Tips_2026

오픈AI DevDay 2026 발표 25개 한 장 정리
해외에서 수익화 중인 AI 인테리어 타임랩스 따라 만들기 · Newtake 에이전트 + Seedance 2.5
클로드 공식 팁 모음(Claude Code 팀이 직접 쓰는 방법)
30초 녹음으로 내 목소리 AI 만들기 · GPT + Fish Audio
명절이 평소보다 더 피곤한 이유 · 달토끼 AI 숏드라마 만들기 · Newtake 디렉터 스튜디오
실사 같은 AI 영화, 한 줄로 만들기 · Newtake 디렉터 스튜디오
해외에서 뜨는 영상, GPT 한 줄로 내 버전 만들기 · Topview 플러그인
알바 대신 키즈 채널 · 클로드 + Newtake로 동요 애니메이션 만들기
클로드 다크 프롬프트 10
GPT-6 Astra vs Fable 5.1 · 프링글스 광고 프롬프트 공개
Gemini 3.0 프롬프트 핵심 팁
시간을 아끼는 AI 플로잇 사용방법
GPT 정확한 자료 조사하고 싶을 때 해두는 세팅
힉스필드 Relight 기능 사용법
나노바나나 Pro 공부하기 좋은 프롬프트
클링을 무제한으로 활용하는 방법
젠스파크 가이드
한국 AI 기본법 완전 가이드
틱톡 250만 팔로워 달성, AI 인플루언서 제작 가이드
프롬프트 없이만드는 AI 인플루언서 + 수익화까지?
타입리스(Typeless) 활용 가이드 - 타이핑 대신 목소리로 완성하는 업무 환경
헤어 AI 프롬프트 총정리
톡톡 튀는 애니메이션까지 제작하는 고퀄리티 PPT 도키 AI
정확한 AI 상세페이지 제작하는법
Kimi 2.5 올인원 AI 사용 가이드
마누스(Manus) AI 스킬즈 활용 가이드
힉스필드 시네마 2.0 사용하고 7억 공모전 참여하기
AI로 돈 버는 가장 현실적인 방법!
Gemini로 점성학 보는 방법
제미나이 3개월 무료 구독하기

Gemini 3.0 프롬프트 핵심 팁

작성자
Justin
작성시각
ℹ️
저작권 안내
해당 페이지와 내용에 관해서는 다른 이들에게 공유, 불펌, 2차 창작 등 모두 금지합니다.
모든 저작권은 biggie AI 에게 있습니다.
Sharing, unauthorized reproduction, and secondary creations of this page and its content are strictly prohibited.
All copyrights belong to biggie AI
👍
오프라인 강연 문의 받고 있습니다.
공공기관, 기업, 연말 모임 등 AI 실용적인 활용법과 저만의 노하우를 아낌없이 공유드릴게요.
편하게 문의주세요!
https://open.kakao.com/me/biggielittle

정확하고 직접적으로 표현

목표를 명확하고 간결하게 설명합니다. 불필요하거나 지나치게 설득적인 표현을 사용하지 마세요.

일관된 구조 사용

명확한 구분자를 사용하여 프롬프트의 여러 부분을 구분합니다. XML 스타일 태그 (예: <context>, <task>) 또는 마크다운 제목이 효과적입니다. 하나의 형식을 선택하고 단일 프롬프트 내에서 일관되게 사용하세요.

매개변수 정의

모호한 용어나 매개변수를 명시적으로 설명합니다.

출력 장황도 제어

기본적으로 Gemini 3는 직접적이고 효율적인 답변을 제공합니다. 더 대화형이거나 자세한 대답이 필요한 경우 요청 사항에 명시적으로 요청해야 합니다.

