얻은 뒤 해결 절차를 기록하고 복습하며, 유지하고 싶은 기술이 무뎌지는지 확인할 장치를 마련한다.

🧩 배경과 문제 정의

• 대화형 AI를 자주 사용하더라도 원하는 결과를 얻기까지 수정이 반복될 수 있다. 목표와 요구사항을 명확히 하면 시행착오를 줄이면서 자신의 목소리와 비판적 사고를 유지하는 데 도움이 된다.
• 효과적인 프롬프팅에는 자연스럽고 구체적인 지시, 역할과 독자의 설정, 실제 자료를 통한 근거 제공이 필요하다. 다만 역할 지정이 새로운 전문지식을 만들거나 근거 자료가 환각을 완전히 없애지는 않는다.
• AI에 작업을 맡기는 능력은 사람에게 업무를 위임하는 능력과 겹친다. 기대사항과 성공 기준을 설명하고, 빠진 요구사항을 질문으로 확인하는 과정이 중요하다.
• 반복 작업의 요구사항을 재사용 가능한 프롬프트로 정리하면 시간과 자원을 절약할 수 있다. 개인의 사용 효율이 전체 환경 영향에 얼마나 기여하는지는 별도의 복잡한 문제다.

🕒 시간순 섹션별 상세정리

1. 대화형 프롬프팅은 자율적인 에이전트 작업의 기초다

• 대화형 작업은 사용자와 AI가 즉각적으로 주고받는 방식이고, 에이전트 작업은 지시를 받은 AI가 상당 시간 독립적으로 수행하는 방식이다. 두 방식은 상호작용의 빈도와 작업을 맡기는 범위에서 차이가 난다. [00:31]
• 대화형 채팅에 적용하는 초기 프롬프팅 기술은 에이전트 작업을 잘 수행하는 데에도 필요한 기초 역량이다. [01:35]

2. 원하는 결과를 먼저 정하면 반복 수정과 방향 상실을 줄일 수 있다

• AI를 사용하기 전에 무엇을 얻으려는지 스스로 명확히 해야 좋은 결과를 얻고, 자신의 목소리와 비판적 사고도 유지하기 쉽다. [03:41]
• 기숙사 티셔츠 디자인을 여러 차례 수정해 결국 만족하는 결과를 얻더라도, 목표에 이르는 과정을 단축할 여지가 있다. 예시에서는 이미지 생성이 30회에 이르는 반복을 줄이는 것이 문제로 드러난다. [04:14]

3. 자연스러운 말투로 요구사항을 직접적이고 구체적으로 표현한다

• 도구는 사람에게 맞게 설계되어야 한다는 관점에서, 사용자가 AI에 맞추려고 부자연스러운 문체를 익힐 필요는 없다. [05:27]
• 지나치게 격식 있거나 컴퓨터 명령문·법률 문서 같은 표현을 사용할 필요가 없다. 자연어로 컴퓨터를 지시할 수 있다는 점이 프로그래밍 언어와 구별되는 장점이다. [06:36]

4. 시스템 프롬프트도 사람에게 말하듯 구체적인 행동을 지시한다

• 주요 AI 제품은 사용자의 입력과 생성 중인 응답 외에도 제공업체가 넣은 시스템 프롬프트를 문맥 창에 포함한다. 이 지침은 사용자가 직접 입력하지 않아도 응답 생성에 관여한다. [07:41]
• Claude의 시스템 프롬프트에는 예시나 비유로 설명할 수 있다는 지침, 사용자가 요청하거나 욕설을 많이 쓰는 경우에도 욕설을 제한적으로 사용한다는 지침 등이 들어 있다. [08:38]

5. 시스템 프롬프트 공개는 AI 작동 방식의 투명성을 높인다

• 책임 있는 AI에서 투명성은 AI 사용 여부뿐 아니라 모델의 학습과 작동 방식에 관한 공개도 포함하는 핵심 가치다. [09:56]
• Anthropic은 현재와 과거의 시스템 프롬프트를 버전별로 공개한다. 이 자료에는 범죄 요청이나 위험한 감정 상태에 대응하는 방식부터 일반적인 답변 구성 방식까지 포함된다. [10:28]

