30 일 만에 AI 마스터하기: 완벽한 로드맵

대부분의 사람들은 AI를 2년 동안 사용해왔지만 여전히 구글 검색하듯이 입력창에 한 줄을 쓴다. 모호한 문장 하나, 대충 답변을 보고, 탭을 닫는다. 그들은 마치 옷걸이로 쓰는 런닝머신을 '사용'하는 것처럼 AI를 '사용'한다.

여기 불편한 진실이 있다: 이 모델들에서 10배의 가치를 뽑아내는 사람과 아무것도 얻지 못하는 사람의 차이는 재능도, 비밀 모델도 아니다. 바로 시스템이다. 10배를 얻는 사람들은 매일, 모든 프롬프트에서 동일한 몇 가지 동작을 반복해서 사용한다 — 그 동작들이 근육 기억이 될 때까지.

숙달은 더 많은 프롬프트를 아는 것이 아니다. 생각하지 않고 실행할 수 있는 반복 가능한 시스템을 소유하는 것이다.

이것이 바로 그 시스템이며, 30일로 압축했다. 4주, 12개의 번호가 매겨진 플레이, 각각은 오늘 당장 실행할 수 있는 것으로 끝난다. 복사 가능한 프롬프트. 실제 실행 가능한 Python (Anthropic SDK v0.109.1로 검증됨). 오늘 밤까지 실행할 수 없는 이론은 없다.

문화적 출발 신호는 Andrej Karpathy의 유명한 "바이브 코딩" 발언이었다 — "당신은 완전히 바이브에 몰입하고... 코드가 존재한다는 사실조차 잊는다." 그것이 바이브다. 그리고 그 아래에 있는 규율이 바이브를 실제로 출시 가능하게 만든다.

파트 1 · 1주차 — 멘탈 모델 & 첫 번째 성과 (1~7일)

이번 주의 목표는 지식이 아니다. 성과다. 7일차까지는 적어도 하나의 실제 업무를 모델에 위임하고, 그 시간이 나에게 돌아오는 것을 느껴야 한다. 다른 모든 것은 그 느낌 위에 구축된다.

01. 오늘 AI로 실제 업무 하나를 처리하라.

강의부터 시작하지 마라. 이미 누군가에게 해야 하는 일부터 시작하라: 미루고 있는 이메일, 정리해야 할 노트, 초안을 작성할 함수. AI를 '이해'하는 가장 빠른 방법은 실제 결과가 걸린 일을 넘겨주고, 그 결과를 스스로 작성했을 것과 비교하는 것이다.

초보자들이 하는 실수는 브리프 대신 주제를 입력하는 것이다 ("온보딩에 대해 써줘"). 모델을 첫날의 뛰어난 신입 사원처럼 대하라: 기술은 있지만 당신의 맥락은 전혀 없다. 역할, 업무, 맥락, 그리고 원하는 정확한 출력을 제공하라.

사용 시점: 평소에 1시간 이내에 혼자 처리하는 모든 업무 — 작성, 요약, 재구성, 브레인스토밍, 계획.

1당신은 나의 <역할, 예: "직설적인 편집장">입니다.
2업무: <한 문장으로 구체적인 업무 하나>.
3맥락: <모델이 알 수 없는 2~3줄 — 대상, 목표, 제약 조건>.
4출력: <정확한 형식 — 길이, 구조, 어조>.
5모호한 점이 있으면 추측하지 말고 먼저 물어보세요.

마지막 줄이 꿀팁이다. 한 번의 추측을 짧은 대화로 바꾸고, 대화는 거의 항상 독백보다 낫다.

지금 바로 하세요: 현재 처리해야 할 업무 하나를 골라 네 가지 항목을 채우고 실행하세요. 프롬프트는 보관하세요 — 이번 달 내내 이 뼈대를 재사용하게 될 것입니다.

02. 작동하는 프롬프트의 구조를 배우라.

