요구사항: Chapter 1: Prompt Chaining

출처

PDF: Agentic_Design_Patterns.pdf
섹션: Chapter 1: Prompt Chaining
페이지 범위: docs/agentic-design-patterns-toc.md 기준 논리 페이지 18-29
추출 참고: 보이는 Chapter 1 제목은 PDF 페이지 라벨 23 / 0 기반 인덱스 22에서 발견되었고, Chapter 2는 PDF 페이지 라벨 36 / 0 기반 인덱스 35에서 시작한다. 이 요구사항은 위 TOC 범위를 인용용 논리 범위로 유지하면서, 추출에는 보이는 장 경계 페이지 23-35를 사용한다.

패턴 요약

프롬프트 체이닝은 복잡한 LLM 작업을 순서가 있는 집중된 하위 작업으로 분해한다. 각 단계는 좁은 책임을 가지며, 한 단계의 출력이 다음 단계의 입력이 된다. 이를 통해 지시사항 과부하, 컨텍스트 이탈, 환각 위험, 디버깅하기 어려운 거대한 단일 프롬프트를 줄인다.

작업에 여러 의존 단계가 있거나, 중간 검증이 필요하거나, 구조화된 전달 데이터가 유리하거나, LLM 호출 사이에 결정론적 처리 또는 외부 도구 호출이 필요한 경우 이 패턴을 사용한다. 이 장은 JSON 같은 구조화된 중간 출력을 강조한다. 모호한 자연어 전달은 이후 단계의 실패를 일으킬 수 있기 때문이다.

구현 관점에서 프롬프트 체이닝은 상태를 가진 파이프라인처럼 동작해야 한다. 중간 산출물을 보존하고, 각 전달 지점을 검증하며, 가능한 경우 잘못된 출력을 재시도하거나 복구하고, 디버깅에 충분한 상태를 노출해야 한다.

패턴 설명

개념 개요

프롬프트 체이닝은 하나의 큰 모델 작업을 더 작은 연결된 프롬프트들로 나누는 방식이다.

모델에게 이해, 변환, 검증, 포맷팅을 한 번에 모두 요청하는 대신, 각 프롬프트가 하나의 집중된 일을 수행하고 그 결과를 다음 단계로 넘긴다.
에이전트 시스템에서 이 방식은 모호한 LLM 상호작용을 관찰 가능한 워크플로로 바꾼다.
각 단계는 명확한 입력, 명확한 출력, 그리고 다음 단계가 그 결과에 의존하기 전에 검증이나 복구가 일어날 수 있는 지점을 가진다.

문제

큰 프롬프트는 너무 많은 책임을 섞는 경우가 많다. 이로 인해 출력 예측이 어려워지고, 테스트가 어려워지며, 일부가 실패했을 때 복구도 어려워진다.

프롬프트 체이닝은 책임을 분리하고 중간 출력을 명시적으로 만들어 이 문제를 해결한다.

사용해야 할 때

작업에 여러 의존 단계가 있을 때 이 패턴을 사용한다.
중간 출력을 검증, 파싱, 변환해야 할 때 사용한다.
LLM 호출 사이의 디버깅 가시성이 워크플로에 도움이 될 때 사용한다.
JSON 같은 구조화된 전달 데이터가 자유 형식 텍스트보다 안전할 때 사용한다.

사용하지 말아야 할 때

단순한 1단계 질문에는 이 패턴을 피한다.
모든 단계가 동일한 전체 컨텍스트에 의존하고, 분리가 명확성 없이 비용만 늘릴 때는 피한다.
관찰 가능성보다 지연 시간, 토큰 비용, 오케스트레이션 복잡도가 더 중요할 때는 불필요한 체인을 피한다.

작동 방식

워크플로가 원본 입력을 준비하거나 정규화한다.
첫 번째 프롬프트가 후보 사실 추출 같은 좁은 작업을 수행한다.
이후 프롬프트가 이전 결과를 더 엄격한 형식으로 변환하거나 정제한다.
검증기가 전달 데이터가 파싱 가능하고, 완전하며, 입력에 근거하는지 확인한다.
워크플로는 결과를 최종화하거나, 잘못된 단계를 복구하거나, 검토 대상으로 표시한다.

트레이드오프

이점	비용 또는 위험
중간 출력이 보이므로 디버깅이 쉬워진다.	LLM 호출이 늘어나 지연 시간과 비용이 증가할 수 있다.
집중된 프롬프트와 검증을 통해 신뢰성이 좋아진다.	검증하지 않으면 초기의 잘못된 출력이 이후 단계에 계속 영향을 줄 수 있다.
구조화된 출력 파이프라인에 자연스럽게 맞는다.	신중한 스키마와 재시도 설계가 필요하다.