6. 역할 지정은 표현과 독자 관계를 조정하지만 전문지식을 새로 만들지는 않는다

• 숙련된 부동산 중개인이 신입에게 조언한다는 설정은 전문 역할과 함께 화자·독자의 관계를 지정한다. 같은 정보라도 누구에게 전달하는지에 따라 표현이 달라질 수 있다. [11:36]
• 기준이 높으면서도 배려하는 소프트웨어 프로젝트 관리자라는 역할은 문서 피드백의 어조와 관점을 구체화한다. [12:22]

7. 실제 글과 자료를 제공하면 문체와 내용에 구체적인 기준을 줄 수 있다

• 자신의 문체를 재현하려면 직접 쓴 글을 예시로 제공할 수 있다. 이처럼 구체적인 문서나 사례에 AI의 행동을 연결하는 기법이 그라운딩이다. [13:25]
• 실제 데이터를 제공하면 환각 위험을 낮출 수 있지만 완전히 제거하지는 못한다. 생성 과정이 확률적인 다음 단어 예측이라는 한계는 남는다. [14:27]

8. AI에 업무를 맡길 때도 좋은 관리자의 위임 역량이 필요하다

• 산업계 AI 숙련 사용자들의 인터뷰에서는 사람을 관리하고 업무를 명확하게 위임하는 능력과 AI 활용 능력이 상당 부분 겹친다는 견해가 반복됐다. [17:02]
• 좋은 위임에는 사전에 명확히 정한 기대사항, 적절한 업무 분할, 독립적으로 맡길 수 있는 범위에 대한 판단, 최종 결과의 평가 기준이 필요하다. [17:48]

9. 작업의 목적·대상·제약을 구체적으로 명시한다

• 작업의 목표와 함께 누가 말하는지, 누구를 대상으로 하는지 명확히 해야 한다. 숙련된 중개인이 신입에게 조언하는 예시는 화자와 독자를 함께 설정한다. [19:54]
• 작업이 필요한 계기와 산출물이 달성해야 할 효과도 설명해야 한다. 글이라면 독자에게 어떤 설득 효과를 내고 무엇을 이루려는지까지 포함한다. [20:41]

10. 출력 형식과 성공 기준을 정하면 첫 결과의 적합도를 높일 수 있다

• 원하는 출력 형식을 구체적으로 지정하고, 어떤 상태를 성공으로 볼 것인지도 정의해야 한다. [21:35]
• 수용 기준은 계약에서 대금을 지급할 최소 조건을 정하듯 결과물이 충족해야 할 요건을 명확히 하는 방식이다. 처음부터 충분히 구체화하면 첫 시도에 원하는 결과를 얻는 경우가 많아질 수 있다. [21:45]

11. 요구사항이 막연하면 AI의 인터뷰로 구체화한다

• 처음부터 상세한 명세를 쓰기 어렵다면 AI가 사용자에게 질문해 요구사항을 파악하도록 하는 ‘인터뷰 미’ 패턴을 사용할 수 있다. [22:38]
• 조직의 행사를 계획하고 싶다는 정도의 목표만 제시한 뒤, 작업을 시작하기 전에 인터뷰하고 충분히 이해하려면 적어도 10개의 질문이 필요할 것이라고 요청하는 예시가 드러난다. [22:56]

12. 초안이 있어도 착수 전 확인 질문으로 누락을 찾는다

• 작업 범위를 이미 작성했다면 실행 전에 최소 세 가지 확인 질문을 하고, 답변에서 얻은 통찰을 반영해 작업 범위를 갱신하도록 요청할 수 있다. [24:17]
• 중요한 요구사항이 빠진 채 AI가 15분과 토큰을 소비하면 기대와 크게 다른 결과가 나올 수 있다. 착수 전에 잠재적인 빈틈을 찾게 하면 이런 낭비를 예방하는 데 도움이 된다. [24:38]

13. 만족한 결과의 조건을 독립적인 재사용 프롬프트로 정리한다

• 여러 차례 수정한 끝에 원하는 결과를 얻었다면, 같은 결과물을 향후 첫 시도에 얻을 수 있도록 상세하고 독립적인 프롬프트를 작성해 달라고 요청할 수 있다. [25:37]
• 한 번만 필요한 티셔츠 디자인보다 조직의 형식과 문체에 맞는 메모 작성처럼 반복되는 업무에서 이 방식의 활용도가 높다. [25:53]