모든 신뢰할 수 있는 프롬프트는 세 부분으로 구성되며, 초보자들은 그중 두 개를 건너뛴다. 명확성 (원하는 것을 정확히 말하기), 맥락 (이유와 대상을 말하기), 형식 (출력이 어떻게 보여야 하는지 말하기). Anthropic의 자체 가이드라인은 이것을 "뛰어나지만 신입 사원" 규칙이라고 부른다: 더 정확하게 설명할수록 결과가更好아지며, 그들의 문자 그대로의 황금률은 "최소한의 맥락만 가진 동료에게 프롬프트를 보여주세요; 그들이 혼란스러워한다면 모델도 마찬가지일 것입니다." 이다.

가장 효과적인 업그레이드는 동기를 추가하는 것이다. "줄임표를 사용하지 마세요"라고 말하지 말고 "이것은 텍스트 음성 변환 엔진이 소리 내어 읽을 것이므로 줄임표를 절대 사용하지 마세요 — 발음할 수 없습니다."라고 말하라. 모델은 이유를 일반화한다. 명령과 설명의 차이다.

사용 시점: 답변이 일반적이거나, 어조가 맞지 않거나, 기술적으로는 정확하지만 쓸모없을 때. 열 번 중 아홉 번은 세 부분 중 하나가 누락된 경우다.

1# 약함 (주제, 브리프 아님)
2새로운 기능에 대해 써줘.
3
4# 강함 (명확성 + 맥락 + 형식)
5새로운 "집중 모드"에 대한 120단어 제품 발표문을 작성해줘.
6대상: 앱이 시끄럽다고 느끼는 기존 사용자.
7목표: 이번 주에 한 번 사용해보도록 유도.
8어조: 차분하고, 자신감 있으며, 과장 금지.
9형식: 짧은 문단 1개 + 한 줄짜리 CTA.

지금 바로 하세요: 어제의 약한 프롬프트를 가져와 세 부분을 모두 표시하여 다시 작성하세요. 둘 다 실행하고 차이를 확인하세요.

03. 6가지 핵심 기술과 코드 한 줄을 훔쳐라.

이 여섯 가지는 모든 진지한 프롬프트 엔지니어링 가이드에 등장하는 이유가 있다: (1) 명확하고 직접적으로 말하기, (2) 맥락/동기 추가하기, (3) 예제 제공하기, (4) XML 스타일 태그로 구조화하기, (5) 역할 할당하기, (6) 답변하기 전에 생각하라고 지시하기. 2주차에 각각을 집중적으로 연습할 것이다 — 이것이 지도다.

두 가지는 즉시 손에 익힐 가치가 있다: 역할과 태그. 시스템 지시문의 역할은 전체 대화의 어조와 판단을 조종한다. 한 문장만으로도 효과가 있다. <context> 및 <examples>와 같은 태그는 모델이 지시와 데이터를 혼동하는 것을 방지한다. 다음은 실제 실행 가능한 코드로 구현한 역할 기술이다 — 3주차에 사용하게 될 API의 첫 맛보기다.

사용 시점: 여러 호출에서 일관된 동작을 원할 때 (역할) 또는 지시와 지저분한 입력을 혼합할 때 (태그).

1import anthropic
2
3client = anthropic.Anthropic()  # 환경 변수에서 ANTHROPIC_API_KEY 읽음
4
5msg = client.messages.create(
6    model="claude-opus-4-8",
7    max_tokens=1024,
8    system="당신은 시니어 카피 에디터입니다. 군더더기를 제거하고 작가의 목소리를 유지합니다.",  # 역할
9    messages=[
10        {"role": "user", "content": "이 문단을 편집하고, 변경한 내용을 나열하세요:\n\n<draft>...</draft>"}
11    ],
12)
13print(msg.content[0].text)

지금 바로 하세요: 하나의 프롬프트를 명시적인 역할과 입력 주변의 <tags>로 다시 작성하세요. 이제 6가지 중 2가지를 사용했습니다 — 2주차에 나머지를 완성합니다.

파트 2 · 2주차 — 실제 출력을 위한 프롬프트 엔지니어링 (8~14일)

이번 주에는 "대충 작동한다"를 "항상 작동한다"로 바꾼다. 동일한 업무, 동일한 형태, 동일한 품질 — 요청 시. 그 신뢰성이 3주차에 자동화를 가능하게 한다.

