Prompt Chaining

프롬프트 체이닝은 복잡한 작업을 더 작고 관리하기 쉬운 하위 작업의 순서로 분해하는 인공지능(AI) 개발의 고급 아키텍처 패턴입니다. 이 워크플로우에서는 한 단계의 출력이—보통 대규모 언어 모델(LLM)이나 컴퓨터 비전 시스템에 의해 생성됨—다음 단계를 위한 입력 역할을 합니다. 다면적인 문제를 한 번에 해결하려는 단일 모놀리식 프롬프트와 달리, 체이닝을 통해 개발자는 더 안정적이고 테스트 가능하며 성능이 뛰어난 애플리케이션을 구축할 수 있습니다. 이러한 모듈식 접근 방식은 추론하거나, 웹을 탐색하거나, 물리적 환경과 상호 작용할 수 있는 정교한 AI 에이전트를 만드는 데 필수적입니다.

Link to this section체이닝의 메커니즘#

프롬프트 체이닝은 기본적으로 파운데이션 모델의 컨텍스트 윈도우 및 추론 능력의 한계를 해결합니다. 모델이 단일 요청 내에서 너무 많은 별개의 작업(예: "이 이미지를 분석하고, 텍스트를 추출하고, 스페인어로 번역한 다음, JSON 송장 형식으로 구성하십시오")을 수행하도록 요구받으면 오류 발생 확률이 높아집니다. 이를 파이프라인으로 분할함으로써 개발자는 각 단계의 정확도를 검증할 수 있습니다.

효과적인 체인은 종종 Python으로 작성되거나 LangChain과 같은 오케스트레이션 라이브러리에 의해 관리되는 "글루 코드(glue code)"를 활용하여 단계 간 데이터 변환을 처리합니다. 이를 통해 객체 탐지의 시각적 예리함과 생성적 텍스트 모델의 언어적 유창함을 결합하는 등 서로 다른 기술의 통합이 가능해집니다.

Link to this section실제 애플리케이션 사례#

프롬프트 체이닝은 서로 다른 데이터 양식 간의 격차를 해소할 때 특히 강력하며, 멀티모달 모델이 역동적인 산업 및 상업 환경에서 작동할 수 있도록 지원합니다.

1. 자동화된 시각적 보고: 스마트 제조 분야에서 품질 관리 시스템은 비전 모델과 LLM을 체인으로 연결할 수 있습니다. 먼저 Ultralytics YOLO26과 같은 고속 모델이 조립 라인의 구성 요소를 스캔합니다. 구조화된 출력(예: "클래스: Dented_Can, 신뢰도: 0.92")은 텍스트 문자열로 변환됩니다. 그런 다음 이 텍스트는 "이 결함을 기반으로 유지보수 요청 초안을 작성하십시오"와 같은 프롬프트와 함께 언어 모델로 전달되어 현장 관리자를 위한 사람이 읽을 수 있는 이메일을 생성합니다.

2. 컨텍스트 인식 고객 지원: 지능형 챗봇은 복잡한 사용자 쿼리를 처리하기 위해 종종 체이닝을 사용합니다. 체인의 첫 번째 링크는 자연어 처리(NLP)를 사용하여 사용자의 의도를 분류할 수 있습니다. 의도가 기술적인 경우, 시스템은 검색 증강 생성(RAG) 워크플로우를 트리거합니다. 즉, 쿼리에 대한 임베딩을 생성하고, 벡터 데이터베이스에서 문서를 검색한 다음, 마지막으로 LLM에 프롬프트를 보내 검색된 청크를 유용한 답변으로 종합합니다.

Link to this section비전-언어 코드 예제#

다음 예제는 체인의 첫 번째 "링크"를 보여줍니다. 컴퓨터 비전(CV)를 사용하여 다운스트림 프롬프트의 컨텍스트 역할을 하는 구조화된 데이터를 생성하는 방법입니다.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

Link to this section관련 개념 구분#

효과적인 머신러닝(ML) 아키텍처를 구현하려면 프롬프트 체이닝을 AI 환경의 유사한 용어와 구별하는 것이 도움이 됩니다:

• Vs. 생각의 사슬 프롬프트(Chain-of-Thought Prompting): 생각의 사슬(CoT)은 단일 프롬프트 내부에서 사용되는 기법으로, 모델이 "작업 과정을 보여주도록"(예: "단계별로 생각하십시오") 유도합니다. 프롬프트 체이닝은 여러 개의 별도 API 호출을 포함하며, B 단계의 입력이 A 단계의 출력에 의존합니다.
• Vs. 프롬프트 엔지니어링(Prompt Engineering): 프롬프트 엔지니어링은 더 나은 모델 성능을 이끌어내기 위해 텍스트 입력을 최적화하는 더 넓은 분야입니다. 체이닝은 작업의 순차적 흐름과 논리 제어에 초점을 맞춘 구체적인 엔지니어링 패턴입니다.
• Vs. 프롬프트 튜닝(Prompt Tuning): 프롬프트 튜닝은 학습 단계 중에 학습 가능한 매개변수(소프트 프롬프트)를 업데이트하는 모델 최적화 방법입니다. 프롬프트 체이닝은 실시간 추론 중에 완전히 발생하며 모델의 모델 가중치를 변경하지 않습니다.

프롬프트 체이닝을 활용함으로써 팀은 논리, 데이터 검색 및 행동 인식을 통합하는 강력한 애플리케이션을 구축할 수 있습니다. 이러한 체인을 구동하는 데이터셋 관리 및 비전 모델 학습을 위해 Ultralytics 플랫폼은 주석, 학습 및 배포를 위한 중앙 집중식 솔루션을 제공합니다.