Claude를 업무에 활용하다 보면 같은 프롬프트를 입력해도 원하는 결과가 매번 조금씩 달라지는 경우가 있습니다. 특히 고객 문의 분류, 문서 요약, 상품 리뷰 분석, 이메일 작성, 데이터 분류처럼 일정한 기준에 따라 반복 작업을 처리할 때는 단순한 지시만으로 원하는 결과를 안정적으로 얻기 어렵습니다.

이럴 때 활용할 수 있는 방법이 Few-shot Prompting입니다.

Few-shot Prompting은 Claude에게 단순히 작업 방법을 설명하는 것이 아니라 실제 입력과 원하는 출력의 예시를 함께 제공하는 방식입니다. 이를 활용하면 AI가 사용자가 원하는 결과의 형식과 판단 기준을 보다 구체적으로 파악할 수 있습니다.

1. Few-shot Prompting이란?

Few-shot Prompting은 Claude에게 작업을 요청하면서 몇 가지 예시를 함께 제공하는 프롬프트 기법입니다.

예를 들어 고객 문의를 긍정·부정·중립으로 분류한다고 가정해 보겠습니다.

단순하게 요청하면 다음과 같습니다.

다음 고객 문의를 긍정, 부정, 중립으로 분류하세요.

"배송은 빠른데 포장이 조금 아쉬웠습니다."

이 경우 Claude가 어떤 기준으로 분류해야 하는지 해석해야 합니다.

반면 Few-shot 방식에서는 예시를 먼저 제공합니다.

다음 예시를 참고하여 고객 문의를 분류하세요.

예시 1
입력: "배송도 빠르고 제품도 마음에 들어요."
출력: 긍정

예시 2
입력: "제품이 파손되어 도착했습니다."
출력: 부정

예시 3
입력: "배송은 예정일에 도착했습니다."
출력: 중립

이제 다음 문의를 분류하세요.

입력:
"배송은 빠른데 포장이 조금 아쉬웠습니다."

출력:

Claude는 예시를 통해 분류 기준과 출력 형식을 함께 파악할 수 있습니다.

2. Zero-shot과 Few-shot의 차이

Prompting 방식은 크게 Zero-shot과 Few-shot으로 구분할 수 있습니다.

Zero-shot

예시 없이 작업 방법만 설명합니다.

다음 리뷰를 긍정 또는 부정으로 분류하세요.

Few-shot

작업 방법과 함께 몇 가지 예시를 제공합니다.

예시 1
리뷰: "정말 만족합니다."
분류: 긍정

예시 2
리뷰: "다시는 구매하지 않을 것 같습니다."
분류: 부정

이제 다음 리뷰를 분류하세요.

둘의 차이를 정리하면 다음과 같습니다.

구분	Zero-shot	Few-shot
예시 제공	없음	있음
프롬프트 길이	짧음	상대적으로 김
기준 전달	설명 중심	실제 사례 중심
출력 형식 통제	상대적으로 어려움	상대적으로 쉬움
반복 업무	기본 수준	효과적
복잡한 분류	한계가 있을 수 있음	유용

3. Few-shot이 업무 자동화에 유용한 이유

기업에서 AI를 활용할 때는 단순히 “잘 대답하는 것”보다 일관된 결과를 만드는 것이 중요합니다.

예를 들어 고객 문의 1,000건을 처리한다고 가정해 보겠습니다.

사람이 직접 분류하면 시간이 오래 걸리고 담당자마다 기준이 달라질 수 있습니다.

Claude에게 다음과 같은 예시를 제공하면 일정한 기준으로 분류하도록 유도할 수 있습니다.

[예시]

문의:
"환불하고 싶습니다."

분류:
환불

문의:
"제품을 교환하고 싶습니다."

분류:
교환

문의:
"배송이 언제 오나요?"

분류:
배송문의

이후 실제 고객 문의를 입력하면 Claude가 기존 예시와 유사한 패턴을 참고하여 분류할 수 있습니다.

즉, Few-shot Prompting의 핵심은 설명만으로 전달하기 어려운 판단 기준을 실제 사례로 보여주는 것입니다.

4. 좋은 예시를 선택하는 것이 중요하다

Few-shot Prompting에서는 예시의 개수가 무조건 많다고 좋은 것은 아닙니다.

오히려 대표성이 높은 예시를 선택하는 것이 중요합니다.

예를 들어 고객 문의 분류를 한다면 다음과 같이 구성할 수 있습니다.

긍정적인 사례
부정적인 사례
애매한 사례
복합적인 사례

특히 실제 업무에서 자주 발생하는 경계 사례를 포함하면 도움이 될 수 있습니다.

예를 들어:

“제품은 마음에 들지만 배송이 너무 늦었어요.”