최소 예시

제품 텍스트
  -> 기술 사양 추출
  -> 사양을 JSON으로 변환
  -> 필수 필드 검증
  -> 최종 구조화 사양

LangGraph 매핑

패턴 개념	LangGraph 요소
원본 작업과 중간 출력	`input`, `raw_extraction`, `specifications` 같은 상태 필드
체인의 각 프롬프트	`extract_specs` 또는 `transform_to_json` 같은 노드
순차 전달	한 노드에서 다음 노드로 이어지는 일반 엣지
검증과 복구 결정	`validate_output`에서 나가는 조건부 엣지
복구 소진 경로	`mark_needs_review` 같은 종료 노드

LangGraph 구현 목표

비정형 제품 텍스트를 검증된 구조화 기술 사양으로 변환하는 LangGraph 예제를 만든다. 사용자는 노트북 설명 같은 제품 설명을 제공한다. 그래프는 먼저 텍스트에서 기술 사양을 추출한 다음, 추출된 정보를 cpu, memory, storage 같은 필수 필드를 포함하는 JSON 호환 객체로 변환한다.

이 예제는 LangGraph 상태와 조건부 엣지를 사용해 워크플로를 관찰 가능하고 신뢰할 수 있게 만들면서, 장에서 설명한 핵심 프롬프트 체이닝 동작을 보여주어야 한다. 정상 경로는 선형이지만, 검증 단계는 잘못되었거나 불완전한 중간 출력을 최종화 전에 한 번의 복구 프롬프트로 라우팅하거나 검토 대상으로 표시할 수 있다.

상태 형태

그래프에 필요한 상태 필드를 나열한다.

필드	타입	목적
`input`	`str`	원본 사용자 입력 또는 작업 설명.
`clean_text`	`str`	추출 프롬프트에 전달되는 정규화된 원문 텍스트.
`raw_extraction`	`str`	추출된 사양을 담은 첫 번째 LLM 출력.
`raw_transformation`	`str`	JSON 파싱과 검증 전의 두 번째 LLM 출력.
`specifications`	`dict`	파싱된 구조화 결과. `cpu`, `memory`, `storage`를 포함해야 한다.
`missing_fields`	`list[str]`	찾거나 검증할 수 없었던 필수 필드.
`validation_errors`	`list[str]`	파싱 오류, 스키마 오류, 지원되지 않는 값, 근거 불일치.
`retry_count`	`int`	이미 수행한 복구 시도 횟수.
`max_retries`	`int`	복구 시도 상한 설정값.
`intermediate_artifacts`	`list[dict]`	프롬프트 입력, 프롬프트 출력, 파서 결과, 검증 결정을 순서대로 기록한 목록.
`status`	`str`	워크플로 상태: `ok`, `needs_review`, `failed`.
`final_output`	`dict`	상태, 구조화 사양, 검증 메타데이터를 포함하는 사용자 대상 결과.

노드

노드	책임
`prepare_input`	입력 텍스트를 다듬고 정규화하며, 빈 입력을 거부하고 재시도 및 산출물 필드를 초기화한다.
`extract_specs`	LLM을 이용해 `clean_text`에서 기술 사양만 식별하도록 요청하는 집중된 추출 프롬프트를 실행한다.
`transform_to_json`	LLM을 이용해 `raw_extraction`을 필수 키가 있는 엄격한 JSON 객체로 변환하는 두 번째 집중 프롬프트를 실행한다.
`validate_output`	Python코드를 이용해 `raw_transformation`을 파싱하고, 필수 키와 값 형식을 검증하며, 누락 필드를 감지하고 검증 오류를 기록한다.
`repair_output`	검증이 실패하면 원문 텍스트, 이전 출력, 검증 오류를 사용해 대상화된 복구 프롬프트를 실행한다.
`finalize`	검증이 성공하면 구조화 객체와 선택된 메타데이터를 포함한 `final_output`을 만든다.
`mark_needs_review`	복구가 소진되었거나 필수 정보가 실제로 없을 때 체인을 중단하고, 오류와 산출물을 보존한다. LLM이 처리하지 못하고 이제 사람이 봐야하는 기록물이다.

엣지

조건부 분기를 포함한 그래프 흐름을 설명한다.

START -> prepare_input -> extract_specs -> transform_to_json -> validate_output

validate_output -> finalize -> END
validate_output -> repair_output -> validate_output
validate_output -> mark_needs_review -> END

조건부 엣지 요구사항:

JSON 파싱이 성공하고, 필수 키가 존재하며, 값이 원문 텍스트로 뒷받침될 때 validate_output에서 finalize로 라우팅한다.
출력이 잘못되었거나 불완전하고 retry_count < max_retries일 때 validate_output에서 repair_output으로 라우팅한다.
복구 시도가 소진되었거나 입력에 필수 필드를 뒷받침할 충분한 근거가 없을 때 validate_output에서 mark_needs_review로 라우팅한다.
retry_count는 복구 경로에서만 증가시킨다.

