Few-Shot Prompting Mendalam

Inti Teknik: Tunjukkan, Jangan Jelaskan

Manusia belajar paling cepat dari contoh, dan AI pun begitu. Few-shot prompting = memberi AI beberapa pasang contoh input-output agar ia meniru polanya. Kamu sudah melihat versi dasarnya di modul prompting-lanjutan. Di sini kita mendalami: contoh seperti apa yang efektif, berapa banyak, dan kapan teknik ini gagal.

Kenapa contoh mengalahkan penjelasan panjang? Karena pola lebih presisi daripada kata-kata. Menjelaskan "tulis commit message yang baik" butuh 200 kata dan tetap ambigu. Memberi 3 contoh commit message yang baik = AI langsung paham polanya dalam 30 kata.

Contoh 1: Anatomi Contoh yang Bagus (Praktik)

Tugas: kamu ingin AI mengubah deskripsi bug kasar menjadi laporan bug rapi.

Ubah deskripsi kasar menjadi laporan bug dengan format di bawah.

Contoh 1: Kasar: "tombol simpan error pas diklik" Rapi: Judul: Tombol Simpan tidak merespons saat diklik Langkah reproduksi: 1. Buka halaman profil 2. Klik Simpan Hasil: tidak ada respons, tidak ada error di console Prioritas: Tinggi

Contoh 2: Kasar: "tampilan rusak di hp" Rapi: Judul: Layout berantakan pada layar < 400px Langkah reproduksi: 1. Buka di HP 2. Lihat bagian header Hasil: teks bertumpuk, tombol tidak bisa diklik Prioritas: Sedang

Sekarang: Kasar: "login lemot banget"

Perhatikan 3 kualitas contoh ini: (1) konsisten format (keduanya punya Judul/Langkah/Hasil/Prioritas persis sama), (2) beragam isi (satu soal fungsi, satu soal tampilan; prioritas beda), (3) mencakup variasi yang penting (contoh menunjukkan cara menentukan prioritas). AI akan menghasilkan laporan untuk "login lemot" mengikuti pola yang sama.

Contoh 2: Jumlah Contoh dan Urutan (Eksperimen)

Berapa banyak? Aturan praktis: mulai dari 2. Tambah ke 3-5 kalau: tugasnya kompleks, ada banyak variasi format, atau hasil dengan 2 contoh belum konsisten. Di atas 5 jarang membantu dan boros token. Kualitas > kuantitas: 2 contoh bagus mengalahkan 6 contoh asal-asalan.

Urutan penting? Ya, sedikit. Model cenderung lebih memperhatikan contoh TERAKHIR (recency bias). Trik: taruh contoh yang paling mirip dengan tugasmu yang sebenarnya di posisi terakhir. Dan akhiri SELALU dengan tugas barunya ("Sekarang: ..."), jangan biarkan prompt berakhir di contoh terakhir (AI bisa malah "melanjutkan" contoh, bukan mengerjakan tugasmu).

Contoh negatif? Kadang berguna: "JANGAN seperti ini: [contoh buruk]". Tapi hati-hati: model bisa malah meniru pola contoh buruk karena ia melihat polanya. Lebih aman: tunjukkan yang benar saja, dan tambahkan aturan tertulis untuk yang dilarang.

Catatan teknis: Few-shot bekerja karena contoh-contoh menggeser distribusi probabilitas model ke pola yang ditunjukkan (in-context learning). Model tidak "belajar" permanen dari contohmu; ia hanya menyesuaikan prediksi untuk percakapan ini. Implikasinya: contoh harus ada di SETIAP sesi baru (atau disimpan di skills/CLAUDE.md agar otomatis terbaca). Untuk pola yang dipakai puluhan kali sehari oleh tim, pertimbangkan fine-tuning (modul fine-tuning-gambaran): pola ditanam permanen ke model, tidak perlu contoh berulang.

Kesalahan Umum

1. Contoh tidak konsisten. Satu contoh pakai format A, contoh lain format B. AI bingung memilih. Standarkan dulu contohmu sebelum diberikan.
2. Contoh terlalu mirip. Tiga contoh yang hampir identik tidak mengajari variasi; AI gagal saat inputnya sedikit berbeda. Variasikan contohmu.
3. Contoh mengandung kesalahan. AI meniru apa adanya, termasuk salah ketik dan logika keliru di contohmu. Periksa contoh seperti memeriksa kode produksi.
4. Memakai few-shot untuk pengetahuan, bukan pola. Contoh tidak bisa mengajari FAKTA baru ("perusahaanku berdiri tahun 2010"), untuk itu pakai context/RAG. Few-shot untuk POLA (format, gaya, struktur).

Rangkuman

Few-shot = tunjukkan pola lewat contoh, jangan jelaskan panjang lebar. Contoh yang bagus: konsisten format, beragam isi, mencakup variasi penting. Mulai dari 2, maksimal 5, taruh yang paling relevan terakhir. Dan ingat batasnya: contoh mengajari pola, bukan fakta.