2.1 LLM의 구조설계 분야 적용

LLM을 활용한 업무 자동화 연구는 다양한 산업에서 확산되고 있으며, 구조공학 분야에서도 실제 적용 사례가 보고되고 있다. 예를 들어, ^{Liang et al.(2025)}은 GPT-4o 기반 LLM을 OpenSeesPy와 연동하여 하중 시나리오 생성, FEM 해석, 결과 시각화까지 통합한 자동 파이프라인을 제안하였다. 이 시스템은 20개 벤치마크 문제에서 100%의 정확도를 기록하며 기존 기법을 크게 능가하였다고 보고되었으나, 검토가 필요하다. ^{Qin et al.(2024)}는 LLM을 제어 코어로, 진화 알고리즘을 탐색기로 활용한 “Shear-Wall IDO” 시스템을 개발하여 실제 프로젝트에서 설계 사이클을 약 30배 단축하였다. ^{Madireddy et al.(2025)}은 Revit API와 Claude⋅GPT-4o를 결합해 KBC/IBC 조항 매핑 및 위반 보고를 자동화하여 높은 적합성을 확보하고 검토 시간을 현저히 줄였다. ^{Lee et al.(2024)}는 음성⋅자연어 명령만으로 BIM 요소를 작성⋅수정하는 Generalized LLM Augmented BIM Framework를 제시하여 GUI 방식보다 빠른 모델 작성 속도를 확인하였다. 이러한 선행 연구들은 설계 단계가 건설 프로젝트 비용에서 상당 비중을 차지한다는 점을 감안할 때, LLM 도입이 업무 효율을 크게 높일 수 있음을 시사한다. 실제 대형 건축물의 구조도면은 수백에서 수천 장에 이르며, 현재까지 상당 부분이 CAD 환경에서 인력에 의존해 작성된다. 따라서, 반복적이고 정형화된 도면 작업에 LLM을 적용하면 설계 기간 단축과 공사비 절감을 동시에 기대할 수 있다.

본 연구는 이러한 가능성을 토대로 LLM 기반 구조설계 자동화에 도전한다. 최신 LLM은 다양한 벤치마크에서 우수한 생성 능력을 입증했지만, 구조도면 자동화에는 공간 추론과 규정 준수가 필수이므로 도메인 특화 프롬프트가 필요하다. 따라서 본 연구는 LLM을 구조도면 작성에 적용하고자 하며, 다음 절에서 관련 프롬프트 설계 및 선행연구를 검토한다.

2.2 프롬프트 엔지니어링 및 도면 자동화 배경

프롬프트 엔지니어링은 대규모 언어 모델(LLM)의 출력을 목표 지향적으로 제어하기 위해 입력 구문을 체계화하는 기법이며, 최근 복합 추론 과제 전반에서 핵심 연구 주제로 부상하고 있다. 대표적으로 Chain-of-Thought(CoT) 기법은 LLM이 단계별 사고 과정을 서술하도록 유도해 수학⋅논리 문제에서 성능 향상을 달성하였고^{(Wei et al., 2022)}, Tree- of-Thought(ToT)는 탐색적 분기 구조를 도입하여 다양한 추론 경로를 평가⋅선택함으로써 모델 사고의 깊이와 폭을 확장하였다^{(Yao et al., 2023)} . 그러나 이러한 일반-목적 기법들은 텍스트 기반 판단에는 효과적이지만, 좌표⋅치수와 같은 정량 제약을 동반하는 도면 생성 과제에는 한계를 드러낸다. 최근 ReAct 프레임워크가 사고(trace)-행동(action) 루프를 결합해 외부 도구 호출까지 지원했으나, 벡터 좌표의 오차 누적과 객체 환각 현상을 근본적으로 제거하지 못한다^{(Yang et al., 2023)}.