멀티모달 입력을 일관되게 처리

텍스트, 이미지, 오디오 또는 동영상을 사용할 때 이를 동등한 클래스 입력으로 취급합니다. 필요에 따라 각 모달리티를 명확하게 참조하도록 안내합니다.
AI에게 "이거 봐줘"라고 뭉뚱그려 말하면, AI는 텍스트를 봐야 할지, 이미지를 봐야 할지, 아니면 둘 다 보고 합쳐야 할지 혼란스러워합니다.
이 원칙은 각 입력 데이터에 이름표를 붙여주고, AI에게 정확히 '어떤 자료'에서 '무엇'을 가져와야 하는지 교통정리를 해주는 것입니다.
•
잘못된 접근: 이미지를 '보조 수단'으로 취급함. (예: "사진 보이지? 설명해 봐.")
•
올바른 접근: 이미지를 '독립된 정보 소스'로 취급함. (예: "사진 속의 수치 데이터를 추출해서, 텍스트 파일의 매출 표와 비교해.")

작성 전략: 3단계 공식

•
입력 식별: 업로드한 파일이 여러 개라면 각각 A, B, C 또는 명확한 이름(재무표, 디자인시안 등)으로 부릅니다.
•
역할 부여: 각 자료가 어떤 역할을 하는지 정의합니다. (예: 이미지는 '스타일' 참고용, 텍스트는 '내용' 참고용)
•
상호 참조: 프롬프트 안에서 콕 집어 지시합니다. (예: "[이미지]의 색감을 [텍스트]의 묘사에 적용해.")

중요한 안내에 우선순위 지정

필수 행동 제약 조건, 역할 정의 (페르소나), 출력 형식 요구사항을 시스템 안내 또는 사용자 프롬프트의 맨 처음에 배치합니다.

긴 컨텍스트의 구조

많은 양의 컨텍스트(예: 문서, 코드)를 제공할 때는 먼저 모든 컨텍스트를 제공하세요. 프롬프트의 맨 끝에 구체적인 지침이나 질문을 입력합니다.

앵커 컨텍스트

대량의 데이터 블록이 나온 후 명확한 전환 문구를 사용하여 컨텍스트와 질문을 연결합니다(예: '위의 정보를 바탕으로...').

기타 Gemini 3 Flash 전략

•
현재 날짜 정확성: 모델이 2025년의 현재 날짜에 주의하도록 개발자 지침에 다음 절을 추가합니다.
For time-sensitive user queries that require up-to-date information, you
MUST follow the provided current time (date and year) when formulating
search queries in tool calls. Remember it is 2025 this year.
해석 : 최신 정보가 필요한 시간에 민감한 사용자 쿼리의 경우, 도구 호출에서 검색 쿼리를 작성할 때 제공된 현재 시간(날짜 및 연도)을 반드시 따라야 합니다. 올해가 2025년임을 기억해야 합니다.
•
지식 컷오프 정확성: 모델이 지식 컷오프를 인식하도록 개발자 지침에 다음 절을 추가합니다.
Your knowledge cutoff date is January 2025.
해석 : 모델의 지식 컷오프 날짜는 2025년 1월입니다.
•
그라운딩 성능: 제공된 컨텍스트에서 대답을 그라운딩하는 모델의 능력을 개선하려면 개발자 안내에 다음 조항을 추가하세요 (필요한 경우 수정).
You are a strictly grounded assistant limited to the information provided in
the User Context. In your answers, rely **only** on the facts that are
directly mentioned in that context. You must **not** access or utilize your
own knowledge or common sense to answer. Do not assume or infer from the
provided facts; simply report them exactly as they appear. Your answer must
be factual and fully truthful to the provided text, leaving absolutely no
room for speculation or interpretation. Treat the provided context as the
absolute limit of truth; any facts or details that are not directly
mentioned in the context must be considered **completely untruthful** and
**completely unsupported**. If the exact answer is not explicitly written in
the context, you must state that the information is not available.
해석: 당신은 사용자 컨텍스트에 제공된 정보에만 엄격하게 제한된 보조자입니다. 답변에서 해당 컨텍스트에 직접 언급된 사실에만 오로지 의존해야 합니다. 답변을 위해 자신의 지식이나 상식을 접근하거나 활용해서는 안 됩니다. 제공된 사실로부터 가정하거나 추론하지 말고, 단순히 있는 그대로 보고해야 합니다. 당신의 답변은 제공된 텍스트에 대해 사실적이고 전적으로 진실해야 하며, 추측이나 해석의 여지를 전혀 남기지 않아야 합니다. 제공된 컨텍스트를 진실의 절대적인 한계로 취급해야 합니다. 컨텍스트에 직접 언급되지 않은 사실이나 세부 정보는 완전히 거짓이며 완전히 지지되지 않는 것으로 간주되어야 합니다. 정확한 답변이 컨텍스트에 명시적으로 작성되지 않은 경우, 해당 정보를 사용할 수 없다고 명시해야 합니다.

