---
title: "퓨샷 프롬프팅이란? 프롬프트에 예시 넣기 | BroadRouter"
description: "퓨샷 프롬프팅은 프롬프트에 완성된 예시 몇 개를 넣어 모델이 패턴을 따라 하게 합니다. 작동 방식, 적절한 예시 개수, 예시에 드는 비용을 정리했습니다."
url: https://broadrouter.com/ko/glossary/few-shot-prompting/
lang: ko
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/glossary/few-shot-prompting/) (2026-11-16 업데이트).

# 퓨샷 프롬프팅(few-shot prompting)

업데이트 2026-11-16

퓨샷 프롬프팅(few-shot prompting)은 실제 입력 앞에 입력-출력 예시를 몇 개 넣어, 언어 모델이 예시에서 작업과 형식을 추론하게 하는 기법입니다. 모델의 가중치는 바뀌지 않습니다. 예시가 없으면 제로샷, 하나면 원샷이라고 합니다.

다른 이름: 퓨샷 프롬프팅, 퓨샷 러닝, 퓨샷 학습, 원샷 프롬프팅, 제로샷, 인컨텍스트 예시, few-shot learning, multishot prompting, in-context examples, one-shot prompting

말로 설명하기보다 보여 주는 편이 낫습니다. 규칙을 한 문단 쓰는 것보다 예시 몇 개가 형식과 어조를 더 빨리 잡아 주는 경우가 많습니다.

## 작동 방식

이 용어는 Brown 등이 쓴 GPT-3 논문으로 널리 퍼졌습니다. 논문은 1,750억 파라미터 모델을 경사 업데이트나 파인튜닝 없이 “specified purely via text interaction with the model”(번역: 순전히 모델과의 텍스트 상호작용으로 지정된) 작업으로 시험했고, 퓨샷 성능이 모델 크기에 따라 크게 좋아진다는 것을 확인했습니다. 논문은 세 가지 설정을 정의합니다.

| 설정 | 프롬프트 속 예시 |
| --- | --- |
| 제로샷 | 없음, 지시문만 |
| 원샷 | 1개 |
| 퓨샷 | 여러 개, 컨텍스트 윈도우가 허용하는 만큼 |

고객 지원 티켓에 라벨을 붙이는 퓨샷 프롬프트는 다음과 같을 수 있습니다.

```text
Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->
```

모델은 패턴을 이어 갑니다. Anthropic 가이드는 예시를 형식, 어조, 구조를 조정하는 “one of the most reliable ways to steer”(번역: 가장 확실한 조정 방법 중 하나)라고 부르며, 예시가 관련성 있고 다양해야 하고, 모델이 지시문과 구별할 수 있도록 태그로 감싸야 한다고 말합니다.

## 왜 중요한가

-   **형식 제어.** 예시는 빈 필드를 어떻게 쓰는지처럼 규칙이 놓치는 엣지 케이스를 보여 줍니다. 엄격한 JSON이 필요하면 [구조화된 출력](https://broadrouter.com/ko/glossary/structured-output/)과 함께 쓰세요.
-   **비용.** 모든 예시가 호출마다 입력으로 다시 보내집니다. 200토큰짜리 예시 5개면 요청마다 1,000토큰이 늘어납니다. 고정된 프리픽스에 두면 [캐시된 입력 토큰](https://broadrouter.com/ko/glossary/cached-input-tokens/)으로 청구될 수 있습니다.
-   **추론.** 답만이 아니라 단계를 보여 주는 예시는 [생각의 사슬(CoT)](https://broadrouter.com/ko/glossary/chain-of-thought/) 프롬프팅입니다.
-   **멈출 때.** 예시가 수백 개 필요하다면 매번 보내는 것보다 [파인튜닝](https://broadrouter.com/ko/glossary/fine-tuning/)이 호출당 더 저렴할 수 있습니다.