이 같은 한계는 LLM 공간⋅기하 추론 벤치마크에서도 확인된다. LEGO-Puzzles 실험에서 20종 멀티모달 LLM의 다단계 공간 추론 정확도는 최대 50%에 그쳤으며^{(Tang et al., 2025)}, Geometric Reasoning Gap 연구 역시 단순 기하 작도 문제에서 객체 위치 오류와 치수 환각을 빈번히 보고하였다 ^{(Mouselinos et al., 2024)} . 따라서 구조도면처럼 공간 제약과 규정 준수가 핵심인 작업에는, 기존 CoT⋅ToT만으로 충분치 않다는 결론이 도출된다.

한편, 도면 자동화 연구는 크게 도형 인식과 도형 생성으로 분기돼 발전해 왔다. 인식 측면에서는 도면을 2D 도면 정보로부터 3D BIM 객체로 변환하거나 배근표를 자동 추출하는 기법이 시도되었으나^{(Kim and Chin, 2019)}, 전체 구조도면을 생성하는 단계에는 이르지 못했다. 예를 들어, 초기 스케치 BIM 모델을 설계 BIM 단계로 발전시키는 Sketch2BIM 접근법도 제안되었으나^{(Qiu et al., 2021)}, 여전히 전체 구조도면 자동 생성에는 제약이 있었다. 생성 측면에서 주목할 흐름은 LLM에게 도형 자체를 출력하게 하는 전략이다. SVG Builder는 컴포넌트 기반 토크나이저로 아이콘⋅폰트 도메인에서 1 px 이하 위치 오차를 보고하였고^{(Chen et al., 2024)}, Omni SVG는 텍스트⋅이미지 양 입력을 받아 64 k tokens 규모까지 벡터 그래픽을 생성하였다^{(Guo et al., 2025)} . 이를 평가하기 위해 제안된 VGBench는 SVG⋅TikZ⋅Graphviz 2,100문항을 포함해 LLM의 도형 이해⋅생성을 정밀 측정하며, 초기 결과는 대부분 LLM 모델들이 좌표 정확도와 위상 보존 측면에서 큰 편차를 보임을 시사한다^{(Zou et al., 2024)}. 한편, LLM을 활용하지 않는 코드 기반 CAD 자동화(일명 CodeCAD) 접근들도 병행 발전해 왔는데, 이는스크립트나 API를 통해 도면을 절차적으로 생성함으로써 프롬프트 없이도 설계 자동화를 구현하는 방법이다. 도면을 실무 CAD 환경으로 직접 전환하려면 LLM 출력 형식이 벡터⋅좌표 기반이어야 한다. Scalable Vector Graphics(SVG)는 XML 기반 텍스트 포맷으로 좌표⋅곡선⋅레이어 정보를 기술하며, DXF/DWG 역시 ASCII/바이너리 형태로 동일 정보를 저장한다. DXF는 AutoCAD의 바이너리 도면 형식(DWG)을 ASCII로 표현한 교환 형식으로, 두 형식 모두 점⋅선⋅호 정보를 절대 좌표로 저장한다. ^{Fahiem and Farhan(2007)}은 SVG의 path 요소를 DXF의 polyline과 arc 요소로 변환하는 알고리즘을 제시하여 SVG와 DXF 간에 정보 손실 없는 양방향 변환이 가능함을 보였다. 이는 본 연구에서 LLM의 출력 포맷으로 SVG를 선택하고 추후 CAD 도면(DXF)으로 변환하는 접근의 기술적 근거가 된다.

이는 LLM이 SVG를 직접 출력하도록 설계할 경우, 추가 후처리 없이 CAD 도면으로 활용할 수 있음을 의미한다.

연구 갭은 명확하다. (1) CoT⋅ToT류 일반 프롬프트로는 구조도면 수준의 정밀 좌표와 규정 준수를 담보하기 어렵고, (2) SVG 생성 연구는 구조설계-특화 규정(KBC 등)을 포함하지 못하며, (3) 2-D 인식 기반 BIM 연구는 생성 단계까지 연결되지 않았다. 본 연구는 이 세 축을 통합한 구조화 프롬프트(S-Prompt)를 제안하여, “KBC 규정 내장 + 좌표 정확도 보장 + SVG→DXF 무손실 변환”이 동시에 가능한 구조도면 자동화 파이프라인을 구축한다. 이를 통해 LLM의 잠재력을 구조설계 실무에 실질적으로 이식하고자 한다.

