Prompting: mengubah niat jadi instruksi yang andal

Prompting adalah keterampilan termurah dengan leverage tertinggi di seluruh bidang ini. Sebagian besar saat orang bilang "AI-nya bodoh", masalah sebenarnya adalah prompt yang kabur. Prompt bukan mantra, ia spesifikasi: semakin jelas Anda tentang yang Anda mau, semakin andal Anda mendapatkannya.

Anatomi sebuah prompt

Prompt yang kuat biasanya punya enam bagian: peran yang harus diambil model, tugas yang harus dilakukan, konteks dan fakta yang boleh dipakai, batasan yang harus dihormati, format output yang Anda harapkan, dan opsional beberapa contoh. Anda tidak selalu butuh keenamnya, tapi menamainya mengubah prompting dari tebak-tebakan jadi checklist.

ROLE:    You are a careful order-taker for a bakery.
TASK:    Read the customer message and produce the order as JSON.
CONTEXT: Menu and prices are in the FACTS block below.
RULES:   Never invent items or prices. If something is unavailable,
         set "needs_human": true. Quantities must be integers.
FORMAT:  { "items":[{"name","qty","price"}], "needs_human":bool }
FACTS:   Croissant 18k, Sourdough 55k, Brownie 22k

Tunjukkan, jangan hanya memberi tahu

Memberi model dua atau tiga contoh input dan output persis yang Anda mau (disebut few-shot prompting) sering mengalahkan satu paragraf instruksi. Model adalah peniru pola, jadi satu contoh pola yang jelas bernilai seratus kata sifat. Pakai ini setiap kali format atau penilaiannya sulit dideskripsikan tapi mudah didemonstrasikan.

Buat ia bernalar sebelum menjawab

Untuk apa pun dengan langkah, logika, atau aritmetika, meminta model menjabarkan penalarannya sebelum memberi jawaban akhir meningkatkan akurasi secara terukur. Reasoning model terbaru melakukan sebagian pemikiran ini secara internal, tapi dekomposisi tetap menguntungkan: untuk tugas lebih sulit, pecah pekerjaan jadi panggilan terpisah (ekstrak, lalu putuskan, lalu tulis) supaya tiap langkah sederhana dan bisa dicek. Kompleksitas adalah musuh keandalan, dekomposisi adalah obatnya.

Men-debug prompt

• Ubah satu hal setiap kali, lalu tes, supaya Anda tahu apa yang membantu.
• Tes terhadap eval set Anda, bukan satu contoh yang mulus.
• Saat gagal di satu kasus, tambahkan kasus itu sebagai contoh baru di prompt.
• Perketat batasan persis yang ia langgar; jangan menulis ulang semuanya.
• Kalau masih gagal, tugasnya kemungkinan butuh dekomposisi atau tool, bukan prompt lebih besar.