14. 프롬프트 재사용은 시간 절약과 자원 소비 감소로 이어질 수 있다

• 정리된 프롬프트를 준비해 두면 다음 작업에서 요구사항을 다시 조율하는 시간을 줄일 수 있다. [27:00]
• 압축한 맥락을 새 대화에 넣어 원하는 결과를 바로 얻으면 시도 횟수와 토큰 소비를 줄일 수 있다. 토큰 소비 감소는 데이터센터의 에너지 소비를 줄이는 방향으로 연결된다. [27:10]

15. 개인의 토큰 절감이 갖는 환경 효과에는 규모에 관한 질문이 남는다

• 개인 소비자의 토큰 절감이 실제 환경 영향에 얼마나 기여하는지, 데이터센터 전력 소비에서는 대기업의 대규모 데이터 사용이 더 중요한지에 관한 질문은 단순하게 답하기 어렵다. [28:13]
• 대기업의 AI 사용도 많은 직원이 내리는 개별적인 사용 결정으로 이루어진다. 하나의 고객 청구서로 묶이더라도 실제 사용은 여러 사람의 행동이 합쳐진 결과다. [28:45]

16. 개별 요청의 작은 비용도 대규모 추론에서는 누적된다

• 엔비디아 CEO의 발언에 따르면 판매 칩의 절반 이상이 학습이 아닌 추론에 사용되고 있었다. 학습에는 GPU 10만 개 규모의 데이터센터를 2~4개월 내내 가동하는 막대한 자원이 필요하다 [30:47]
• 한 번의 요청 비용이 작다는 이유로 사용 단계의 환경 부담을 무시할 수는 없다. 요청이 집단적으로 누적되면서 전체 연산의 대부분이 추론에 쓰이는 상황이 되었다 [31:39]

17. 자신감에 대한 답변은 이전 생성 과정의 검증이 아니다

• 답변의 확신 정도나 고용 조언에 인종·성별이 영향을 미쳤는지 물으면, LLM은 필요한 내부 정보에 접근하지 못해도 그럴듯하고 자신감 있는 답을 생성할 수 있다 [33:20]
• 이전 답변에 대한 질문도 새로운 텍스트 생성 과정으로 처리된다. 이전 실행의 노드 활성화 값을 되돌아보는 방식이 아니므로, 그 답변을 내부 계산에 대한 신뢰할 만한 설명으로 볼 수 없다 [35:30]

18. 편향이 없다는 자기선언으로 편향을 배제할 수 없다

• 고용 조언에 보호 대상 특성이 영향을 주었는지 물으면, LLM은 사회적으로 기대되는 답인 “아니요”를 내놓을 가능성이 높다 [35:58]
• 학습에 쓰인 인터넷과 책, 인간 사회에는 인종차별과 성차별이 깊이 존재한다. 기업의 완화 노력에도 이런 편향은 복잡한 모델 가중치에 남아 있으므로, 모델의 부인만으로 영향이 없었다고 판단할 수 없다 [36:33]

19. 확신을 묻기보다 주장과 출처를 대조해야 한다

• 진실성과 신뢰가 중요할 때는 “얼마나 확실한가”라는 선언보다 검토할 수 있는 근거를 요구해야 한다. 사실에 관한 답변에는 인용 출처를 요청하고 직접 열어 확인해야 한다 [37:33]
• AI 답변이 질문에 맞춰 매우 구체적인 정보를 제시해도, 연결된 문서에는 그 정도의 구체성이 없을 수 있다. 출처 링크의 존재만 확인하지 말고 각 문서가 실제 주장을 뒷받침하는지 살펴야 한다 [38:51]

20. 인용문도 원문과 정확히 일치하는지 확인해야 한다

• 인용문을 받으면 해당 문구를 복사해 검색하고, 단어나 표현이 바뀌지 않았는지 확인해야 한다 [39:21]
• LLM은 인용문도 다음 토큰을 확률적으로 예측해 생성한다. 생성 과정의 무작위성 때문에 유사한 동의어나 문장 구조로 바뀌어, 원문과 비슷하지만 정확하지 않은 인용이 나올 수 있다 [39:54]

