---
title: "ChatGPT가 안 배우는데 똑똑해지는 이유? In-Context Learning 완벽 분석: Zero-shot부터 Tree-of-Thought까지!"
id: "593"
type: "post"
slug: "in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide"
published_at: "2025-12-02T09:29:48+00:00"
modified_at: "2026-07-19T10:45:23+00:00"
url: "https://doyouknow.kr/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide/"
markdown_url: "https://doyouknow.kr/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide.md"
excerpt: "LLM이 추가 학습 없이 똑똑해지는 비밀! In-Context Learning 완벽 분석. Zero-shot, Few-shot, Chain-of-Thought(CoT), Tree-of-Thought(ToT), Self-Consistency 기법별 성능 비교. GSM8K 수학 17%→78% 향상! \"Let's think step by step\" 한 줄의 마법, ICL 원리와 실전 활용 가이드."
taxonomy_category:
  - "AI"
taxonomy_post_tag:
  - "AI"
  - "AI 추론"
  - "Chain-of-Thought"
  - "CoT"
  - "Few-shot Learning"
  - "GPT 프롬프트"
  - "In-Context Learning"
  - "LLM 추론"
  - "Self-Consistency"
  - "Self-Correction"
  - "ToT"
  - "Tree-of-Thought"
  - "Zero-shot"
  - "메타 학습"
  - "생각의 사슬"
  - "프롬프트 엔지니어링"
---

![미래지향적 테크 스타일. 중앙에 빛나는 AI 두뇌/머리 형상, 왼쪽에서](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide.jpg.webp)

---

## 핵심 요약

**ChatGPT는 왜 추가 학습 없이도 새로운 문제를 척척 풀까요?** 비밀은 **In-Context Learning(ICL)**에 있습니다. 놀라운 사실: 단순히 “Let’s think step by step”이라는 한 줄만 추가해도 **수학 문제 정확도가 17.9% → 78.7%까지** 급상승합니다! 이 포스팅에서는 Zero-shot, Few-shot, Chain-of-Thought(CoT), Tree-of-Thought(ToT), Self-Consistency까지 – LLM이 **파라미터 업데이트 없이 똑똑해지는 마법**의 원리를 완벽하게 분석합니다.

---

---

[ez-toc]

---

## 1. In-Context Learning이란? 추가 학습 없이 능력이 생기는 마법

### 1-1. 전통적 학습 vs In-Context Learning

![In Context Learning Cot Tot Zero Shot Few Shot Prompting Guide 01 Resize 1](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide-01_resize_1.jpg.webp)

**전통적인 머신러닝**에서 모델이 새로운 능력을 얻으려면:

1. 대량의 학습 데이터 준비
2. 수 시간~수 일간 학습 (파라미터 업데이트)
3. 학습 완료 후 새 능력 획득

하지만 **GPT-3 이후의 LLM**은 다릅니다:

> “프롬프트에 몇 가지 예시만 넣어줘도, 본 적 없는 태스크를 바로 수행한다!”

이것이 바로 **In-Context Learning(ICL)**, 즉 **맥락 내 학습**입니다.

**비유로 이해하기:**  
전통적 학습이 **요리학원에 6개월 등록**하는 것이라면, ICL은 **레시피 한 장 보고 바로 따라 만드는 것**입니다. 요리학원은 실력을 “몸에 익히지만”(파라미터 변경), 레시피는 그때그때 참고만 하죠(파라미터 불변).

### 1-2. ICL의 과학적 원리: 왜 작동하는가?

**ICL이 어떻게 가능한 걸까요?** 최신 연구에 따르면:

**가설 1: 암묵적 Gradient Descent (메타 학습)**

Transformer의 self-attention 메커니즘이 **내부적으로 gradient descent를 흉내**낸다는 연구 결과가 있습니다. 즉, 프롬프트의 예시를 보고 마치 **미세 조정을 한 것처럼** 행동합니다.

> “Transformer attention은 다른 형태의 gradient descent이다. ICL은 forward computation을 통해 meta-gradient를 생성하고, 이것이 모델에 적용된다.”
> — *Why Can GPT Learn In-Context?* 논문

**가설 2: 지식 검색 (Knowledge Retrieval)**

LLM은 사전 학습 중 **이미 수많은 패턴을 학습**해두었고, 프롬프트의 예시가 **적절한 지식을 “활성화”**하는 신호 역할을 합니다.

