Zero-Shot/Few-shot/CoT(Chain of Thought)

Zero-Shot

예시 답변을 주지 않고 작업 설명만 전달해 결과를 요청하는 프롬프트 방식.

질문 자체는 구체적이어도 되지만, 원하는 출력 샘플이나 이전 사례를 함께 넣지 않는다.

 

비교 항목	Zero-shot 기준선	Few-shot 또는 CoT 확장
예시 제공	제공하지 않는다	예시 답변이나 단계 지시를 제공
장점	빠르게 기본 성향을 확인	원하는 형식과 사고 흐름을 더 강하게 유도

 

"블로그 제목 추천해줘"

"이 내용을 요약해줘" 

이처럼 입력은 짧고 간단한 프롬프트 방식이다.

 

반복적인 작업을 빠르게 처리할 때 

실험적으로 AI의 능력을 시험해보고 싶을 때

간단한 요약, 정리, 문장 수정을 할 때 

사용하면 좋다.

 

하지만 프롬프트가 너무짧고 모호하면 ai가 혼란스러워할 수 있으니. 의도를 구체적으로 말하는게 중요하다

https://wikidocs.net/280323

https://www.promptingguide.ai/kr/techniques/zeroshot

Zero-Shot Prompting – Nextra

 

3.1 제로샷(zero-shot): 간단하지만 강력하게

 

---

Few-shot 

Few-shot은 모델에게 새 과제를 바로 시키기 전에 입력과 원하는 출력의 예시를 2~3개 정도 먼저 보여 주는 프롬프트 방식이다.

AI에게 업무 지시서를 줄 때 말로만 설명하지 않고 완성 샘플을 함께 보여 주는 방식에 가깝다.

 

왜 중요한가? 감정 분류, 면접 답변 평가, 자소서 문장 결함 분류처럼 라벨과 출력 형식이 중요한 작업에서는 답변 길이와 라벨 이름이 쉽게 흔들린다.. 이 때 Few-shot을 쓰면 모델을 새로 학습시키지 않고도 원하는 답변 형식을 빠르게 맞출 수 있다.

 

일반적인 퓨샷 프롬프트는 많은 작업에 효과적이지만, 특히 복잡한 추론 작업을 처리할 때는 여전히 완벽한 기술은 아니다. 이후 추론작업을 처리하기 위해 CoT프롬프팅이 대중화 되었다.

 

비교 항목	Zero-shot	Few-shot
입력 방식	지시문만 제공	지시문 전에 입력/출력 예시 제공
장점	빠르고 짧음	형식과 라벨이 안정되기 쉬움
주의점	답변 형식이 흔들릴 수 있음	예시 형식이 서로 다르면 오히려 흔들림
적합한 과제	단순 질문, 빠른 초안	라벨 분류, 형식 고정 응답

---

Chain-of-Thought

정의: Chain-of-Thought는 모델에게 최종 답만 바로 내라고 하지 않고 문제를 단계적으로 생각하도록 유도하는 프롬프트 방식이다.

계산, 비교, 품질 판단처럼 중간 기준이 필요한 질문에서 효과가 잘 보인다.

 

왜 중요한가? 답변을 단순히 좋다 또는 나쁘다로 끝내기보다 연결성, 구체적 사례, 개선 방향을 순서대로 짚어야 한다. CoT를 사용하면 중간 판단을 건너뛰지 않게 만들 수 있다.

 

CoT는 단답형 프롬프트와 결합하면 응답하기 전에 추론이 필요한 복잡한 작업에서 더 나은 결과를 얻을 수 있습니다.

---

최근에 나온 프롬프팅인 zero-shot CoT이다.

[출처] https://www.promptingguide.ai/kr/techniques/cot

기존 프롬프트에 'Let's think step by step.' / '단계별로 생각하기' 만 추가하면 된다.

비교 항목	CoT 없이	CoT 적용
답변 형태	최종 답만 짧게 나올 수 있음	계산 순서나 판단 기준이 드러남
토큰 사용량	적음	늘어날 수 있음
적합한 과제	단순 라벨, 짧은 변환	계산, 비교, 면접 답변 판단
제한 문구	선택 사항	마지막 줄 형식을 함께 지정하면 좋음

---

모든 프롬프트가 CoT가 가장 적절한 프롬프트인것은 아니다.

모든 질문에 CoT를 붙이면 답변이 길어지고 비용이 늘 수 있다. 단순 감정 라벨 분류에는 Few-shot을 먼저 적용하는게 좋다.

 

이렇게 질문에 따라 프롬프트 방식을 선택하는 것이 가장 효과적이다.

 

사실 요즘 llm성능이 좋아져서 이정도 추론은 잘 하긴한다.

숫자를 늘려봤는데도 값은 같게 나왔다. (사실 나도 계산은 안 해봤다.)