2026. 8. 5. 10:32ㆍGitHub AI 스킬 연구소
ChatGPT 中文调教指南。各种场景使用指南。学习怎么让它听你的话。 https://github.com/PlexPt/awesome-chatgpt-prompts-zh
GitHub 트렌딩을 뒤지다 보면 가끔 "코드가 한 줄도 없는데 스타가 6만 개"인 레포를 만납니다. 이 레포가 딱 그렇습니다. 언어 필드가 None이에요. 파일 대부분이 마크다운이고, 실행할 것도 설치할 것도 없죠.
그런데 61,387개.
오늘 README를 처음부터 끝까지 뜯어봤는데, 솔직히 첫인상은 "이게 왜 이렇게 유명하지?"였습니다. 근데 스크롤을 내리다 보니 이유가 보이더군요. 이건 툴이 아니라 사전입니다. 그리고 사전은 원래 코드가 필요 없죠.
코드 없는 레포가 6만 스타를 먹은 방식
awesome-chatgpt-prompts-zh는 이름에서 보이듯 원조 awesome-chatgpt-prompts의 중국어 파생 프로젝트입니다. 근데 단순 번역본이 아니에요. 번역만 했다면 이 정도 스타는 안 나왔을 겁니다.
차이는 두 군데서 나옵니다.
첫째, 프롬프트를 중국어 사용 맥락에 맞게 재작성했습니다. 원본의 "Act as a Linux Terminal"을 그대로 옮기지 않고, 중국어 어순과 지시 습관에 맞게 손을 봤어요. 프롬프트 엔지니어링 해보신 분은 아시겠지만, 같은 지시라도 영어 원문을 기계번역하면 모델이 미묘하게 다르게 반응합니다. 특히 역할 부여(role-play) 프롬프트에서 그 차이가 크죠.
둘째, 카테고리 분류가 실무 단위입니다. README 상단 표를 보면 학술논문, 창의적 글쓰기, 콘텐츠 제작, 비즈니스 문서, 학술 편집, 번역, 데이터 분석, 기술 문서, 교육 자료, 웹사이트 콘텐츠, 리서치 자문, 연설문, 자기소개서, 이력서까지 14개 범주로 나눠놨어요. "ChatGPT로 뭘 할 수 있나"가 아니라 "당신 직무에서 뭘 시킬 수 있나"로 접근한 겁니다.
기술 문서 카테고리를 들여다보니
개발자 입장에서 제일 눈이 간 건 기술 문서 파트입니다. API 문서, 코드 주석, 사용자 매뉴얼, 기술 스펙 작성 프롬프트가 있는데, 이게 실제로 쓸 만한 수준이에요. 예를 들어 코드 리뷰 프롬프트는 단순히 "이 코드 리뷰해줘"가 아니라, 어떤 관점(가독성/성능/보안)에서 볼지, 출력 포맷을 어떻게 할지까지 지정하는 구조로 짜여 있습니다.
이걸 API 호출에 그대로 꽂아 쓸 수 있냐고요? 네, 됩니다.
# 설치라고 할 것도 없습니다. 그냥 클론
git clone https://github.com/PlexPt/awesome-chatgpt-prompts-zh.git
cd awesome-chatgpt-prompts-zh
# 프롬프트 원문은 README.md와 하위 md 파일에 전부 들어있음
grep -n "程序员" README.md여기서 끝나면 그냥 문서 읽기죠. 실무에 쓰려면 파싱해서 프롬프트 라이브러리로 만드는 게 낫습니다.
import re
import json
# README에서 "## 역할명" + 본문 프롬프트 패턴을 뽑아 dict로
def parse_prompts(md_path):
with open(md_path, encoding="utf-8") as f:
raw = f.read()
blocks = re.split(r"\n##\s+", raw)
prompts = {}
for b in blocks[1:]:
lines = b.strip().split("\n", 1)
if len(lines) < 2:
continue
title = lines[0].strip()
body = lines[1].strip()
# 인용 블록(>)으로 시작하는 프롬프트 본문만 취함
m = re.search(r">\s*(.+?)(?:\n\n|$)", body, re.S)
if m:
prompts[title] = m.group(1).replace("\n> ", " ").strip()
return prompts
lib = parse_prompts("README.md")
print(len(lib), "개 프롬프트 추출")
with open("prompt_lib.json", "w", encoding="utf-8") as f:
json.dump(lib, f, ensure_ascii=False, indent=2)이렇게 JSON으로 빼두면 사내 슬랙봇이나 CLI 툴에 /prompt 코드리뷰어 같은 식으로 붙일 수 있습니다. 저는 이 방식이 레포를 웹에서 매번 열어보는 것보다 훨씬 빠르더군요.
한눈에 보는 스펙
| 항목 | 내용 |
|---|---|
| 주 언어 | 중국어 간체 (일부 영어 원문 병기) |
| 필요 API | 없음. 프롬프트 텍스트만 제공 (OpenAI / Claude / Gemini 어디든 붙임) |
| 설치 난이도 | ★☆☆☆☆ (clone 또는 웹에서 복붙) |
| 핵심 구성 | 14개 직무 카테고리, 수백 개 역할 기반 프롬프트 |
| 라이선스 | MIT 계열 (원본 awesome-chatgpt-prompts 파생) |
| 스타 | 61,387 |
좋았던 지점, 그리고 걸리는 지점
먼저 좋은 쪽.
