Claude 블로그 되짚어보기 #59 — 프롬프트 엔지니어링 베스트 프랙티스, Context Engineering으로의 진화 (2025)
원문 정보
- 제목: Best practices for prompt engineering
- 링크: claude.com/blog/best-practices-for-prompt-engineering
- 발행: 2025년 11월 (Skills 시기)
- 카테고리: Claude Apps / Productivity / Agents
글의 요지
프롬프트 엔지니어링의 베스트 프랙티스. "AI에게 명확하게 의도를 전달하는 언어" 로서 프롬프트 엔지니어링의 핵심 원칙. 가장 좋은 프롬프트는 가장 길거나 복잡한 게 아니라 최소 구조로 안정적 목표 달성.
코어 원칙 — 4가지
1) 명확함과 직접성 (Be Clear and Direct)
- 모호한 표현 회피
- 정확한 동작 지정
- "이 텍스트 분석해" (X) → "이 텍스트의 주요 주장 3개를 bullet로 추출" (O)
2) 예시 사용 (Use Examples)
- Few-shot prompting
- 여러 "엣지 케이스 나열" 보다 다양한 canonical 예시 큐레이션
- 모델이 패턴을 일반화
3) Claude 사고 시간 주기 (Let Claude Think)
- "단계별로 사고하라" 명시
- Extended Thinking 활용 (Claude 4.x)
- 복잡한 추론에서 결정적
4) XML 태그 활용 (Use XML Tags)
- Claude 학습 데이터에 XML 많음
<example>,<document>,<instructions>같은 태그- 구조 명확화
Claude 4.x의 변화 — "Literal Interpretation"
본문이 강조한 핵심 변화:
- 이전 모델 (Claude 3.5): 의도 추론, 모호한 요청 확장
- Claude 4.x: 문자 그대로 받음, 정확히 요청한 것만
예시:
- "Build a dashboard" → 이전: 풀 대시보드, 4.x: 빈 프레임 + 제목
- "Above and beyond" 동작 원하면 명시적 요청 필요
이 변화의 함의:
- 더 정확한 통제
- 그러나 더 명시적 지시 필요
- literal-minded employee 처럼 다뤄야
코어 vs 고급 기법
시작 (코어):
- 명확함, 예시, Think, XML
- 일관되게 사용 → 자연스러워질 때까지
고급 (필요 시):
- Prompt chaining
- Role prompting
- Negative prompting (조심해서)
- Output prefilling
규칙: "고급 기법은 구체적 문제 풀 때만 추가"
Context Engineering으로의 진화
본문이 강조한 새 패러다임:
"Prompt engineering의 중요성은 줄지 않는다, 그러나 'context engineering'으로 진화 중."
차이:
- Prompt Engineering: 단일 프롬프트 작성
- Context Engineering: AI가 어떤 정보를 어떤 단계에 받는지 큐레이션
- 멀티스텝 에이전트 워크플로의 새 영역
Cognition AI 인용
Sonnet 4.5의 18% 플래닝 성능 증가 — "Sonnet 3.6 이후 가장 큰 점프"
2026년에 다시 읽으며 — 내가 본 것
1. "Prompt Engineering"의 정체성 변화
이 글은 "prompt engineering의 시대 변환점" 을 보여준다.
시기별 위상:
- 2022-2023: "마법의 주문" — 구체 기법 알면 큰 우위
- 2024: 표준화, 베스트 프랙티스 정착
- 2025년 후반 (이 글): 기본 + Context Engineering
- 2026년 예상: "Context Engineering이 prompt engineering을 흡수"
본문 인용:
"As models become more capable, the challenge isn't just crafting the perfect prompt—it's thoughtfully curating what information enters the model's limited attention budget at each step."
번역: 모델이 더 강력해지면서, 도전은 "완벽한 프롬프트 작성" 만이 아니라 모델의 주의 예산에 어떤 정보가 들어갈지 큐레이션 임.
이게 prompt → context 진화의 본질이다.
2. "Literal Interpretation" 변화의 의미
Claude 4.x가 "문자 그대로 해석" 하는 변화가 흥미롭다.
이게 발전인가, 회귀인가?
발전 측면:
- 사용자 통제권 ↑
- 모델이 사용자 의도 추측 안 함 (자기주장 적음)
- 안전성 ↑ (모델이 임의로 행동 안 함)
회귀 측면:
- "AI 마법" 감 줄음
- 더 명시적 지시 필요
- 비기술 사용자 어려움
이 트레이드오프가 AI 도구의 성숙을 보여준다. 초기엔 "AI가 알아서 해주면 좋겠다". 성숙기엔 "AI가 정확히 내가 시킨 것만 했으면".
이 변화는 enterprise 사용자에게 결정적이다. 거대 회사가 AI 도입 결정 시 "AI가 임의 행동" 이 가장 큰 두려움. literal interpretation = 신뢰.
3. "AI Slop"이라는 새 디자인 어휘
본문이 인용한 표현 — "AI slop aesthetic" (AI 슬롭 미학):
- 모든 AI 생성 사이트가 비슷
- Inter, Space Grotesk 폰트
- 검정 + 에메랄드 그라데이션
- 같은 레이아웃
이 "AI slop" 이 2025년의 가장 큰 디자인 비판이 됐다. ChatGPT, v0, Bolt 등으로 만든 사이트가 다 비슷.
