한 번쯤 이런 경험 있으실 겁니다. 챗지피티를 써봤는데, 답은 그럴듯하지만 사실은 틀리거나 너무 평범해서 실망했던 경우.블로그 글을 뽑아보려 했지만, 다 비슷비슷하고 “찍어낸 듯한 글”만 나와서 제쳐뒀던 기억.몇 번 시도하다가 결국 “이건 내 일에 큰 도움이 안 되겠다” 하고 손을 놓아버린 경험. 뭔가 신기하긴 한데, 막상 실무에서 바로 쓰기엔 답답했던 것이 사실입니다. 몇 년 전까지만 해도, 챗지피티를 잘 쓰려면 프롬프트 쓰는 법을 배워야 한다고들 했습니다.“질문을 어떻게 하느냐가 답을 결정한다.”는 생각에 “너는 지금 전문가야.”“단계별로 생각해.”“표 형식으로 정리해.” 같은 류의 프롬프트 테크닉이 공유되곤 했죠. 프롬프트 작성법에 대한 강의도 여전히 인기가 있고잘 설계된 프롬프트 레시피는 여기저기 팔리기도 하고요.
하지만 돌이켜보면 모두 GPT 자체의 성능 부족을 메우는 임시 방편이었다는 생각이 듭니다.질문이 조금만 궤를 벗어나면, 결과는 제멋대로 튀기 때문에 올바른 질문이 중요했습니다.
하지만 GPT5나 제미나이 같은 LLM이 나온 지금은 제 체감상으로는 많이 다름을 느낍니다.뭐랄까, 개떡같이 말해도 찰떡같이 알아듣는달까요.
물론 누구에게나 그런 건 아니고, 꾸준히 비슷한 방식으로 질문을 하고 관심을 정렬해온 경우에 한하기는 하지만요.
이제 챗지피티는 내가 누구인지 잘 이해하고 있고, 내가 원하는 대답을 큰 맥락안에서 답할 수 있게 되었습니다. (요컨대, 챗지피티는 어느정도 장기기억을 가지고 있습니다) 그래서 아마도 챗지피티와 어떤 대화를 해왔느냐에서 각자의 체감상 성능이 많은 차이를 보인다고 생각합니다.
그래서 지금 시점에서 챗지피티(혹은 제미나이 등)를 잘 쓰기 위해서원샷이나 퓨샷의 프롬프트 테크닉이나 프롬프트 공유에 의존하지 않아도 됩니다. 어떤 비법같은 주문이있는 건 아니라는거죠.
이제 중요한 건, 맥락을 어떻게 만드느냐, 그리고 그 맥락을 어떻게 이어가느냐라고 생각하고요. 이런 맥락 하에 주말에 한 가지 실험적 테스트를 해봤습니다. 제 나름대로 작업대라는 이름을 붙인 프로젝트 였는데요. 작업대라는 말은 마인크래프트의 작업대처럼, 여러 자원을 올려 새로운 것을 합성하는 도구.저는 GPT 대화창을 그런 사고의 작업대로 만들고 싶었습니다. 마인크래프트에서 작업대는 자원을 조합해 새로운 것을 만드는 도구입니다.그래서 저도 일종의 생각을 쪼개고 다시 조합하는 방식으로 작동하게 했습니다.사고의 파편(질문, 데이터, 조건)을 올려놓고,GPT와 함께 합성해 의미있는 새 정보로 만들어내는 도구. 작업대는 단순한 텍스트 파일 하나와 부트스트랩 코드(이것도 사실 텍스트에 불과합니다)로 시작합니다.파일을 첨부하고 코드로 대화를 시작하면 챗지피티가 참 재밌게 작동하는걸 확인할 수 있습니다. (저도 처음에 해보고 좀 놀랐습니다.
이렇게도 작동할 수 있구나하고요.) 작동 방식은 아래와 같은데요. 자동 라우팅: 입력이 들어오면 12가지 패턴(비교, 워크플로우, 스토리텔링 등) 중 적합한 방식으로 바로 처리됩니다.출력 순서 불변식:① 백엔드 사고 로그 (RUNLOG, LAYERLOG, VALIDATION_SUMMARY…)② 프론트엔드 결과 (본문 + 넛지)③ 상태창 (패턴/레이어 요약)레이어 조절: 필요하면 “심화/간단, 길게/짧게, Evidence on/off”를 즉시 바꿀 수 있습니다.PLEM 규칙: 현재 프로젝트 범위만 기본으로 삼아, 사고를 명확히 로컬에 고정시킵니다. 기술적인 부분은 일단 나중에 기회가 되면 더 설명을 드리고록 하고요. 일단, 중요한건 내가 개떡 같이 대답해도 그 의도를 상당히 정확하게 분석하고그 의도에 맞춰서 매우 적합한 답변을 내릴 수 있도록 조정되어 있습니다. 요컨대,여러가지 질의 의도 패턴을 가지고 바로 실무에 도움이 될만한 정보로 가공해서 아웃풋 해줍니다.