처럼 긍정과 부정 요소가 동시에 존재하는 사례입니다.

이러한 사례를 예시에 포함하면 AI가 단순한 극단적인 사례뿐 아니라 실제 업무에서 발생하는 복합적인 상황을 처리하는 데 도움이 됩니다.

5. 출력 형식을 예시로 고정하기

Few-shot Prompting의 또 다른 장점은 출력 형식을 통제하기 쉽다는 것입니다.

예를 들어 상품 리뷰를 분석해서 다음 세 가지 정보를 얻고 싶다고 가정해 보겠습니다.

감정
핵심 내용
개선 필요 여부

다음과 같이 예시를 제공할 수 있습니다.

예시 1

입력:
"배송도 빠르고 제품 품질도 만족스럽습니다."

출력:
감정: 긍정
핵심내용: 배송 및 품질 만족
개선필요: 아니오


예시 2

입력:
"제품은 괜찮지만 배송이 너무 늦었습니다."

출력:
감정: 중립
핵심내용: 제품 만족, 배송 불만
개선필요: 배송 개선

이렇게 하면 Claude가 새로운 리뷰를 처리할 때도 비슷한 구조로 결과를 생성하도록 유도할 수 있습니다.

업무 자동화에서는 이러한 출력 형식의 일관성이 상당히 중요합니다.

6. XML 태그와 함께 사용하기

Claude 프롬프트에서는 작업 지시와 예시를 명확하게 구분하는 방식으로 XML 태그를 활용할 수 있습니다.

예를 들어:

<examples>

<example>
<input>
배송이 빠르고 제품도 만족스럽습니다.
</input>

<output>
긍정
</output>
</example>

<example>
<input>
제품이 파손되어 도착했습니다.
</input>

<output>
부정
</output>
</example>

</examples>

<task>
다음 고객 리뷰를 분류하세요.
</task>

이런 구조를 사용하면 지시사항, 예시, 실제 입력을 논리적으로 구분할 수 있습니다.

특히 긴 프롬프트나 여러 개의 예시를 사용하는 업무에서는 이런 구조화가 유용합니다.

7. 업무별 Few-shot 예시

Few-shot Prompting은 다양한 업무에 적용할 수 있습니다.

고객 문의 자동 분류

문의 → 배송
문의 → 환불
문의 → 교환
문의 → 제품문의

상품 리뷰 분석

리뷰 → 긍정
리뷰 → 부정
리뷰 → 중립

이메일 분류

메일 → 영업
메일 → 고객지원
메일 → 계약
메일 → 내부업무

문서 요약

원문 → 핵심내용 3개 요약

SNS 콘텐츠 분류

게시물 → 제품소개
게시물 → 이벤트
게시물 → 정보성
게시물 → 후기

이처럼 반복적이고 기준이 명확한 업무에서 특히 활용하기 좋습니다.

8. Few-shot Prompting에서 흔히 하는 실수

예시끼리 기준이 다른 경우

예시 1에서는 배송 지연을 부정으로 분류했는데 예시 2에서는 중립으로 분류한다면 Claude가 기준을 파악하기 어려워집니다.

따라서 예시를 작성할 때는 분류 기준을 먼저 확립하는 것이 중요합니다.

예시가 지나치게 긴 경우

모든 가능한 상황을 예시로 넣으려고 하면 프롬프트가 지나치게 길어질 수 있습니다.

실제 업무에서 자주 발생하는 대표 사례를 중심으로 구성하는 것이 좋습니다.

출력 형식이 일관되지 않은 경우

예시 1은 문장 형태이고 예시 2는 JSON 형태라면 원하는 출력 구조를 명확하게 전달하기 어렵습니다.

가능하면 모든 예시의 출력 형식을 동일하게 유지하는 것이 좋습니다.

9. Few-shot과 JSON 출력을 함께 사용하기

업무 자동화 시스템에서는 Claude의 답변을 사람이 읽는 것뿐만 아니라 프로그램이 다시 처리해야 하는 경우가 많습니다.

이때 구조화된 출력 형식을 사용할 수 있습니다.

예를 들어 고객 문의를 다음과 같은 형태로 반환하도록 설계할 수 있습니다.

{
  "category": "배송",
  "sentiment": "negative",
  "priority": "high"
}

Few-shot 예시에서도 동일한 형식을 보여주면 Claude가 원하는 데이터 구조를 이해하는 데 도움이 됩니다.

이렇게 하면 Claude의 결과를 이후 데이터베이스나 자동화 시스템으로 전달하기도 편리합니다.

10. Few-shot 예시는 실제 데이터를 활용하는 것이 좋다

실제 업무에 적용할 때는 임의로 만든 예시보다 실제 업무에서 발생했던 데이터를 익명화하여 사용하는 방법을 고려할 수 있습니다.