21. 관찰 가능성은 검토할 수 있는 과정의 증거를 늘린다

• 관찰 가능성은 시스템의 작동·행동·성능에 관한 증거를 수집하고 해석할 수 있는 능력이다. 데이터센터에서 장애나 유지보수 상태를 보여주는 대시보드가 한 사례다 [40:58]
• 신경망 내부 계산을 직접 알 수 없더라도, 외부에 기록된 처리 과정은 확인할 수 있다. 작업 과정의 더 많은 부분을 대화에 명시하면 사용자와 LLM이 함께 검토할 근거가 생긴다 [41:49]

22. PDF 분석에는 전체 처리 여부를 확인할 수치를 포함한다

• 수강생 프로필 PDF의 전공별 비율을 분석한 Claude는 실제 수강생보다 적은 20명만 대상으로 보고서를 만들었다. 이후 사용한 PDF 읽기 도구에 20페이지 제한이 있어 앞부분만 읽었다고 답했다 [43:48]
• 최초 요청에 “파일에서 찾은 전체 학생 수도 보고하라”는 조건을 넣으면 처리 범위의 누락을 발견하기 쉬워진다. 이런 기본 확인값이 있어야 전공별 비율 같은 후속 분석도 더 신뢰할 수 있다 [44:28]

23. 인터뷰 뒤 요구사항을 명시하면 실행 전에 수정할 수 있다

• 행사 계획을 위해 최소 10개의 질문을 받더라도, 답변 중 어떤 정보가 실제 계획에 반영될지는 확인하기 어렵다 [45:15]
• 인터뷰 후 요구사항을 작업 범위 문서로 정리하고, 사용자가 승인하거나 수정한 뒤 계속하도록 요청하면 해석된 요구사항이 대화에 남는다. 사용자는 실행 전에 누락이나 우선순위를 바로잡을 수 있다 [46:30]

24. 추론 모델의 내부 반복에는 추가 토큰이 든다

• 추론 모델은 첫 생성 결과를 곧바로 반환하기보다 응답 전에 내부적으로 반복하도록 구성된다. 제품마다 노력 수준이나 thinking 모드 등 이를 조절하는 설정이 다르다 [47:31]
• 이 내부 반복은 사고 사슬로 불리며, 같은 LLM의 여러 인스턴스가 서로의 출력을 입력으로 받아 대화하는 모습에 비유할 수 있다. 그 과정에서 생성되는 텍스트도 토큰 소비에 포함된다 [48:45]

25. 사고 과정의 표시 방식은 제품과 인터페이스마다 다르다

• 내부 반복 과정에서 생성된 텍스트를 사용자에게 얼마나 보여주는지는 제품과 설정에 따라 다르다. ChatGPT는 요약 개요를 제공하고, Gemini는 검색 화면과 별도 제품·API에서 접근 가능한 정보가 다르며, Claude의 표시도 문자 그대로의 전체 기록은 아니다 [49:53]
• Claude 예시에서는 thinking을 켠 뒤 펼친 화면에 인용문 사용의 저작권 문제를 검토하는 내용이 나타났다. 이 내용은 간결하게 정리된 최종 답변과 별도로 표시되었다 [51:59]

26. 새로운 주제는 새 대화로 시작해 맥락을 관리한다

• 맥락 창은 능동적으로 관리해야 할 자원이며, 새로운 주제에는 새 대화를 사용하는 것이 기본 원칙이다 [54:49]
• 관계 조언이나 요리법이 쌓인 대화에서 미적분의 연쇄법칙을 물으면 현재 질문과 무관한 텍스트가 맥락을 차지한다. 이는 현재 필요에 대한 집중을 희석하고 불필요한 토큰과 전력을 소비한다 [56:27]

27. 같은 주제에서는 이전 대화의 연속성이 도움이 될 수 있다

• 같은 주제라고 해서 항상 기존 대화를 이어가야 하는 것은 아니다. 다만 여러 주에 걸친 미적분 학습처럼 반복되는 작업에서는 이전에 어려워했던 내용을 참고할 수 있다는 이점이 있다 [58:23]
• 앞서 효과가 있었던 영화 비유나 설명 사례를 이어서 활용하면 학습의 연속성을 유지할 수 있다 [58:41]

