한 줄 요약: 출력 스타일(Output Style)이란, AI 에이전트가 생성하는 응답의 형식(JSON/마크다운/텍스트), 길이, 어조(공식/캐주얼), 언어, 구조적 패턴을 시스템 프롬프트 또는 API 파라미터로 명시적으로 제어하는 설정이다.

1. 출력 스타일이란 무엇인가?

같은 “날씨 알려줘” 요청도 출력 스타일에 따라 완전히 다른 형태가 됩니다:

JSON 스타일:

{"temp": 25, "condition": "맑음", "humidity": 60}

마크다운 스타일:

## 오늘의 날씨
- 기온: **25°C**
- 상태: ☀️ 맑음
- 습도: 60%

단문 스타일:

오늘 서울은 맑고 25도입니다.

출력 스타일을 제어하는 것은 AI 시스템을 실제 제품에 통합할 때 필수적입니다. 프론트엔드가 JSON을 기대하는데 자연어 텍스트가 오면 파싱이 실패합니다.

2. 핵심 개념 이해하기

출력 스타일의 4가지 차원

차원 설명 예시
형식(Format) 데이터 구조 JSON, 마크다운, 텍스트, XML
길이(Length) 응답의 분량 한 문장, 3문단, 상세 보고서
어조(Tone) 커뮤니케이션 스타일 공식적, 친근한, 전문적
구조(Structure) 정보 배치 방식 불릿 리스트, 표, 번호 목록

제어 방식

1. 시스템 프롬프트 지정:

"항상 다음 JSON 형식으로 응답하세요:
{
  "answer": "답변 내용",
  "confidence": 0~1 사이 숫자,
  "sources": ["출처1", "출처2"]
}"

2. API 파라미터 (response_format):

# OpenAI JSON 모드
response = client.chat.completions.create(
    model="gpt-4o",
    response_format={"type": "json_object"},
    messages=[...]
)

3. 구조화 출력 (Structured Output):

# Pydantic 모델로 출력 스키마 정의
from pydantic import BaseModel

class WeatherResponse(BaseModel):
    temp: float
    condition: str
    humidity: int
    recommendation: str

3. 실무 적용 예시

Anthropic의 구조화 출력과 출력 스타일 제어 예시입니다.

import anthropic
import json
from pydantic import BaseModel, Field
from typing import List

client = anthropic.Anthropic()

# Pydantic 모델로 출력 스키마 정의
class AnalysisResult(BaseModel):
    summary: str = Field(description="3문장 이내 요약")
    key_points: List[str] = Field(description="핵심 포인트 3~5개")
    sentiment: str = Field(description="positive/neutral/negative 중 하나")
    score: float = Field(description="0.0~1.0 신뢰도 점수")
    tags: List[str] = Field(description="관련 키워드 태그")

def analyze_with_style(
    content: str,
    output_style: str = "structured"
) -> dict | str:
    """출력 스타일에 따라 다른 형태의 분석 결과를 반환합니다."""

    if output_style == "structured":
        # JSON 구조화 출력
        system = f"""당신은 텍스트 분석 전문가입니다.
반드시 다음 JSON 스키마로만 응답하세요:
{AnalysisResult.model_json_schema()}"""

        response = client.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=1024,
            system=system,
            messages=[{"role": "user", "content": f"분석하세요:\n{content}"}]
        )
        return json.loads(response.content[0].text)

    elif output_style == "markdown":
        # 마크다운 스타일
        system = """당신은 기술 블로그 작가입니다.
분석 결과를 마크다운 형식으로 작성하세요.
반드시 ## 헤더, **굵은 텍스트**, - 불릿 리스트를 사용하세요."""

        response = client.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=1024,
            system=system,
            messages=[{"role": "user", "content": f"분석하세요:\n{content}"}]
        )
        return response.content[0].text

    else:  # brief
        # 간결한 텍스트 스타일
        system = """당신은 임원 비서입니다.
분석 결과를 2~3문장의 간결한 텍스트로만 요약하세요.
불필요한 설명은 절대 추가하지 마세요."""

        response = client.messages.create(
            model="claude-3-haiku-20240307",
            max_tokens=256,
            system=system,
            messages=[{"role": "user", "content": f"분석하세요:\n{content}"}]
        )
        return response.content[0].text

# 같은 입력, 다른 출력 스타일
article = "에이전틱 AI가 2026년 기업 시장을 빠르게 변화시키고 있습니다..."

json_result = analyze_with_style(article, "structured")
md_result = analyze_with_style(article, "markdown")
brief_result = analyze_with_style(article, "brief")

4. 출력 스타일 vs 유사 개념 비교

구분 출력 스타일 프롬프트 엔지니어링 파인튜닝
제어 대상 응답 형식/구조 입력 지시 방식 모델 행동 전반
적용 시점 런타임 설계 시 학습 시
유연성 ✅ 즉시 변경 중간 ❌ 재학습 필요
일관성 높음 (명시적 지정) 중간 높음
구현 방법 시스템 프롬프트, API 파라미터 프롬프트 텍스트 학습 데이터

5. 마치며

출력 스타일은 AI 애플리케이션의 예측 가능성과 통합 용이성을 결정합니다. 특히 프로덕션 시스템에서는 JSON 구조화 출력을 활용해 파싱 오류를 방지하고, 다운스트림 시스템과의 안정적인 연동을 보장해야 합니다. 컨텍스트 엔지니어링과 함께 설계하면 일관된 AI 시스템을 구축할 수 있습니다.

참고 자료

함께 읽으면 좋은 용어

이 개념과 함께 알아두면 이해가 깊어지는 관련 용어들입니다.

컨텍스트 엔지니어링 YAML 프론트매터 가드레일 프롬프트 캐싱 툴 콜링

댓글 남기기

참고