04. 멀티샷 예제로 어조와 형식을 고정하라.

모델에게 원하는 것을 말하는 것은 좋다. 보여주는 것은 더 좋다. 잘 선택된 몇 가지 예제 (이 기술을 퓨샷 또는 멀티샷 프롬프팅이라고 함)는 어떤 형용사보다 형식, 어조, 예외 상황을 더 안정적으로 고정한다. 업계 전반의 가이드라인은 일관된다: 3~5개의 예제를 포함하고, 모델이 우연한 패턴에 집착하지 않도록 다양하게 만들고, 각 예제를 태그로 감싸서 지시가 아닌 예제임을 명확히 하라.

이것은 반복적인 작업 — 분류, 추출, 형식 지정, 재작성 — 에 있어 가장 큰 품질 향상이다. 같은 종류의 작업을 일주일에 두 번 이상 한다면 예제를 사용할 가치가 있다.

사용 시점: 출력 형식이 실행마다 달라지거나, 모델이 특정 하우스 스타일을 일치시켜야 할 때.

1각 고객 지원 티켓을 다음 중 정확히 하나로 분류하세요: 버그 | 결제 | 기능.
2
3<examples>
4<example>
5티켓: "이번 달에 두 번 청구되었습니다."
6카테고리: 결제
7</example>
8<example>
9티켓: "Safari에서 내보내기 버튼이 작동하지 않습니다."
10카테고리: 버그
11</example>
12<example>
13티켓: "다크 모드를 추가해주세요."
14카테고리: 기능
15</example>
16</examples>
17
18티켓: "PDF를 업로드하면 앱이 충돌합니다."
19카테고리:

지금 바로 하세요: 반복적인 업무 하나를 선택하고, <example> 태그 안에 3개의 다양한 예제를 작성하고 출력이 정리되는 것을 확인하세요.

05. 모델이 답변하기 전에 생각하게 하라.

추론이 필요한 모든 것 — 분석, 수학, 계획, 까다로운 판단 — 에 대해 가장 나쁜 것은 즉시 답변을 요구하는 것이다. 먼저 추론할 공간을 제공하라. 최신 모델이 적응적으로 생각하도록 하거나, 일반 채팅에서 강제로 할 수 있다: <thinking> 블록에서 단계별 추론을 요청한 다음, <answer> 블록에서 간결한 최종 답변을 요청하라. 둘을 분리하면 긴 텍스트 없이 추론의 이점을 얻을 수 있다.

Anthropic 가이드라인의 추가 팁: 완료하기 전에 자체 점검을 요청하라 — "위의 제약 조건에 대해 답변을 확인하세요." 특히 수학과 논리에서 놀랍게도 자체 오류를 자주 잡아낸다.

사용 시점: 업무에 여러 단계가 있거나, 틀릴 수 있는 정답이 있거나, 저울질해야 할 트레이드오프가 있을 때.

1질문: <실제 트레이드오프가 있는 질문>
2
3먼저, <thinking> 태그 안에서 추론하세요: 알고 있는 것, 누락된 것,
4그리고 두 가지 후보 답변과 각각의 트레이드오프를 나열하세요.
5그런 다음 <answer> 태그 안에서 결정을 내리세요 — 최대 3문장.
6마치기 전에 답변이 위의 어떤 내용과도 모순되지 않는지 확인하세요.

지금 바로 하세요: 고민 중인 결정 하나를 가져와 생각/답변 분할로 실행하고 <thinking>을 읽어보세요 — 거기에 가치가 숨어 있습니다.

06. 재사용 가능한 프롬프트 라이브러리를 구축하라.

지금쯤 수십 개의 좋은 프롬프트를 작성했을 것이고, 그중 절반은 채팅 기록에서 잃어버렸을 것이다. 그만하라. 전문가는 프롬프트를 다시 작성하지 않는다 — 템플릿을 채운다. 가장 좋은 프롬프트를 변경되는 부분에 {변수}를 사용하여 단일 파일로 모으면, 일회성 재치가 인프라로 바뀐다.

