01
Few-shot Prompting
사례 기반의 암기식 학습 유도
작동 원리
2차 방정식 풀이 예시를 직접 보여주며 유사한 문제 패턴의 모방 학습 유도.
한계점
예시와의 미세한 차이(소수, 복소수 등) 발생 시 성능 저하 및 높은 토큰 소모.
Agentic View
"과거 사례의 단순 회상 및 모방 수준에 머무르는 초기 단계 에이전트 방식"
02
Meta-Prompting
절차 기반의 원리 이해 및 사고 방식 내재화
// 메타 프롬프트 예시
1. ax² + bx + c = 0 형태 정리2. a, b, c 식별 및 판별식 D 계산
3. D 값에 따른 실근/복소근 구분 및 공식 적용
4. 단계별 풀이 제공 및 검산 수행
핵심 강점
제로샷 수준의 범용성 및 높은 토큰 효율성. 복잡 태스크(코딩, 논리)에서 탁월함.
적용 가치
에이전트의 자율적 문제 해결을 위한 '사고 프레임워크' 자체를 구축.
Agentic View
"단순 모방을 넘어선 메타-레벨 사고방식 확보 및 신규 구조 대응 능력 강화"
03
Meta-Meta-Prompting
재귀적 자기 개선을 통한 최적 사고 설계
- LLM 스스로 최적의 문제 풀이 절차(Meta-Prompt)를 자율 생성
- 자기 비판 및 반복 수정을 통한 템플릿의 재귀적 최적화 (Recursive Loop)
- 사람이 작성한 프롬프트 대비 정교한 구조와 성능(20-50%↑) 확보
Agentic View
"에이전트의 최적 사고 프레임워크 자율 탐색 및 진화 유도 (Agentic AI의 정점)"
핵심 요약 비교
Few-shot
사례 기반 모방
Meta-Prompting
사고 체계 습득
Meta-Meta
프레임워크 자율 설계
Agentic AI는 재귀적 자기 개선을 통해 보다 자율적이고 정교한 지능 체계로 진화 중임.