**현실:** 연구에 따르면 ICL은 이 두 메커니즘의 **스펙트럼** 위에서 작동합니다:

- 예시가 적을 때: Knowledge Retrieval이 우세
- 예시가 많을 때: Meta-Learning이 우세

### 1-3. ICL의 핵심 요소

**효과적인 ICL을 위한 3가지 요소:**

| 요소 | 설명 | 예시 |
| --- | --- | --- |
| Demonstration | 태스크를 보여주는 예시들 | 입력-출력 쌍 |
| Template | 예시와 쿼리를 구조화하는 형식 | “질문: … 답변: …” |
| Instruction | 태스크에 대한 명시적 설명 | “다음 문장을 요약하세요” |

---

## 2. Zero-shot vs Few-shot: 예시의 힘

### 2-1. Zero-shot Learning: 예시 없이 도전

**Zero-shot**은 **예시 없이** 태스크 설명만으로 문제를 푸는 방식입니다.

**예시:**

> **프롬프트:** “다음 문장의 감정이 긍정인지 부정인지 분류하세요: ‘이 영화 정말 재미있었어!'”
> 
> **출력:** “긍정”

**장점:**

- 예시 준비 불필요
- 토큰 절약
- 범용적

**단점:**

- 복잡한 태스크에서 성능 저하
- 모델이 의도를 잘못 이해할 수 있음

### 2-2. Few-shot Learning: 몇 가지 예시의 마법

**Few-shot**은 **2~8개의 예시**를 프롬프트에 포함시키는 방식입니다.

![In Context Learning Cot Tot Zero Shot Few Shot Prompting Guide 02 Resize 1](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide-02_resize_1.jpg.webp)

**예시:**

> **프롬프트:**
> 문장: “이 카페 분위기 최고예요” → 긍정
> 문장: “음식이 너무 짜서 못 먹겠어요” → 부정
> 문장: “직원이 친절했어요” → 긍정
> 
> 문장: “배송이 너무 늦었어요” → ?
> 
> **출력:** “부정”

**Few-shot의 효과:**

| 태스크 | Zero-shot | Few-shot (8-shot) | 향상폭 |
| --- | --- | --- | --- |
| 감정 분석 | 76% | 89% | +13% |
| 번역 | 45% | 68% | +23% |
| 수학 문제 | 17% | 58% | +41% |

**비유:**  
Zero-shot은 **“요리해봐”**라고 말하는 것, Few-shot은 **“이렇게 만들면 돼”**라며 완성된 요리 사진 3장을 보여주는 것입니다.

### 2-3. 예시 선택의 중요성

**Few-shot의 성능은 예시 선택에 크게 좌우됩니다:**

- **유사한 예시:** 쿼리와 비슷한 예시가 성능 향상에 효과적
- **다양한 예시:** 여러 유형을 커버하면 일반화 능력 향상
- **순서 영향:** 마지막에 가까운 예시가 더 큰 영향을 미침

**연구 결과:** Self-Adaptive In-Context Learning은 예시 선택과 순서를 **검색 문제**로 접근하여 최적의 조합을 찾습니다.

---

## 3. Chain-of-Thought (CoT): 생각의 사슬로 추론력 폭발

### 3-1. CoT의 발견: 단순한 아이디어의 놀라운 효과

2022년, Google의 Wei et al.이 발표한 Chain-of-Thought Prompting은 **LLM 추론 연구의 판도를 바꿨습니다.**

**핵심 아이디어:**

> “답만 바로 말하지 말고, **생각하는 과정을 단계별로 말해봐**“

![In Context Learning Cot Tot Zero Shot Few Shot Prompting Guide 03 Resize 1](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide-03_resize_1.jpg.webp)

**Standard Prompting:**

> Q: 철수가 사과 5개를 가지고 있었고, 영희에게 3개를 주고, 어머니께 2개를 받았습니다. 철수는 몇 개의 사과를 가지고 있나요?
> A: **4개**

**Chain-of-Thought Prompting:**

> Q: (같은 문제)
> A: 철수는 처음에 5개를 가지고 있었습니다. 영희에게 3개를 줬으니 5-3=2개가 남았습니다. 어머니께 2개를 받았으니 2+2=**4개**입니다.

