Prompt Chaining

Inti Teknik: Pabrik Mini, Bukan Tukang Serba Bisa

Bayangkan pabrik: bahan mentah melewati stasiun 1 (potong), stasiun 2 (rakit), stasiun 3 (cat), tiap stasiun fokus satu hal dan hasilnya diperiksa sebelum lanjut. Prompt chaining = memecah tugas besar menjadi rantai prompt kecil, di mana output satu prompt menjadi input prompt berikutnya. Lawannya: satu prompt raksasa yang menyuruh AI melakukan semuanya sekaligus.

Kenapa rantai menang? Tiga alasan: (1) fokus: tiap prompt punya satu tugas jelas, AI tidak terpecah perhatiannya; (2) verifikasi: kamu bisa memeriksa output tiap stasiun sebelum lanjut, bug tertangkap dini; (3) perbaikan lokal: kalau stasiun 3 gagal, kamu ulangi stasiun 3 saja, bukan semuanya dari nol.

Contoh 1: Rantai Membuat Artikel (Praktik)

Tugas: buat artikel tutorial 500 kata tentang localStorage.

Prompt raksasa (jangan): "Buatkan artikel 500 kata tentang localStorage untuk pemula dengan contoh kode." Hasilnya: campur aduk, struktur lemah, contoh kode kadang salah, dan kalau ada yang jelek kamu harus mengulang semuanya.

Rantai (lakukan):

Prompt 1 (kerangka): "Buatkan kerangka artikel tentang localStorage untuk pemula: 5 subjudul dengan 1 kalimat penjelasan tiap subjudul. Jangan tulis isi artikelnya."

Cek kerangkanya. Bagus? Lanjut.

Prompt 2 (isi per bagian): "Kembangkan subjudul 1 dan 2 dari kerangka ini menjadi 150 kata tiap bagian, bahasa santai: [paste kerangka yang disetujui]"

Cek. Lanjut per bagian.

Prompt 3 (contoh kode): "Untuk bagian 3 (menyimpan data), buatkan 1 contoh kode JavaScript 15 baris dengan komentar. Kode harus bisa jalan di console browser."

Prompt 4 (review): "Baca artikel lengkap ini. Cari: inkonsistensi istilah, klaim yang salah, dan bagian yang membingungkan pemula. Daftar temuannya saja: [paste artikel]"

Tiap stasiun bisa diverifikasi dan diperbaiki independen. Total waktu mungkin sama, tapi kualitas jauh lebih tinggi dan kamu memegang kendali penuh.

Contoh 2: Rantai untuk Tugas Coding (Praktik)

Tugas: tambah fitur pencarian ke daftar produk.

Rantai 1 (pahami): "Baca file products.html ini dan jelaskan strukturnya dalam 5 bullet: di mana daftar produk di-render, format datanya apa. [paste file]" Rantai 2 (rencana): "Berdasarkan struktur itu, ajukan rencana implementasi fitur pencarian (input + filter). 4 langkah maksimal, jangan tulis kode." Rantai 3 (implementasi per langkah): "Kerjakan langkah 1 saja dari rencana yang disetujui." Rantai 4 (test): "Untuk kode yang baru dibuat, daftar 3 cara mengujinya + hasil yang diharapkan tiap cara." Rantai 5 (review): "Review kode final dari sudut keamanan dan performa. Daftar temuan saja."

Pola ini adalah versi manual dari cara kerja AI agent (modul ai-agent-pengenalan): agent pada dasarnya menjalankan prompt chaining otomatis. Dengan menguasai versi manual, kamu memahami apa yang dilakukan agent dan bisa mengawasinya dengan cerdas.

Catatan teknis: Prompt chaining manual vs otomatis punya trade-off. Manual (kamu menjalankan tiap rantai): kontrol penuh, tapi lambat dan melelahkan untuk rantai panjang. Otomatis (skrip/workflow tools seperti LangChain, atau agent): cepat, tapi butuh handling error (kalau stasiun 2 gagal, rantai berhenti atau ngawur?). Praktik profesional: rantai otomatis untuk alur yang sudah stabil dan teruji, rantai manual untuk eksplorasi dan tugas baru. Dan satu prinsip desain rantai: buat tiap stasiun idempoten (bisa diulang tanpa efek samping) dan beri validasi output (format yang diharapkan jelas, misal "jawab hanya dalam JSON") agar stasiun berikutnya tidak menerima sampah.

Kesalahan Umum

1. Rantai terlalu panjang. 10 stasiun untuk tugas sederhana = over-engineering. Mulai dari 3-4 stasiun, tambah hanya kalau ada masalah yang terbukti.
2. Tidak memvalidasi antar stasiun. Langsung copy output stasiun 1 ke prompt stasiun 2 tanpa baca = rantai hanya formalitas. Verifikasi tiap sambungan.
3. Stasiun yang kabur. "Perbaiki artikelnya" bukan stasiun yang baik. "Cek konsistensi istilah X vs Y" adalah stasiun yang baik. Tiap rantai harus punya tugas tunggal yang jelas.
4. Konteks menumpuk tak terkendali. Tiap rantai membawa output sebelumnya; rantai panjang = konteks raksasa. Ringkas output stasiun awal sebelum dipakai di stasiun akhir ("ringkas kerangka ini jadi 3 bullet untuk dipakai di prompt berikutnya").

Rangkuman

Prompt chaining = pabrik mini: pecah tugas besar jadi stasiun-stasiun kecil yang outputnya bersambung, verifikasi tiap sambungan. Hasilnya lebih berkualitas dan terkendali dibanding prompt raksasa. Ini juga fondasi cara berpikir agent dan workflow otomatis: kuasai versi manualnya, dan versi otomatisnya akan terasa alami.