3.1 S-Prompt 기반 구조도면 생성 파이프라인

본 연구에서는 구조화 프롬프트(S-Prompt)를 이용하여 LLM이 구조도면 중 구조 부재 일람표 도면을 생성하는 파이프라인을 구축하였다. Fig. 1은 제안하는 전체 파이프라인을 나타낸 것으로, 프롬프트 설계 → LLM 생성 → CAD 변환의 3단계로 구성된다. 먼저 구조 부재의 형태, 치수, 재료, 철근 상세 등에 관한 텍스트 입력 프롬프트를 작성한다. 이 프롬프트에는 부재 종류별로 자주 변경되는 파라미터(예: 보의 길이, 폭, 철근 직경, 피복 두께 등)를 슬롯 형태로 포함시키고, 각종 설계 조건과 코드 규정(KBC)을 서술형으로 기술한다. 이렇게 구성된 S-Prompt를 LLM에 입력하면, LLM은 해당 부재의 구조도면을 표현하는 SVG 코드를 출력한다. 마지막으로 생성된 SVG를 DXF 등 CAD 형식으로 변환하여 실제 설계 도면으로 활용한다. SVG를 중간 산출물로 선택한 것은 앞서 언급한 바와 같이 CAD 도면과의 상호 운용성 때문이다. DXF 등 CAD 파일 형식은 모든 도형 정보를 절대 좌표로 기술하며, 이는 SVG의 좌표 기반 지시와 1:1 대응된다. 즉 LLM이 곧바로 SVG 코드 형태로 도면을 생성하면, 추가 후처리 없이 CAD 도면으로 변환하여 사용할 수 있다. ^{Quint et al.(2003)}는 SVG를 웹 표준의 하나로 정의하였고, ^{Chen et al.(2024)}도 SVG의 해상도 독립적 특성을 실험적으로 확인하였다. 또한 ^{Fahiem and Farhan(2007)}은 SVG의 path 요소를 DXF의 polyline 또는 arc 요소로 변환하는 알고리즘을 제시하며 두 포맷 간 양방향 변환이 정확히 가능함을 보였다. 이러한 기술적 기반은 LLM 출력 결과를 SVG로 내보낸 후 CAD 환경에서 즉시 활용하는 본 연구의 접근을 뒷받침한다.

본 연구에서는 OpenAI GPT-4o(컨텍스트 창 ≈ 128 k tokens)와 Anthropic Claude 3.7 Sonnet(≈ 200 k tokens)을 비교 모델로 선정하였다^{(OpenAI, 2024; Anthropic, 2024)}. Fig. 2와 같이 두 모델 모 프롬프트에 구조설계 정보를 단계적으로 포함하기에 적합하며, 특히 Claude 3.7 Sonnet은 Agentic Coding⋅수학 추론 벤치마크에서 최고 성능을 기록해 코드 기반 도형 생성 작업에 강점을 보인다. GPT-4o는 광범위한 학습 데이터로부터 얻은 전문 지식⋅일반 추론 능력을 강점으로 하므로, 두 모델의 상호 보완성을 검증하기 위해 모두 실험에 포함하였다. 프롬프트 설계 초기 단계에서는, 두 LLM이 단순한 지시어만으로 구조도면을 제대로 생성할 수 있는지 확인하기 위해 파일럿 실험을 수행하였다. 예시로 캔틸레버 보 부재의 단면 구조도면 생성을 프롬프트로 지시하고, LLM 출력 결과를 사전에 준비한 정답 도면(CAD 소프트웨어로 작성한 도면, Fig. 3)과 비교하였다. 이 초기 실험에서 LLM 출력 도면에는 치수 오류, 객체 누락, 비현실적인 배치 등이 다수 나타나 LLM의 환각 현상이 확인되었다. 즉, 모델이 부재 간 정확한 공간적 추론에는 한계를 보였으며, 이는 곧바로 구조 설계도면을 생성하는 데 어려움이 있음을 시사한다. 이러한 한계점을 보완하기 위해, 본 연구는 프롬프트 내용을 단계적으로 구조화하고 모델 출력의 오류 패턴을 교정하는 방향으로 S-Prompt를 개선해 나갔다. 구체적인 S-Prompt 설계 전략 및 성능 개선 효과는 아래 실험 결과에서 상세히 다룬다.

