Cursor·Claude Code의 결과를 보지 않고 성공할 때까지 Enter를 누르는 것은 model을 탓하게 되는 roulette 사용이며, engineer가 재현 가능한 system을 만드는 방식과 맞지 않는다. 발표자는 성공·실패의 이유를 설명할 수 있는 상태를 목표로, Anthropic 공식 prompt engineering guide에서 원칙을 뽑아 'pre-prompting' process를 정의하고 두 실무 사례에 적용한다.
핵심 포인트- blog·요약보다 model 제작자가 직접 쓴 공식 문서를 깊게 읽어야 한다고 보고, 아홉 개 주제로 정리된 Anthropic guide를 출발점으로 추천
- guide가 기법보다 먼저 요구하는 측정 가능한 success criteria·반복 evaluation·좋은 draft prompt 확립을 define·test·iterate loop의 pre-prompting으로 명명, prompt를 매번 갈아엎지 않고 50%→80~90%로 개선하는 대상으로 취급
- 학생 GitHub PR에서 pain point를 찾는 과제에 spreadsheet·Apps Script LLM API로 V1·V2·V3 prompt와 응답을 함께 기록·평가해 component architecture가 29회로 최대 난점임을 확인, curriculum 근거화
- Vue 49개 page→React migration은 UI·logic으로 나누고 LLM이 못 고치는 test·checklist와 route dashboard로 검증, code review 일부를 prompt review로 옮기고 log·spec·convention·versioned prompt를 team asset으로 관리
왜 읽나AI 코딩을 운에 맡기지 않고 재현 가능한 engineering으로 다루려는 개발자·팀에게, 공식 문서 기반 pre-prompting과 prompt 자산화의 구체적 워크플로우를 제시한다.