LLM으로 복잡한 주제 배우기: 지식 정리 후 시뮬레이션 게임으로 만들기
How I use LLMs to learn complex topics
TL;DR Highlight
LLM에게 지식 정리·검수·시뮬레이션 제작을 시켜 칩 제조 공정을 익혔다
Who Should Read
LLM이 쓴 글머리표 설명만으로는 새 분야가 머리에 안 남아 학습 방식을 바꿔 보려는 개발자
Core Mechanics
- 설명 대신 시뮬레이션을 만들게 한다
- 저자는 LLM의 설명 스타일이 단순하고 따라가기 어렵다고 느꼈다.
- 그래서 주제를 게임처럼 따라가며 개념을 사물에 연결하는 방식을 시도했다.
- 4단계 흐름으로 진행한다
- plan mode(Claude Code나 OpenCode)에서 주제의 기초 지식을 만들게 한다.
- 그 지식의 정확성을 검토시킨 뒤 Rollercoaster Tycoon 스타일의 low-poly 애니메이션 시뮬레이션을 만들게 한다.
- 마지막으로 새 repo에 올리고 GitHub Pages를 켠다.
- UX 요구사항도 같이 넣는다
- 큰 화면과 작은 화면 모두에서 보여야 한다고 요구한다.
- 흐름을 언제든 멈출 수 있는 컨트롤도 요구한다.
- 결과물이 ChipTycoon이다
- 모래를 모으는 순간부터 칩이 완성돼 데이터센터로 배송되는 순간까지 카트를 따라간다.
- low-poly라 디테일은 빠지지만 공정마다 제품이 바뀌는 모습은 보여 준다.
- 더 개선하는 방법도 제시한다
- 사진을 3D 객체로 바꾸는 저자의 skill로 더 현실적인 모습을 입힐 수 있다.
Community Reactions
- 정확성 보장이 안 된다는 반박 다수
- 검증이 AI가 자기 결과를 다시 보는 것뿐이라 100% 정확하다는 보장이 없다는 의견이 여러 개 있었다.
- 처음 배우는 사람은 환각을 판별할 수 없어 그렇게 말할 수 없다는 의견도 있었다.
- 소크라테스식 대화가 효과적이었다는 경험
- Claude를 전문가, 본인을 학생으로 두고 음성 모드로 걸으며 대화했다는 경험이 있었다.
- 한 문장짜리 질문만 하게 하고, 직접 유도한 풀이에 yes/no로만 답하게 했다고 한다.
- 수학이 나오면 Brilliant.org 스타일 인터랙티브 데모를 만들게 했다고 한다.
- 구조화된 학습 루프를 쓴 경험
- 신뢰할 만한 교재와 논문을 올리고 학습 목표를 정한 뒤 학습 경로를 만들게 했다는 경험이 있었다.
- 진입 테스트를 먼저 보고, 작은 이론·작은 실습·작은 테스트를 반복하며 오답을 기록해 다음 테스트에 반영했다고 한다.
- 이해 없는 암기일 뿐이라는 비판
- 제약 조건, X 대신 Y를 쓰는 이유, 확장 방식 같은 사고 모델을 못 얻는다는 의견이 있었다.
- ChipTycoon은 시뮬레이션이 아니고 애니메이션이 더하는 것이 없으며 텍스트 품질도 낮다는 의견도 있었다.
- 700쪽 책으로 퀴즈를 낸 경험
- 700쪽 책을 올리고 ChatGPT에 내용을 퀴즈로 냈더니 6번의 퀴즈에서 60~90% 정답이었다는 경험이 있었다.
How to Apply
- 오늘 배울 주제로 지식 베이스부터 만들기
- 새로 익힐 기술 하나를 골라 plan mode에서 기초 지식 문서를 만들게 한다.
- 이어서 같은 모델에게 그 문서의 오류를 검토시키되, 핵심 사실은 공식 문서로 직접 대조한다.
- 시뮬레이션 요구사항에 UX 조건 명시하기
- 프롬프트에 큰 화면과 작은 화면 지원, 일시정지 컨트롤을 적는다.
- 결과물을 GitHub Pages에 올려 링크로 팀과 공유한다.
- 시뮬레이션에 퀴즈 단계 추가하기
- 각 단계가 끝나면 이전 단계에 대한 질문이 나오게 요청한다.
- 틀린 답은 기록해 두고 다음 학습 세션에 다시 넣는다.
Try It
# Claude Code(plan mode) 또는 OpenCode에 붙여넣기 — 원문 흐름을 프롬프트로 옮긴 것
주제: {{배울 주제}}
1단계: 이 주제의 기초 지식을 단계별로 정리해 줘.
2단계: 위 내용에서 틀렸거나 불확실한 부분을 스스로 검토해서 표시해 줘.
3단계: 이 주제를 low-poly, Rollercoaster Tycoon 스타일의 웹 시뮬레이션으로 만들어 줘. 큰 화면과 작은 화면에서 모두 보여야 하고, 흐름을 멈출 수 있는 컨트롤이 있어야 해.
4단계: 각 단계가 끝나면 이전 단계에 대한 퀴즈를 내는 기능을 추가해 줘.
이어서 해 볼 것: 결과물을 새 repo에 올리고 GitHub Pages를 켠 뒤, 2단계에서 표시된 불확실한 사실을 공식 문서로 직접 확인해 봐.Terminology
관련 논문
AI는 도구다, 잘 쓰려면 기술이 필요하다
Hickey의 'AI는 도구가 아니다'에 맞서, LLM도 쓰는 사람의 기술이 결과를 가른다고 반박
딥리서치 에이전트의 Reflective Prompt Optimization: 토픽 분리·멀티 시드로 본 진짜 성능 향상과 프롬프트 과적합
GEPA로 프롬프트를 최적화했더니 held-out 인용 보상 0.702→0.781
GPT-6와 Intelligent UI: 채팅 안에서 시각·인터랙티브 응답 만들기
OpenAI가 GPT-6로 채팅 응답에 UI를 넣는다는데 원문이 없어 댓글 반응만 확인된다
Base 모델도 첫 토큰 단서(cue) 하나로 추론한다: 학습 데이터가 만든 연상
응답 첫 두 토큰만 고정했더니 Olmo-3-7B의 MATH-500 정답률이 42%에서 78%로 올랐다
Jev식 Typed Decision Model에서는 정의보다 라벨이 이긴다
옵션 이름을 A, B로 바꿨더니 정확도가 +0.1511 올랐다
프롬프트는 얼마나 필요한가? Few-shot 예시를 블랙박스로 최소화하는 DD-FSM
Delta debugging으로 few-shot 예시를 평균 65.3% 줄여도 출력은 그대로
언어모델은 "불안정한(Insecure)" 보고자다: 결함을 숨기는 LLM 리포트
"Be honest" 한 줄을 붙였더니 GPT-5.5의 부정 결과 공개가 2/200에서 190/200으로 늘었다