### 3-2. CoT의 놀라운 성능 향상

**GSM8K (초등학교 수학) 벤치마크 결과:**

| 모델 | Standard | CoT | 향상폭 |
| --- | --- | --- | --- |
| GPT-3 175B | 17.9% | 58.0% | +40.1% |
| PaLM 540B | 17.9% | 58.1% | +40.2% |
| LaMDA 137B | 6.5% | 17.0% | +10.5% |

**핵심 발견:**

- CoT는 **모델이 충분히 클 때** (100B 이상) 효과적
- **복잡한 문제**에서 성능 향상이 더 큼 (GSM8K > 단순 문제)
- 작은 모델에서는 오히려 성능이 **떨어질 수 있음**

### 3-3. Zero-shot CoT: “Let’s think step by step”의 마법

Few-shot CoT는 예시를 만들어야 하는 번거로움이 있습니다. **Zero-shot CoT**는 이를 해결합니다:

> **프롬프트 끝에 “Let’s think step by step” 한 줄만 추가!**

**결과:**

| 태스크 | Zero-shot | Zero-shot CoT | 향상폭 |
| --- | --- | --- | --- |
| MultiArith | 17.7% | 78.7% | +61% |
| GSM8K | 12.5% | 40.7% | +28.2% |
| AQUA-RAT | 22.4% | 33.5% | +11.1% |

**놀라운 사실:** 이 간단한 문장 하나가 **태스크별 예시를 정성스럽게 만든 Few-shot과 비슷한 성능**을 냅니다!

**Zero-shot CoT가 작동하는 이유:**

- LLM이 사전 학습 중 **“step by step” 형식의 텍스트를 많이 학습**했기 때문
- 이 프롬프트가 **추론 모드를 활성화**하는 신호 역할

### 3-4. CoT가 작동하는 원리

**CoT는 왜 효과적일까요?**

1. **연산 자원 할당:** 중간 단계를 출력함으로써 문제 해결에 **더 많은 토큰(계산)**을 사용
2. **메모장 역할:** 생성된 중간 단계가 **다음 단계를 위한 맥락**으로 작용
3. **오류 국소화:** 어느 단계에서 틀렸는지 **진단 가능**
4. **복잡한 문제 분해:** 한 번에 못 풀 문제를 **여러 간단한 단계로 분해**

**비유:**  
CoT는 **수학 시험에서 풀이 과정을 쓰는 것**과 같습니다. 답만 적으면 실수하기 쉽지만, 풀이를 쓰면 스스로 검증하면서 풀 수 있죠!

---

## 4. Tree-of-Thought (ToT): 생각의 나무로 탐색하기

### 4-1. CoT의 한계: 한 방향으로만 생각하기

**Chain-of-Thought의 문제점:**

- **단일 경로:** 한 번 잘못된 방향으로 가면 되돌아올 수 없음
- **탐색 부재:** 여러 가능성을 비교하지 않음

**비유:**  
CoT가 **외줄 타기**라면, 실수하면 떨어집니다. 우리에게 필요한 건 **여러 갈래 길을 탐색**하고, 막다른 길이면 되돌아오는 능력입니다.

### 4-2. Tree-of-Thought: 생각의 분기

![In Context Learning Cot Tot Zero Shot Few Shot Prompting Guide 04 Resize 1](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide-04_resize_1.jpg.webp)

**Tree-of-Thought (ToT)**는 2023년 Yao et al.이 제안한 기법으로:

1. **분기 (Branching):** 여러 가지 다음 단계를 동시에 생성
2. **평가 (Evaluation):** 각 분기가 목표에 얼마나 유망한지 점수 매김
3. **탐색 (Search):** BFS/DFS 알고리즘으로 최적 경로 탐색
4. **가지치기 (Pruning):** 유망하지 않은 경로는 버림

**비유:**  
ToT는 **체스를 두는 것**과 같습니다. 한 수만 보는 게 아니라, 여러 수를 생각해보고, 상대 반응을 예측하고, 가장 유리한 수를 선택합니다.

### 4-3. ToT의 구성 요소

| 구성 요소 | 역할 | 구현 방법 |
| --- | --- | --- |
| Thought Generator | 다양한 다음 단계 생성 | LLM에게 여러 아이디어 요청 |
| State Evaluator | 각 상태의 가능성 평가 | LLM이 스스로 점수 매김 |
| Search Algorithm | 최적 경로 탐색 | BFS, DFS, A* 등 |

**ToT 프롬프트 예시:**

> “세 명의 다른 전문가들이 이 질문에 답하고 있다고 상상해보세요.
> 모든 전문가들은 자신의 생각 한 단계를 적어내고, 그것을 그룹과 공유합니다.
> 그런 다음 모든 전문가들은 다음 단계로 넘어갑니다.
> 만약 어떤 전문가가 자신이 틀렸다는 것을 깨닫게 되면 그들은 떠납니다.”

