https://cookbook.openai.com/examples/gpt-5/gpt-5-2_prompting_guide
서론
OpenAI의 GPT-5.2는 엔터프라이즈 환경과 에이전트 워크플로우를 위해 설계된 최신 플래그십 모델입니다. 이전 세대인 GPT-5.1 대비 토큰 효율성, 출력 포맷팅, 구조적 추론 능력에서 명확한 개선을 보여주며, 특히 Tool Calling과 멀티모달 이해 능력이 강화되었습니다.
이 가이드에서는 GPT-5.2의 핵심 특성 변화를 살펴보고, 실제 프로덕션 환경에서 성능을 극대화하기 위한 프롬프팅 패턴들을 분석합니다. 또한 기존 GPT-5/5.1 프롬프트를 GPT-5.2로 마이그레이션하는 전략과, 장기 컨텍스트 처리를 위한 Compaction 기능도 다룹니다.
GPT-5.2의 핵심 행동 변화
GPT-5.2는 이전 세대 모델들과 비교했을 때 다음과 같은 특성 변화를 보입니다.
더 체계적인 스캐폴딩(Scaffolding): GPT-5.2는 기본적으로 더 명확한 계획과 중간 구조를 생성합니다. 이는 복잡한 태스크에서 장점이 되지만, 명시적인 범위(scope)와 상세도(verbosity) 제약을 함께 제공할 때 최적의 결과를 얻을 수 있습니다.
전반적으로 낮아진 상세도: 출력이 더 간결하고 태스크 중심적입니다. 다만 여전히 프롬프트에 민감하게 반응하므로, 원하는 상세도 수준을 프롬프트에서 명확히 지정해야 합니다.
강화된 지시 준수: 사용자 의도로부터의 이탈(drift)이 줄었으며, 포맷팅과 근거 제시가 개선되었습니다.
Tool Calling 효율성의 Trade-off: GPT-5.1 대비 인터랙티브 플로우에서 추가적인 Tool Action을 취하는 경향이 있습니다. 이는 프롬프팅을 통해 최적화할 수 있습니다.
보수적인 그라운딩 편향: 정확성과 명시적 추론을 선호하는 경향이 있으며, 모호한 상황에서는 명확화(clarification) 프롬프트를 제공할 때 처리 능력이 향상됩니다.
프롬프팅 패턴
상세도와 출력 형태 제어
엔터프라이즈 환경과 코딩 에이전트에서는 명확하고 구체적인 길이 제약을 제공하는 것이 중요합니다. 다음은 원하는 상세도 수준에 따라 조정할 수 있는 예시입니다.
1
2
3
4
5
6
7
8
9
10
<output_verbosity_spec>
- Default: 3–6 sentences or ≤5 bullets for typical answers.
- For simple "yes/no + short explanation" questions: ≤2 sentences.
- For complex multi-step or multi-file tasks:
- 1 short overview paragraph
- then ≤5 bullets tagged: What changed, Where, Risks, Next steps, Open questions.
- Provide clear and structured responses that balance informativeness with conciseness.
- Avoid long narrative paragraphs; prefer compact bullets and short sections.
- Do not rephrase the user's request unless it changes semantics.
</output_verbosity_spec>
이 패턴의 핵심은 상황별 기대치를 명시하는 것입니다. 단순 질문에는 2문장 이하, 복잡한 멀티스텝 태스크에는 개요 + 5개 이하의 태그된 불릿 포인트라는 식으로 구체적인 형식을 지정합니다.
범위 이탈(Scope Drift) 방지
GPT-5.2는 구조화된 코드 생성에 강하지만, 프론트엔드 태스크에서 최소한의 UX 명세나 디자인 시스템을 넘어서는 코드를 생성할 수 있습니다. 범위 내에 머물기 위해 추가 기능과 비제어 스타일링을 명시적으로 금지해야 합니다.
1
2
3
4
5
6
7
8
<design_and_scope_constraints>
- Explore any existing design systems and understand it deeply.
- Implement EXACTLY and ONLY what the user requests.
- No extra features, no added components, no UX embellishments.
- Style aligned to the design system at hand.
- Do NOT invent colors, shadows, tokens, animations, or new UI elements, unless requested.
- If any instruction is ambiguous, choose the simplest valid interpretation.