28. 같은 주제라도 과도한 맥락은 답변을 제약할 수 있다

• 맥락 부패는 같은 주제의 대화에서도 불필요하게 비대해진 맥락이 문제를 일으킬 수 있다는 개념이다. 기록이 쌓일수록 과거 대화가 이후 생성 방향에 미치는 영향이 커질 수 있다 [59:39]
• AI와 매우 개인적인 대화를 오래 이어가는 과정에서는 누적된 맥락이 음모론적 사고를 강화하는 현상으로 이어질 수 있다 [59:59]

29. 누적된 대화 이력이 사고와 응답을 고착시킬 수 있다

• 과거 대화에 갇힌 응답은 건강하지 않은 사고 패턴이나 정신증을 심화할 수 있으며, 극단적인 상황이 아니더라도 대화가 길어지면서 모델의 시야가 좁아질 수 있다 [1:00:06]
• 한 번 나온 스폰지밥 비유에 대한 반응을 지속적인 취향으로 받아들이는 것처럼, 우연한 상호작용이 불필요한 집착으로 이어질 수 있다 [1:00:38]

30. 중요한 지시는 맥락의 처음이나 끝에 배치한다

• 모델에는 맥락의 처음과 최근 내용을 더 중시하는 초두 편향과 최신 편향이 있다. 최근 요청에 집중하는 성향 때문에 과거 이력의 영향을 작게 느낄 수 있다 [1:02:03]
• 이런 편향은 트랜스포머의 어텐션 구조에서 일부 비롯될 가능성이 있다. 대화에 여러 주제가 섞여 있어도 맨 앞의 시스템 프롬프트와 가장 최근 요청에 특히 집중하는 경향이 있다 [1:03:19]

31. 작업 난도에 맞춰 모델과 추론 강도를 선택한다

• 원하는 답을 효과적으로 얻는 방식이 환경 부담과 비용도 줄이는 경우가 많다. 다만 결과의 효과성, 환경 영향, 예산이라는 세 목표가 항상 일치하는 것은 아니다 [1:04:56]
• 단순한 작업에는 과도한 모델 성능이나 추론 강도가 필요하지 않다. 510단어 글을 500단어로 줄이거나 철자를 확인하는 작업이라면 모델과 노력 설정을 그에 맞게 조정한다 [1:05:53]

32. 입력 형식과 도구 선택으로 불필요한 계산을 줄인다

• 원문 텍스트에 접근할 수 있다면 사진이나 스크린샷 대신 텍스트를 직접 붙여 넣는다. 이미지에서 글자를 추출하는 추가 처리 비용을 줄일 수 있다 [1:06:40]
• 단순한 곱셈은 계산기로, 찾을 단어를 아는 문서 검색은 Ctrl+F로 처리할 수 있다. 이런 작업을 위해 고성능 모델을 호출하거나 문서 전체를 입력할 필요는 없다 [1:07:20]

33. 자신의 목적과 관점을 AI에 분명히 반영한다

• AI를 사용할 때 자신이 누구이며 무엇을 원하고 무엇을 이루려는지 명확히 해야 한다. 자신의 생각과 선호, 마음을 아는 권한은 AI에 위임하지 않아야 한다 [1:08:23]
• 사용자가 관점과 의도를 명시하지 않으면 모델은 생성 확률이 높은 경로를 따라가기 쉽다. 그 결과 자신의 뜻보다 학습 데이터에 담긴 다른 사람들의 기대가 반영될 수 있다 [1:09:25]

34. 작업 결과를 자신의 지식으로 되돌리는 습관을 만든다

• AI를 직원처럼 다루는 위임 방식에는 실제 업무를 이해하지 못하는 관리자가 될 위험이 있다. 원하는 결과를 얻은 뒤 논의와 해결 과정을 독립적인 요약이나 문서로 남기는 사후 정리가 이를 막는 한 방법이다 [1:10:54]
• AI가 버그를 수정했다면 무엇을 했는지 설명하고 다음에는 직접 수행할 수 있도록 절차를 적게 한다. 이런 작은 학습 기록을 모아 주기적으로 복습하면 지식을 유지하거나 늘리는 데 도움이 된다 [1:11:50]