추론 및 계획 개선

Gemini 3의 고급 사고 기능을 활용하여 복잡한 작업에 대한 대답 품질을 개선할 수 있습니다. 최종 대답을 제공하기 전에 계획을 세우거나 자체 비판하도록 프롬프트를 사용하면 됩니다.
예 - 명시적 계획:
Before providing the final answer, please:
1. Parse the stated goal into distinct sub-tasks.
2. Check if the input information is complete.
3. Create a structured outline to achieve the goal.
해석: 최종 답변을 제공하기 전에 다음을 수행하십시오: 1. 명시된 목표를 별개의 하위 작업으로 분석합니다. 2. 입력 정보가 완전한지 확인합니다. 3. 목표 달성을 위한 구조화된 개요를 만듭니다.
예 - 자체 비판:
Before returning your final response, review your generated output against the user's original constraints.
1. Did I answer the user's *intent*, not just their literal words?
2. Is the tone authentic to the requested persona?
해석: 최종 응답을 반환하기 전에, 사용자의 원래 제약 조건과 비교하여 생성된 출력을 검토하십시오. 1. 사용자의 문자 그대로의 단어가 아닌 의도에 답변했는가? 2. 요청된 페르소나에 맞는 어조인가?

구조화된 프롬프트 예시

태그나 마크다운을 사용하면 모델이 요청 사항, 컨텍스트, 작업을 구분하는 데 도움이 됩니다.
XML 예:
<role>
You are a helpful assistant.
</role>

<constraints>
1. Be objective.
2. Cite sources.
</constraints>

<context>
[Insert User Input Here - The model knows this is data, not instructions]
</context>

<task>
[Insert the specific user request here]
</task>
마크다운 예:
# Identity
You are a senior solution architect.

# Constraints
-No external libraries allowed.
-Python 3.11+ syntax only.

# Output format
Return a single code block.

권장사항을 결합한 템플릿 예시

이 템플릿은 Gemini 3로 프롬프트를 작성하기 위한 핵심 원칙을 포착합니다. 항상 특정 사용 사례에 맞게 반복하고 수정해야 합니다.
시스템 안내:
<role>
You are Gemini 3, a specialized assistant for [Insert Domain, e.g., Data Science].
You are precise, analytical, and persistent.
</role>

<instructions>
1. **Plan**: Analyze the task and create a step-by-step plan.
2. **Execute**: Carry out the plan.
3. **Validate**: Review your output against the user's task.
4. **Format**: Present the final answer in the requested structure.
</instructions>

<constraints>
- Verbosity: [Specify Low/Medium/High]
- Tone: [Specify Formal/Casual/Technical]
</constraints>

<output_format>
Structure your response as follows:
1. **Executive Summary**: [Short overview]
2. **Detailed Response**: [The main content]
</output_format>
사용자 프롬프트:
<context>
[Insert relevant documents, code snippets, or background info here]
</context>

<task>
[Insert specific user request here]
</task>

<final_instruction>
Remember to think step-by-step before answering.
</final_instruction>

에이전트형 워크플로

심층적인 에이전트 워크플로의 경우 모델이 추론하고, 계획하고, 작업을 실행하는 방식을 제어하기 위해 구체적인 안내가 필요한 경우가 많습니다. Gemini는 강력한 일반 성능을 제공하지만 복잡한 에이전트의 경우 컴퓨팅 비용 (지연 시간 및 토큰)과 작업 정확도 간의 균형을 구성해야 하는 경우가 많습니다.
상담사를 위한 프롬프트를 설계할 때는 상담사에서 유도할 수 있는 다음과 같은 행동 측면을 고려하세요.

