Custom GPT

무엇인가

Custom GPT는 ChatGPT를 한 번 더 꾸며 만든 "맞춤형 챗봇"이다. 누구나 자기 분야에 맞는 작은 도우미를 미리 설정해 두고, 매번 똑같은 지시를 반복하지 않게 만들 수 있다.

예를 들어 "우리 회사 디자인 가이드를 외운 카피라이터", "고등학교 수학을 끈기 있게 풀어 주는 튜터", "내 글투를 흉내 내는 블로그 보조" 같은 봇을 몇 분 만에 만들 수 있다.

어떤 부품으로 만드나

Custom GPT는 네 가지 부품을 묶어 정의한다.

• 이름과 설명: 봇의 정체성
• 지시문(instructions): "너는 항상 이런 식으로 답해" 같은 규칙
• 지식 파일: PDF·문서를 올려 두면 봇이 참고한다
• 도구: 웹 검색, 코드 실행, 이미지 생성 같은 능력 켜고 끄기

[[prompt-engineering]] 을 잘 아는 사람이 만들수록 봇이 더 똑똑해진다.

어떻게 만드나

ChatGPT 사이드바의 "GPT 탐색 → 만들기" 로 들어가면, 대화하듯 봇을 만드는 "Create" 모드와 항목을 직접 채우는 "Configure" 모드가 있다. 처음에는 대화 모드가 편하지만, 결과를 안정적으로 다듬으려면 Configure 탭에서 직접 손보는 편이 좋다.

만든 봇은 나만 쓸 수도 있고, 링크로 공유하거나 GPT Store에 공개해 다른 사람도 쓰게 할 수 있다.

모델이 무엇인지가 결과를 결정한다

같은 지시문을 줘도 Custom GPT가 어떤 모델을 쓰느냐에 따라 결과 품질이 크게 달라진다. 특히 [[chatgpt-images-2]] 같은 새 멀티모달 모델이 나왔을 때, 예전에 만든 Custom GPT가 자동으로 업그레이드되지는 않는다. 오래된 봇이 갑자기 어색한 그림을 그리고 있다면 모델 설정을 다시 확인해 보자.

어디에 쓰나

• 회사 내부 문서 Q&A 봇
• 특정 게임 룰북을 외운 가이드
• 글쓰기 스타일을 학습한 작가 보조
• 일정한 양식대로 답해야 하는 작성 봇

Custom GPT는 "한 번 잘 설정해 두고 계속 우려먹는" 도우미다. ChatGPT를 자주 쓸수록 자기만의 봇 몇 개를 만들어 두는 편이 시간 절약에 도움이 된다.

구성 요소

Custom GPT는 ChatGPT 위에 얹는 얇은 오케스트레이션 레이어다. 다음 다섯 항목을 묶어 정의한다.

1. Instructions — 시스템 프롬프트. 매 turn마다 prepend된다.
2. Knowledge files — 업로드한 PDF/문서. 내부적으로 vector DB에 인덱싱되어 RAG 방식으로 검색된다.
3. Actions — OpenAPI 3.0 스펙으로 외부 API를 function calling 형태로 노출.
4. Capabilities — Web browsing, Code Interpreter, Image generation 같은 빌트인 토글.
5. Underlying model — base ChatGPT 모델 선택.

만드는 흐름

ChatGPT → Explore GPTs → Create. "Create" 탭은 대화형, "Configure" 탭은 항목별 직접 편집이다. 운영 단계에서는 Configure를 단일 진실 소스로 두는 편이 변경 추적에 유리하다. 변경할 때마다 instructions를 외부 git 저장소에 함께 백업해 두면 롤백이 쉽다.

운영 팁

• Knowledge file은 너무 크게 만들지 마라. RAG retrieval 정확도가 떨어진다. 토픽별로 50–200KB 단위로 쪼개고, 파일명에 검색 키워드를 넣어 두면 적중률이 올라간다.
• Actions는 인증 명세까지 OpenAPI에 정확히. API key, OAuth 2.0 둘 다 지원. base URL 누락이 가장 흔한 실수이며, 인자 검증과 rate limit은 백엔드 책임이다.
• 모델 선택을 주기적으로 검토하라. [[chatgpt-images-2]] 출시 후에도 구 모델 그대로 두면, 같은 봇이 갑자기 어색한 그림을 그린다. 멀티모달 출력을 쓰는 봇은 모델 변경이 가장 큰 품질 레버다.
• Knowledge cutoff 는 base model을 따라간다. 최신성이 필요하면 actions로 외부 검색 API를 붙이거나 web browsing capability를 켜야 한다. [[knowledge-cutoff]] 한계를 instructions에 명시해 두면 환각이 줄어든다.
• Instructions 길이는 토큰 예산을 의식하라. 너무 긴 instructions는 컨텍스트를 잡아먹어 긴 대화에서 답 품질을 떨어뜨린다. 8KB 이내를 권장.

