Daftar Isi

Pengantar

Di era teknologi digital saat ini, memaksimalkan kekuatan kecerdasan buatan melalui teknik prompt semakin menjadi penting. Namun, banyak sumber informasi yang menyebarkan saran umum, kurang berdasar, atau penjelasan yang tidak jelas, yang mudah menyebabkan kesalahpahaman dan penerapan yang tidak efektif. Hal ini menyebabkan pemborosan waktu, tenaga, dan mengurangi kemampuan untuk memanfaatkan potensi sebenarnya dari AI.

Dengan lebih dari sepuluh tahun pengalaman di bidang teknologi perangkat lunak, serta proses penelitian dan sintesis dari sumber terpercaya seperti OpenAI, Google, Anthropic, saya ingin berbagi pengetahuan dasar dan metode praktis untuk mengoptimalkan desain prompt. Tujuan saya adalah membantu Anda mendekati teknologi AI dengan benar, efektif, dan memberikan nilai tertinggi dalam pekerjaan serta proyek pengembangan pribadi.

Sumber informasi yang tidak resmi akan membuat Anda mudah percaya pada tips-tips, tetapi kenyataannya tidak efektif. Atau lebih buruk, membuat Anda salah paham tentang cara kerja AI. Sebagian besar menerapkan zero-shot prompting dan sangat bergantung pada kemampuan model. Jadi, apa itu zero-shot prompting?

Prompting tanpa contoh

Prompting tanpa contoh adalah teknik berinteraksi dengan model bahasa besar (LLM) tanpa memberikan contoh ilustrasi apa pun. Ini mengandalkan kemampuan generalisasi pengetahuan LLM.

Pada dasarnya, cara kerja LLM adalah memprediksi kata berikutnya berdasarkan konteks, sehingga ketika mereka menerima prompt yang jelas, mereka dapat menerapkan pengetahuan yang telah dipelajari untuk menghasilkan respons yang sesuai.

Saya tidak berpikir bahwa teknik prompting tanpa contoh adalah salah. Sebenarnya, itu akan sangat luar biasa jika kita dapat bekerja dengan AI hanya dengan permintaan sederhana, hampir tidak perlu memahami cara melakukannya. Namun, pada saat ini, AI belum mencapai tingkat seperti itu.

Keuntungan

1. Sederhana: Prompting tanpa contoh tidak memerlukan data tambahan, menjadikannya berharga dalam kasus di mana data terkait sulit ditemukan atau langka.

2. Fleksibel: Prompt mudah disesuaikan jika diperlukan. Meningkatkan atau memperbarui prompt membutuhkan sedikit usaha.

3. Beragam: Prompting tanpa contoh menunjukkan kemampuan yang mengesankan dalam mengeksploitasi pemahaman LLM di berbagai bidang yang beragam.

Keterbatasan

1. Sangat bergantung pada kemampuan model: Model mungkin tidak memahami prompt atau tidak memiliki pengetahuan di bidang tersebut.

2. Bergantung pada kualitas prompt: Efektivitas zero-shot prompting sangat bergantung pada seberapa jelas dan spesifik prompt ditulis.

Dalam contoh di atas, saya tidak dapat menemukan informasi tentang Lyon dan Garman di google. Jadi saya harus meminta dengan sangat jelas apa yang saya inginkan.

3. Kesulitan dengan tugas kompleks: Untuk tugas yang memerlukan penalaran kompleks atau format khusus, zero-shot mungkin tidak seefektif metode lain seperti few-shot.

4. Hasil yang tidak konsisten: Tanpa contoh untuk panduan, model dapat menghasilkan hasil yang berbeda untuk prompt yang sama, tergantung pada cara penyampaiannya.

Masih dengan contoh di atas, setiap kali saya melakukannya, hasilnya akan berbeda.

Beberapa aplikasi yang dapat dilakukan secara efektif oleh Zero-Shot Prompting

1. Klasifikasi teks:

2. Ringkasan teks:

3. Analisis sentimen:

4. Konversi format data:

Zero-shot prompting sangat berguna untuk tugas sederhana. Saya telah menunggu lama untuk dapat melakukan tugas yang lebih kompleks hanya dengan beberapa prompt sederhana. Tetapi untuk memanfaatkan AI hari ini, kita perlu memiliki strategi.