</design_and_scope_constraints>
기존 GPT-5.1의 <design_system_enforcement> 블록을 사용하는 경우, “no extra features”와 “tokens-only colors” 조항을 추가하여 강조하는 것이 효과적입니다.
장문 컨텍스트와 리콜 개선
10k 토큰 이상의 긴 입력(여러 챕터의 문서, 긴 스레드, 다수의 PDF 등)을 처리할 때는 강제 요약과 재그라운딩(re-grounding) 패턴이 유용합니다. 이 패턴은 긴 컨텍스트에서 정보를 놓치는 “lost in the scroll” 오류를 줄이고 리콜을 개선합니다.
1
2
3
4
5
6
7
8
9
<long_context_handling>
- For inputs longer than ~10k tokens (multi-chapter docs, long threads, multiple PDFs):
- First, produce a short internal outline of the key sections relevant to the user's request.
- Re-state the user's constraints explicitly (e.g., jurisdiction, date range, product, team)
before answering.
- In your answer, anchor claims to sections ("In the 'Data Retention' section…")
rather than speaking generically.
- If the answer depends on fine details (dates, thresholds, clauses), quote or paraphrase them.
</long_context_handling>
이 접근법의 핵심은 세 단계로 구성됩니다. 첫째, 관련 섹션의 내부 아웃라인을 먼저 생성합니다. 둘째, 사용자의 제약 조건을 답변 전에 명시적으로 재진술합니다. 셋째, 주장을 구체적인 섹션에 앵커링하여 일반적인 진술을 피합니다.
모호성 처리와 환각(Hallucination) 위험 완화
불명확한 요구사항, 누락된 제약 조건, 또는 최신 데이터가 필요하지만 Tool이 호출되지 않는 쿼리에서 과신(overconfident) 환각이 발생할 수 있습니다.
1
2
3
4
5
6
7
8
9
10
11
<uncertainty_and_ambiguity>
- If the question is ambiguous or underspecified, explicitly call this out and:
- Ask up to 1–3 precise clarifying questions, OR
- Present 2–3 plausible interpretations with clearly labeled assumptions.
- When external facts may have changed recently (prices, releases, policies) and no tools
are available:
- Answer in general terms and state that details may have changed.
- Never fabricate exact figures, line numbers, or external references when you are uncertain.
- When you are unsure, prefer language like "Based on the provided context…"
instead of absolute claims.
</uncertainty_and_ambiguity>
법률, 금융, 컴플라이언스, 안전 관련 컨텍스트와 같은 고위험 출력에는 추가적인 자기 점검(self-check) 단계를 삽입할 수 있습니다.
1
2
3
4
5
6
7
8
<high_risk_self_check>
Before finalizing an answer in legal, financial, compliance, or safety-sensitive contexts:
- Briefly re-scan your own answer for:
- Unstated assumptions,
- Specific numbers or claims not grounded in context,
- Overly strong language ("always," "guaranteed," etc.).
- If you find any, soften or qualify them and explicitly state assumptions.
</high_risk_self_check>
Compaction: 유효 컨텍스트 확장
Tool을 많이 사용하는 장기 실행 워크플로우가 표준 컨텍스트 윈도우를 초과할 때, GPT-5.2 with Reasoning은 /responses/compact 엔드포인트를 통한 응답 Compaction을 지원합니다.
Compaction은 이전 대화 상태에 대해 손실 인식(loss-aware) 압축을 수행하여, 태스크 관련 정보를 보존하면서 토큰 풋프린트를 대폭 줄이는 암호화된 불투명(opaque) 아이템을 반환합니다. 이를 통해 모델이 컨텍스트 제한에 도달하지 않고 확장된 워크플로우에서 추론을 계속할 수 있습니다.