### 4-4. ToT 성능: 창의적 문제에서의 압도적 우위

**Game of 24 (4개 숫자로 24 만들기) 태스크:**

| 방법 | 성공률 |
| --- | --- |
| Standard Prompting | 7.3% |
| Chain-of-Thought | 4.0% |
| CoT + Self-Consistency | 9.0% |
| Tree-of-Thought | 74.0% |

**놀라운 결과:** ToT는 CoT 대비 **18배 높은 성공률**을 기록했습니다!

**ToT가 효과적인 태스크:**

- 퍼즐 풀기 (스도쿠, 24 게임)
- 창의적 글쓰기
- 코드 디버깅
- 복잡한 계획 수립

---

## 5. Self-Consistency와 Self-Correction: 고급 기법

### 5-1. Self-Consistency: 다수결의 지혜

**Self-Consistency**는 CoT의 확장으로, **여러 번 추론하고 다수결로 답을 선택**합니다.

![In Context Learning Cot Tot Zero Shot Few Shot Prompting Guide 05 Resize 1](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide-05_resize_1.jpg.webp)

**작동 방식:**

1. 같은 문제에 대해 **여러 번 CoT 수행** (temperature 조절로 다양성 확보)
2. 각 추론 경로에서 **최종 답만 추출**
3. **가장 많이 나온 답을 선택** (다수결)

**성능 향상:**

| 데이터셋 | CoT | CoT + Self-Consistency | 향상폭 |
| --- | --- | --- | --- |
| GSM8K | 56.5% | 74.4% | +17.9% |
| SVAMP | 79.0% | 86.6% | +7.6% |
| AQuA | 35.8% | 48.3% | +12.5% |

**비유:**  
Self-Consistency는 **여러 명의 학생에게 같은 문제를 풀게 하고, 다수가 선택한 답을 정답으로 채택**하는 것과 같습니다.

### 5-2. Self-Correction: 스스로 오류 수정

**Self-Correction**은 LLM이 **자신의 출력을 검토하고 수정**하는 기법입니다.

**기본 프로세스:**

1. **초기 응답 생성**
2. **자기 비평:** “이 답에 문제가 있는지 검토해줘”
3. **수정된 응답 생성**
4. (필요시 반복)

**주요 Self-Correction 기법:**

| 기법 | 특징 |
| --- | --- |
| Reflexion | 언어적 피드백으로 자기 개선 |
| Self-Refine | 반복적 비평과 수정 |
| CRITIC | 외부 도구(검색, 코드 실행)로 검증 |

**주의:** 최근 연구에 따르면, **외부 피드백 없이 순수한 Self-Correction은 효과가 제한적**입니다. 초기 프롬프트를 잘 설계하는 것이 더 중요할 수 있습니다.

### 5-3. 그 외 고급 기법들

| 기법 | 설명 | 특징 |
| --- | --- | --- |
| Progressive-Hint Prompting | 힌트를 점진적으로 제공 | GSM8K 92% → 95.5% |
| Program-of-Thought (PoT) | 코드로 추론 | 수학 문제에서 CoT 능가 |
| Graph-of-Thought (GoT) | 그래프 구조로 사고 확장 | ToT의 일반화 |
| ReAct | 추론과 행동을 번갈아 수행 | 도구 사용 에이전트 |

---

## 6. 각 기법별 성능 비교와 실전 활용

### 6-1. 종합 성능 비교

![In Context Learning Cot Tot Zero Shot Few Shot Prompting Guide 06 Resize 1](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide-06_resize_1.jpg.webp)

**GSM8K (수학 추론) 기준 성능 비교:**

| 기법 | 정확도 | 상대 비용 | 복잡도 |
| --- | --- | --- | --- |
| Zero-shot | ~17% | 낮음 | 낮음 |
| Few-shot (8-shot) | ~58% | 중간 | 중간 |
| Zero-shot CoT | ~41% | 낮음 | 낮음 |
| Few-shot CoT | ~58% | 중간 | 중간 |
| CoT + Self-Consistency | ~74% | 높음 | 중간 |
| Tree-of-Thought | ~74%* | 매우 높음 | 높음 |

