Role Prompting

Inti Teknik: Kostum Mengubah Perilaku

"Berperanlah sebagai dokter." Satu kalimat itu mengubah cara AI menjawab: kosakatanya, kedalaman penjelasannya, bahkan hal yang ia prioritaskan. Role prompting = memberi AI identitas/peran sebelum tugas, sehingga ia "memakai sudut pandang" peran tersebut. Ini bukan sulap: model dilatih dengan jutaan teks dari berbagai peran (dokter, guru, engineer, auditor), dan menyebut peran mengaktifkan pola bahasa dan pengetahuan yang relevan.

Bedakan dengan system prompt (modul agent-prompting): role prompting adalah versi ringannya untuk chat sehari-hari, satu-dua kalimat di awal prompt.

Contoh 1: Peran Mengubah Kedalaman (Praktik)

Tanya hal yang sama dengan peran berbeda, rasakan bedanya:

Peran guru SD:

Berperan sebagai guru SD yang sabar. Jelaskan apa itu internet ke anak 10 tahun. Pakai analogi mainan dan maksimal 100 kata.

Hasil: bahasa sederhana, analogi konkret, pendek. Cocok saat kamu benar-benar butuh fondasi.

Peran senior engineer:

Berperan sebagai senior network engineer. Jelaskan apa itu internet, fokus ke paket data, routing, dan DNS. Aku sudah paham dasarnya, langsung ke teknis.

Hasil: padat istilah teknis, tidak ada basa-basi. Cocok saat kamu sudah punya fondasi.

Peran pewawancara kerja:

Berperan sebagai pewawancara teknis yang ketat. Tanya aku 3 pertanyaan tentang JavaScript closure, satu per satu. Setelah aku jawab, nilai jawabanku dengan jujur.

Hasil: AI berubah dari penjawab jadi penanya. Pola ini luar biasa untuk latihan: interview kerja, ujian lisan, debat argumen.

Pelajarannya: peran yang tepat menghemat 5 kalimat instruksi. Daripada menjelaskan "jelaskan dengan sederhana, pakai analogi, jangan terlalu teknis", cukup "berperan sebagai guru SD".

Contoh 2: Peran Spesialis untuk Tugas Spesifik (Praktik)

Untuk tugas profesional, peran spesialis memberi sudut pandang yang tidak didapat dari prompt generik:

Berperan sebagai auditor keamanan aplikasi web. Review fungsi login berikut dan cari celah keamanan. Untuk tiap temuan: nama celah, tingkat bahaya, dan cara eksploitasi sederhananya (agar aku paham bahayanya). [paste kode]

Bandingkan dengan prompt tanpa peran: "cek apakah kode ini aman." Yang pertama menghasilkan temuan spesifik (SQL injection di baris X, session fixation, dst); yang kedua memberi jawaban umum "kelihatannya aman, tapi...". Peran mengaktifkan "mode berpikir" spesialis yang ada di data latih.

Kombinasi kuat: multi-peran untuk keputusan. "Pertama berperan sebagai pendukung ide ini, beri 3 argumen terbaik. Lalu berperan sebagai penentang, beri 3 argumen terbaik. Terakhir, sebagai penasihat netral, beri rekomendasi." Kamu dapat analisis seimbang dalam satu prompt.

Catatan teknis: Role prompting bekerja lewat mekanisme yang sama dengan few-shot: menggeser distribusi token ke pola yang terkait peran tersebut. Efektivitasnya tergantung seberapa kaya representasi peran itu di data latih: "senior engineer" dan "guru" sangat kaya; "ahli kriptografi kuantum khusus lattice" lebih tipis. Batasan penting: peran TIDAK menambah pengetahuan faktual baru. "Berperan sebagai dokter" tidak membuat AI tahu rekam medismu; ia hanya mengubah GAYA penjelasan medis. Jangan tertipu: peran meyakinkan + pengetahuan nol = jawaban yang terdengar ahli tapi kosong. Verifikasi tetap wajib.

Kesalahan Umum

1. Peran terlalu umum. "Berperan sebagai ahli." Ahli apa? Semakin spesifik peran, semakin tajam polanya: "auditor keamanan web" > "ahli" > tanpa peran.
2. Berharap peran = pengetahuan baru. Peran mengubah sudut pandang dan gaya, bukan menambah fakta. Untuk fakta spesifik, tetap butuh konteks/RAG.
3. Peran yang bertentangan dengan tugas. "Berperan sebagai komedian, jelaskan error ini." Hasilnya lucu tapi tidak membantu debug. Sesuaikan peran dengan tujuan.
4. Lupa keluar dari peran. Setelah sesi "berperan sebagai kritikus pedas", mulai chat baru untuk tugas normal. Peran yang menempel di riwayat chat bisa mewarnai jawaban berikutnya tanpa kamu sadari.

Rangkuman

Role prompting = satu-dua kalimat peran yang mengaktifkan sudut pandang, kedalaman, dan gaya yang tepat. Spesifik mengalahkan umum, peran menghemat instruksi panjang, dan multi-peran memberi analisis seimbang. Ingat batasnya: peran membentuk CARA menjawab, bukan menambah PENGETAHUAN.