LLM에서 뻔하지 않은 아이디어를 꾸준히 얻는 법 — 실제로 작동하는 프롬프트 구조 (23,000개 결과물 테스트 완료)

대부분의 아이디어 도출용 프롬프트는 이런 식입니다:

« [당신의 브리프] 10가지 아이디어를 생성해줘. »

그리고 고급 버전은 이런 식이죠:

[당신의 브리프] 창의적이고 뻔하지 않게, 거리가 먼 분야의 개념들을 결합해줘. 10가지 아이디어를 생성해줘.

두 번째가 더 나은 느낌을 줍니다. 하지만 결과물은 거의 비슷하죠.

여기 기본 클러스터를 실제로 벗어나는 구조가 있습니다. 데이터를 통해 증명된 방법이죠.

왜 표준 접근 방식은 실패할까요?

LLM은 학습 데이터 분포의 중심으로 향하는 중력을 가지고 있습니다. 모든 응답은 당신의 프롬프트가 요구하는 것과 모델이 "통계적으로 정상"이라고 간주하는 것 사이 어딘가에 떨어집니다. 컨텍스트를 더 많이 제공해도 그 중력을 거스르기보다는 당신이 이미 가진 프레임 안으로만 유도될 뿐입니다. 뻔한 것에서 벗어나려다 익숙한 곳에 안착하게 되는 거죠.

모델에게 "독창적으로 행동하라"고 말하는 것은 아이디어 공간에 새로운 것을 주입하지 못합니다. 그것은 훨씬 더 강력한 사전 지식과 경쟁하는 약한 지시사항일 뿐입니다.

효과가 있는 구조

« [당신의 브리프]

도메인 주입: 도메인 1: [전문가 페르소나] + [해당 도메인의 직관에 반하는 메커니즘] + [당신의 문제로 연결하는 질문] 도메인 2: [같은 구조] 도메인 3: [같은 구조]

각 도메인에 대해 브리프와 해당 도메인의 메커니즘을 연결하는 다리를 만들고, 그 메커니즘을 브리프에 적용한 10가지 아이디어를 생성하세요. »

각 도메인을 별도의 컨텍스트 창에서 실행하세요. 그런 다음 모든 결과물을 큐레이션하세요.

구체적인 예시

브리프: 사용자의 취향 거품을 깨뜨릴 수 있도록 Spotify의 Discover Weekly를 재설계하라.

도메인 주입 예시 — 기생충학:

"자신의 번식 이익을 위해 숙주의 행동을 조종하는 생물을 연구하는 기생충학자. 핵심 메커니즘: 숙주의 의사결정이 의식하지 못하는 사이에 기생충의 목표를 위해 재설정됨. 연결 질문: Discover Weekly가 사용자의 명시적 선호도가 아닌 음악 생태계의 건강을 위해 작동한다면 어떨까?"

그 충돌에서 나온 아이디어들:

• 사용자의 청취 기록을 알고리즘에서 완전히 제거하는 "숙주 무시" 모드 • 취향 프로필과 일치하는 것이 아니라 품질 대비 통계적으로 과소평가된 음악을 추천

기본 프롬프트가 생성하는 결과와 비교해보세요: "다양성 슬라이더 추가", "인접 장르의 음악 표시", "사용자가 참신함 선호도를 설정하게 함". 다 괜찮은 아이디어입니다. 하지만 다 뻔하죠.

왜 이게 효과가 있을까요 (간략히)

이 메커니즘은 쾨슬러의 비연상(bisociation)에서 유래했습니다. 거리가 먼 도메인들이 때때로 당신의 문제와 숨겨진 인과 구조를 공유하기 때문입니다. 기생충학과 플랫폼 경제학은 모두 비대칭적 이익을 위한 행동 재설정을 설명합니다. 이것이 바로 뻔하지 않은 아이디어를 이끌어내는 뻔하지 않은 구조적 유사성입니다. 주입된 내용은 모델을 편안한 중심이 아닌 그 공간으로 강제로 밀어 넣습니다.

대부분의 충돌은 노이즈를 생성합니다. 하지만 몇몇은 당신이 절대 도달하지 못했을 아이디어를 만들어냅니다. 그래서 양과 큐레이션이 필요한 것입니다.

데이터

12개의 실제 아이디어 프로젝트, 약 23,000개의 생성된 아이디어, 4가지 조건으로 테스트:

• A — 도메인 주입 (위의 구조) • B — 기본 프롬프트 • C — "독창적으로, 거리가 먼 개념을 결합하라"는 지시 • D — A와 길이가 일치하는 더 긴 도메인 내 브리프

기본 클라우드로부터의 임베딩 거리: A는 12/12 프로젝트에서 탈출에 성공했습니다 (p = 0.0002). C와 D는 거의 움직이지 않았습니다. 즉, 지시사항이나 추가 토큰은 효과가 없다는 뜻입니다. 주입된 콘텐츠의 구조적 거리가 핵심입니다.