LLM 코드 생성 테스트의 정확도를 높이는 '모호성 사전 목록화' 프롬프트 기법

요약

AI 모델이 코드와 테스트를 단일 세션에서 생성할 때 발생하는 논리적 오류를 방지하기 위한 새로운 프롬프트 전략이 제안되었습니다. 모델이 요구사항을 코드와 동일한 방식으로 해석하면 테스트가 '그린' 상태여도 실제 요구사항 구현 여부를 검증하기 어렵습니다. 예를 들어, 8.25%의 세금을 적용할 때 총액 기준 반올림과 항목별 반올림처럼 두 가지 해석이 가능한 경우, 테스트 케이스가 모호성을 구분하지 못할 수 있습니다. 이를 해결하려면 코드 작성 전 단계에서 요구사항의 모호한 지점들을 먼저 리스트업하고, 각 해석에 대해 모델이 어떤 방식을 선택할지 명시해야 합니다. 또한, 출력값에 영향을 주는 반올림, 정렬, 시간대 등의 요소는 사용자가 직접 확인하고 승인하는 절차를 추가하는 것이 권장됩니다.

AI가 원문을 요약한 내용으로, 부정확할 수 있습니다.