Prompting Lanjutan

Analogi: Dari Memberi Perintah ke Melatih Asisten

Prompting dasar itu seperti memberi perintah ke asisten: "kerjakan ini". Prompting lanjutan itu seperti melatih asistenmu: kamu memberinya contoh cara kerja yang benar, menyuruhnya berpikir langkah demi langkah sebelum menjawab, dan membagi tugas besar jadi rantai langkah kecil. Hasilnya beda jauh: asisten yang dilatih memberi jawaban yang lebih akurat, lebih konsisten, dan lebih mudah kamu periksa.

Kenapa Naik Level Ini Penting

Untuk pertanyaan simpel ("apa itu variabel?"), prompting dasar sudah cukup. Tapi tugas ngoding nyata jarang simpel: debug error misterius, refactor kode berantakan, merancang struktur aplikasi. Di tugas kompleks, model cenderung "melompat ke jawaban" dan salah di tengah jalan. Tiga teknik di modul ini, few-shot, chain-of-thought, dan dekomposisi, adalah cara standar industri untuk menjinakkan tugas kompleks. Kuasai ini, dan kamu bisa memakai AI untuk pekerjaan yang orang lain kira "AI belum bisa".

Contoh 1: Few-Shot, Memberi Contoh Biar AI Meniru Pola

AI sangat pandai meniru pola dari contoh. Daripada menjelaskan panjang lebar format yang kamu mau, kasih 2-3 contoh langsung. Ini disebut few-shot prompting ("shot" = contoh).

Tugas: kamu mau AI mengubah kalimat error teknis jadi bahasa yang ramah pemula.

Ubah pesan error berikut jadi penjelasan ramah untuk pemula, dengan format: "Artinya: ... | Cara benerin: ..."

Contoh 1: Error: "TypeError: Cannot read properties of undefined" Artinya: kodenya mencoba membaca properti dari sesuatu yang kosong (undefined) | Cara benerin: cek variabelnya dengan console.log sebelum baris error, pastikan sudah ada isinya

Contoh 2: Error: "SyntaxError: Unexpected token '}'" Artinya: ada kurung kurawal tutup yang tidak punya pasangan | Cara benerin: hitung kurung buka dan tutup di fungsi itu, cari yang janggal

Sekarang giliranmu. Error: "ReferenceError: fetchData is not defined"

AI akan meniru format persis seperti contohmu. Teknik ini ampuh untuk: format output konsisten (nama variabel, gaya komentar, struktur dokumentasi), klasifikasi (menandai bug kritis vs ringan), dan transformasi teks apa pun. Aturan praktis: 2-3 contoh cukup; contoh harus beragam (jangan 3 contoh yang hampir sama).

Contoh 2: Chain-of-Thought + Dekomposisi untuk Debug

Tugas: kode fetch-mu error dan kamu tidak tahu kenapa. Jangan tanya "kenapa error", paksa AI berpikir bertahap (chain-of-thought) dan pecah tugasnya (dekomposisi).

Aku punya bug. Jangan langsung kasih solusi. Ikuti langkah ini: Langkah 1: baca kodeku di bawah dan tulis ulang apa yang kode ini coba lakukan, baris per baris. Langkah 2: daftar 3 kemungkinan penyebab error, urut dari paling mungkin. Langkah 3: untuk tiap kemungkinan, tulis 1 cara memverifikasinya (console.log apa, cek apa). Setelah itu berhenti. Jangan kasih solusi dulu.

[paste kode dan pesan error di sini]

Kenapa ini bekerja? Pertama, AI dipaksa memahami dulu sebelum menebak (langkah 1 menangkap salah paham lebih awal). Kedua, daftar kemungkinan mencegah ia terpaku di satu teori. Ketiga, "jangan kasih solusi dulu" memberimu ruang berpikir sendiri, kamu yang pilih teori mana yang mau diverifikasi. Setelah kamu verifikasi dan tahu penyebabnya, baru lanjut: "penyebabnya nomor 2, sekarang kasih solusi dengan penjelasan".

Dekomposisi juga berlaku untuk membangun fitur: jangan minta "buatkan aplikasi todo", tapi rantai: (1) "rancang struktur datanya", (2) "buatkan fungsi tambah/hapus dulu", (3) "sekarang tampilannya", (4) "tambahkan localStorage". Tiap langkah kamu verifikasi sebelum lanjut. Lebih lambat di awal, jauh lebih cepat di akhir karena bug tidak menumpuk.

Kesalahan Umum Pemula

1. Few-shot dengan contoh yang jelek. AI meniru contoh apa adanya, termasuk kesalahanmu. Kalau contohmu tidak konsisten, outputnya ikut tidak konsisten. Luangkan waktu bikin 2-3 contoh yang benar-benar bagus.
2. Chain-of-thought untuk hal sepele. Menyuruh AI "berpikir langkah demi langkah" untuk pertanyaan fakta sederhana cuma bikin jawaban bertele-tele. Pakai teknik ini khusus untuk penalaran: debug, perencanaan, perbandingan opsi.
3. Tetap satu prompt raksasa. Godaan terbesar: memasukkan semua teknik ke satu prompt 500 kata. Prompt raksasa sulit di-debug kalau hasilnya jelek. Lebih baik rantai pendek: prompt kecil, verifikasi, prompt lanjutan.
4. Tidak menyimpan prompt yang berhasil. Prompt bagus itu aset. Kalau sebuah rantai prompt menghasilkan debug yang akurat, simpan di catatan. Besok ada bug mirip, pakai ulang polanya.

Catatan teknis: Chain-of-thought bekerja karena model menghasilkan jawaban token per token: "pikiran" yang ia tulis menjadi konteks untuk kata-kata berikutnya. Dengan menuliskan penalaran dulu, ia memberi dirinya sendiri jejak logika untuk diikuti, mirip manusia yang berpikir sambil menulis. Few-shot bekerja karena pola contoh menggeser distribusi probabilitas token ke arah format yang kamu tunjukkan. Kedua teknik ini tidak mengubah pengetahuan model, hanya cara ia mengeluarkannya.

Rangkuman

Tiga senjata prompting lanjutan: few-shot (kasih contoh, jangan cuma jelaskan), chain-of-thought (paksa berpikir bertahap sebelum menjawab), dan dekomposisi (pecah tugas besar jadi rantai langkah terverifikasi). Untuk tugas simpel, prompting dasar cukup. Untuk tugas kompleks, tiga teknik ini yang membedakan hasil "lumayan" dan "bisa dipakai produksi".