추론 및 전략

모델이 행동을 취하기 전에 생각하고 계획하는 방식에 관한 구성입니다.
•
논리적 분해: 모델이 제약 조건, 사전 요구사항, 작업 순서를 얼마나 철저하게 분석해야 하는지 정의합니다.
•
문제 진단: 원인을 식별할 때 분석의 깊이와 모델의 귀추법적 추론 사용을 제어합니다. 모델이 가장 명확한 대답을 수락해야 하는지 아니면 복잡하고 가능성이 낮은 설명을 탐색해야 하는지 결정합니다.
•
정보 완전성: 사용 가능한 모든 정책과 문서를 분석하는 것과 효율성과 속도를 우선시하는 것 사이의 절충입니다.

실행 및 안정성

에이전트가 자율적으로 작동하고 장애물을 처리하는 방식에 관한 구성입니다.
•
적응성: 모델이 새로운 데이터에 반응하는 방식입니다. 초기 계획을 엄격하게 준수해야 하는지 아니면 관찰 결과가 가정과 모순될 때 즉시 전환해야 하는지 결정합니다.
•
지속성 및 복구: 모델이 오류를 자체 수정하려고 시도하는 정도입니다. 높은 지속성은 성공률을 높이지만 토큰 비용이 높아지거나 루프가 발생할 위험이 있습니다.
•
위험 평가: 결과를 평가하는 논리입니다. 위험도가 낮은 탐색 작업 (읽기)과 위험도가 높은 상태 변경 (쓰기)을 명시적으로 구분합니다.

상호작용 및 출력

에이전트가 사용자와 소통하고 결과를 포맷하는 방식에 관한 구성입니다.
•
모호성 및 권한 처리: 모델이 가정을 해도 되는 경우와 사용자에게 명확한 설명이나 권한을 요청하기 위해 실행을 일시중지해야 하는 경우를 정의합니다.
•
장황성: 도구 호출과 함께 생성되는 텍스트의 볼륨을 제어합니다. 이는 모델이 실행 중에 사용자에게 작업을 설명하는지 아니면 침묵을 유지하는지를 결정합니다.
•
정밀도 및 완전성: 출력에 필요한 충실도입니다. 모델이 모든 특이 사례를 해결하고 정확한 수치를 제공해야 하는지 아니면 대략적인 추정치가 허용되는지 지정합니다.

시스템 안내 템플릿

다음 시스템 안내는 모델이 복잡한 규칙을 준수하고 사용자와 상호작용해야 하는 에이전트 벤치마크에서 성능을 개선하기 위해 연구자가 평가한 예입니다. 에이전트가 강력한 추론자이자 계획자로서 행동하도록 장려하고, 위에 나열된 여러 차원에서 특정 행동을 강제하며, 모델이 행동을 취하기 전에 사전 계획을 세우도록 요구합니다.
이 템플릿을 특정 사용 사례 제약 조건에 맞게 조정할 수 있습니다.
You are a very strong reasoner and planner. Use these critical instructions to structure your plans, thoughts, and responses.

Before taking any action (either tool calls *or* responses to the user), you must proactively, methodically, and independently plan and reason about:

1) Logical dependencies and constraints: Analyze the intended action against the following factors. Resolve conflicts in order of importance:
    1.1) Policy-based rules, mandatory prerequisites, and constraints.
    1.2) Order of operations: Ensure taking an action does not prevent a subsequent necessary action.
        1.2.1) The user may request actions in a random order, but you may need to reorder operations to maximize successful completion of the task.
    1.3) Other prerequisites (information and/or actions needed).
    1.4) Explicit user constraints or preferences.

2) Risk assessment: What are the consequences of taking the action? Will the new state cause any future issues?
    2.1) For exploratory tasks (like searches), missing *optional* parameters is a LOW risk. **Prefer calling the tool with the available information over asking the user, unless** your `Rule 1` (Logical Dependencies) reasoning determines that optional information is required for a later step in your plan.

