요약 (TL;DR)

대부분의 AI 학습 프롬프트는 아이디어를 인식 (recognize) 하는 데 도움을 줍니다. 이 프로토콜은 역설 중심의 이야기, 하나의 치명적인 숫자, 하나의 기억술(mnemonic), 그리고 3단계 심문(아이 → 실용적인 아주머니 → 악마의 대변인)을 통해 회상 (recall) 을 훈련시킵니다.

앱도 필요 없고, API도 필요 없습니다. 단 두 개의 Markdown 파일만 있으면 됩니다. 복사하고, 붙여넣고, 학습하세요.

"이것을 요약해줘"의 문제점

당신은 ChatGPT에게 인플레이션(inflation)에 대해 설명해달라고 요청합니다. 그러면 깔끔한 정의를 내려줍니다. 당신은 고개를 끄덕입니다. 그리고 탭을 닫습니다. 2주 후 — 머릿속은 백지 상태입니다.

인식 (Recognition) ≠ 회상 (recall). 하이라이트(형광펜 칠하기), 마인드맵, 그리고 AI 요약은 잘못된 근육을 최적화합니다.

Motif Learning Protocol v3.1은 구조화된 프롬프트를 통해 이를 해결하려는 저의 시도입니다. 이는 dev.to에 어울리는 내용인데, 왜냐하면 진정한 혁신은 또 다른 플래시카드 앱이 아니라 프롬프트 아키텍처 (prompt architecture) 에 있기 때문입니다.

핵심 아이디어: 정의가 아닌 역설을 찾아라

여기서 _모티프 (motif)_란 생존 역설 (survival paradox) 을 의미합니다. 즉, 물리적으로는 틀린 것 같지만 사실인 무언가입니다:

돈이 많아짐 → 살 수 있는 빵이 줄어듦. (인플레이션)

뇌는 추상적인 정의를 무시합니다. 대신 모순에 매달립니다. 이 프로토콜은 다른 무엇보다도 모든 개념을 해당 필터를 통과하도록 강제합니다.

4단계 루프 (Motif Tutor 역할)

3단계가 차별화 요소입니다. "이해했나요?"라고 묻는 것이 아니라 다음과 같이 질문합니다:

1. 5세 아이 — 모티프를 자신의 언어로 설명하기, 최대 2문장 이내
2. 시장 아주머니 — 경계 사례 (boundary cases): 적용됨 / 적용되지 않음 / 부분적으로 적용됨
3. 악마의 대변인 (Devil's advocate) — 반례: "일본은 돈을 찍어냈는데 — 왜 초인플레이션이 발생하지 않았나요?"

어느 단계에서든 실패하면 → 오류 귀인 (무엇을 혼동했는지 파악), 다시 Teach 단계로 되돌아갑니다. 참가상 따위는 없습니다.

v3의 비밀 병기: 코드 블록 내의 출력 전 게이트 (pre-output gate)

대부분의 학습 프롬프트는 산문 형태로 규칙을 나열합니다. 모델은 이를 훑어보고 무시합니다.

이 프로토콜은 모델이 모든 답변 전에 코드 블록 내부에서 가시적인 체크리스트를 실행하도록 요구합니다:

[사고 과정 (Thought Process)]
1. 나는 어떤 역할을 수행 중인가? 어떤 흐름(flow)인가?
2. 이 입력에 대해: 무엇을 먼저 하고, 그다음에 무엇을 하며, 무엇을 출력할 것인가?
...

이것은 **순수 프롬프트(pure prompts)를 위한 사전 컴파일 체크(pre-compile check)**입니다. Math Coach는 "내가 정답을 알려주었는가?"를 추가하고, Feynman Diagnostician은 "질문만 하는 대신 지식을 보충하였는가?"를 추가합니다.

v2에서 v3로의 신뢰성 향상은 단계를 더 추가한 것이 아니라, 주로 이 계층(layer)에서 발생했습니다.

다섯 가지 역할, 하나의 핵심 프롬프트 (core prompt)

핵심 프롬프트의 첫 번째 줄에서 역할을 선택합니다. /rewrite, /skip, /memory-card와 같은 슬래시(/) 명령어는 세션 중간에도 작동합니다.

드리프트 복구 (Drift recovery) 기능도 일급 시민(first-class)으로 취급됩니다: 모델이 한꺼번에 모든 것을 쏟아내거나, 역설을 환각(hallucinate)하거나, 혹은 Math Coach가 "친절하게도" 정답을 미리 공개해 버릴 때 한 줄의 교정 프롬프트로 대응할 수 있습니다.

2단계 문서 (lite vs full)

점진적 공개 (Progressive disclosure) — 사용자가 하나의 개념을 배우기 위해 800줄을 읽게 만들지 마세요.

정직한 범위 제한 (scope limits)

효과적인 분야: 인과 관계 / 임계값 / 반직관적 지식 — 경제학, 시스템 설계, 엔지니어링 트레이드오프 (tradeoffs).

4단계 루프를 건너뛰어야 할 분야: 순수 방법론 (Git 명령어), 뉴스, 이름/날짜, 정직한 역설이 없는 개념 (분리하거나 인접한 개념을 선택하세요).

아티클 진입 경로는 탈수(dehydrate) → 분류(triage) 과정을 포함합니다: 만약 실행 가능한 체크리스트 자료라면 거기서 멈추세요. 엑셀 튜토리얼에 억지로 우화(fable)를 입히려 하지 마세요.

60초 안에 시도해보기

1. learning-prompts-lite.md를 엽니다.
2. 핵심 프롬프트 블록을 Claude / ChatGPT / Cursor에 복사합니다.
3. 다음과 같이 말합니다: Use Motif Tutor to help me learn "marginal utility" (Motif Tutor를 사용하여 "한계 효용"을 배우도록 도와줘)

리포지토리 (공개): https://github.com/zxpmail/learn-skill

이것이 dev.to에 올라와야 하는 이유

• Zero runtime — 프롬프트 엔지니어링 (Prompt Engineering) 자체가 제품입니다.
• Pre-output gates + drift recovery = 다른 에이전트(Agent)에도 적용할 수 있는 패턴입니다.
• Role dispatch + shared core mechanisms = 프레임워크 없이도 가벼운 멀티 에이전트 (Multi-agent) 구현이 가능합니다.
• 인플레이션 부록은 **골든 아웃풋 고정 장치 (golden-output fixture)**입니다 — 이 프로젝트를 포크(Fork)한다면 평가(Eval) 및 회귀 테스트(Regression)에 유용합니다.

만약 학습 에이전트(Learning Agent)를 구축하다가 "모델이 고개를 끄덕이며 동의는 하지만 모든 것을 잊어버리는" 벽에 부딪혔다면 — 저장소(Repo)에 스타(Star)를 누르거나 체크리스트 패턴을 가져다 쓰세요. 이슈(Issue)와 PR(Pull Request)은 언제나 환영합니다.