노코드 워크플로우 라벨링을 위한 생성형 AI 프롬프트 구조화 및 설계

Abstract

본 연구는 생성형 AI를 활용하여 노코드 워크플로우의 라벨링을 효과 적으로 수행할 수 있는 프롬프트 설계 전략을 제안하고, 이를 평가할 수 있는 기준을 설계하였다. 노코드 플랫폼의 확산으로 워크플로우의 구조가 복잡해지면서, 구성 요소의 의미를 명확히 이해하고 관리하는 데 있어 효 율적인 라벨링 방법의 필요성이 커지고 있다. 이를 해결하기 위해 반복적 으로 사용되는 워크플로우 패턴을 식별하고, 생성형 AI가 이를 이해할 수 있도록 구조화된 프롬프트를 설계하였다. 연구에서는 워크플로우 내 패턴을 탐색하고 정제하여 라벨을 부여하는 일련의 프롬프트 체인을 구성하였으며, 워크플로우의 복잡도에 따라 기 본, 역할 기반, 단계별, 예시 기반, 제약 조건 기반, 복합 등 여섯 가지 프 롬프트 전략을 제안하였다. 각 전략의 효과를 평가하기 위해 정확성, 기 능 일치성, 일관성, 재사용성, 크로스 모델 일관성 등의 평가 지표를 설정 하였다. 실험은 다양한 도메인과 복잡도를 반영한 10개의 워크플로우 샘플을 대 상으로 수행되었으며, GPT-4.5 및 Claude 3.7 모델을 활용하여 생성된 결 과를 전문가 평가와 비교하였다. 총 43개의 재사용 가능한 패턴이 추출되 었고, 복합 전략이 평균 68.44%의 가장 높은 성능을 보였다. 또한 노드 수에 따라 전략별 성능 차이가 존재하며, 단순한 패턴에는 기본 및 예시 기반 전략이, 복잡한 패턴에는 복합 전략이 적합함을 확인하였다. 본 연구는 생성형 AI 기반의 워크플로우 라벨링에 관한 이론적 기반과 실용적 전략을 제시하며, 노코드 개발 환경에서 워크플로우의 이해도와 관리 효율성을 높이는 데 기여할 수 있을 것으로 기대된다.|This study proposes a prompt design strategy for effectively labeling No-Code workflows using generative AI and establishes a system for quantitative evaluation. As No-Code platforms become more widespread, the structure of workflows grows increasingly complex, heightening the need for efficient labeling methods to clearly understand and manage the meaning of each component. To address this challenge, frequently recurring workflow patterns were identified, and structured prompts were designed to facilitate their interpretation by generative AI. The study constructs a series of prompt chains that explore, refine, and assign labels to workflow patterns, and proposes six prompt strategies tailored to varying levels of workflow complexity: basic, role-based, step-by-step, example-based, constraint-based, and hybrid. To assess the effectiveness of each strategy, evaluation metrics such as accuracy, functional consistency, coherence, reusability, and cross-model consistency were defined. Experiments were conducted on 10 workflow samples spanning diverse domains and complexity levels. The results generated using GPT-4.5 and Claude 3.7 models were compared against expert evaluations. A total of 43 reusable patterns were identified, with the hybrid strategy demonstrating the highest average performance at 68.44%. Additionally, performance variations were observed based on the number of nodes: basic and example-based strategies were more effective for simple patterns, while the hybrid strategy was better suited for complex ones. This research presents both theoretical foundations and practical strategies for workflow labeling using generative AI, and is expected to enhance workflow understanding and management efficiency within No-Code development environments.