Anthropic의 대응:
- Frontend Design Skill 오픈소스
- System prompt로 의도적 회피:
<frontend_aesthetics> You tend to converge toward generic, "on distribution" outputs. </frontend_aesthetics>
이 "AI 자체가 자기 한계 인지" 가 흥미롭다. "너는 generic으로 가는 경향이 있어, 그러지 마" 같은 자기 인식 프롬프트.
4. "Anthropic Skilljar 코스"의 의미
본문이 언급 — "prompt engineering 코스 at anthropic.skilljar.com".
Anthropic의 교육 전략:
- 무료 코스 (Skilljar 플랫폼)
- 인증서 발급
- 구조화된 학습 경로
이게 개발자 락-인 전략이다:
- 개발자가 "Claude prompt engineering" 배움
- 다른 모델로 전환 시 다시 배워야 함
- 학습 투자 = 전환 비용
같은 패턴:
- AWS 자격증 → AWS 락-인
- Salesforce 인증 → Salesforce 락-인
- Anthropic Skilljar → Claude 락-인
이게 장기 시장 점유 전략의 일부다. 모델 능력만이 아니라 사용자 스킬 락-인.
5. "Examples > Edge Cases" 원칙
본문 인용:
"Teams will often stuff a laundry list of edge cases into a prompt... We do not recommend this. Instead, we recommend working to curate a set of diverse, canonical examples."
이게 prompt engineering의 흔한 실수다:
잘못된 패턴:
- 모든 가능한 케이스 명시
- "만약 X이면 A, Y이면 B, Z이면 C..."
- 100개 규칙 나열
좋은 패턴:
- 3-5개 canonical 예시
- 다양한 시나리오 커버
- 모델이 일반화
이 원칙이 소프트웨어 디자인의 일반 원칙과 같다 — DRY (Don't Repeat Yourself), 추상화, 패턴 인식.
이 "개발자 직관" 이 prompt engineering에 그대로 적용된다는 게 흥미롭다.
6. "Negative Prompting의 함정"
본문이 경고 — "Negative prompting을 가볍게".
문제:
- "X 하지 마라" → 오히려 X 더 함
- LLM이 "~을 하지 말라" 보다 "~을 해라" 를 더 잘 따름
- 부정 명령이 어떻게 "reverse psychology" 효과
PromptLayer 인용:
"Telling Claude too forcefully what not to do can sometimes backfire and actually encourage that behavior through a kind of reverse psychology effect."
좋은 패턴:
- "X 안 하기" → "Y 하기"
- 원하는 동작을 명시
- 부정문 최소화
이게 언어 모델의 작동 방식 에서 자연스러운 결과다. LLM은 "다음 토큰 예측" — 부정문이 자주 등장하면 부정문 자체를 더 생성.
7. "Cognition AI의 18%" — 외부 검증
본문이 인용한 외부 데이터:
- Cognition AI (Devin 만든 회사)
- Sonnet 4.5의 플래닝 성능 18% 증가
- "Sonnet 3.6 이후 가장 큰 점프"
이 인용의 마케팅적 의미:
- 외부 검증 = Anthropic 자기주장보다 신뢰
- 경쟁사 검증 = 더 강한 신뢰
- 구체 수치 = 마케팅 임팩트
Cognition은 Devin (자율 SWE 에이전트) 만든 회사. AI 코딩 시장의 경쟁자다. 그들이 "Claude가 좋다" 인용 = 객관성 시그널.
이 "경쟁자가 인정" 패턴이 Anthropic의 신뢰 마케팅이다.
마무리
이 글은 "프롬프트 엔지니어링 가이드" 같지만, 실제로는 AI 도구 사용의 패러다임 변환점을 보여준다.
- 코어 4원칙: 명확함, 예시, 사고, XML
- Claude 4.x = literal interpretation: 추측 안 함
- Prompt → Context Engineering 진화
- AI slop 회피 의식
- Examples > Edge cases: 일반화 우선
- Negative prompting의 함정
- Skilljar 교육 → 락-인 전략
- Cognition AI 외부 검증: 신뢰 마케팅
2025년 11월 시점은 "prompt engineering이 더 이상 마법이 아니다" 라는 시기다. 모든 사용자가 알아야 할 기본기가 됨. 동시에 context engineering 이라는 새 영역으로 진화.
흥미로운 건 Anthropic이 자기 모델의 "불완전성" 을 솔직히 인정한다는 점이다 — "AI slop으로 가는 경향이 있다", "4.x는 literal하다". 이 솔직함이 신뢰의 토대. 다른 AI 회사가 "우리 모델 완벽" 이라 할 때, Anthropic은 "이런 한계 있으니 이렇게 다루세요" 라 함.
이 "제한 사항을 명시" 가 enterprise CIO에게 결정적이다. 완벽함 자랑보다 한계 명시가 신뢰 산다. "우리는 우리 모델을 안다" = Anthropic의 가장 강한 메시지.