**핵심 인사이트:**

- **비용 대비 효율:** Zero-shot CoT가 최고 (한 줄 추가로 +24%)
- **최고 성능:** Self-Consistency + CoT 조합
- **창의적 문제:** ToT가 압도적

### 6-2. 실전 선택 가이드

**상황별 추천 기법:**

| 상황 | 추천 기법 | 이유 |
| --- | --- | --- |
| 빠른 프로토타이핑 | Zero-shot CoT | 설정 간단, 효과 즉각적 |
| 정확도 중요 | CoT + Self-Consistency | 다수결로 오류 감소 |
| 복잡한 계획/퍼즐 | Tree-of-Thought | 탐색과 백트래킹 필요 |
| 비용 제한 | Few-shot (2~4개) | 토큰 절약하면서 효과적 |
| 코드/수학 | Program-of-Thought | 계산 정확도 보장 |

### 6-3. 프롬프트 템플릿 모음

**Zero-shot CoT (범용):**

> [질문]
> 
> Let’s think step by step.

**Few-shot CoT (수학):**

> Q: 철수가 사과 5개를 가지고 있었고…
> A: 먼저 철수의 사과 수를 계산합니다… 따라서 답은 4개입니다.
> 
> Q: [새 질문]
> A:

**ToT 간이 버전:**

> 세 명의 전문가가 이 문제를 풀고 있습니다.
> 각자 자신의 추론 단계를 공유하고, 틀린 전문가는 떠납니다.
> 
> [문제]

---

## 7. 정리: In-Context Learning의 미래

### 7-1. 핵심 요약

![In Context Learning Cot Tot Zero Shot Few Shot Prompting Guide 07 Resize 1](https://doyouknow.kr/wp-content/uploads/cwv-webp-images/2025/12/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide-07_resize_1.jpg.webp)

✅ **In-Context Learning**: 파라미터 업데이트 없이 프롬프트만으로 새 능력 획득

✅ **Zero-shot/Few-shot**: 예시의 유무와 개수로 구분, Few-shot이 일반적으로 우수

✅ **Chain-of-Thought**: “단계별로 생각하기”로 **수학 정확도 17% → 58%**

✅ **Zero-shot CoT**: “Let’s think step by step” 한 줄로 **+24% 성능 향상**

✅ **Self-Consistency**: 여러 번 추론 후 다수결, **추가 +18% 향상**

✅ **Tree-of-Thought**: 여러 경로 탐색, **창의적 문제에서 CoT의 18배 성능**

### 7-2. ICL의 한계와 미래

**현재 한계:**

- 컨텍스트 길이 제한 (예시 수 제한)
- 작은 모델에서는 효과 제한적
- 예시/프롬프트에 민감 (취약성)

**미래 방향:**

- **In-Context Vectors (ICV):** 예시를 벡터로 압축하여 컨텍스트 제한 극복
- **Many-shot ICL:** 긴 컨텍스트 모델에서 수백 개 예시 활용
- **Reasoning Models:** o1, Claude 3.5 같은 추론 특화 모델

---

## FAQ: 자주 묻는 질문

### Q1. CoT를 쓰면 항상 성능이 좋아지나요?

**A.** 아닙니다. **단순한 문제에서는 오히려 성능이 떨어질 수 있습니다.** 또한 모델 크기가 **100B 미만**이면 효과가 제한적입니다. 복잡한 추론이 필요한 문제에서 가장 효과적입니다.

### Q2. Few-shot 예시는 몇 개가 적당한가요?

**A.** 일반적으로 **2~8개**가 권장됩니다. 연구에 따르면 예시가 100개를 넘어가면 추가 효과가 미미합니다. 컨텍스트 길이와 비용을 고려해 **4~6개**가 실용적입니다.

### Q3. Self-Consistency는 비용이 너무 많이 드는 것 아닌가요?

**A.** 맞습니다. 5~10배의 API 호출이 필요합니다. **높은 정확도가 중요한 경우에만** 사용하고, 일반적으로는 Zero-shot CoT로 충분합니다. 비용 대비 효과를 항상 고려하세요.

### Q4. ToT와 CoT 중 언제 무엇을 써야 하나요?

**A.** **CoT:** 단계별 추론이 필요한 대부분의 문제 (수학, 논리, 분석)  
**ToT:** 여러 가능성을 탐색해야 하는 문제 (퍼즐, 창의적 글쓰기, 계획 수립)

### Q5. ICL과 Fine-tuning 중 어떤 게 더 좋나요?

**A.** 상황에 따라 다릅니다:

- **ICL:** 빠른 실험, 다양한 태스크, 적은 데이터
- **Fine-tuning:** 특정 태스크 최적화, 일관된 스타일, 대량 처리

[Fine-tuning 완벽 가이드](https://doyouknow.kr/fine-tuning-lora-qlora-cost-data-colab-guide/)
를 참고하세요.