Fig. 1 End‑to‑end pipeline for automatic structural‑drawing generation using the proposed S‑Prompt methodology: prompt construction, LLM drawing synthesis, and CAD file conversion

Fig. 2 Task-wise accuracy (%) for Claude 3.7 Sonnet vs GPT-4o on coding, math, reasoning, and multimodal benchmarks (≈3 000 tests each), recompiled from public reports (Anthropic, Vellum AI, LMSYS; 2025)

Fig. 3 Ground‑truth CAD cross‑section of a reinforced‑concrete cantilever beam used as the reference for quantitative evaluation

3.2 프롬프트 구조 및 제약조건 설계

S-Prompt의 궁극적인 목표는 하나의 프롬프트만으로 다양한 구조 부재 도면을 자동 생성할 수 있도록 하는 것이다. 이를 위해 본 연구에서는 부재의 속성 정보와 설계 조건을 프롬프트 내에 계층적인 슬롯 형태로 구성하였다. 예를 들어 부재의 단면 치수, 배근 방식, 철근 개수, 피복 두께 등 자주 변경되는 변수들을 식별하여 별도의 파라미터 입력부로 만들고, 사용자가 프롬프트 텍스트를 수정하여 다양한 조건을 적용할 수 있도록 하였다.

초기 버전의 프롬프트에서는 이와 같은 가변 파라미터 슬롯들을 프롬프트 하단에 배치하였다. 그러나 이렇게 설계한 경우, LLM이 프롬프트 앞부분의 맥락에 치중하는 경향 때문에 부재 조건이나 철근 세부사항이 일부 누락되는 문제가 발생하였다. 이는 대규모 언어 모델이 프롬프트를 순차적으로 해석하면서 앞부분 정보에 더 높은 가중치를 두는 처리 방식과 관련된다. 실제로 ^{Kwon et al.(2025)} 의 연구에서도 주요 지시어를 프롬프트 상단에 배치할 경우 모델 정확도가 상승한다는 결과가 보고된 바 있다. 이러한 선행 지식을 참고하여, 본 연구에서도 프롬프트 구조를 조정하였다. 파라미터 입력부를 프롬프트 최상단으로 재배치한 이후, 동일한 파라미터에 대한 LLM의 해석 정확도가 향상되었고 도면에서 좌표 오류나 부재 누락과 같은 문제가 현저히 감소하였다. 즉, 중요 변수를 프롬프트 앞부분에 배치하는 단순한 조치만으로도 구조도면 생성 정확도를 높일 수 있음을 확인하였다.

다음으로, 도면상의 영역 구분을 자연어 대신 정량적 수치로 제시하는 전략을 도입하였다. 초기 프롬프트는 “맨 위”, “왼쪽 아래”, “우측 아래” 등 위치를 나타내는 단어로 부재 배치를 지시하였다. 그러나 이러한 애매모호한 공간 표현 때문에 LLM이 도면 요소 간 경계를 일관되게 해석하지 못하여 부재 간 침범 또는 겹침 오류가 빈번하게 발생했다. Claude 3.7 Sonnet과 GPT-4o 모델 모두 자연어로 표현된 공간 정보를 정확히 좌표계에 대응시키지 못하는 경향을 보였다. 이에 따라 본 연구는 프롬프트를 재설계하면서, 예를 들어 “전체 너비의 0∼25% 영역에 부재 A를 배치”와 같이 절대적 좌표 비율을 활용한 명시적 경계 조건을 프롬프트에 포함시켰다. 그 결과, Fig. 4의 반복 생성 실험에서 부재 간 충돌률이 크게 감소하였다. 이는 LLM이 공간 정보를 막연한 자연어가 아닌 수치적인 벡터 차원으로 해석하도록 유도함으로써, 정확한 평면 배치와 부재 간 간섭 최소화를 동시에 달성할 수 있음을 보여준다. 즉, 기하학적 위치 용어에 수치 기반 조건을 결합하는 프롬프트 설계는 구조도면 생성에서 매우 효과적인 전략임을 확인할 수 있었다.