Menentukan Kriteria

Sebelum memulai merancang prompt, hal yang paling penting adalah Anda harus menentukan dengan jelas tujuan dan kriteria keberhasilan Anda. Jika tidak, Anda akan mengevaluasi hasil berdasarkan perasaan dan tidak ada pengukuran. Alih-alih membiarkan LLM mencari jalannya sendiri, tentukan dengan tepat apa yang Anda inginkan dan bagaimana mengetahui bahwa tujuan tersebut telah tercapai.

Kriteria yang baik adalah:

Spesifik (Specific): Harus jelas dan tepat tentang tujuan Anda.

Terukur (Measurable): Harus memiliki indikator atau skala yang jelas.

Seperti dalam contoh di atas, kriteria keberhasilan adalah tulisan harus sepanjang 500 kata dan memiliki setidaknya 3 referensi.

Dapat Dicapai (Achievable): Tujuan berdasarkan pengalaman, benchmark industri, atau penelitian sebelumnya. Jangan menetapkan tujuan yang terlalu tinggi, melebihi kemampuan model saat ini.

Relevan (Relevant): Sesuaikan kriteria sesuai dengan tujuan dan kebutuhan Anda. Akurasi tinggi mungkin sangat penting untuk aplikasi medis tetapi kurang penting untuk chatbot biasa.

Aturan emas prompt yang jelas
Sajikan prompt seperti sedang menjelaskan kepada rekan kerja yang tidak memahami tugas, lalu minta mereka mengikuti instruksi. Jika mereka bingung, kemungkinan besar AI juga akan demikian.

Empat faktor yang perlu dipertimbangkan untuk menulis prompt yang efektif

Untuk memaksimalkan kekuatan kecerdasan buatan (AI), ada empat faktor inti yang perlu Anda perhatikan. Faktor-faktor ini akan membantu perintah Anda menjadi jelas, akurat, dan sesuai dengan tujuan yang diinginkan. Ketika dipahami dan diterapkan dengan baik, Anda akan mudah membuat prompt berkualitas, mengurangi kesalahpahaman AI, sehingga meningkatkan efisiensi kerja.

1. Persona (Peran atau Karakter)

Menetapkan peran adalah menentukan peran AI dalam perintah. Dengan menetapkan "karakter" atau peran tertentu untuk AI, Anda membantunya memahami cakupan, gaya, dan tujuan yang perlu dicapai. Contoh:

• "Anda adalah seorang pengacara yang ahli dalam kontrak komersial."

• "Anda adalah seorang analis data di bidang perbankan."

• "Anda adalah seorang pemasar kreatif."

2. Task (Tugas atau Pekerjaan)

Sebuah prompt yang jelas tentang tugas membantu AI tidak tersesat, mudah fokus pada hasil yang diinginkan. Alih-alih berbicara secara umum, Anda perlu mendeskripsikan dengan jelas dan spesifik seperti yang telah dianalisis sebelumnya.

3. Context (Konteks)

Konteks adalah bagian yang menyediakan informasi, data, dan situasi spesifik terkait tugas. Ini adalah faktor yang membantu AI memahami lebih baik tentang konten, latar belakang, dan data terkait untuk menghasilkan jawaban yang sesuai dan akurat.

4. Format (Format)

Format adalah bentuk penyajian atau gaya jawaban yang Anda harapkan. Tergantung pada tujuan dan hasil akhir yang Anda butuhkan, menentukan format dengan jelas membantu hasil menjadi lebih jelas dan mudah digunakan.

Persona - Peran

Memberikan peran (Persona) kepada AI adalah teknik penting dalam merancang prompt yang efektif. Ketika Anda menempatkan AI dalam peran tertentu, AI akan bertindak dan merespons sesuai dengan gaya dan tujuan dari peran tersebut.

Mengapa perlu memberikan peran kepada AI?