---

## 외부 참고 자료

ICL과 프롬프트 엔지니어링을 더 깊게 배우고 싶다면:

- [Chain-of-Thought 원 논문 (Google)](https://arxiv.org/abs/2201.11903) – CoT의 시작
- [Tree of Thoughts 논문](https://arxiv.org/abs/2305.10601) – ToT 기법 상세
- [Prompting Guide](https://www.promptingguide.ai/kr) – 프롬프트 기법 종합 가이드
- [Self-Consistency 논문](https://arxiv.org/abs/2203.11171) – 다수결 기법 상세
- [OpenAI Prompt Engineering Guide](https://platform.openai.com/docs/guides/prompt-engineering) – 공식 가이드

---

## 정리: 이 글에서 배운 것

✅ **In-Context Learning**은 LLM이 **프롬프트만으로 새 능력을 획득**하는 메커니즘

✅ **Zero-shot**은 예시 없이, **Few-shot**은 예시와 함께 – 예시가 많을수록 효과적

✅ **Chain-of-Thought**는 “단계별 사고”로 **복잡한 추론 문제 정확도를 3배 이상 향상**

✅ **Zero-shot CoT**는 **“Let’s think step by step”** 한 줄로 대부분의 효과 획득

✅ **Self-Consistency**는 다수결로, **ToT**는 탐색으로 추가 성능 향상

✅ **태스크와 비용에 맞게** 적절한 기법 선택이 핵심

다음 포스팅에서는 **“RAG vs Fine-tuning: LLM 커스터마이징의 두 가지 길”**에 대해 자세히 알아봅니다. 당신의 데이터로 AI를 맞춤화하는 최적의 방법을 비교해드릴게요!

---

**관련 포스팅:**

- [Fine-tuning 완벽 가이드: LoRA부터 실제 비용까지](https://doyouknow.kr/fine-tuning-lora-qlora-cost-data-colab-guide/)
- [RAG 완벽 가이드: 사내 문서 챗봇부터 프로덕션까지](https://doyouknow.kr/rag-retrieval-augmented-generation-langchain-llamaindex-vector-db-chatbot/)
- [오픈소스 vs 클라우드 LLM 완벽 비교](https://doyouknow.kr/)
- [Prompt Injection과 Jailbreak 완벽 분석](https://doyouknow.kr/prompt-injection-jailbreak-llm-attack-defense-guide/)
- [합성 데이터 완벽 가이드: AI가 AI를 위해 데이터를 만든다](https://doyouknow.kr/synthetic-data-guide-gan-vae-diffusion-ai-training/)
- [Constitutional AI & RLHF 심화 완벽 가이드: Claude의 “헌법”이 GPT의 “피드백”을 이기는 이유! 안전한 AI의 미래](https://doyouknow.kr/constitutional-ai-rlhf-alignment-claude-anthropic-guide/)

### 관련된 글:

1. [ChatGPT 10배 활용법 – Prompt Engineering 완벽 마스터 가이드](https://doyouknow.kr/prompt-engineering-chatgpt-cot-few-shot-tot-guide/)
2. [추론형 AI 완벽 가이드: o1이 열어준 “생각하는 AI”의 시대! System 2 사고부터 DeepSeek-R1까지](https://doyouknow.kr/reasoning-ai-o1-deepseek-r1-chain-of-thought-system2-guide/)
3. [Test-Time Compute & Scaling Laws 완벽 가이드: 작은 모델, 큰 생각이 경쟁한다! o1의 혁신부터 미래의 추론 AI까지](https://doyouknow.kr/test-time-compute-scaling-laws-inference-optimization-o1-guide/)
4. [하이퍼파라미터 튜닝 하나로 AI 성능 2배 – 같은 모델, 완전히 다른 결과의 비밀](https://doyouknow.kr/hyperparameter-tuning-optuna-bayesian-optimization-guide/)

### 답글 남기기 [응답 취소](/in-context-learning-cot-tot-zero-shot-few-shot-prompting-guide/?t=1787525061#respond)