Clip 1: Context/Prompt Engineering 이해하기
요약
Context Engineering의 개념과 Prompt Engineering과의 차이점
Context Rot 현상과 LLM의 한계
효과적인 프롬프트 구조 설계 원칙
바이브코딩에서 컨텍스트를 최적화하는 전략
1. Context Engineering이란?
1.1 정의
Context Engineering은 "LLM 추론 중 최적의 토큰 집합을 큐레이션하고 유지하는 전략"입니다.
Prompt Engineering의 자연스러운 진화로, 단순히 효과적인 프롬프트를 작성하는 것을 넘어 전체 컨텍스트 상태를 관리합니다:
✅ 시스템 지시사항 (System Instructions)
✅ 도구 정의 (Tool Definitions)
✅ 외부 데이터 (External Data/Documents)
✅ 메시지 히스토리 (Conversation History)
1.2 왜 필요한가?
핵심 문제: Context Rot
LLM은 인간처럼 특정 지점에서 집중력을 잃거나 혼란을 경험합니다.
아키텍처적 제약:
트랜스포머 기반 LLM: 모든 토큰이 다른 모든 토큰에 주의(Attention)
n개 토큰 → n² 쌍 관계 생성
컨텍스트 길이 ↑ → 주의 집중도 ↓
2. Prompt Engineering vs Context Engineering
2.1 비교
범위
단일 프롬프트 작성
전체 컨텍스트 상태 관리
초점
질문을 잘 만들기
정보를 잘 유지하기
시간 범위
Single-turn
Multi-turn 대화
관리 대상
User Message
System + Tools + History + Data
목표
좋은 답변 얻기
지속적으로 좋은 답변 얻기
2.2 바이브코딩 관점
바이브코딩에서는 두 가지 모두 중요합니다:
Prompt Engineering:
사용자: "슬랙봇 만들어줘"
→ 너무 추상적, LLM이 방향을 잡기 어려움
사용자: "Python FastAPI로 슬랙봇을 만들어줘.
슬랙 이벤트를 받아서 OpenAI API로 답변하고,
답변을 슬랙 채널에 다시 보내줘"
→ 구체적, LLM이 바로 실행 가능Context Engineering:
긴 대화 중 이전 결정사항 유지
프로젝트 구조, 의존성 정보 관리
에러 발생 시 컨텍스트 정리
3. 효과적인 프롬프트 구조 설계
3.1 시스템 프롬프트의 "올바른 높이"
❌ 너무 구체적 (Brittle):
당신은 Python FastAPI 전문가입니다.
항상 Pydantic v2를 사용하고,
비동기 함수로 작성하며,
타입 힌트를 명시하세요.→ 다른 프레임워크, 동기 함수 필요 시 제약
❌ 너무 추상적 (Vague):
당신은 유용한 코딩 어시스턴트입니다.→ 지침이 없어 일관성 없는 답변
✅ 적절한 추상화:
당신은 소프트웨어 개발 어시스턴트입니다.
사용자의 요구사항에 맞는 기술 스택을 선택하고,
모범 사례(best practices)를 따르는 코드를 작성하세요.
실행 가능한 예제와 함께 설명을 제공하세요.3.2 구조화된 프롬프트 패턴
효과적인 프롬프트 구조:
# 역할 정의
당신은 [역할]입니다.
# 목표
[구체적인 목표]를 달성해야 합니다.
# 제약사항
- 제약 1
- 제약 2
# 컨텍스트
[관련 정보, 프로젝트 구조, 기술 스택]
# 작업
[구체적인 작업 지시]
# 예상 결과
[어떤 형태의 결과물을 원하는지]4. Context Rot 방지 전략
4.1 컨텍스트 정리 (Context Pruning)
전략 1: 메시지 압축
# 오래된 메시지를 요약으로 대체
old_messages = conversation_history[:10]
summary = f"이전 대화 요약: {summarize(old_messages)}"
new_context = [summary] + conversation_history[10:]전략 2: 핵심만 유지
✅ 현재 작업과 직접 관련된 정보
✅ 프로젝트 전반적 구조/설정
✅ 사용자의 명시적 요구사항
❌ 오래된 에러 메시지
❌ 실패한 시도들의 상세 로그
4.2 정보 계층화
필수 정보 (Always Include):
프로젝트 목표
기술 스택
현재 작업 단계
선택적 정보 (Include When Relevant):
이전 구현 내역
에러 해결 기록
참고 정보 (Include On Demand):
외부 문서/API 레퍼런스
전체 코드베이스
5. 바이브코딩 실전 적용
5.1 좋은 프롬프트 vs 나쁜 프롬프트
❌ 나쁜 예:
슬랙봇 만들어줘문제점:
기술 스택 불명확
기능 범위 모호
실행 환경 정보 없음
✅ 좋은 예:
다음 스펙으로 슬랙봇을 만들어줘:
기술 스택:
- Python 3.11, uv 패키지 매니저
- FastAPI (슬랙 이벤트 수신)
- OpenAI API (gpt-4o-mini)
핵심 기능:
- 슬랙 Event API로 멘션 이벤트 수신
- 사용자 메시지를 OpenAI로 전달하여 답변 생성
- 생성된 답변을 슬랙 채널에 포스팅
배포:
- GCP Cloud Run 배포 준비
- 환경변수: SLACK_BOT_TOKEN, OPENAI_API_KEY
프로젝트 구조:
- main.py: FastAPI 앱
- bot.py: 슬랙 클라이언트 로직
- llm.py: OpenAI 호출 로직5.2 대화 중 컨텍스트 관리
시나리오: 긴 구현 과정
컨텍스트 정리 타이밍:
단계 완료 후
에러 해결 후
방향 전환 시
정리 프롬프트 예시:
✅ 슬랙 이벤트 수신 구현 완료
✅ OpenAI 연동 완료
다음 단계: GCP Cloud Run 배포 설정
이전 단계의 에러 로그는 제외하고 진행해줘.6. 핵심 요약
Context Engineering의 핵심:
컨텍스트 = 단순 프롬프트 이상: 시스템 지시사항, 도구, 히스토리 전체 관리
Context Rot 인식: 컨텍스트가 길어질수록 LLM 성능 저하
적절한 추상화: 너무 구체적/추상적 모두 지양
정기적 정리: 완료된 단계, 해결된 에러는 요약 또는 제거
참고 자료
공식 문서
강사 정보
작성자: 정구봉
LinkedIn: https://www.linkedin.com/in/gb-jeong/
이메일: bong@dio.so
강의 자료
강의 자료: https://goobong.gitbook.io/fastcampus
Github: https://github.com/Koomook/fastcampus-ai-agent-vibecoding
FastCampus 강의 주소: https://fastcampus.co.kr/biz_online_vibeagent
Last updated