사용 시나리오:
- 다수의 Tool Call이 포함된 멀티스텝 에이전트 플로우
- 이전 턴을 유지해야 하는 긴 대화
- 최대 컨텍스트 윈도우를 넘어서는 반복적 추론
주요 특성:
- 불투명하고 암호화된 아이템을 생성하므로 내부 로직은 진화할 수 있음
- 검사(inspection)가 아닌 계속(continuation)을 위해 설계됨
- GPT-5.2 및 Responses API와 호환
- 긴 세션에서 반복 실행해도 안전함
베스트 프랙티스:
- 컨텍스트 사용량을 모니터링하고 컨텍스트 윈도우 제한에 도달하기 전에 미리 계획
- 매 턴마다가 아닌 주요 마일스톤(예: Tool 집약적 단계) 후에 Compact 수행
- 재개 시 행동 이탈을 피하기 위해 프롬프트를 기능적으로 동일하게 유지
- Compacted 아이템은 불투명하게 취급하고 내부에 의존하거나 파싱하지 않음
에이전트 조종성과 사용자 업데이트
GPT-5.2는 적절한 프롬프팅이 주어졌을 때 에이전트 스캐폴딩과 멀티스텝 실행에 강합니다. 기존 GPT-5.1의 <user_updates_spec>과 <solution_persistence> 블록을 재사용할 수 있습니다.
GPT-5.2의 성능을 더욱 향상시키기 위한 두 가지 핵심 조정이 있습니다. 첫째, 업데이트의 상세도를 제한하여 더 짧고 집중적으로 만듭니다. 둘째, 범위 규율을 명시적으로 지정하여 문제 표면적을 확장하지 않도록 합니다.
1
2
3
4
5
6
7
8
9
10
<user_updates_spec>
- Send brief updates (1–2 sentences) only when:
- You start a new major phase of work, or
- You discover something that changes the plan.
- Avoid narrating routine tool calls ("reading file…", "running tests…").
- Each update must include at least one concrete outcome
("Found X", "Confirmed Y", "Updated Z").
- Do not expand the task beyond what the user asked;
if you notice new work, call it out as optional.
</user_updates_spec>
Tool Calling과 병렬화
GPT-5.2는 Tool 신뢰성과 스캐폴딩에서 5.1을 개선했으며, 특히 MCP/Atlas 스타일 환경에서 그렇습니다.
베스트 프랙티스:
- Tool을 간결하게 설명합니다. 무엇을 하고 언제 사용하는지에 대해 1-2문장으로 기술합니다.
- 코드베이스 스캔, 벡터 스토어, 또는 다중 엔티티 작업에 대해 병렬화를 명시적으로 권장합니다.
- 고영향 작업(주문, 청구, 인프라 변경)에 대해서는 검증 단계를 요구합니다.
1
2
3
4
5
6
7
8
9
10
11
<tool_usage_rules>
- Prefer tools over internal knowledge whenever:
- You need fresh or user-specific data (tickets, orders, configs, logs).
- You reference specific IDs, URLs, or document titles.
- Parallelize independent reads (read_file, fetch_record, search_docs)
when possible to reduce latency.
- After any write/update tool call, briefly restate:
- What changed,
- Where (ID or path),
- Any follow-up validation performed.
</tool_usage_rules>
구조화된 추출, PDF, Office 워크플로우
이 영역은 GPT-5.2가 명확한 개선을 보이는 분야입니다. 최대한 활용하기 위한 핵심 원칙은 다음과 같습니다.
항상 스키마 또는 JSON 형태를 제공합니다. 엄격한 스키마 준수를 위해 Structured Outputs를 사용할 수 있습니다. 필수 필드와 선택 필드를 구분하고, “추출 완전성(extraction completeness)”을 요청하며 누락된 필드를 명시적으로 처리합니다.
1
2
3
4
5
6
7
8
9
10
11
12
13
<extraction_spec>
You will extract structured data from tables/PDFs/emails into JSON.
- Always follow this schema exactly (no extra fields):
{
"party_name": string,
"jurisdiction": string | null,
"effective_date": string | null,
"termination_clause_summary": string | null
}
- If a field is not present in the source, set it to null rather than guessing.
- Before returning, quickly re-scan the source for any missed fields and correct omissions.
</extraction_spec>
다중 테이블/다중 파일 추출의 경우, 문서별 결과를 별도로 직렬화하고 안정적인 ID(파일명, 계약 제목, 페이지 범위)를 포함하도록 가이드를 추가합니다.
GPT-5.2로의 프롬프트 마이그레이션 가이드
GPT-5 계열 모델은 reasoning_effort 파라미터(none, minimal, low, medium, high, xhigh)를 지원하며, 이를 통해 속도/비용과 깊은 추론 사이의 Trade-off를 조절할 수 있습니다.