35. 기술 저하는 자기 느낌만으로 감지하기 어렵다

• AI의 도움을 받으면서도 유지하고 싶은 기술을 정하고, 그 기술이 서서히 무뎌질 때 알려 줄 조기 경보 장치를 생각해야 한다 [1:14:29]
• 인터뷰에 참여한 전문가들 가운데는 수십 년간 반복한 프로그래밍 작업을 직접 하려다가 방법을 잊었다는 사실을 깨달은 사람들이 있었다. 기술 저하는 천천히 진행되어 특정한 계기가 생길 때까지 알아차리지 못할 수 있다 [1:14:49]

🧾 결론

• 프롬프팅은 기대사항과 평가 기준을 전달하는 위임 역량이며, 대화형 사용에서 에이전트 작업으로 이어지는 기초다.
• 신뢰할 만한 결과를 얻으려면 출처, 처리한 자료의 수, 해석된 요구사항처럼 외부에서 확인할 수 있는 증거를 남겨야 한다.
• 효율적인 AI 활용에는 프롬프트 재사용과 맥락 관리뿐 아니라, 해당 작업에 LLM이 필요한지 판단하는 일도 포함된다.
• 작업을 끝내는 것과 지식을 얻는 것은 별개다. 사후 설명과 학습 기록을 통해 결과를 자신의 역량으로 되돌려야 한다.

📈 투자·시사 포인트

• 조직의 AI 활용에서는 명확한 업무 분할, 수용 기준, 착수 전 확인 질문이 결과의 적합도와 재작업 비용을 판단하는 중요한 요소다.
• 모델과 추론 강도를 작업에 맞추고 불필요한 입력과 반복을 줄이면 시간·토큰 비용을 절약할 수 있다. 다만 효과성, 예산, 환경 영향이 항상 같은 방향으로 움직이지는 않는다.
• 추론 요청은 개별 비용이 작아도 대규모로 누적된다. 강의에 소개된 칩 사용 비중과 자원 규모는 발언의 근거와 적용 시점을 확인한 뒤 해석해야 한다.
• AI 활용 성과를 평가할 때는 산출물의 품질과 함께 사용자의 검증 능력과 장기적인 기술 유지도 살펴볼 필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 프롬프트 효율화가 개인의 실제 전력 소비와 전체 환경 영향에 얼마나 기여하는지는 자료만으로 정량화할 수 없다. 토큰 감소를 일정한 에너지 절감률로 환산할 근거도 제시되지 않는다.
• 엔비디아 CEO 발언으로 소개된 추론용 칩 비중과 학습 자원 규모는 원출처, 집계 기준, 적용 시점을 확인해야 한다.
• PDF의 20페이지 제한은 소개된 사례의 조건이다. 모든 제품과 도구에 공통으로 적용되는 제한으로 일반화할 수 없다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 다음 작업의 목적·독자·제약·출력 형식·성공 기준을 적고, 필요한 원문과 문체 예시를 함께 제공한다.
• 요구사항이 모호하면 먼저 인터뷰를 요청하고, 초안이 있으면 착수 전 최소 세 가지 확인 질문으로 누락을 찾는다. 해석된 작업 범위를 검토한 뒤 실행한다.
• 사실 주장마다 출처가 실제 내용을 뒷받침하는지 확인하고, 직접 인용은 원문과 단어 단위로 대조한다. 문서 분석에는 전체 대상 수와 처리 범위를 함께 보고하게 한다.
• 만족한 결과를 얻으면 전체 대화의 조건을 담은 독립적인 재사용 프롬프트를 만들고, 새 대화에서도 요구사항이 전달되는지 확인한다.

❓ 열린 질문

• 요구사항을 상세히 작성하는 준비 비용과 반복 수정으로 생기는 비용 사이에서, 작업별 적정 수준은 어떻게 정할 수 있을까?
• 같은 주제의 대화를 이어갈 때 학습의 연속성은 살리고 불필요한 맥락의 영향은 줄이려면 어떤 기준이 필요할까?
• 결과의 효과성, 토큰 비용, 환경 영향이 충돌할 때 어떤 지표로 모델과 추론 강도를 선택해야 할까?