이것이 전체 30일의 전환점이다: 프롬프트가 일회용이 아니라 복리로 쌓이기 시작하는 순간이다. 간단한 Python dict와 str.format만 있으면 시작할 수 있다 — 프레임워크나 종속성은 필요 없다.

사용 시점: 유사한 프롬프트를 세 번 실행했을 때. 세 번째에는 템플릿화하라.

1# prompt_library.py — 재사용 가능한 인프라로서의 프롬프트
2TEMPLATES = {
3    "summarize": (
4        "당신은 {role}입니다.\n"
5        "아래 텍스트를 {audience}를 위해 요약하세요.\n"
6        "형식: {fmt}.\n\n"
7        "<text>\n{text}\n</text>"
8    ),
9}
10
11def build(name: str, **kwargs) -> str:
12    return TEMPLATES[name].format(**kwargs)
13
14prompt = build(
15    "summarize",
16    role="기술 문서 작성자",
17    audience="비기술 사용자",
18    fmt="각 최대 15단어, 3개의 불릿 포인트",
19    text="...여기에 릴리스 노트 붙여넣기...",
20)
21print(prompt)  # 이 내용을 client.messages.create(...)에 바로 입력

지금 바로 하세요: prompt_library.py를 만들고, 가장 좋은 프롬프트 3개를 변수가 있는 템플릿으로 옮기세요. 이 파일은 이번 달 내내 성장합니다.

파트 3 · 3주차 — API로 자동화하기 (15~21일)

채팅은 배우는 곳이다. API는 확장하는 곳이다. 이번 주에는 업무를 하나씩 처리하는 것에서 수백 개를 일정에 따라, 잠자는 동안 실행하는 것으로 업그레이드한다.

07. 채팅에서 API로 업그레이드하라.

API는 호출할 수 있는 함수 안에 있는 채팅 프롬프트일 뿐이다. 프롬프트를 작성할 수 있다면 이것도 작성할 수 있다 — 단 10줄이다. 키를 환경 변수로 설정하고 (코드에 절대 붙여넣지 마세요), 호출을 함수로 감싸면 모든 스크립트에 넣을 수 있는 재사용 가능한 AI 명령어가 생긴다.

실용적인 LLM 사용을 누구보다 잘 문서화한 Simon Willison은 leverage가 이국적인 설정이 아니라 이미 사용하고 있는 작은 도구에 모델을 연결하는 데 있다고 지적한다. 이 함수가 바로 그 연결선이다.

사용 시점: 동일한 프롬프트를 브라우저 탭뿐만 아니라 모든 곳 — 스크립트, cron 작업, 다른 프로그램 — 에서 사용할 수 있기를 원할 때.

1import os
2import anthropic
3
4client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
5
6def ask(prompt: str) -> str:
7    msg = client.messages.create(
8        model="claude-opus-4-8",
9        max_tokens=1024,
10        messages=[{"role": "user", "content": prompt}],
11    )
12    return msg.content[0].text
13
14if __name__ == "__main__":
15    print(ask("제품 출시 이메일을 위한 5개의 강력한 제목 줄을 알려줘."))

지금 바로 하세요: SDK 설치 (pip install anthropic), ANTHROPIC_API_KEY 설정, 이 파일 실행. 첫 번째 성공적인 API 호출 = 3주차 개방.

08. 일상적인 업무를 스크립트로 바꾸라.

여기서 실제로 시간이 돌아온다. 폴더에 있는 것들에 대해 수행하는 모든 업무 — 이 50개 트랜스크립트 요약, 이 200개 티켓 태깅, 이 30개 제품 설명 재작성 — 은 루프다. 단일 항목 버전을 한 번 작성하고, 폴더를 가리키고, 떠나라. 대량 작업에는 더 저렴하고 빠른 모델을 사용하라; 메모를 요약하는 데 가장 강력한 모델이 필요하지 않다.

사용 시점: 동일한 AI 업무를 계속 수동으로 반복하고 있다는 것을 깨달을 때. 그 반복은 아직 작성하지 않은 스크립트다.