예를 들어 고객지원 시스템이라면 기존 상담 데이터를 분석해 다음과 같은 대표 사례를 선정할 수 있습니다.

실제 문의 1000건
       ↓
대표 사례 추출
       ↓
긍정 / 부정 / 중립
       ↓
경계 사례 선정
       ↓
Few-shot 예시 구축
       ↓
Claude 적용

이렇게 하면 실제 업무에서 사용하는 표현과 상황이 반영되기 때문에 단순히 AI가 이해하기 쉬운 예시를 만드는 것보다 실무적인 프롬프트를 설계할 수 있습니다.

단, 개인정보나 민감한 정보가 포함된 실제 데이터를 그대로 프롬프트에 넣는 것은 피하고 필요한 정보만 남겨 익명화하는 과정이 필요합니다.

11. 예시를 계속 추가한다고 정확도가 계속 올라가는 것은 아니다

Few-shot Prompting에서는 예시를 많이 넣는 것이 항상 좋은 결과를 의미하지 않습니다.

예시가 지나치게 많아지면 프롬프트가 복잡해지고 서로 비슷하거나 상충하는 사례가 포함될 가능성도 있습니다.

따라서 다음과 같은 방식으로 관리하는 것이 좋습니다.

초기 예시 10개
      ↓
테스트
      ↓
오류 사례 분석
      ↓
대표적인 오류 사례 추가
      ↓
다시 테스트
      ↓
불필요한 예시 제거

즉, 예시를 무작정 늘리는 것보다 실제 오류를 분석해서 필요한 예시를 추가하는 방식이 효과적입니다.

12. Few-shot Prompt를 평가하는 방법

실제 서비스에 적용하기 전에는 반드시 테스트 데이터로 평가하는 것이 좋습니다.

예를 들어 100개의 테스트 사례를 준비하고 Zero-shot과 Few-shot 결과를 비교할 수 있습니다.

방식	정확도
Zero-shot	82%
Few-shot	91%

이런 식으로 실제 업무 데이터에 대한 성능 변화를 확인해야 합니다.

단순히 “답변이 좋아진 것 같다”는 느낌보다 정확도, 분류 오류율, 형식 준수율 등을 측정하는 것이 전문적인 접근입니다.

특히 Few-shot을 적용한 후 특정 유형의 오류가 오히려 증가한다면 예시 구성 자체를 다시 검토해야 합니다.

13. Few-shot Prompting의 실전 설계 공식

실무에서는 다음과 같은 구조로 시작해볼 수 있습니다.

[역할]
당신은 고객지원 데이터 분석 담당자입니다.

[작업]
고객 문의를 배송 / 환불 / 교환 / 제품문의로 분류하세요.

[기준]
- 배송 관련 → 배송
- 환불 요청 → 환불
- 제품 교체 요청 → 교환
- 제품 사용법 및 기능 문의 → 제품문의

[예시]
입력 → 출력
입력 → 출력
입력 → 출력

[실제 데이터]
{{customer_message}}

[출력 형식]
카테고리:
이유:

이 구조는 역할 → 작업 → 기준 → 예시 → 실제 입력 → 출력 형식으로 구성되어 있어 반복적인 업무에 적용하기 좋습니다.

마무리

Claude에서 Few-shot Prompting을 활용하는 핵심은 단순히 예시를 여러 개 넣는 것이 아닙니다.

“내가 원하는 결과가 정확히 어떤 것인지 실제 사례로 보여주는 것”이 핵심입니다.

특히 고객 문의 분류, 리뷰 분석, 문서 처리, 이메일 분류처럼 반복적으로 동일한 기준을 적용해야 하는 업무에서는 Few-shot Prompting을 활용하면 결과의 일관성을 높이는 데 도움이 될 수 있습니다.

실무에서는 다음 순서로 접근하는 것이 좋습니다.

업무 기준 정의 → 대표 예시 선정 → Few-shot 프롬프트 작성 → 테스트 데이터 평가 → 오류 사례 분석 → 예시 개선

그리고 프롬프트가 복잡해질수록 XML 태그 등을 활용해 지시사항·예시·실제 입력을 명확하게 분리하고, 자동화 시스템에 연결한다면 JSON과 같은 구조화된 출력 형식을 함께 고려하는 것이 좋습니다.

결국 좋은 Few-shot Prompt는 예시의 개수가 많은 프롬프트가 아니라, 실제 업무에서 발생하는 다양한 상황을 대표하면서도 판단 기준이 일관된 프롬프트라고 할 수 있습니다.

Claude에서 Few-shot Prompting을 활용해 업무 정확도를 높이는 방법