마지막으로 철근 피복두께 등 수학적 접합 조건의 프롬프트 표현을 개선하였다. S-Prompt 초안에서는 “스터럽과 주근이 맞닿아야 한다”는 식으로 자연어 지시어로만 해당 조건을 기술하였다. 그러나 모델은 ‘맞닿는다’를 단순히 ‘매우 근접함’으로 이해하는 경향을 보여, 출력 도면에서 주근이 스터럽 내면에서 떨어진 위치에 배치되는 오류가 반복되었다. 이를 해결하기 위해 본 연구에서는 주근을 원(circle), 스터럽을 직선(line) 형상으로 모델링하고, 두 요소의 관계를 “원과 직선이 접한다”는 기하학적 접선 조건으로 명시하였다. 필요시 관련 수식도 함께 제시하여 모델이 해당 접촉 조건을 더욱 명확히 인식하도록 프롬프트를 강화하였다. 그 결과, 주근이 스터럽 내면에 정확히 접하는 단면 도면의 생성률이 크게 향상되었다.

Fig. 4는 동일한 S-Prompt를 이용해 자동 생성한 RC보 단면 도면을 Case 1∼3 순서대로 상단에 Claude 3.7 Sonnet, 하단에는 GPT-4o 결과를 나란히 배치한 것이다. Claude 모델은 각 Case에서 입력한 단면 치수(300x400 mm, 300x400 mm, 600x600 mm), 피복 두께(25 mm), 상하부 철근 직경 및 개수를 완전하게 반영하며, 스터럽과 주근이 지정된 접선 조건을 정확히 만족해 부재 간 간섭이나 배치 오차가 발생하지 않는다. 반면 GPT 모델은 Case 1에서 테두리선 누락, Case 2,3 에서는 하부 주근 배치오류로, 입력 파라미터를 일관되게 준수하지 못하는 오류가 반복적으로 나타났다. 따라서 Fig. 4는 파라미터 변동 실험에서도 Claude 3.7 sonnet이 도면을 안정적으로 생성하는 반면 GPT-4o는 오류가 빈번함을 한눈에 비교할 수 있는 증거를 제공한다.

이처럼 기하학적 용어와 수치 기반 조건을 병행하여 제시하는 방식은 LLM이 구조적인 접촉 관계를 정확히 해석하고 구현하는 데 핵심적으로 작용함을 실증하였다.

Fig. 4 Structural drawings automatically generated by Claude 3.7Sonnet (up) and GPT‑4o (down) with the S‑Prompt for a reinforced‑concrete beam

4.1 실험 설정

구조화 프롬프트의 성능을 검증하기 위해 철근콘크리트 보 부재 단면도 생성 시나리오를 가정하여 실험을 설계하였다. 앞서 설계한 S-Prompt를 기반으로, GPT-4o와 Claude 3.7 Sonnet 두 모델이 동일한 조건에서 구조도면을 생성하도록 하였다. 각 모델별로 난수 시드를 변경해가며 200회씩 반복 실험을 수행하여 출력의 재현성과 안정성도 평가하였다. 또한 모든 평가 지표에 대해 95% 신뢰구간을 계산하여 결과의 통계적 유의성을 확인하였다. 이를 통해 모델 출력의 변동성을 정량적으로 검토하고 재현 가능성을 확보하였다. 출력된 도면들은 사전에 준비된 정답 도면과 대조하여 정확도를 분석하였다. 비교 평가 항목으로는 (i) 부재 간 구역 침범 횟수, (ii) 부재 치수 정보 누락 개수, (iii) 철근 배근 누락 개수, (iv) 스터럽 누락 개수, 그리고 (v) 도면 생성 시간(초)을 선정하였다. 두 모델의 출력에 대하여 이러한 다섯 가지 항목을 계수하거나 측정한 후, 모델 간 성능을 정량적으로 비교하였다.

