PromptMN: 의사 프롬프팅 언어 (Pseudo Prompting Language)

프롬프팅 (Prompting)은 인간과 생성형 AI 사이의 주요 인터페이스가 되었지만, 많은 자연어 프롬프트는 여전히 취약한 상태로 남아 있습니다. 역할 (roles), 목표 (goals), 제약 사항 (constraints), 그리고 기대되는 출력 (expected outputs)이 종종 산문 속에 묻혀 있거나 암시적인 상태로 남겨지기 때문입니다. 에이전트 (agentic) 및 소프트웨어 개발 워크플로우에서, 첫 번째 전달 단계에서의 오독은 모든 단계로 전파될 수 있습니다. 에이전트 실패의 상당 부분이 모델의 한계보다는 문맥의 모호함 (context ambiguities)에서 비롯되기 때문입니다.

본 논문은 PromptMN을 소개합니다. 이는 역할, 목표, 요구 사항, 우선순위, 제약 사항, 계획, 입력 및 출력을 다루는, % 접두사가 붙은 컴팩트한 타입 지정 지시어 (typed directives)로 자연어를 주석 처리하는 의사 프롬프팅 (pseudo-prompting) 도메인 특화 언어 (domain-specific language)입니다. 의미론적 해소 (Semantic resolution)를 통해 작성자는 어떤 순서로든 글을 쓸 수 있으며, 모델은 지시어를 기능별로 해석합니다. PromptMN은 비정형 프롬프팅과 프로그래밍 스타일의 의사 코드 (pseudocode) 사이에 위치합니다. 즉, 검토 및 재사용이 가능할 만큼 구조화되어 있으면서도, 소프트웨어 개발 생명주기 (SDLC) 전반에 걸친 분석가, 관리자, 개발자 및 이해관계자들이 사용하기에 충분히 가볍습니다.

또한 PromptMN은 역 프롬프트 엔지니어링 (reverse prompt engineering)과 결합됩니다. 모델에게 원하는 결과를 PromptMN으로 다시 서술하도록 요청하면, 사용자는 실행 전에 추론된 역할, 목표, 제약 사항 및 누락된 가정을 검토할 수 있어, 수정 주기 (repair cycles)를 줄이고 사람과 AI 도구를 정렬하기 위한 재사용 가능한 산출물 (artifact)을 얻을 수 있습니다.

PromptMN의 타당성은 Claude Fable 5, Claude Opus 4.8, Gemini 3.1 Pro, GPT-5.5를 포함한 여러 프런티어 모델 (frontier models)을 통해 평가되었습니다. 모델들은 미세 조정 (fine-tuning) 없이도 반복, 조건문, 메서드 (methods), 소수 판별 작업과 같은 복잡한 구조를 포함한 PromptMN 지침을 정확하게 해소했습니다. 동일한 어휘가 제시된 SDLC 시나리오의 새로운 코드베이스, 유지보수 및 재설계 전반에 적용되었습니다. 대규모 검증은 향후 과제로 남아 있지만, 이러한 초기 결과는 PromptMN이 더 명확하고 검토 가능한 인간-AI 상호작용을 향한 실질적인 단계임을 시사합니다.