hillclimb(hill climbing, 언덕 오르기)는 현재 상태에 작은 변경을 가한 뒤 평가 점수가 오르면 그 변경을 채택하고 오르지 않으면 되돌리는 과정을 반복해 점차 더 좋은 해로 나아가는 탐색·최적화 방법이다. 수학적 최적화와 인공지능 탐색 알고리즘의 고전적인 기법으로, 전체에서 가장 좋은 해가 아닌 국소 최적점(local optimum)에 갇힐 수 있고 수렴이 보장되지 않는 heuristic(경험적 탐색)이다.
AI 개발 현장에서는 eval(모델 성능을 재는 평가 기준) 점수를 지표로 삼아 prompt, 설정, 코드 등을 조금씩 바꾸며 점수를 끌어올리는 작업을 가리키는 말로 쓰인다. 평가 데이터에만 맞춰지는 overfitting을 막기 위해 데이터를 train과 test로 나누고 두 쪽 모두에서 점수가 오를 때만 변경을 유지하는 방식이 함께 쓰인다.