1import pathlib
2import anthropic
3
4client = anthropic.Anthropic()
5INBOX = pathlib.Path("./inbox")        # 여기에 .txt 파일 넣기
6OUT = pathlib.Path("./summaries")
7OUT.mkdir(exist_ok=True)
8
9def summarize(text: str) -> str:
10    msg = client.messages.create(
11        model="claude-haiku-4-5",      # 저렴 + 빠름: 대량 작업에 적합한 도구
12        max_tokens=300,
13        system="3개의 구체적인 불릿 포인트로 요약하세요. 군더더기 없이.",
14        messages=[{"role": "user", "content": text}],
15    )
16    return msg.content[0].text
17
18for f in INBOX.glob("*.txt"):
19    (OUT / f"{f.stem}.md").write_text(summarize(f.read_text(encoding="utf-8")), encoding="utf-8")
20    print("요약 완료:", f.name)

지금 바로 하세요: 일괄 처리할 업무 하나를 찾아 파일을 ./inbox에 넣고 루프를 실행하세요. 방금 1시간 분량의 작업을 1분 만에 처리했습니다.

09. 캐싱으로 비용과 지연 시간을 줄이라.

실제 볼륨을 처리하기 시작하면 두 가지가 중요해진다: 속도와 비용. 가장 큰 레버는 프롬프트 캐싱이다. 모든 호출이 길고 변하지 않는 접두사 — 스타일 가이드, 지식 베이스, 큰 시스템 지시문 — 를 공유한다면 매번 다시 읽는 데 비용을 지불하는 것이다. cache_control로 표시하면 모델이 캐시된 버전을 재사용한다: 캐시 읽기는 일반 입력 가격의 약 10%이며, 일회성 쓰기는 +25%이다. 접두사를 공유하는 배치 작업의 경우 Batch API는 여기에 약 50% 할인을 추가로 적용한다.

사용 시점: 많은 호출이 크고 정적인 맥락 청크를 공유할 때 (전형적인 경우: 전체 작업에서 재사용되는 긴 시스템 프롬프트).

1import anthropic
2
3client = anthropic.Anthropic()
4STYLE_GUIDE = open("style_guide.md").read()   # 길고, 모든 호출에서 동일
5
6msg = client.messages.create(
7    model="claude-opus-4-8",
8    max_tokens=1024,
9    system=[
10        {
11            "type": "text",
12            "text": STYLE_GUIDE,
13            "cache_control": {"type": "ephemeral"},  # 이 큰 접두사 캐시
14        }
15    ],
16    messages=[{"role": "user", "content": "이 이메일을 가이드에 맞게 다시 작성하세요:\n\n..."}],
17)
18print(msg.usage)  # 첫 번째 호출 후 cache_read_input_tokens가 증가하는 것을 확인

지금 바로 하세요: 반복되는 큰 접두사가 있는 프롬프트를 찾아 cache_control 블록으로 감싸고 두 번 실행하세요. msg.usage를 출력하고 캐시된 읽기가 시작되는 것을 확인하세요.

파트 4 · 4주차 — 도구, 데이터 & 출시 (22~30일)

마지막 주는 "말하는 AI"에서 "행동하는 AI"로의 도약이다. 모델에 도구를 제공하고, 실제 데이터에 연결하고, 전체를 수년간 실행할 워크플로우로 패키징한다.

10. 모델에 도구를 제공하라 (함수 호출).

모델만으로는 텍스트만 생성할 수 있다. 도구를 제공하면 작업을 수행할 수 있다 — 캘린더 확인, API 호출, 계산 실행. 각 도구를 이름, 설명, 입력의 JSON 스키마로 설명하면 모델이 호출 시점을 결정하고 실행할 구조화된 인수를 전달한다. 이것은 들어본 모든 "AI 에이전트"의 기초다.

사용 시점: 업무에 실시간 데이터가 필요하거나 모델이 텍스트만으로 수행할 수 없는 작업 ("조회", "가져오기", "계산", "보내기"가 포함된 모든 것)이 있을 때.