정확성을 요하는 경우에는 그에 맞춰 정확도가 높은 답변을 만들기 위한 로직을 풀가동하게 되고창의력을 발산해야 하는 경우라면 스트릭한 답변보다는 생각해본적 없는 참신한 그럼에도 쓸만한 아이디어를 주기도 합니다. 저 나름대로는 상당히 만족스러운 답변들이었다고 생각이 들고요.한번씩 실행해보시면 재밌으실거 같습니다. 이 프로젝트에서 사용한 방식은GPT 자체를 OS로대화창을 GUI로Instruction File을 실행 파일로즉, GPT 대화창은 일종의 운영체제처럼 되고,그 위에 프로그램(=작업대)이 돌아가는 것입니다. 기존의 LLM을 개발에 사용하는 방식과는 개념적 차이가 있는데요. 즉, 바이브코딩 류에서 GPT가 코드를 짜거나혹은 API를 통해 백엔드 기능을 하는 방식이 주류인 상황에서, LLM 위에 앱을 바로 올린다는 아이디어였거든요.
아무튼챗지피티의 대화창 자체가 앱처럼 작동시킬 수 있다는 아이디어 그 자체에서 여러가지 후속 아이디어가 떠오릅니다. 관련해서는 추가적인 테스트를 진행해서 다른 앱들도 보여드릴수 있도록 하겠습니다. 단순한 텍스트지만, 브라우저에서 구동되는 웹앱과 같은 체험을 만든다는데서 좀 놀라운 경험이었습니다. 코드를 짜게 할게 아니라 그냥 자연어 자체를 코드처럼 기능을 구현하는건데요.재밌는건 이건 버그가 발생하긴 하지만 그렇다고 작동을 멈춰버리는 버그는아니라는게 재밌었습니다. 암튼 일단 한번 경험해보시면 좋을 것 같습닌다. Onboarding Routing.md93.43KB 위 파일을 다운로드해서 챗지피티 대화창 파일에 업로드 하시고요. (일반 프롬프트라고 하기에는 매우 큰 분량이지만 앱파일로 보자면 매우 작은 용량이고요.) 아래 내용(명령어)을 챗지피티에 대화창에 복붙해서 실행해보세요.[Meta-Bootstrap Instruction — Compact]- 항상 "Onboarding Routing.md" 사양을 절대 준수할 것. - 모든 입력은 1턴에서 자동 라우팅 (이미지: SIMPLE/LAYERED JSON ONLY, 텍스트: 12패턴). - 출력 순서 불변식: ① 로그 패키지 (코드블록) — RUNLOG, LAYERLOG, VALIDATIONSUMMARY, CoTLOG, SAFETYLOG(필요시) ② 프론트엔드 결과 — 패턴별 본문 → 넛지 ≤2개 ③ 상태창(고정형식 참조) — 맨 마지막 - 레이어(Depth, Length, Evidence, Safety 등)와 모드(심사숙고/심연)는 상황에 맞게 적용. - Safety 주제는 전문가 상담 권고 반드시 포함. - Self-correction: 사양 위배 시 즉시 수정 후 최종 출력. - PLEM 규칙: 현재 프로젝트 폴더만 기본 범위, 전역 접근은 사용자 명시 시 단발 허용. - ⚠️ 강제조항: 실무 모드에서도 반드시 풀 3중 레이어 검증 (Validation Summary / CoTLOG / Evidence alignment)을 포함해야 하며, 축약 출력은 허용되지 않는다.
상태창 커스터마이징 요청(아래 형식대로) 🧩 패턴=Compare · 📏 레이어=심화/보통 · 🔍 Evidence=ALWAYS · 🛡 Safety=OFF $ [A] 패턴변경 | [B] 레이어조정 | [C] 도움말 실행하면, GPT 대화창에 작동 방식이 변하게 될거에요.