Sumber dari panduan prompt efektif MIT , praktik terbaik OpenAI
, dan sumber daya komunitas prompt engineering
semuanya menekankan ini sebagai teknik dasar.
Sebelum permintaanmu, sertakan satu atau dua kalimat konteks yang tidak akan diketahui model jika tidak diberi tahu. MasterPrompting.net menyarankan untuk bertanya pada diri sendiri: "Informasi apa yang paling mungkin salah jika saya tidak memberitahukannya pada model?" Itulah informasi yang harus kamu sertakan .
Sumber yang sama memperkirakan bahwa hanya dengan menyatakan siapa dirimu (atau untuk siapa keluaran itu) dan apa yang ingin kamu capai akan meningkatkan 80% hasilmu .
Menetapkan batasan sebelum AI mulai menghasilkan teks akan menyaring keluaran generik sejak awal. Misalnya: "Jangan gunakan kata-kata klise, jangan mulai dengan 'Di era modern ini,' jangan cantumkan lebih dari 3 poin." Teknik ini direkomendasikan oleh sumber yang fokus pada cara menghindari keluaran ChatGPT yang generik . Prinsipnya adalah membatasi ruang keluaran sejak awal, sebelum model mulai melenceng ke klise.
Gunakan pembatas yang jelas seperti ## Latar Belakang## Instruksi## Batasan## Format Keluaran maupun Anthropic
merekomendasikan pendekatan ini — Anthropic menyarankan penggunaan tag XML atau header Markdown untuk membedakan bagian seperti
<informasi_latar_belakang> dan <panduan_alat> .
Satu contoh yang baik (atau contoh buruk yang harus dihindari) dalam promptmu secara drastis akan membatasi ruang keluaran dan mengurangi jawaban generik. Ini dikenal sebagai "few-shot prompting" — menunjukkan pada model apa yang kamu cari daripada hanya mendeskripsikannya .
Daripada meminta satu jawaban, mintalah opsi yang diurutkan dalam suatu spektrum. Contoh: Daripada "Ceritakan lelucon tentang matahari," coba "Ceritakan 5 lelucon tentang matahari, urutkan dari yang paling terkenal hingga yang ke-5 yang belum pernah kudengar." Ini memaksa model untuk melampaui respons yang paling mungkin secara statistik (dan karenanya paling generik) .
Mulai promptmu dengan: "Wawancarai aku sampai kamu memahami situasinya, lalu berikan rekomendasimu." Model akan mengajukan pertanyaan yang ditargetkan sebelum menghasilkan jawabannya, menarik konteks yang lebih baik darimu terlebih dahulu. Teknik ini berasal dari pengguna mahir yang menganggap AI sebagai karyawan baru yang pintar yang perlu mengumpulkan persyaratan .
Jangan terima jawaban pertama. Respons awal AI seringkali hanyalah rata-rata — anggap itu draf pertama. Tindak lanjuti dengan perintah seperti "Buat itu lebih spesifik," "Berikan versi untuk audiens non-teknis," atau "Sekarang tantang asumsimu sendiri." Setiap iterasi akan meningkatkan kekhususan, dan memperlakukan AI seperti karyawan pintar yang bisa didorong untuk detail lebih lanjut adalah ciri khas pengguna prompt tingkat mahir .
LLM cenderung menggunakan nada netral dan seimbang secara default. Jika kamu menginginkan jawaban yang tidak generik, secara eksplisit minta AI untuk mengambil posisi. "Dorong dia untuk mengambil sikap" adalah teknik yang dibagikan oleh pengguna berpengalaman yang mencatat bahwa kecenderungan alami AI untuk menyenangkan (sycophancy) dapat diarahkan dengan meminta perspektif tertentu .
Untuk prompt yang paling penting, gabungkan semua teknik ini ke dalam kerangka kerja yang terstruktur. Model praktis dari komunitas pengguna mahir mencakup empat bagian :
Kerangka kerja ini mirip dengan kerangka "Ricky" (Role, Intent, Condition, Context, Examples) dan pendekatan terstruktur lainnya yang digunakan para praktisi untuk mendapatkan hasil yang konsisten dan tidak generik .
Wawasan utamanya adalah bahwa konteks bukan tentang menulis prompt yang lebih panjang — tetapi tentang menulis prompt yang lebih tertarget. Sebelum kamu mengetik permintaanmu, luangkan 10 detik untuk mendefinisikan siapa AI seharusnya, apa yang harus dihindari, dan informasi spesifik apa yang dibutuhkan. Itu saja sudah akan mengubah hasilmu dari yang generik menjadi benar-benar berguna.
Comments
0 comments