4.2 결과 및 정량 평가

결과를 요약하면 다음과 같다. Claude 3.7 Sonnet 모델은 평균 1.2회의 부재 간 구역 침범, 0.4개의 치수 정보 누락, 0.65개의 철근 배근 누락, 0.5개의 스터럽 누락을 보였고, 평균 44.77초의 생성 시간을 기록하였다. 반면 GPT-4o 모델은 평균 2.2회의 구역 침범, 4.35개의 치수 정보 누락, 4.75개의 철근 배근 누락, 17.0개의 스터럽 누락을 보여 생성 시간은 평균 56.67초가 소요되었다. Fig. 5는 이러한 결과를 정량적으로 정리하여 두 모델의 성능 차이를 한눈에 보여준다. 각 평가 항목별 정확도 달성률로 환산하면, Claude 3.7 Sonnet은 부재 간 간섭 관리85.0%, 치수 정보 표현 96.7%, 철근 배근 정확도 91.9%, 스터럽 철근 처리 97.6%로, 4개 항목 평균 92.8%의 정확도를 달성하였다. 반면 GPT-4o는 동일 항목에서 각각 72.5%, 63.8%, 40.6%, 19.1%에 그쳐, 평균 49.0% 수준의 정확도를 보였다. 결과적으로 Claude 3.7 Sonnet 모델은 모든 평가 항목에서 GPT-4o 모델보다 현저히 높은 정확도와 안정성을 나타냈다. 특히 스터럽 철근 배치 정확도의 경우 Claude 3.7 Sonnet이 97.6%인 데 반해 GPT-4o는 19.1%에 불과하여, 약 78.5%p의 성능 차이가 확인되었다. 이는 구조도면과 같이 세밀한 제약조건이 많은 생성 작업에서 모델 간 성능 격차가 클 수 있음을 보여준다.

이러한 성능 차이를 분석한 결과, Claude 3.7 Sonnet의 우수한 코드 생성 및 수치 계산 능력이 주된 원인으로 파악되었다. Anthropic(2025)의 공식 모델 카드에 따르면, Claude 3.7 Sonnet은 SWE-bench, TAU-bench 등 실제 코딩 및 수학 과제 기반 벤치마크에서 동급 모델 중 최고 수준의 성능을 기록하였다. 본 연구의 S-Prompt는 여러 좌표 산출식 기반 지시어를 포함하고 있다. 예를 들어 “스터럽 철근은 인장 철근 중심에서 철근 지름의 절반만큼 이격한다”와 같은 연산 지침이 도면 생성에 요구된다. 이러한 지침을 정확히 실행하려면, 모델이 입력 문장을 수학식으로 이해하여 적절한 SVG 경로(path) 코드로 변환할 수 있어야 한다. ^{Zou et al.(2024)}의 VGBench 실험에서도 유사한 결과가 보고되었는데, 코드 및 수리 추론 능력이 뛰어난 LLM일수록 벡터 그래픽 생성 정확도가 높았다. Claude 3.7 Sonnet 모델은 이러한 코딩 및 수치 계산 측면에서 GPT-4o보다 강점을 보였고, 이는 구조도면 생성 정확도의 큰 격차로 이어졌다. 한편 GPT-4o 모델의 경우 동일한 입력에 대해서도 정보를 충분히 활용하지 못하고 일부 요구 사항을 놓치는 경향이 관찰되었는데, 이는 모델의 맥락 활용 효율성이 낮은 데 기인하는 것으로 판단된다.