마이그레이션 매핑:
| 현재 모델 | 대상 모델 | 대상 reasoning_effort | 비고 |
|---|---|---|---|
| GPT-4o | GPT-5.2 | none | 빠른/낮은 숙고 행동 유지; 평가 결과가 퇴보할 때만 effort 증가 |
| GPT-4.1 | GPT-5.2 | none | GPT-4o와 동일 |
| GPT-5 | GPT-5.2 | 동일 값 (minimal → none 제외) | 지연/품질 프로파일 일관성 유지 |
| GPT-5.1 | GPT-5.2 | 동일 값 | 평가 실행 후에만 조정 |
GPT-5의 기본 reasoning level은 medium이고, GPT-5.1과 GPT-5.2의 기본값은 none입니다.
마이그레이션 단계:
- 모델만 전환, 프롬프트는 유지: 프롬프트 편집이 아닌 모델 변경만 테스트하도록 프롬프트를 기능적으로 동일하게 유지합니다. 한 번에 하나의 변경만 적용합니다.
- reasoning_effort 고정: GPT-5.2의 reasoning_effort를 이전 모델의 지연/깊이 프로파일에 맞게 명시적으로 설정합니다.
- 기준선 평가 실행: 모델과 effort가 정렬된 후 평가 스위트를 실행합니다. 결과가 좋으면 배포 준비 완료입니다.
- 퇴보 시 프롬프트 튜닝: Prompt Optimizer와 대상 제약(상세도/포맷/스키마, 범위 규율)을 사용하여 동등성을 복원하거나 개선합니다.
- 작은 변경마다 재평가: reasoning_effort를 한 단계 올리거나 점진적 프롬프트 조정 후 다시 측정하며 반복합니다.
웹 검색과 리서치
GPT-5.2는 다수의 소스에서 정보를 종합하는 능력이 향상되어 더 조종 가능(steerable)합니다.
베스트 프랙티스:
리서치 기준을 사전에 명시합니다. 모델에게 검색 수행 방식을 알려줍니다. 2차 리드를 따를지, 모순을 해결할지, 인용을 포함할지 명시합니다. 한계 가치가 떨어질 때까지 추가 리서치를 계속해야 한다는 식으로 얼마나 멀리 갈지 명시적으로 진술합니다.
질문이 아닌 지시로 모호성을 제약합니다. 모델에게 모든 그럴듯한 의도를 포괄적으로 다루고 명확화 질문을 하지 말라고 지시합니다. 불확실성이 존재할 때 폭과 깊이를 요구합니다.
출력 형태와 톤을 지정합니다. 구조(Markdown, 헤더, 비교를 위한 테이블), 명확성(약어 정의, 구체적 예시), 어조(대화체, 페르소나 적응형, 비아첨형)에 대한 기대를 설정합니다.
1
2
3
4
5
6
7
8
9
10
11
<web_search_rules>
- Act as an expert research assistant; default to comprehensive, well-structured answers.
- Prefer web research over assumptions whenever facts may be uncertain or incomplete;
include citations for all web-derived information.
- Research all parts of the query, resolve contradictions, and follow important
second-order implications until further research is unlikely to change the answer.
- Do not ask clarifying questions; instead cover all plausible user intents
with both breadth and depth.
- Write clearly and directly using Markdown; define acronyms, use concrete examples,
and keep a natural, conversational tone.
</web_search_rules>
결론
GPT-5.2는 정확성, 신뢰성, 규율 있는 실행을 우선시하는 프로덕션급 에이전트를 구축하는 팀에게 의미 있는 진전을 나타냅니다. 더 강력한 지시 준수, 더 깔끔한 출력, 복잡한 Tool 집약적 워크플로우에서 더 일관된 행동을 제공합니다.
대부분의 기존 프롬프트는 초기 전환 시 reasoning effort, 상세도, 범위 제약이 보존될 때 깔끔하게 마이그레이션됩니다. 팀은 프롬프트 변경 전에 평가를 통해 행동을 검증하고, 퇴보가 나타날 때만 reasoning effort나 제약을 조정해야 합니다. 명시적 프롬프팅과 측정된 반복을 통해 GPT-5.2는 예측 가능한 비용과 지연 프로파일을 유지하면서 더 높은 품질의 결과를 달성할 수 있습니다.
읽어주셔서 감사합니다 🐾