- 진입 장벽이 사실상 0. pip install도, 환경변수도 없습니다. 텍스트를 복사해서 붙여넣으면 끝.
- 역할 프롬프트의 구조가 일관적. "당신은 X입니다 → 이렇게 행동하세요 → 이런 건 하지 마세요 → 첫 요청은 Y입니다" 패턴이 반복돼서, 새 프롬프트를 직접 쓸 때 템플릿으로 쓰기 좋습니다.
- 비개발자에게 넘기기 편함. 마케팅팀이나 기획팀에 "여기서 골라 쓰세요"라고 링크 하나 던지면 됩니다.
이제 걸리는 쪽. 여기가 진짜입니다.
문제는 README 상단에 붙은 광고입니다. 최상단에 "国内中文版" 링크와 "GPT5.5 기반 智造喵" 배너가 박혀 있어요. 상업 서비스 유입 링크입니다. GPT-5.5라는 표기 자체도 (OpenAI가 그런 모델명을 내놓은 적이 없는데) 좀 갸웃하게 만들죠. 오픈소스 문서 최상단이 자사 서비스 배너로 시작하는 건 개인적으로 별로였습니다.
그리고 이 레포는 최신 모델 대응에 약합니다. 여기 실린 프롬프트 상당수는 GPT-3.5 시절 "탈옥"과 "역할 고정"을 전제로 설계됐어요. GPT-4o나 Claude 3.5 이후 모델은 짧은 지시로도 역할을 잘 잡습니다. 오히려 장황한 역할 프롬프트가 토큰만 잡아먹고 응답 품질을 떨어뜨리는 경우가 있죠. 특히 "절대 ~하지 마"류의 부정 지시가 여러 개 겹치면 최신 모델은 이를 과도하게 해석해서 답변이 소극적으로 변합니다.
비교하자면, 저는 아직 Anthropic Cookbook이나 OpenAI의 Prompt Examples 쪽이 더 편합니다. 이유는 단순해요. 그쪽은 프롬프트와 함께 왜 이렇게 짰는지, 어떤 실패 케이스가 있는지를 같이 적어줍니다. 이 레포는 결과물만 던져주고 설계 근거가 없어요. 그래서 응용이 어렵습니다.
프롬프트 사전은 낚시하는 법이 아니라 물고기를 주는 도구입니다. 물고기가 필요할 땐 최고지만, 매번 새로운 물고기가 필요한 실무에선 한계가 명확하죠.
그래서 누가 쓰면 좋냐
추천하는 경우:
- LLM을 막 쓰기 시작했고, "뭐라고 물어봐야 할지" 감이 안 잡히는 사람. 여기서 20개만 따라 쳐봐도 패턴이 잡힙니다.
- 중국어 콘텐츠를 다루는 팀. 중국어 프롬프트가 이 정도로 정리된 곳은 흔치 않습니다.
- 사내 프롬프트 라이브러리 초기 시드가 필요한 경우. 위 파이썬 코드로 뽑아서 시작점으로 쓰기 좋아요.
- 비개발 직군에게 AI 활용법을 교육해야 하는 리드급.
비추천하는 경우는 하나로 요약됩니다. 이미 프롬프트를 직접 설계하고 A/B 테스트하는 단계라면, 여기서 얻을 게 거의 없어요. 오히려 자기 도메인 데이터로 쌓은 프롬프트 히스토리가 훨씬 값집니다.
궁금한 게 하나 있는데요. 여러분은 팀 프롬프트를 어디에 관리하시나요? Notion, Git 레포, 아니면 LangSmith 같은 전용 툴? 저는 아직 Git 레포 + JSON 조합에서 못 벗어났는데, 버전 관리가 슬슬 한계에 부딪히는 느낌이라 다른 방식이 궁금합니다.
★★★☆☆ 입문자에겐 최고의 첫 삽, 숙련자에겐 스크롤 한 번으로 끝나는 레포.
💡 Dev Note: 실무 적용 포인트
이 레포의 역할 프롬프트를 그대로 API에 넣으면 토큰이 생각보다 나갑니다. 긴 것은 400~600 토큰대인데, 이걸 매 요청 system 메시지에 넣으면 GPT-4o 기준 1만 회 호출 시 입력 토큰만 500만 개가 넘어가죠. 실무에선 핵심 지시 3~4줄만 남기고 압축한 뒤, Anthropic이나 OpenAI의 프롬프트 캐싱을 붙이는 게 비용 면에서 훨씬 낫습니다. 응용 아이디어로는, 추출한 prompt_lib.json을 임베딩해서 "지금 하려는 작업"과 코사인 유사도로 매칭하는 라우터를 만드는 방식을 추천합니다. 사용자가 자연어로 요청하면 적합한 역할 프롬프트를 자동 선택해 붙이는 구조인데, 프롬프트 개수가 100개를 넘어가면 수동 선택보다 확실히 효율적입니다.