1import anthropic
2
3client = anthropic.Anthropic()
4
5tools = [
6    {
7        "name": "get_calendar_events",
8        "description": "지정된 날짜의 사용자 일정 이벤트를 반환합니다.",
9        "input_schema": {
10            "type": "object",
11            "properties": {
12                "date": {"type": "string", "description": "YYYY-MM-DD 형식의 날짜"}
13            },
14            "required": ["date"],
15        },
16    }
17]
18
19msg = client.messages.create(
20    model="claude-opus-4-8",
21    max_tokens=1024,
22    tools=tools,
23    messages=[{"role": "user", "content": "다음 주 월요일 내 일정에 뭐가 있지?"}],
24)
25
26for block in msg.content:
27    if block.type == "tool_use":
28        print("모델이 호출하려는 도구:", block.name, "인수:", block.input)
29        # 이제 당신이 get_calendar_events(**block.input)를 실행하고 결과를 다시 보내야 함

지금 바로 하세요: 실제로 사용하는 것 (캘린더, 날씨, 검색)에 대한 도구 하나를 정의하고 모델이 깔끔한 tool_use 호출을 생성하는 것을 확인하세요. 아직 실행할 필요는 없습니다 — 결정하는 것을 보기만 하면 됩니다.

11. MCP로 AI를 데이터에 연결하라.

맥락을 수동으로 붙여넣는 것은 확장되지 않는다. 2024년 11월 Anthropic이 도입한 Model Context Protocol (MCP)은 표준적인 해결책이다 — AI를 위한 USB-C 포트라고 생각하면 된다: 하나의 커넥터 사양으로, 호환되는 모든 앱이 파일, 데이터베이스, 도구에 연결할 수 있다. 몇 달 만에 내부 아이디어에서 업계 표준이 되었으며, 구성에 추가하기만 하면 되는 수천 개의 기성 서버가 있다.

대부분의 서버를 사용하기 위해 코드를 작성할 필요가 없다 — 구성 파일에 항목을 추가하면 된다. 다음은 모델에 노트 폴더에 대한 읽기 액세스 권한을 부여하는 파일 시스템 서버다:

사용 시점: 동일한 진실 공급원 (문서, 저장소, 데이터베이스, 지식 베이스)을 계속 수동으로 모델에 주입할 때.

1{
2  "mcpServers": {
3    "filesystem": {
4      "command": "npx",
5      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/you/notes"]
6    }
7  }
8}

지금 바로 하세요: 사용 가능한 MCP 서버를 살펴보고, 매주 사용하는 데이터를 가리키는 서버를 하나 선택하여 클라이언트 구성에 추가하세요. 당신의 데이터만이 답할 수 있는 질문을 해보세요.

12. 영원히 재사용할 워크플로우를 패키징하라.

30일차. 프롬프트, 스크립트, 도구가 준비되었다 — 이제 이름으로 부를 수 있는 것으로 만들어라. 2025년 12월에 공개 표준이 된 Anthropic의 Agent Skills는 이를 위한 깔끔한 형식이다: 이름, 사용 시점에 대한 설명, 단계가 포함된 SKILL.md 파일이 있는 폴더. 모델은 관련이 있을 때만 로드하므로 (점진적 공개라는 설계 원칙) 수십 개를 쌓아도 맥락이 부풀어 오르지 않는다. API를 다시는 건드리지 않더라도 반복적인 업무를 스킬로 작성하는 습관이 당신을 빠르게 만든다.

사용 시점: 몇 달 동안 반복할 여러 단계의 업무가 있을 때 — 주간 보고서, 표준 검토, 형식 지정 파이프라인.

1---
2name: weekly-report
3description: 내 원시 노트를 표준 주간 보고서로 변환합니다. 노트를 붙여넣고 "주간 보고서"를 요청할 때 사용하세요.
4---
5
6# 주간 보고서
7
8## 단계
91. 노트를 다음으로 그룹화: 출시됨, 진행 중, 차단됨.
102. 그룹당 2~3개의 불릿 포인트 작성, 과거형, 군더더기 없이.
113. "다음 주"로 마무리 — 정확히 3개의 우선순위.
12
13## 형식
14- 제목: "주간 — <날짜>"
15- 200단어 미만. 과장 금지.