Memberikan peran kepada AI memberikan banyak manfaat penting:

1. Meningkatkan akurasi: AI akan fokus pada bidang keahlian dari peran yang diberikan, mengurangi kesalahan

2. Menyesuaikan nada: Gaya respons akan sesuai dengan peran (singkat, formal, mudah dipahami).

3. Fokus pada tugas: AI memahami ruang lingkup pekerjaan, tidak terganggu oleh informasi yang tidak relevan.

Memberikan peran yang sesuai kepada AI adalah kunci untuk memaksimalkan potensinya. Hanya dengan menetapkan peran yang tepat, Anda dapat mengubah AI menjadi ahli dalam bidang tertentu, membantu menghasilkan analisis dan jawaban yang akurat, sesuai dengan kebutuhan Anda. Ini adalah cara yang efektif untuk menghemat waktu, meningkatkan kualitas pekerjaan, dan mempertahankan kontrol yang baik dalam bekerja dengan AI.

Menurut pandangan saya, memberikan kepribadian dan hubungan antara AI dan pengguna tidak hanya membuat sesi kerja menjadi lebih hidup tetapi juga menciptakan kedekatan dan kealamian dalam percakapan. Ketika AI memahami bahwa ia sedang memainkan peran karakter tertentu, dengan kepribadian dan hubungan khusus dengan pengguna, AI akan lebih mudah mengekspresikan pandangan atau pendapat yang jelas, sekaligus lebih sesuai dengan gaya komunikasi yang Anda inginkan. Dalam bahasa Indonesia, cara penyebutan dan ekspresi sikap memiliki banyak nuansa dan gaya yang berbeda, tidak hanya sekadar "Anda" atau "Saya" seperti dalam bahasa Inggris. Misalnya, ketika Anda ingin membangun percakapan yang akrab dan dekat, Anda dapat memilih penyebutan seperti "kamu" alih-alih "Anda", dan menyebut diri sendiri sebagai "aku" alih-alih "saya".

Contoh:

Konteks - Konteks

Konteks membantu AI memahami situasi, tujuan, dan ruang lingkup tugas yang perlu dilakukan. Konteks yang baik akan membantu AI memahami "mengapa" dan "bagaimana", sehingga dapat memberikan solusi yang tepat dan efektif.

Contoh: ketika Anda menerima panggilan tentang kemenangan hadiah. Biasanya Anda akan merasa sangat antusias dengan kabar baik seperti ini. Tetapi jika belakangan ini, informasi tentang penipuan hadiah semakin banyak, Anda akan merasa curiga dan tidak bersedia menerima panggilan ini.

Mengapa konteks penting?

Menyediakan konteks yang lengkap memberikan banyak manfaat:

1. Meningkatkan akurasi: AI dapat memberikan jawaban yang lebih tepat ketika memahami konteks masalah

2. Mengurangi kesalahpahaman: Konteks yang jelas membantu AI menghindari kesimpulan yang salah

3. Mengoptimalkan hasil: AI dapat fokus pada informasi yang paling penting dan relevan

Cara mengoptimalkan

1. Struktur yang jelas: Susun informasi secara logis, gunakan judul dan format yang sesuai

Contoh menggunakan markdown untuk menandai indeks

2. Seleksi informasi: Hanya sertakan informasi yang diperlukan, hindari mengacaukan konteks

3. Gunakan format yang sesuai: Markdown, XML, atau delimiter untuk membedakan bagian informasi

Contoh menggunakan XML untuk menandai teks panjang

Ada perlombaan tentang ukuran konteks yang tidak Anda sadari. Model LLM saat ini cenderung meningkatkan ukuran konteks secara signifikan. Tujuan utamanya adalah untuk dapat menampung konteks yang lebih besar. Dalam praktiknya, agar AI benar-benar menjadi ahli dalam suatu bidang, pengguna cenderung menyediakan sebanyak mungkin dokumen.

Konteks besar dan cara penggunaan yang efektif

Dalam banyak tugas kompleks, menyediakan konteks yang panjang dan jelas adalah kunci untuk AI memahami permintaan Anda dengan benar. Model LLM semakin kuat dalam kemampuan memproses rangkaian data panjang, membantu mempertahankan informasi relevan sepanjang percakapan atau tugas.

1. Menyimpan lebih banyak informasi: Dalam tugas yang memerlukan analisis banyak data, pertanyaan kompleks, atau dokumen besar, konteks panjang membantu model tidak melewatkan detail penting.

2. Akurasi yang lebih tinggi: Dengan data yang cukup, AI dapat dengan mudah menyimpulkan, menghindari kesalahpahaman atau melupakan bagian kunci.

3. Lebih menarik dengan berbagai tugas: Dari menulis konten panjang, analisis data, hingga memecahkan masalah, percakapan jangka panjang memerlukan konteks besar.

