프롬프트 및 컨텍스트 엔지니어링 핵심 논문

프롬프트 엔지니어링(prompt engineering)과 컨텍스트 엔지니어링(context engineering) 능력을 심화 학습하기 위해 반드시 읽어야 할 최신 arXiv 논문들을 다음과 같이 정리할 수 있다. 이 목록은 각각의 분야별로 이론적 기초, 실천적 프레임워크, 자동화 연구를 모두 망라한다.

---

프롬프트 엔지니어링 핵심 논문

1. A Systematic Survey of Prompt Engineering in Large Language Models (arXiv:2402.07927, 2024) LLM과 VLM에서의 프롬프트 엔지니어링 기술을 체계적으로 분류해, 자연어 프롬프트부터 벡터 기반 학습 프롬프트까지의 전반적 흐름을 정리한다. 데이터셋, 응용 도메인, 한계점과 향후 과제까지 폭넓게 다룬다.

2. Prompt Engineering a Prompt Engineer (PE2) (arXiv:2311.05661, 2024 ACL Findings) 프롬프트 자체를 생성·개선하는 자동화된 메타 프롬프트 엔지니어링 접근법을 제안한다. 단계적 추론 템플릿 기반으로 기존 “Let’s think step by step”보다 6% 이상 성능 향상 결과를 보인다.

3. A Prompt Pattern Catalog to Enhance Prompt Engineering (arXiv:2302.11382, 2023) 실무 지향적인 프롬프트 패턴 카탈로그로, LLM과 효과적으로 상호작용하기 위한 구조적 패턴들을 정리한 실용적 자료다.

4. A Systematic Survey of Prompt Engineering Techniques (arXiv:2406.06608, 2024) 프롬프트 엔지니어링의 핵심 전술(Instruction-, Chain-, Programmatic prompting 등)을 분류하고 각 접근법의 효과·적용 사레를 비교한 최신 종합 보고서.

5. Promptomatix: An Automatic Prompt Optimization Framework for Large Language Models (arXiv:2507.14241, 2025) 프롬프트 최적화를 전 자동화 파이프라인으로 다룬 신작 프레임워크. 반자동 개선 루프와 효율적 피드백 시스템을 설계한다.

---

컨텍스트 엔지니어링 핵심 논문

1. A Survey of Context Engineering for Large Language Models (arXiv:2507.13334, 2025) 컨텍스트 엔지니어링을 정식 학문 분야로 정의하며, 컨텍스트 생성·처리·관리·통합을 중심으로 1400여 편의 연구를 분석한다. RAG, 메모리 시스템, 멀티에이전트 통합 등 최신 아키텍처 기반의 포괄적 기술 로드맵을 제시한다.
2. Evolving Contexts for Self-Improving Language Models (ACE Framework) (arXiv:2510.04618, 2025) ‘Agentic Context Engineering’(ACE)라는 자가개선형 컨텍스트 관리 프레임워크를 제안한다. 생성기–반성기–정제기의 3단계 구조를 통해 지속적 메모리 적응·갱신을 수행한다.
3. OpenRAG: Optimizing RAG End-to-End via In-Context Retrieval Learning (arXiv:2503.08398, 2025) RAG 시스템의 retrieval relevance를 학습 기반으로 재정의하여, 엔드투엔드 최적화를 통해 4% 이상의 성능 향상을 보인다. In-context relevance 학습의 실제 구현 연구로 매우 실용적인 참고서다.
4. Context-Guided Dynamic Retrieval for Improving Retrieval-Augmented Generation (arXiv:2504.19436, 2025) RAG의 동적 컨텍스트 최적화 접근법을 제안하며, 질의 상태 기반(state-aware) 지식 검색 구조를 통해 문맥 정확도를 개선한다.

---

이 논문들을 순서대로 읽으면 다음의 학습 경로가 권장된다:

• 1단계 (이론 기초):
  • A Systematic Survey of Prompt Engineering in Large Language Models
  • A Systematic Survey of Prompt Engineering Techniques
• 2단계 (실전 및 자동화):
  • Prompt Engineering a Prompt Engineer (PE2)
  • Promptomatix: An Automatic Prompt Optimization Framework for Large Language Models
• 3단계 (컨텍스트 확장 및 RAG):
  • A Survey of Context Engineering for Large Language Models
  • Evolving Contexts for Self-Improving Language Models (ACE Framework)
  • OpenRAG: Optimizing RAG End-to-End via In-Context Retrieval Learning

이 일곱 편은 2023–2025년 사이 LLM의 prompting과 context design을 통합적으로 이해하기 위한 최적의 학술 기반 자료로, 프롬프트 설계·자동화·컨텍스트 최적화를 모두 아우른다.