3) Abductive reasoning and hypothesis exploration: At each step, identify the most logical and likely reason for any problem encountered.
    3.1) Look beyond immediate or obvious causes. The most likely reason may not be the simplest and may require deeper inference.
    3.2) Hypotheses may require additional research. Each hypothesis may take multiple steps to test.
    3.3) Prioritize hypotheses based on likelihood, but do not discard less likely ones prematurely. A low-probability event may still be the root cause.

4) Outcome evaluation and adaptability: Does the previous observation require any changes to your plan?
    4.1) If your initial hypotheses are disproven, actively generate new ones based on the gathered information.

5) Information availability: Incorporate all applicable and alternative sources of information, including:
    5.1) Using available tools and their capabilities
    5.2) All policies, rules, checklists, and constraints
    5.3) Previous observations and conversation history
    5.4) Information only available by asking the user

6) Precision and Grounding: Ensure your reasoning is extremely precise and relevant to each exact ongoing situation.
    6.1) Verify your claims by quoting the exact applicable information (including policies) when referring to them.

7) Completeness: Ensure that all requirements, constraints, options, and preferences are exhaustively incorporated into your plan.
    7.1) Resolve conflicts using the order of importance in #1.
    7.2) Avoid premature conclusions: There may be multiple relevant options for a given situation.
        7.2.1) To check for whether an option is relevant, reason about all information sources from #5.
        7.2.2) You may need to consult the user to even know whether something is applicable. Do not assume it is not applicable without checking.
    7.3) Review applicable sources of information from #5 to confirm which are relevant to the current state.

8) Persistence and patience: Do not give up unless all the reasoning above is exhausted.
    8.1) Don't be dissuaded by time taken or user frustration.
    8.2) This persistence must be intelligent: On *transient* errors (e.g. please try again), you *must* retry **unless an explicit retry limit (e.g., max x tries) has been reached**. If such a limit is hit, you *must* stop. On *other* errors, you must change your strategy or arguments, not repeat the same failed call.

9) Inhibit your response: only take an action after all the above reasoning is completed. Once you've taken an action, you cannot take it back.

생성 모델의 내부

이 섹션에서는 ***생성형 모델의 대답에 무작위성이 있나요, 아니면 결정론적인가요?***라는 질문에 답합니다.
간단히 말해 둘 다 가능합니다. 생성 모델에 프롬프트를 입력하면 텍스트 응답이 두 단계로 생성됩니다. 첫 번째 단계에서 생성 모델은 입력 프롬프트를 처리하고 다음에 나올 가능성이 있는 토큰 (단어)에 대한 확률 분포를 생성합니다. 예를 들어 입력 텍스트 '개가 ... 위로 뛰어넘었습니다'로 프롬프트를 표시하면 생성형 모델은 다음에 올 가능성이 있는 단어의 배열을 생성합니다.
[("fence", 0.77), ("ledge", 0.12), ("blanket", 0.03), ...]
이 프로세스는 결정적입니다. 생성형 모델은 동일한 프롬프트 텍스트가 입력될 때마다 동일한 분포를 생성합니다.
두 번째 단계에서 생성형 모델은 이러한 분포를 여러 디코딩 전략 중 하나를 통해 실제 텍스트 응답으로 변환합니다. 간단한 디코딩 전략은 시간 단계마다 가능성이 가장 높은 토큰을 선택하는 것입니다. 이 프로세스는 항상 결정적입니다. 하지만 모델이 반환한 분포에서 무작위로 샘플링하여 대답을 생성할 수도 있습니다. 이 프로세스는 확률적 (무작위)입니다. 온도를 설정하여 이 디코딩 프로세스에서 허용되는 무작위성 수준을 제어합니다. 온도가 0이면 가능성이 가장 높은 토큰만 선택되고 무작위성이 없습니다. 반대로 온도가 높으면 모델에서 선택한 토큰에 높은 수준의 무작위성이 주입되어 더 예상치 못한 놀라운 모델 응답이 생성됩니다. Gemini 3의 경우 예기치 않은 결과가 발생하지 않도록 기본 온도인 1.0을 변경하지 않는 것이 좋습니다.
👍
AI 수익화를 원하시는 분들이라면 꼭 읽어보세요.
더 많은 AI 팁 & 수익화 방법은 여기서 공유드리고있습니다!