AI sering lupa ketika harus bekerja dengan konteks besar. Sama seperti cara kita mengingat, bagian awal dan akhir adalah yang paling penting. Jadi dengan konteks besar, letakkan di bagian tengah. Serta ulangi permintaan di bagian akhir prompt.

Format - Format

Formatkan cara LLM menjawab sesuai dengan tujuan Anda. Format yang baik akan membuat hasilnya jelas, mudah digunakan, dan menghemat waktu pengeditan nanti.

Format umum

Berikut adalah beberapa cara sederhana dan umum untuk meminta AI mengembalikan hasil dalam format yang diinginkan:

1. Format JSON

Digunakan ketika Anda memerlukan data dengan struktur yang jelas, mudah diproses untuk pemrograman atau analisis.

Contoh:

2. Jawaban pilihan ganda

Digunakan ketika Anda ingin memiliki beberapa hasil untuk dibandingkan dan menemukan hasil terbaik.

Contoh:

3. Teks atau daftar poin utama

Ini adalah bentuk paling dasar, namun sebaiknya jelaskan cara penyajian agar AI memahami permintaan Anda.

Contoh:

Manfaat menggunakan format yang sesuai

1. Meningkatkan konsistensi: Hasil dikembalikan dalam struktur yang seragam, mudah diproses dan dianalisis

2. Menghemat waktu: Mengurangi waktu pengeditan dan pemformatan ulang hasil

3. Mudah diintegrasikan: Hasil dengan struktur yang jelas mudah diintegrasikan dengan sistem dan alat lain

Sampai di sini, kita telah memiliki struktur dari sebuah prompt yang efektif. Untuk memudahkan pemantauan, saya akan merangkumnya sebagai berikut: [Persona] Anda adalah seorang ahli tentang... (Tetapkan peran spesifik. Dapat menambahkan gelar, kepribadian) [Task] Buat artikel tentang... (Tujuan yang jelas) [Context] Berikut adalah informasi terkait... (Tambahkan informasi, tandai teks sesuai struktur) [Format] Jawab dengan... (Format hasil)

Chain of Thought - Teknik berpikir berurutan

Dengan tugas-tugas kompleks seperti penelitian, analisis, atau pemecahan masalah, Anda harus memberikan ruang bagi LLM untuk berpikir, sehingga secara signifikan meningkatkan kinerjanya. Teknik ini, yang disebut Chain of Thought (CoT), mendorong LLM untuk memecah masalah menjadi langkah-langkah kecil.

Cara paling sederhana: tambahkan kalimat "pikirkan langkah demi langkah" ke dalam prompt

Cara ini kurang memberikan panduan spesifik tentang cara berpikir. Ini tidak ideal untuk banyak kasus.

Panduan langkah-langkah berpikir

Garis besar langkah-langkah yang harus dilakukan LLM dalam proses berpikir.

Memisahkan pemikiran dari jawaban

Ini akan memudahkan kita untuk melakukan debugging dan meningkatkan hasil. Namun, ini tidak diperlukan untuk model yang sudah bisa melakukan penalaran.

Pentingnya Chain of Thought

Teknik ini adalah salah satu teknik yang paling sering disebutkan dalam literatur resmi tentang prompt. Ini telah menjadi standar dalam meningkatkan akurasi dan kemampuan memecahkan masalah kompleks dari model LLM saat ini.

Penelitian menunjukkan bahwa penggunaan Chain of Thought membantu model menangani masalah yang memerlukan penalaran multi-langkah, secara signifikan meningkatkan tingkat akurasi, mengurangi kesalahan, dan memberikan respons yang lebih logis dan konsisten. Ini bukan lagi teknik baru, melainkan telah menjadi panduan bagi pengembang dan insinyur prompt profesional.

Penelitian Google menunjukkan bahwa model bahasa besar (LLM) sering kali merespons buruk terhadap instruksi negatif seperti "Jangan lakukan ini" atau "Jangan lakukan itu." Jadi, alih-alih menggunakan instruksi negatif, Anda harus memberikan panduan yang spesifik dan jelas kepada AI tentang cara mencapai hasil yang diinginkan. Misalnya, alih-alih mengatakan "Jangan menulis panjang lebar," katakan "Tulis dengan singkat dalam 3 kalimat utama." Cara ini membantu AI memahami arah dengan lebih baik, mengurangi kesalahpahaman, dan memberikan respons yang lebih akurat.