## BroadNet Inference에서는

퓨샷 프롬프팅에는 특별한 API 기능이 필요 없습니다. `messages`에 들어가는 일반 텍스트일 뿐입니다. BroadNet은 `usage`에 `cached_tokens`를 보고하므로, 예시 블록을 캐시에서 읽는지 확인할 수 있습니다. 종량제(PAYG) 키에서는 캐시 가격이 입력 가격보다 낮습니다. DeepSeek V4.1 Flash를 예로 들면, 100만 토큰당 일반 입력이 $0.175 요금일 때 캐시 입력은 $0.0055 요금입니다. 아랍어 작업은 [아랍어 프롬프트 엔지니어링](https://broadrouter.com/ko/blog/arabic-prompt-engineering/)을, 예시를 활용한 문서 추출은 [아랍어 청구서 가이드](https://broadrouter.com/ko/guides/read-arabic-invoices-with-vision/)를 참고하세요.

## 흔한 실수

-   모든 예시가 같은 라벨이나 같은 길이인 경우. 모델이 그 편향을 그대로 따라 합니다.
-   요청마다 예시를 바꾸는 경우. 캐시된 프리픽스가 깨지고 결과를 비교하기도 어려워집니다.

## 자주 묻는 질문

### 퓨샷 프롬프트에는 예시를 몇 개 넣어야 하나요?

Anthropic은 가장 좋은 결과를 위해 3~5개를 권합니다. 예시가 많을수록 호출마다 입력 토큰 비용이 늘어나므로, 품질이 더 나아지지 않으면 그만 추가하세요.

### 퓨샷 프롬프팅과 파인튜닝은 같은 건가요?

아닙니다. 퓨샷 예시는 프롬프트 안에 있고 요청마다 다시 보내집니다. 파인튜닝은 모델 가중치를 한 번 바꾸므로 예시를 더 보낼 필요가 없습니다.

### 예시는 시스템 프롬프트에 넣어야 하나요, 대화 턴으로 넣어야 하나요?

둘 다 됩니다. 앞부분의 고정된 위치에 두어 캐시 가능한 안정적인 프리픽스가 되게 하세요.

## 함께 보기

-   [시스템 프롬프트(system prompt)](https://broadrouter.com/ko/glossary/system-prompt/) (용어)
-   [생각의 사슬(CoT, chain-of-thought)](https://broadrouter.com/ko/glossary/chain-of-thought/) (용어)
-   [파인튜닝(fine-tuning)](https://broadrouter.com/ko/glossary/fine-tuning/) (용어)
-   [캐시된 입력 토큰(cached input tokens)](https://broadrouter.com/ko/glossary/cached-input-tokens/) (용어)
-   [구조화된 출력(Structured output)](https://broadrouter.com/ko/glossary/structured-output/) (용어)
-   [프롬프트 엔지니어링(prompt engineering)](https://broadrouter.com/ko/glossary/prompt-engineering/) (용어)
-   [비전 모델로 아랍어 인보이스와 영수증 읽기](https://broadrouter.com/ko/guides/read-arabic-invoices-with-vision/) (가이드)
-   [아랍어 프롬프트 엔지니어링: 문체, RTL, 숫자, 혼용 텍스트](https://broadrouter.com/ko/blog/arabic-prompt-engineering/) (글)
-   [접두부가 캐시되도록 프롬프트를 구성하는 방법](https://broadrouter.com/ko/blog/prompt-structure-for-caching/) (글)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-few-shot-prompting&utm_content=page-cta) ·

**출처**

-   [Brown 외(2020), Language Models are Few-Shot Learners (2026-11-16 확인)](https://arxiv.org/abs/2005.14165)
-   [Anthropic, 프롬프트 작성 모범 사례(예시를 효과적으로 사용하기) (2026-11-16 확인)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
-   [BroadNet Inference API 레퍼런스, 캐시된 토큰 (2026-11-16 확인) (영어)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-few-shot-prompting&utm_content=sources)