지금 바로 하세요: 가장 많이 반복하는 업무를 선택하고, 명확한 설명과 함께 SKILL.md로 작성하세요. 그 설명이 올바른 순간에 실행되게 하는 핵심이므로 — 진지하게 시간을 투자하세요.

일반적인 실수 (그리고 해결책)

1. 모호한 프롬프트. "X에 대해 써줘"는 모델이 당신의 의도를 추측하게 만든다 — 그리고 평균적으로 추측한다. 해결책: 항상 역할 + 맥락 + 형식을 제공하라. 당신은 <역할>입니다. 업무: <한 문장>. 출력: <정확한 형식>.

2. 모두 대문자로 긴박감을 주는 과도한 프롬프팅. 최신 모델은 지시를 정확히 따르고 "중요!!! 반드시 해야 함"에 과민 반응한다. Anthropic의 자체 가이드라인: "이 도구는 ...할 때 사용하세요"와 같은 일반적인 표현으로 낮추라. 해결책: 개에게 소리지르듯이 말하지 말고, 유능한 성인에게 브리핑하듯 지시를 작성하라.

3. 보여주지 않고 설명하기. 형용사 ("전문적으로 만들어줘")는 약하다; 예제는 강하다. 해결책: <example> 태그 안에 3~5개의 다양한 예제를 추가하고 패턴이 작동하게 하라.

4. "하지 마라"로 구성하기. "장황하게 말하지 마"는 모델이 장황함에 대해 생각하게 만든다. 해결책: 할 일을 말하라 — "짧은 문장 2개로 응답하세요." 긍정적인 지시가 금지보다 더 강력하게 작용한다.

5. 확인하지 않은 출력을 신뢰하기. 확인하지 않은 답변을 복사-붙여넣기하는 것은 오류를 출시하는 방법이다. 해결책: 사실 중심 작업의 경우, 출처의 인용문으로 주장을 뒷받침하고 완료하기 전에 자체 점검하도록 요청하라: 각 주장을 위 텍스트와 비교하여 확인하세요; 확실하지 않은 것은 표시하세요.

6. 루프가 할 수 있는 일을 수동으로 하기. 동일한 프롬프트를 채팅에서 50번 실행하는 것은 오후 시간을 보낼 수 있는 가장 비싼 방법이다. 해결책: 반복이 시작되는 순간, 블록 08 루프를 작성하라. 당신의 시간이 희소 자원이지 토큰이 아니다.

결론: 시스템이 곧 기술이다

30일이 AI 연구원을 만드는 것은 아니다. 더 유용한 무언가를 만든다: 시스템을 가진 사람. 어떤 업무든 가져와서 깔끔한 브리프를 제공하고, 예제를 보여주고, 생각하도록 밀어붙이고, 반복될 때 자동화하고, 캐시하고, 이름으로 부를 수 있는 스킬로 패키징할 수 있다.

그것이 10배를 얻는 사람들이 숨기지 않았던 전체 비밀이다. 더 많은 프롬프트가 아니다. 더 나은 모델이 아니다. 반사 신경이 될 때까지 실행되는 작은 동작 세트. 이제 당신은 그 동작들을 가지고 있다. 남은 유일한 변수는 반복 횟수다.

30일 체크리스트 — 오늘 시작하세요:

1. 역할 + 맥락 + 형식 프롬프트로 실제 업무 하나를 처리하세요 (블록 01).
2. prompt_library.py를 시작하고 가장 좋은 프롬프트 3개를 템플릿으로 옮기세요 (블록 06).
3. 10줄짜리 ask() 함수로 첫 번째 API 호출을 만드세요 (블록 07).
4. 폴더 루프로 하나의 일괄 처리 업무를 자동화하세요 (블록 08).
5. 가장 많이 반복하는 워크플로우에 대한 SKILL.md 하나를 작성하세요 (블록 12).

이 다섯 가지만 해도 "AI에 관심을 가지려고 했던" 모든 사람의 90%를 앞지른다. 그런 다음 계속 루프를 실행하기만 하면 된다.