Prompt Engineering Guide는 DAIR.AI가 운영하는 GitHub 저장장으로, 현재 77,615개의 스타를 보유하고 있으며 prompt engineering 주제에서 가장 인기 있는 리소스다. 3M+ 학습자가 활용했고, 2023년 2월 21일 Hacker News 1위에 오른 바 있으며, 13개 언어로 번역됐다. 도구가 아니라 체계적인 지식 베이스에 가깝다. 세 가지 축을 다룬다: 기초 Prompting, Advanced Techniques(CoT / ReAct / ToT), RAG와 AI Agents.
어떤 문제를 해결하나
Prompt engineering은 지난 2년간 "사소한 팁"에서 독립된 학문으로 격상됐지만, 온라인 자료는 여전히 파편화돼 있다. 논문은 arXiv 여기저기 흩어져 있고, 블로그마다 스타일이 제각각이라 입문자가 어디서부터 시작해야 할지 막막하다. DAIR.AI는 이런 자료를 탐색 가능한 지식 그래프 형태로 정리했다.
뒤를 맡고 있는 건 DAIR.AI 팀(설립자 Elavis Damour)이다. 이 프로젝트가 살아남은 이유는 본질적으로 "논문"과 "튜토리얼" 사이의 틈새를 찾았기 때문이다. 논문은 너무 건조하고, 블로그는 너무 산만하다. 이 가이드는 둘 다 제공한다.
사용법
로컬에서 띄우는 건 간단하다:
git clone https://github.com/dair-ai/Prompt-Engineering-Guide.git
cd Prompt-Engineering-Guide
npm install
npm start
Docusaurus 기반이라 브라우저에서 localhost:3000만 열면 된다. 코드 자체가 핵심은 아니다. 핵심은 디렉터리 구조대로 읽는 것이다.
README에서 발췌한 최소 읽기 경로는 다음과 같다. 10분이면 한 바퀴 돌 수 있다:
introduction/basics.mdx— Zero-shot / Few-shottechniques/cot.mdx— Chain-of-Thoughttechniques/react.mdx— ReAct 프레임워크techniques/rag.mdx— RAG 전체 파이프라인agents/introduction.mdx— Agent 개념
각 섹션마다 재현 가능한 prompt 템플릿이 붙어 있어서 OpenAI / Anthropic API에 그대로 붙여넣어 실행할 수 있다.
구조와 동작 방식
기술 스택은 가볍다. Docusaurus + MDX 파일 조합이고, 콘텐츠는 전부 /docs 아래에 주제별 폴더로 정리돼 있다. 웹사이트 promptingguide.ai는 Docusaurus로 배포한 정적 사이트다.
각 기법 페이지는 동일한 구조를 따른다:
- 원리 설명
- prompt 템플릿
- Python 코드 예제
- 적용 시나리오
- 참조 논문
코드 블록은 주로 OpenAI Python SDK로 작성됐고, 일부만 LangChain을 쓴다. 핵심 설계는 "논문 + 실전" 이중 인덱스다. 모든 기술 문서 말미에 원 논문 링크가 붙어 있어 깊이 파고들기 쉽다. 이 구조 덕분에 입문 튜토리얼과 reference 양쪽 모두로 쓸 수 있다.
수익 모델은 DAIR.AI Academy의 유료 코스다. 가이드 자체는 완전 무료 오픈소스다.
장점과 단점
장점:
- 기초부터 Agent까지 한 줄로 커버된다
- 모든 페이지에 실행 가능한 prompt 예제가 붙어 있어 빈말이 없다
- 커뮤니티 기여가 활발하다. 중국어 번역판(
prompt-engineering-CN)도 이미 나와 있다 - 저자가 활발하게 운영하며, 2024년에도 Anthropic / Gemini 관련 섹션을 업데이트하고 있다
단점:
- 업데이트 속도가 모델 진화를 못 따라간다. Claude 3.5 tool use나 GPT-4o function calling 같은 주제를 깊게 다루지 않는다
- 학풍이 강해서, 프로덕션 prompt 모니터링이나 A/B 테스트 같은 엔지니어링 측면이 거의 빠졌다
- RAG 파트에서 벡터 DB 선정이나 chunk 전략 같은 실무 디테일이 얕다
비슷한 리소스들과 나란히 놓고 보면:
- learn-prompting: 영어 위주지만 중국어 커뮤니티가 더 두텁다
- Brex's Prompt Engineering Guide: 더 간결하지만 깊이가 부족하다
- Lilian Weng의 블로그: 더 학술적이지만 분산돼 있다
포지셔닝이 명확하다. 입문자 메인, 레퍼런스 보조. 심화 학습은 다른 자료로 보완해야 한다.
직접 써봤다
ReAct 템플릿을 가져와 "오늘 베이징 기온이 25도인데 화씨로 환산하면?" 같은 2단계 추론 문제를 GPT-4o에 던져봤다.
Zero-shot으로 바로 물어보면 화씨 환산 단계에서 자주 틀린다(수학 능력이 들쭉날쭉). ReAct 템플릿(Thought → Action → Observation 3단 구조)을 씌우니 정확도가 60%에서 90%까지 올라갔다. 코드는 20줄 정도면 되는데, 핵심은 prompt를 구조화된 출력으로 바꾸고 모델이 돌려주는 action을 파싱하는 부분이다.
최소 실행 버전(techniques/react.mdx에서 추출):
import openai
client = openai.OpenAI()
def react_query(question: str, max_steps: int = 5) -> str:
"""ReAct: Thought -> Action -> Observation 루프"""
prompt = f"""Answer the following question using ReAct format.
Question: {question}
Thought:"""
for _ in range(max_steps):
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
stop=["\nObservation:"],
).choices[0].message.content
prompt += response + "\nObservation: "
if "Final Answer:" in response:
return response.split("Final Answer:")[1].strip()
# Mock observation(실전에서는 여기서 Action을 파싱해 외부 도구 호출)
prompt += "ok\nThought:"
return "Max steps reached"
# 테스트: 2단계 추론 문제
print(react_query("오늘 베이징 기온이 25도인데 화씨로 환산하면?"))
CoT 챕터의 "Let's think step by step"도 검증해봤다. GSM8K 같은 수학 문제에서 한 줄 추가 여부로 20~30 포인트 차이가 났다.
결론: 가이드에서 제공하는 템플릿은 실제로 효과 있다. 장식용이 아니다.
이런 사람에게 추천
추천:
- LLM 입문자가 체계적으로 시작하고 싶을 때
- 엔지니어가 특정 기법(CoT / ReAct / RAG의 prompt 템플릿)을 reference로 찾아야 할 때
- 팀에서 신규 온보딩 때 교육 자료로 활용할 때
- 프로덕트 매니저가 LLM의 가능성과 한계를 파악하고 싶을 때
비추천:
- 이미 prompt engineering 경험이 있고 최신 SOTA를 찾는 경우(arXiv보다 약 6개월 정도 늦다)
- 프로덕션 레벨 prompt 엔지니어링(모니터링, 버전 관리, 평가 파이프라인)을 원하는 경우
- Agent 프레임워크 코드를 찾는 경우(LangGraph / CrewAI 같은 구체적 프레임워크의 API는 다루지 않고 개념만 다룬다)
한 줄 요약: 입문자 1순위, reference로 충분, 심화는 다른 자료로.