Prompting beberapa contoh

Prompting beberapa contoh adalah teknik berinteraksi dengan model bahasa besar (LLM) dengan memberikan beberapa contoh ilustrasi yang jelas dalam prompt sebelum meminta model untuk melakukan tugas utama. Alih-alih hanya memberikan satu perintah tunggal (seperti dalam zero-shot), prompting beberapa contoh membantu model memahami lebih baik cara memproses dan memformat hasil yang diinginkan dengan memberikannya beberapa contoh spesifik terlebih dahulu.

Dalam metode ini, Anda akan menyertakan contoh-contoh dalam prompt, dengan jelas menggambarkan input dan hasil yang diharapkan. Ketika model melihat contoh-contoh ini, kemampuan prediksi yang akurat akan meningkat secara signifikan, terutama dalam tugas-tugas yang memerlukan penalaran kompleks, pemrosesan format, atau persyaratan khusus.

Keuntungan

1. Meningkatkan akurasi: Contoh-contoh membantu model memahami lebih baik cara mengekspresikan, memformat, atau konten yang diperlukan, membantu mengurangi respons yang salah atau tidak relevan.

2. Fleksibel dan dapat disesuaikan: Mudah menambah atau mengedit contoh untuk disesuaikan dengan berbagai tujuan.

3. Tidak memerlukan data besar: Hanya memerlukan beberapa contoh kecil, tidak perlu melatih ulang model seperti dalam finetuning.

Keterbatasan

Membutuhkan desain contoh yang jelas: Contoh-contoh perlu cukup jelas, relevan, dan akurat untuk menghindari kesalahpahaman.

Contoh Prompting Beberapa Contoh

Dengan demikian, menggabungkan semua teknik yang paling kuat. Kami memiliki struktur template akhir sebagai berikut: [Persona] Anda adalah seorang ahli dalam... (Menugaskan peran spesifik. Dapat menambahkan gelar, kepribadian) [Task] Buat tulisan tentang... (Tujuan yang jelas) [Context] Berikut adalah informasi terkait... (Menambahkan informasi, menandai teks sesuai struktur) [Examples] (Contoh-contoh ilustrasi) [Guidelines] (Panduan langkah-langkah berpikir) [Task] (Mengingatkan tugas ketika konteks panjang) [Format] Jawab dengan... (Format hasil)

Prompt Sistem

Prompt sistem adalah perintah atau instruksi yang ditetapkan untuk model LLM sejak awal untuk membentuk cara merespons dalam seluruh percakapan atau tugas. Ini berfungsi sebagai "kerangka" atau "aturan umum" agar AI memahami gaya, cakupan, dan tujuan operasinya dalam sesi komunikasi tersebut.

Peran Prompt Sistem

1. Mengarahkan perilaku AI: Membantu AI memahami cakupan, nada, gaya respons yang sesuai dengan tujuan Anda.

2. Menjaga konsistensi: Dalam percakapan panjang atau interaksi berulang, prompt sistem membantu AI mempertahankan gaya respons yang sesuai, menghindari penyimpangan atau kehilangan tujuan.

3. Mengontrol konten dan batasan: Dapat menetapkan aturan, batasan, atau standar minimal untuk respons AI, seperti menghindari menangani konten sensitif atau tidak pantas.

4. Mengoptimalkan efektivitas penggunaan AI: Ketika Anda menetapkan prompt sistem dengan benar, AI akan merespons lebih akurat dan sesuai dibandingkan jika tidak digunakan atau digunakan dengan tidak tepat.

Kesalahan Umum Saat Ini

Aplikasi AI sering menyembunyikan bagian ini untuk menyederhanakan pengalaman pengguna. Hal ini membuat pengguna sering kali harus memasukkan semua prompt ke dalam pesan biasa. Peran dan kekuatan prompt sistem dibandingkan dengan prompt biasa sangat berbeda dalam percakapan. Prompt yang telah Anda bangun dengan susah payah ketika ditempatkan dalam pesan biasa, akan melemah dengan setiap respons dan tidak akan dianggap sepenting prompt sistem. Untuk ChatGPT, Anda dapat menemukannya di Custom GPT atau OpenAI Platform. Untuk Anthropic, Anda dapat menemukannya di Anthropic Console.