입력과 출력

입력: 기술 사양이 포함된 비정형 제품 또는 문서 텍스트.
출력: cpu, memory, storage와 status, 검증 메타데이터를 포함하는 JSON 호환 딕셔너리.
중간 산출물: 정제된 입력 텍스트, 추출 프롬프트 출력, 변환 프롬프트 출력, 파서 결과, 검증 오류, 누락 필드, 복구 시도.

예시 입력 형태:

{
  "input": "The laptop includes a 3.5 GHz octa-core processor, 16GB RAM, and a 1TB NVMe SSD."
}

성공 출력 형태 예시:

{
  "status": "ok",
  "specifications": {
    "cpu": "3.5 GHz octa-core processor",
    "memory": "16GB RAM",
    "storage": "1TB NVMe SSD"
  },
  "missing_fields": [],
  "validation_errors": []
}

실패 사례

예상 실패, 재시도, 폴백 동작, 사람 검토 지점을 문서화한다.

비어 있거나 공백뿐인 입력은 LLM 호출 전에 실패해야 하며 status를 failed로 설정해야 한다.
변환 프롬프트가 만든 잘못된 JSON은 검증 오류로 파싱되어야 하며, 재시도가 남아 있으면 repair_output으로 라우팅해야 한다.
누락된 필수 필드는 환각으로 채우면 안 된다. 그래프는 원문 텍스트를 다시 확인해 복구하거나, 누락 필드 목록과 함께 needs_review를 반환해야 한다.
원문 텍스트로 뒷받침되지 않는 추출 값은 거부하거나 검토 대상으로 표시해야 한다.
지나치게 큰 입력은 추출 프롬프트 전에 자르기, 청킹, 또는 문서화된 검증 오류로 처리해야 한다.
반복적인 복구 실패는 무한 루프가 아니라 mark_needs_review로 끝나야 한다.
제공자 또는 모델 호출 오류는 validation_errors나 전용 런타임 오류 필드에 캡처한 뒤 final_output에 노출해야 한다.

테스트 아이디어

장의 노트북 문장 스타일에 맞춘 정상 경로를 검증하고 cpu, memory, storage가 채워졌는지 확인한다.
모킹한 잘못된 JSON 응답이 repair_output을 거쳐 유효한 복구 후 최종화되는지 검증한다.
스토리지 정보가 없는 경우 스토리지를 지어내는 대신 needs_review 또는 문서화된 null 정책을 반환하는지 검증한다.
retry_count가 복구 경로에서만 증가하고 max_retries를 초과할 수 없는지 검증한다.
intermediate_artifacts가 각 프롬프트 출력과 검증 결정을 실행 순서대로 포함하는지 검증한다.
빈 입력이 LLM 호출 전에 실패하는지 검증한다.
최종 상태가 항상 status, final_output, 검증 메타데이터를 포함하는지 검증한다.

열린 질문

docs/agentic-design-patterns-toc.md는 Chapter 1을 논리 페이지 18-29로 나열하지만, PDF 텍스트 추출에서는 보이는 Chapter 1 섹션이 페이지 라벨 23-35에 있다. 향후 요구사항 문서에서 TOC 논리 페이지만 인용할지, 추출된 PDF 라벨만 인용할지, 둘 다 인용할지 확인이 필요하다.
첫 구현은 장의 고정 cpu, memory, storage 스키마를 유지해야 하는가, 아니면 더 넓은 문서 처리 예제를 지원하도록 설정 가능한 추출 스키마를 받아야 하는가?
없는 필수 필드는 specifications에서 null로 표현해야 하는가, 완전히 생략해야 하는가, 아니면 needs_review로 처리해야 하는가?
실행 가능한 예제는 어떤 모델 제공자를 먼저 대상으로 해야 하며, 구조화 출력은 제공자 네이티브 JSON 모드, LangChain 파서, 또는 결정론적 후처리 중 무엇으로 강제해야 하는가?

요구사항: Chapter 1: Prompt Chaining

출처​

패턴 요약​

패턴 설명​

개념 개요​

문제​

사용해야 할 때​

사용하지 말아야 할 때​

작동 방식​

트레이드오프​

최소 예시​

LangGraph 매핑​

LangGraph 구현 목표​

상태 형태​

노드​

엣지​

입력과 출력​

실패 사례​

테스트 아이디어​

열린 질문​

출처