배포와 공유

• Private — 본인만
• Link only — URL을 아는 사람만
• GPT Store — Builder profile 인증 후 공개. 일부 지역에서는 사용량 기반 수익 분배 대상.

GPT Store 등록 시 instructions가 사용자에게 추출될 수 있다고 가정하라. 영업 비밀이나 API 키를 instructions에 박아 두지 말고, 민감한 로직은 actions 뒤로 옮겨 서버에서 처리한다.

정의와 시스템 구조

Custom GPT는 OpenAI가 2023년 11월 DevDay에서 발표한 ChatGPT 사용자 정의 어시스턴트 프레임워크다. 단일 base model 위에 instructions, retrieved knowledge, callable actions, capability flags를 prepend/inject하는 thin orchestration layer로 모델링할 수 있다.

각 turn에서 모델이 보는 컨텍스트는 대략 다음 구조다.

[system: instructions + capability hints]
[retrieved chunks from knowledge files]
[conversation history]
[user message]
[available tools: actions + builtin capabilities]

모델 선택의 비대칭성

Custom GPT의 출력 품질은 base model의 능력에 결정적으로 의존한다. 특히 멀티모달 출력에서 비대칭이 크다. [[chatgpt-images-2]] 같은 새 이미지 모델이 출시되어도, 이미 만들어진 Custom GPT가 자동으로 마이그레이션되지는 않는다. 동일한 instructions·knowledge라도 사용자가 모델 설정을 갱신하지 않으면 구식 [[diffusion-model]] 출력이 그대로 유지된다.

이는 prompt 자체보다 model이 capability frontier를 결정한다는 점을 시사하며, instructions tuning만으로는 보상되지 않는 격차다. [[reasoning-model]] 도입 이후 단순 chat 모델 대비 도구 사용·복잡 추론 품질 차이도 같은 결을 보인다.

RAG 컴포넌트

Knowledge files는 OpenAI가 호스팅하는 vector store에 chunking 후 임베딩되어 저장된다. retrieval은 query embedding과의 similarity 기반이며, chunk size·top-k 같은 파라미터는 사용자에게 노출되지 않는다. 결과적으로 retrieval recall이 사용자 통제 밖에 있고, knowledge file 크기가 커질수록 정확도가 비선형적으로 떨어지는 현상이 보고된다.

Action 설계

Actions는 OpenAPI 3.0 명세를 function calling tool로 변환한다. 모델이 도구를 호출할지 결정하는 단계는 base model의 tool-use 능력에 의존하므로, 동일한 OpenAPI 스펙이라도 모델별로 호출 정확도가 달라진다. 인자 검증, 멱등성, rate limit은 백엔드 책임이며, ChatGPT는 partial failure에 대해 모델이 자체적으로 retry/recover하는 패턴을 자주 만든다.

한계와 위험

• Instruction leakage: instructions가 reverse-prompt를 통해 추출되는 사례가 광범위하게 보고되었다. 영업비밀이나 secret을 instructions에 두는 것은 안전하지 않다.
• Prompt injection via knowledge: knowledge file 내 악의적 텍스트가 system instructions를 override할 수 있다. RAG 결과는 untrusted data로 다뤄야 한다.
• Capability drift: base model이 silently 갱신되면 동일 봇의 출력 분포가 달라진다. 재현성이 필요한 평가에서는 API 기반 [[gpt-image-2]] 같은 명시적 버전 호출이 더 안전하다.
• Knowledge cutoff: base model의 [[knowledge-cutoff]] 를 그대로 상속한다. 최신성이 중요한 도메인에서는 actions나 browsing capability로 보강해야 한다.

연구 관점에서의 위치

Custom GPT는 새로운 모델링 기법이라기보다 RAG + tool-use + system prompt를 일반 사용자에게 노출한 product surface다. 연구적으로는 (a) instructions 압축·검증, (b) RAG retrieval 품질 측정, (c) instruction leakage 방어, (d) 다중 base model 간 동일 spec 이식성 같은 주제와 맞닿는다. [[prompt-engineering]] 의 실증 연구가 가장 자주 적용되는 layer 중 하나다.

이 용어를 언급한 기사

• ChatGPT Images 2.0 — '생각하는' 이미지 모델이 도착했다