FeelAI Bot Builder Menyediakan Arena untuk Anda

Mengubah pengaturan dengan mudah

Berbagai model, banyak model gratis

Mengalami banyak alat yang sudah dibangun

Terintegrasi dengan platform lain

Berbagi bot dengan teman, kolega

Mainkan sekarang

Model Teori

LLM yang berpikir adalah bentuk kecerdasan buatan khusus, unggul dalam menyelesaikan masalah kompleks dengan menggunakan penalaran logis dan pemikiran terstruktur, melampaui model biasa. Mereka dapat menganalisis masalah, mengeksplorasi berbagai pendekatan, dan memvalidasi solusi, sering kali melibatkan proses "rantai pemikiran" (chain-of-thought), di mana mereka "berpikir" melalui setiap langkah masalah sebelum memberikan jawaban.

Fitur Utama

1. Penalaran Logis: Model ini tidak hanya mengandalkan prediksi dari pola data, tetapi juga menggunakan penalaran dan deduksi untuk mencapai jawaban yang lebih akurat.

2. Pemikiran Terstruktur: Sering menerapkan metode "rantai pemikiran," membagi masalah menjadi langkah-langkah kecil dan menjelaskan proses berpikir mereka.

3. Analisis Masalah: Mampu memecah masalah kompleks menjadi bagian-bagian yang lebih kecil dan lebih mudah dikelola.

4. Validasi Solusi: Fleksibel mencoba berbagai pendekatan untuk menemukan metode yang paling optimal dan memvalidasi kebenaran solusi.

5. Backtracking: Ketika satu arah mengarah ke jalan buntu, model ini dapat kembali dan mencoba cara lain untuk mencapai hasil.

6. Meningkatkan Kemampuan Pemecahan Masalah: Sangat cocok untuk tugas-tugas yang membutuhkan penalaran logis, perhitungan matematis, atau pemrograman.

Sangat cocok untuk tugas-tugas yang membutuhkan penalaran logis, perhitungan matematis, atau pemrograman.

Memahami dan menerapkan model teori dalam AI membantu kita menyelesaikan masalah kompleks secara sistematis dan lebih efisien, terutama dalam bidang yang membutuhkan pemikiran logis dan analisis mendalam.

Pengalaman dengan FeelAI Bot Builder

FeelAI Bot Builder menyediakan berbagai model teori untuk Anda coba. Ubah percakapan untuk melihat perbedaannya.

Mainkan sekarang

Kesimpulan

Saya ingin mengucapkan terima kasih yang tulus karena telah meluangkan waktu untuk membaca konten dalam dokumen ini. Saya berharap pembahasan saya dapat membantu Anda memahami lebih baik cara bekerja secara efektif dengan AI.

Sebagai penutup, saya ingin berbagi lebih banyak tentang persepsi saya terhadap model LLM saat ini. Meskipun saya telah mencoba banyak model, ini tetap merupakan penilaian subjektif. Saya berharap ini dapat membantu Anda dengan cepat menemukan model yang sesuai dengan kebutuhan Anda.

Yang penting untuk diingat adalah tidak ada formula umum yang cocok untuk semua kasus. Merancang prompt tidak memerlukan pemahaman mendalam tentang model AI tetapi lebih penting adalah konteks penggunaan, dan tujuan spesifik dari setiap situasi. Kita perlu terus mencoba, mengevaluasi, dan menyesuaikan untuk mencapai hasil terbaik.

Saya harap Anda memahami bahwa prompt bukan hanya keterampilan teknis, tetapi juga seni. Ini membutuhkan kreativitas, kesabaran, dan kemampuan berpikir kritis. Jangan ragu untuk mencoba ide-ide baru dan berbagi pengalaman Anda dengan komunitas.

Terakhir, selalu pertahankan semangat belajar dan pembaruan. Bidang AI berkembang dengan sangat cepat, dan teknik-teknik baru akan terus muncul. Menguasai prinsip-prinsip dasar akan membantu Anda dengan mudah beradaptasi dan menerapkan kemajuan baru di masa depan.

Silakan hubungi saya langsung, saya akan dengan senang hati membantu Anda dalam tugas-tugas spesifik Anda.