프롬프트 구조화에 따른 효과도 분석하였다. Fig. 6은 입력 프롬프트의 토큰 수 증가에 따른 두 모델의 출력 정확도 변화를 나타낸 그래프이다. 프롬프트 길이를 약 1500 토큰에서 2289 토큰으로 증가시켰을 때 Claude 3.7 Sonnet의 정확도는 55.4% → 92.8%로 +37.4%p 향상된 반면, GPT-4o는 35.6% → 49.0%로 +13.4%p 상승하는 데 그쳤다. 특히 Claude 3.7 Sonnet은 입력 토큰 수가 약 1647 tokens를 넘어서는 지점부터 정확도가 급격히 향상된 반면, GPT-4o는 전체 구간에서 정확도 변화가 미미하였다. 이는 Claude 모델이 긴 프롬프트로부터 유의미한 정보를 효과적으로 해석하여 성능 향상으로 연결시키는 반면, GPT-4o는 동일한 추가 정보에 대한 활용률이 낮다는 점을 시사한다. 이러한 결과는 ^{Liu et al.(2024)}과 ^{Hosseini et al.(2025)} 의 지적과 맥락을 같이한다. 대부분의 LLM은 제공된 긴 컨텍스트의 절반 이하만 효과적으로 활용하며, 정보가 프롬프트 내 어디에 위치하는지에 따라 모델의 응답 정확도가 달라지는 이른바 길이 민감성(length sensitivity) 현상을 보인다. 그러나 Claude 3.7 Sonnet의 경우 긴 입력의 중간 부분에 있는 정보까지 비교적 안정적으로 처리하여 출력에 반영함으로써, 중장문의 프롬프트 환경에서도 높은 성능을 유지하는 것이 확인되었다. Claude 모델의 이러한 처리 안정성과 정보 활용 효율성은 구조화 프롬프트 기법의 효과를 극대화하는 데 기여한 것으로 판단된다. 결국 구조도면 자동화 성능을 높이기 위해서는 LLM의 컨텍스트 창 크기 자체뿐만 아니라, 증가된 입력을 실제로 활용할 수 있는 모델의 내부 역량이 중요함을 알 수 있다.

마지막으로, 구조화 프롬프트 적용 여부에 따른 출력 성능을 비교하였다. Fig. 7은 동일한 구조 부재에 대해 일반 프롬프트와 구조화된 S-Prompt를 적용하여 얻은 출력 결과를 비교한 것이다. 일반 프롬프트의 경우 모델이 일부 철근 배치를 누락하거나 치수를 잘못 기입하는 등의 오류를 범한 반면, S-Prompt를 적용한 경우 이러한 오류가 상당 부분 개선되었다. 특히 앞서 3장에서 논의한 파라미터 상단 배치, 영역 좌표화, 수학적 조건 부여와 같은 S-Prompt 전략들이 결합되어, 철근 간격 및 피복두께 등의 세부 조건까지 정확히 충족하는 도면을 얻을 수 있었다. 정량적으로도 S-Prompt 적용 시 출력 정확도가 유의미하게 향상되었는데, 이는 S-Prompt가 LLM의 환각과 정보 누락 문제를 효과적으로 제어함을 뒷받침한다. 결국 구조화 프롬프트 기법은 복잡한 구조설계 제약을 LLM이 이해하기 쉬운 형태로 전달함으로써, 도면 생성 품질을 크게 높일 수 있었다.

Fig. 5 Quantitative evaluation of generated drawings: mean error counts per category (area collision, missing dimensions, rebar omissions, stirrup omissions) and average generation time (n=200 runs, 95%CI)

Fig. 6 Prompt length vs. drawing Accuracy Score (%) for Claude 3.7 Sonnet and GPT-4o. Markers average 10 drawings per token size; score per Fig. 5 (1 - mean errors / 8 × 100)

Fig. 7 Impact of Structured Prompting (S‑Prompt) versus vanilla prompting on drawing fidelity; outputs correspond to the same beam specification