언어 모델 (Language Model)에게 질문을 던지면, 당신은 인터넷 답변의 평균값, 즉 당신과 같은 질문에 대해 가장 자주 언급되는 답변의 예측치를 얻게 됩니다.

단 한 단계만 추가하면 출력을 개선할 수 있습니다. 모델이 이 질문에 답변하기에 가장 적합한 **특정 인물 (specific person)**이 누구인지 먼저 추론하게 한 다음, 그 사람으로서 답변하도록 강제하는 것입니다.

이 방법이 매우 잘 작동하는 이유는 각 분야의 전문가들은 대개 책, 강의 녹취록, 블로그 등 모델의 학습 데이터에 포함된 방대한 공개 저술물을 가지고 있기 때문입니다. 따라서 모델은 전문가가 어떻게 생각하는지에 대해 매우 뛰어난 이해도를 가지고 있습니다. 결과적으로 "Paul Graham이 내 스타트업 아이디어에 대해 어떻게 생각할까?"를 시뮬레이션하는 것은 대중의 평균치보다 훨씬 더 나은 답변을 끌어냅니다.

저는 처음에 이 접근 방식에 대한 아이디어를 이 Karpathy의 트윗에서 얻었습니다:

그 이후로 저는 이를 실험해 보았고, 이 프레이밍 (framing)을 사용하는 가장 좋은 방법은 모델이 정말로 특정한 한 명의 인물, 또는 이 문제를 논의할 특정 인물들의 패널을 선택하게 하고, 선택된 인물들이 왜 이 질문에 답변하기에 특히 적합한지 **이유 (why)**를 먼저 설명하게 하는 것임을 발견했습니다. 이는 캐릭터 시뮬레이션 (character simulation)을 더욱 강화하는 것으로 보입니다.

저는 이것을 재사용 가능한 Claude Code 스킬로 만들었습니다. 다운로드하여 ~/.claude/skills/에 넣으세요 (또는 원하는 LLM에게 필요한 형식으로 저장하라고 지시하세요): expert.md.