출력 형식

Zero-Shot Prompting

예시를 제공하지 않고 직접 지시만으로 AI에게 작업을 요청하는 가장 기본적인 프롬프팅 방식이다. 'Zero-Shot'은 '훈련 데이터에서 한 번도 보지 못한 작업(zero examples)'이라는 머신러닝 용어에서 유래했지만, 바이브 코딩에서는 단순히 '예시 없이 곧바로 요청한다'는 의미로 통용된다. 일상적인 코딩 작업에서 가장 빈번하게 사용되는 방식이며, 'Python으로 피보나치 함수를 작성해줘', 'React로 카운터 컴포넌트를 만들어줘'처럼 충분히 명확한 지시라면 추가 예시 없이도 좋은 결과를 얻을 수 있다. 다만, 특정 코딩 스타일이나 출력 형식을 원하는 경우에는 퓨샷 프롬프팅(Few-Shot)이 더 효과적이다. 모델의 사전 학습된 지식만으로 응답하므로, 모델이 이미 잘 알고 있는 표준적인 작업에서 가장 잘 동작한다.

Few-Shot Prompting

하나 이상의 입출력 예시(example pair)를 먼저 보여준 후, 동일한 패턴으로 새로운 작업을 수행하도록 요청하는 프롬프팅 기법이다. 'Few-Shot'은 '소수의 예시(few examples)'라는 의미로, AI에게 '이런 식으로 해줘'라는 기대 형식을 예시를 통해 전달한다. 바이브 코딩에서는 특히 다음과 같은 상황에서 효과적이다: 특정 코딩 스타일을 일관되게 유지하고 싶을 때(예: '이전 컴포넌트 A는 이렇게 작성했으니, 새 컴포넌트 B도 같은 패턴으로 작성해줘'), 데이터 변환 규칙을 정의할 때(예: '입력→출력 매핑 3개를 보여주고, 4번째를 요청'), API 응답 형식을 통일하고 싶을 때 등. 예시의 수가 많을수록 패턴을 더 정확히 파악하지만, 컨텍스트 윈도우를 더 많이 소비하므로 2~5개의 예시가 일반적으로 가장 효율적이다. 제로샷 프롬프팅으로 원하는 결과를 얻지 못할 때, 예시를 추가하여 퓨샷으로 전환하면 품질이 크게 향상되는 경우가 많다.

Chain-of-Thought (CoT) Prompting

AI에게 답을 바로 내놓기보다 단계별로 추론 과정을 설명하도록 유도하는 프롬프팅 기법이다. 2022년 Google Brain의 Jason Wei 등이 발표한 논문에서 제안되었으며, '생각을 한 단계씩 풀어서 설명해줘(Let's think step by step)'라는 한 마디만 추가해도 복잡한 문제의 정확도가 크게 높아진다는 것이 핵심 발견이다. 바이브 코딩에서는 복잡한 아키텍처 설계, 다단계 데이터 처리 로직, 보안 분석 등에서 특히 효과적이다. 예를 들어, 'API 인증 흐름을 단계별로 분석해줘. 각 단계에서 어떤 토큰이 생성되고, 어디에 저장되고, 언제 만료되는지 설명해줘'처럼 단계별 분해를 명시적으로 요청하면, AI가 중간 과정을 생략하지 않고 논리적으로 추론하여 더 정확한 결과를 제공한다. CoT는 AI의 '생각 과정'을 투명하게 만들어 개발자가 추론을 검증할 수 있게 하므로, 하네스 엔지니어링에서도 에이전트의 의사결정을 이해하는 데 활용된다. o1, o3 같은 추론 특화 모델은 CoT를 내부적으로 자동 수행한다.