🎯 프롬프트 엔지니어링

# Persona
당신은 AWS Solutions Architect입니다.
고객의 아키텍처 질문에 Well-Architected Framework 기반으로 답변합니다.

# Rules
- 모르는 내용은 "확인이 필요합니다"라고 답변
- 비용 관련 질문에 구체적 금액을 제시하지 않음
- 항상 대안을 2가지 이상 제시

# Format
- 마크다운으로 응답
- 추천 서비스는 | 서비스 | 이유 | 형태의 테이블
- 마지막에 "⚠️ 주의사항" 섹션 포함

• # Persona — Well-Architected 기반으로 답변하는 AWS Solutions Architect 역할 부여
• # Rules — 추측 금지("확인이 필요합니다") · 금액 제시 금지 · 대안 2가지 이상
• # Format — 마크다운 + 테이블로 출력 구조를 사전에 고정
• 세 섹션이 모든 대화에 공통 적용되는 불변 지시어

{
  "system": [{ "text": "상품 리뷰의 감성을 분류합니다. 형식: 감성|신뢰도" }],
  "messages": [
    { "role": "user",      "content": [{ "text": "배송 빠르고 좋아요" }] },
    { "role": "assistant", "content": [{ "text": "긍정|0.97" }] },
    { "role": "user",      "content": [{ "text": "포장이 찢어져 왔어요" }] },
    { "role": "assistant", "content": [{ "text": "부정|0.94" }] },
    { "role": "user",      "content": [{ "text": "생각보다 무겁네요" }] },
    { "role": "assistant", "content": [{ "text": "중립|0.81" }] },
    { "role": "user",      "content": [{ "text": "재구매 의사 있어요" }] }
  ]
}

• 예시 3쌍 = user/assistant 턴 — 모델은 이 대화가 실제로 있었다고 보고 패턴을 이어갑니다
• 형식 완전 일관 + 에지 케이스 — 감성|신뢰도 형식 고정, 애매한 "중립" 케이스 포함
• 마지막 user만 실제 질문 — 모델은 학습된 패턴대로 "긍정|…" 형식으로 답합니다

<instructions>
아래 회의록에서 결정 사항만 3개 추출해 주세요.
출력은 번호 목록으로 작성합니다.
</instructions>

<document>
{{meeting_notes}}
</document>

<example>
1. 배포 일정을 8월 1주로 확정
</example>

• 태그로 경계 선언 — 지시·자료·예시를 XML 태그로 분리, 모델이 역할 경계를 명확히 인식
• 긴 자료는 document 안에 — 지시가 자료 본문에 묻히지 않음, 자료 안의 "지시처럼 보이는 문장"도 무력화
• Claude 계열 특화 — XML 태그 인식에 최적화되어 있어 Anthropic 공식 가이드가 권장하는 방식

from strands import Agent
from pydantic import BaseModel

# ① 출력 구조를 Pydantic 스키마로 선언
class ReviewResult(BaseModel):
    sentiment: str   # "positive" | "negative" | "neutral"
    confidence: float
    summary: str
    keywords: list[str]

agent = Agent(model=model, system_prompt="상품 리뷰를 분석합니다.")

# ② 스키마 준수 응답을 보장하는 파라미터
result = agent(
    "이 제품 정말 좋아요! 배송도 빠르고 품질도 최고",
    structured_output_model=ReviewResult,
)
# ③ 파싱 없이 타입이 보장된 객체로 바로 사용
print(result.structured_output)
# ReviewResult(sentiment='positive', confidence=0.95, ...)

• BaseModel — 출력 구조를 Pydantic 스키마로 선언
• structured_output_model — 스키마 준수 응답을 보장하는 파라미터
• result.structured_output — 파싱 없이 타입이 보장된 객체로 바로 사용, 파싱 실패 제거 → 다운스트림 자동화 연결

from strands import Agent

# 단일 책임 프롬프트로 역할을 분리
summarizer = Agent(model=model, system_prompt="문서를 3문장으로 요약합니다.")
extractor = Agent(model=model, system_prompt="핵심 포인트를 3개 추출합니다.")
writer = Agent(model=model, system_prompt="고객 안내 이메일을 작성합니다.")

# ① Step 1 — 요약: 출력을 확인·검증할 수 있는 첫 번째 지점
summary = str(summarizer(doc))

# ② Step 2 — 이전 단계의 출력이 그대로 다음 단계의 입력
points = str(extractor(summary))

# ③ Step 3 — 실패하면 이 단계만 독립 재시도
email = str(writer(points))

• 단계 분해 — 요약·추출·작성을 단일 책임 프롬프트로 분리
• 출력 → 입력 연결 — 단계 사이가 곧 검증 지점
• 독립 재시도 — 실패한 단계만 다시 실행, 전체 재시작 불필요

import boto3

client = boto3.client("bedrock-runtime", region_name="us-east-1")

response = client.converse(
    modelId="us.anthropic.claude-sonnet-4-6",
    system=[{"text": "계약서에서 금액 조항만 추출합니다."}],
    messages=[{"role": "user", "content": [{"text": contract}]}],
    # ① 기본 세트 4종은 inferenceConfig 하나에 모아서
    inferenceConfig={
        "temperature": 0,        # ② 추출 태스크 — 재현 가능성 우선
        "maxTokens": 1024,       # ③ 출력 길이 상한 = 비용 상한
        "stopSequences": ["끝."],
    },
    # ④ Top-K 등 기본 세트 밖 파라미터는 모델 네이티브 필드로
    # additionalModelRequestFields={"top_k": 50},
)

print(response["output"]["message"]["content"][0]["text"])

• inferenceConfig — temperature · topP · maxTokens · stopSequences 기본 세트를 한 객체로 전달
• temperature 0 — 추출 태스크 권장, 같은 입력이면 항상 같은 출력
• maxTokens · stopSequences — 길이 상한(비용 상한)과 중단 문자열로 종료 지점을 이중으로 예약
• additionalModelRequestFields — Top-K처럼 기본 세트에 없는 모델 네이티브 파라미터의 전달 경로