Pengantar rekayasa prompt
Rekayasa prompt adalah praktik merancang instruksi yang efektif yang memandu Model Bahasa Besar (LLM) untuk menghasilkan output yang diinginkan. Seiring LLM menjadi lebih terintegrasi ke dalam alur kerja, menguasai rekayasa prompt sangat penting untuk memanfaatkan potensi penuh mereka. Ini melibatkan kombinasi instruksi, konteks, dan penyempurnaan berulang untuk mencapai akurasi, relevansi, dan keamanan dalam teks yang dihasilkan AI. Panduan ini mengeksplorasi teknik dasar dan praktik terbaik yang akan memungkinkan Anda berkomunikasi dengan LLM secara lebih efektif.
Prompt yang dibuat dengan baik bertindak sebagai seperangkat instruksi yang tepat untuk model. Perbedaan antara prompt yang tidak jelas dan yang spesifik dan terstruktur dengan baik dapat menjadi perbedaan antara respons yang generik dan tidak membantu dan yang terperinci dan berwawasan. Bagi pengembang, penulis, dan peneliti, rekayasa prompt bukan hanya tentang mendapatkan jawaban yang benar; ini tentang mengendalikan format, nada, dan kedalaman output, menjadikan LLM mitra yang andal dalam tugas-tugas kompleks.
Teknik prompting utama
Zero-shot prompting
Minta model untuk melakukan tugas tanpa contoh. Bekerja paling baik untuk pertanyaan atau terjemahan langsung.
Terjemahkan teks bahasa Inggris berikut ke bahasa Prancis: “Halo, apa kabar?”
Few-shot prompting
Berikan beberapa contoh untuk mengajari model format yang Anda harapkan.
**Bahasa Inggris:** Kucing itu bahagia.
**Sentimen:** Positif
**Bahasa Inggris:** Cuacanya suram.
**Sentimen:** Negatif
**Bahasa Inggris:** Restoran baru itu oke, tapi pelayanannya lambat.
**Sentimen:**Chain-of-thought prompting
Dorong model untuk bernalar melalui langkah-langkah perantara dengan menginstruksikannya untuk berpikir langkah-demi-langkah. Ideal untuk tugas penalaran dan perencanaan.
Persona atau role prompting
Tetapkan persona untuk model (“Anda adalah seorang CTO…”) untuk mengontrol suara, keahlian, dan format.
Prompting tingkat lanjut
Konsistensi diri
Jalankan prompt yang sama beberapa kali dengan suhu yang lebih tinggi, lalu pilih jawaban yang paling umum untuk mengurangi kesalahan penalaran.
Pohon pemikiran (ToT)
Jelajahi beberapa cabang penalaran sebelum menyatu pada solusi terbaik—berguna untuk perencanaan atau ide kreatif.
Generasi yang ditambah pencarian (RAG)
Pasangkan prompt dengan dokumen yang diambil untuk mendasarkan model pada data kepemilikan atau data terbaru.
Alur kerja divisualisasikan
graph TD
A[Tentukan Tujuan] --> B{Apakah tugasnya sederhana?}
B -- Ya --> C[Gunakan Zero-shot]
B -- Tidak --> D{Perlu format spesifik?}
D -- Ya --> E[Gunakan Few-shot]
D -- Tidak --> F{Membutuhkan penalaran?}
F -- Ya --> G[Rantai-Pemikiran]
G --> H{Perlu akurasi lebih tinggi?}
H -- Ya --> I[Konsistensi-Diri]
H -- Tidak --> J[Pohon-Pemikiran]
F -- Tidak --> K{Perlu pengetahuan eksternal?}
K -- Ya --> L[RAG]
K -- Tidak --> M{Perlu nada spesifik?}
M -- Ya --> N[Prompting Persona]
M -- Tidak --> O[Ulangi dan sempurnakan]
C --> O
E --> O
J --> O
L --> O
N --> O
O --> P[Output yang Diinginkan]
style A fill:#7aa2f7,stroke:#bb9af7,stroke-width:3px
style P fill:#9ece6a,stroke:#e0af68,stroke-width:3px
style O fill:#2ac3de,stroke:#7aa2f7,stroke-width:3px
Praktik terbaik
- Jadilah spesifik: Tentukan cakupan, nada, panjang, dan format output.
- Berikan konteks: Sediakan data atau batasan yang relevan.
- Struktur dengan jelas: Gunakan langkah-langkah bernomor, tabel, atau kerangka JSON dalam prompt.
- Iterasi dengan sengaja: Tinjau output, sesuaikan instruksi, dan catat format prompt yang menang di perpustakaan bersama.
- Otomatiskan evaluasi: Pasangkan prompt dengan tes pagar pembatas untuk memeriksa toksisitas, kebenaran, dan kelengkapan.
Mengoperasionalkan prompt
- Buat registri prompt berversi (Git, database, atau konten Starlight) dengan pemilik dan metrik keberhasilan.
- Lampirkan prompt ke evaluasi otomatis (tes unit atau eval harnesses) sebelum mengirimkannya ke alur produksi.
- Tinjau kinerja prompt dalam sinkronisasi AI Ops reguler dan pensiunkan varian yang berkinerja buruk.
Kesimpulan
Perlakukan rekayasa prompt sebagai disiplin produk yang berkembang. Dengan eksperimen, dokumentasi, dan pengujian terstruktur, sistem bertenaga LLM menjadi kolaborator yang dapat diprediksi alih-alih kotak hitam yang tidak dapat diprediksi.