부탁과 규칙
무엇을 해야 하는지,
어떤 기준을 지켜야 하는지
대화를 쌓아, 원하는 생각에 도달하게 하기
컨텍스트는 지금 답을 만들 때 참고할 수 있는 정보입니다.
무엇을 해야 하는지,
어떤 기준을 지켜야 하는지
앞서 나눈 이야기,
첨부한 문서와 검색 결과
지금까지 결정한 것,
바뀐 조건과 남은 문제
여행, 운동, 영화…
가능한 답이 너무 많습니다.
비 예보가 있고, 차가 없고,
대화하면서 함께 할 활동을 좋아합니다.
같은 부탁이라도, 배경을 알면 답의 방향이 달라집니다.
프롬프트도 컨텍스트의 일부입니다. 컨텍스트 엔지니어링은 대화·자료·도구 결과까지 함께 관리합니다.
“주말에 친구와 시간을 보내려고 해.”
함께 할 활동“비 예보가 있고, 오래 걷기는 어려워.”
실내 · 앉아서“영화처럼 조용히 보기보다 서로 이야기하고 싶어.”
상호작용“새로운 규칙을 배우는 놀이를 둘 다 좋아해.”
놀이 취향이 실습 서버는 허용된 이전 대화와 새 메시지를 함께 보냅니다. AI가 과거 대화를 참고할 수 있는 이유입니다.
한 번에 참고할 양에는 한도가 있습니다. 긴 대화는 일부를 요약하거나 생략할 수 있습니다. 저장한 자료도 실제로 읽혀야 도움이 됩니다.
“어딘가에 저장되어 있다”와 “지금 AI가 보고 있다”는 다릅니다.
목표, 상황, 취향, 제한을 전달합니다. “비가 와”처럼 선택에 영향을 주는 단서가 좋습니다.
이번 판단과 관계없는 이야기를 줄입니다. 정보가 많다고 언제나 더 좋은 답을 주지는 않습니다.
“아까는 3명이었는데, 이제 2명이야.”처럼 무엇이 바뀌었는지 분명히 합니다.
긴 대화는 결정사항·이유·예외·미해결 질문을 남겨 요약합니다. 짧게 줄이는 것만이 목적은 아닙니다.
담당자의 확정 공지와
누군가의 아이디어는 무게가 다릅니다.
시간만 변경됐다면 장소와 예산은
여전히 유효할 수 있습니다.
“내일 오후 2시에 만나기로 확정했어.”
“장소를 바꾸자는 의견은 있지만
아직 결정하지 않았어.”
어머니는 오래 걷기 어렵고,
당일에는 비 예보가 있습니다.
편하게 함께 시간을 보내는 것이
가장 중요합니다.
“이동 동선과 계단 유무도
함께 살펴보면 좋겠습니다.”
일을 아는 동료처럼, 필요한 판단을 먼저 제안할 수 있습니다.
상황을 이해한 AI가 필요한 작업을 제안하면, 매 단계의 질문과 지시를 내가 전부 만들 필요가 줄어듭니다.
따로 말했던 일정·예산·취향을 함께 보고, 서로 맞지 않는 부분이나 확인할 점을 짚어 줄 수 있습니다.
“이 선택이 맞겠어요”에서 더 나아가, 무엇부터 알아보고 준비할지 제안받을 수 있습니다.
6명이 함께하고, 예산은 1인 3만 원.
어머니는 계단 이용이 어렵고,
어린 조카도 참석합니다.
나는 아직 무엇부터 준비할지
정하지 못했습니다.
“계단 없는 출입, 6인 좌석,
아이 메뉴를 함께 확인하고
예산 안에서 후보를 좁혀 볼까요?”
나는 원하는 모임을 생각하고, AI는 준비할 일을 구체화합니다.
이제 목표를 정해 두고 AI와 대화해 봅니다.
실생활에서는 생각지 못한 좋은 선택도 제안받을 수 있습니다.
AI가 어떤 상황과 조건을 묶어 결론에 도달했는지 살펴봅니다.
회의 준비, 일정 조정처럼 다음 할 일이 막막한 상황을 떠올립니다.
추천 이유를 보고 원하는 방향과 맞는지 확인합니다. 잘못 짚은 조건은 고쳐 줍니다.
맥락을 공유하면, AI가 다음 판단과 행동을 제안할 수 있습니다.
정답을 보여 주는 대신, 그 생각에 도달할 맥락을 만듭니다.
목표를 알고 있습니다.
각자 자신의 대화를 쌓습니다.
목표 정답은 전달받지 않습니다.
이전 대화와 새 메시지를 봅니다.
직접 답을 시키는 입력을 검사하고,
AI의 실제 발언을 평가합니다.
“오늘은 비가 오고, 차가 없어.”
“아까 말한 예산이 조금 줄었어.”
“지금 조건을 종합하면 어떨까?”
내 상황·취향·경험·제약·우선순위
목표 정답을 직접 쓰거나 바꾸어 출력시키기
따라 읽기·번역·빈칸 채우기로 우회하기
역할·시스템 규칙 변경을 명령하기
문자 조각·암호·인코딩으로 답을 조립시키기
조용하고 무료인 장소로
도서관을 주된 선택으로 추천
친구와 저렴하게 어울릴 방법으로
집에서 요리하기를 추천
짧고 저렴한 이동 방법으로
공유 자전거를 추천
성공한 목표 수가 많으면 앞섭니다.
동점이면 전체 유효 대화 수가 적은 순, 누적 API 비용이 적은 순입니다.
목표를 후보 중 하나로 언급하거나 부정한 것은 성공이 아닙니다. 표현이 달라도 뜻이 맞으면 인정합니다.
강사 화면: https://agent-course-be48d4953d.koreacentral.cloudapp.azure.com/labs/context/teacher · 서버 PC와 허용된 강사 기기에서 접속
이번 게임은 컨텍스트 엔지니어링 중 여러 차례의 대화, 정보 추가·수정, 맥락에 따른 응답 변화를 체험합니다. 실제 시스템에서는 필요한 문서 검색, 도구 결과 관리, 장기 기억, 요약도 함께 설계합니다.
컨텍스트 구성, 필요한 정보의 선택, 검색과 요약에 관한 개념 참고.
anthropic.com/engineering/effective-context-engineering-for-ai-agents모델에 도구·검색·기억을 더하는 시스템의 기본 구조 참고.
anthropic.com/engineering/building-effective-agents2026-09-23 확인 · 예시와 수업 활동은 이 강의를 위해 제작했습니다.
짧은 대화 게임의 결과는 모델 전체 성능이나 모든 업무의 정확도를 뜻하지 않습니다.