Panduan Teknik Prompt Engineering OpenAI: Menguasai ChatGPT untuk Aplikasi Lanjutan

Mengenal Teknik Prompt Engineering

Teknik prompt engineering adalah seni dan ilmu dalam merancang input (prompt) untuk mendapatkan output yang diinginkan dari model AI seperti ChatGPT. Ini adalah keterampilan yang sangat penting untuk memaksimalkan efektivitas model-model ini.

ChatGPT, yang dibangun atas arsitektur GPT-3 dan GPT-4 OpenAI, telah berkembang secara signifikan, menjadi lebih responsif dan sadar konteks. Memahami evolusi ini adalah kunci untuk menguasai teknik prompt engineering.

Seperti seorang konduktor yang terampil memimpin orkestra, teknik prompt engineering memungkinkan kita untuk mengarahkan model-model ini untuk melakukan tugas-tugas yang kompleks, dari membuat dokumen teknis yang terperinci hingga menghasilkan konten yang kreatif dan menarik. Panduan ini akan membantu Anda memahami strategi dan taktik yang dapat mengubah interaksi Anda dengan AI, meningkatkan interaksi dari pertukaran dasar menjadi percakapan yang nuansa dan bermakna.

Pertimbangkan perbedaan antara bertanya, “Bagaimana cara menambahkan angka di Excel?” dan “Bagaimana cara menambahkan angka di Excel secara otomatis dengan total yang ditampilkan di sebelah kanan dalam kolom ‘Total’?” Prompt yang lebih terperinci, meninggalkan sedikit interpretasi AI, mengarah ke respons yang lebih akurat dan bermanfaat. Demikian pula, memahami penggunaan persona, delimiter, dan instruksi langkah demi langkah dapat secara signifikan mempengaruhi kualitas output AI, terutama untuk tugas yang kompleks.

Panduan ini tentang teknik prompt engineering tidak hanya akan membahas aspek teoretis, tetapi juga menyediakan contoh-contoh praktis. Anda akan belajar bagaimana menggunakan taktik seperti menyediakan teks referensi untuk mengarahkan AI menjauhi fabrikasi, atau bagaimana memecah tugas yang kompleks menjadi sub-tugas yang lebih sederhana untuk mendapatkan hasil yang lebih akurat.

1. Klaritas dan Detail

Membuat prompt yang efektif untuk model AI seperti GPT-4 memerlukan kombinasi presisi, konteks, dan klaritas. Perbedaan antara prompt yang tidak efektif dan yang terstruktur dengan baik dapat menjadi perbedaan antara respons yang samar dan respons yang sangat relevan dan spesifik.

Contoh 1: Menggunakan Pemahaman Bahasa ChatGPT untuk Pertanyaan Teknis

• Prompt Tidak Efektif: “Bagaimana cara memperbaiki bug di kode saya?”
  • Output AI: “Untuk memperbaiki bug di kode Anda, Anda perlu terlebih dahulu mengidentifikasi bug, memahami mengapa itu terjadi, dan kemudian memodifikasi kode untuk memperbaikinya.”
• Prompt Teknis yang Efektif: “Saya sedang membuat kode di Python dan mendapatkan ‘KeyError’ saat mencoba mengakses dictionary. Potongan kode adalah: [potongan kode]. Apa yang menyebabkan kesalahan ini dan bagaimana cara memperbaikinya?”
  • Output AI: “Kesalahan ‘KeyError’ di kode Python Anda kemungkinan disebabkan oleh upaya mengakses kunci di dictionary yang tidak ada. Berikut cara memodifikasi kode Anda untuk menangani kesalahan ini: [Potongan kode yang dimodifikasi dengan penjelasan].”

Contoh 2: Penulisan Kreatif dengan Imitasi Gaya

• Prompt Tidak Efektif: “Tulislah sebuah cerita pendek.”
  • Output AI: “Pada suatu hari, di sebuah negeri yang jauh, ada sebuah kerajaan yang menghadapi bahaya besar…”
• Prompt Imitasi Gaya yang Efektif: “Tulislah sebuah cerita pendek dengan gaya Ernest Hemingway, fokus pada percakapan antara dua teman lama yang bertemu secara tidak sengaja.”
  • Output AI: “Matahari bersinar di jalan berdebu tempat Jack dan Tom, dua teman lama, bertemu secara kebetulan. ‘Sudah bertahun-tahun,’ kata Jack, suaranya kering seperti udara. ‘Tahun-tahun sejak perang,’ jawab Tom. [Cerita berlanjut dengan gaya Hemingway yang singkat dan dialog-driven].”

Contoh 3: Saran Perjalanan

• Prompt Tidak Efektif: “Apa yang harus saya lakukan di Paris?”
  • Output AI: “Di Paris, Anda dapat mengunjungi landmark seperti Menara Eiffel, Museum Louvre, dan Katedral Notre-Dame.”
• Prompt yang Efektif: “Saya akan mengunjungi Paris selama tiga hari ini musim panas dengan fokus pada seni dan sejarah. Bisakah Anda menyarankan itinerary yang terperinci?”
  • Output AI: “Hari 1: Kunjungi Museum Louvre di pagi hari, diikuti dengan berjalan ke Katedral Notre-Dame. [Itinerary yang lebih terperinci mengikuti].”

Wawasan untuk Membuat Prompt yang Lebih Baik

1. Spesifisitas: Jadilah spesifik mungkin. Semakin terperinci prompt Anda, semakin disesuaikan responsnya akan menjadi.
2. Informasi Kontekstual: Sertakan semua konteks yang relevan. Ini membantu AI memahami sifat pasti dari permintaan Anda.
3. Tujuan yang Jelas: Nyatakan dengan jelas apa yang Anda harapkan sebagai output. Apakah itu resep, rencana perjalanan, atau solusi teknis, buat tujuan Anda jelas.
4. Hindari Ambiguitas: Prompt yang ambigu mengarah ke respons generik. Jelaskan permintaan Anda untuk mendapatkan jawaban yang tepat.
5. Gunakan Format yang Dikenal: Jika berlaku, minta informasi dalam format tertentu, seperti daftar, panduan langkah demi langkah, atau diagram.

2. Meningkatkan Respons AI dengan Referensi

Penggunaan strategis teks referensi dalam teknik prompt engineering dapat meningkatkan secara signifikan kualitas dan akurasi respons dari model AI seperti GPT-4. Dengan menyediakan informasi yang relevan dan tepercaya bersama dengan pertanyaan Anda, Anda dapat mengarahkan AI untuk menyusun jawaban berdasarkan materi yang diberikan, membuat respons lebih dapat diandalkan dan akurat dalam konteks.

Contoh 1: Penjelasan Ilmiah

• Prompt Konvensional: “Bagaimana terbentuknya lubang hitam?”
  • Output AI: “Lubang hitam terbentuk dari sisa-sisa bintang besar yang mati dalam ledakan supernova. Jika massa inti cukup, maka ia runtuh di bawah gravitasi menjadi lubang hitam.”
• Prompt yang Ditingkatkan dengan Teks Referensi:
  • Teks Referensi yang Disediakan: “[Makalah ilmiah tentang evolusi bintang dan lubang hitam]”
  • Prompt: “Menggunakan informasi dari makalah ilmiah yang disediakan, jelaskan proses pembentukan lubang hitam.”
  • Output AI: “Berdasarkan makalah ilmiah yang disediakan, lubang hitam terbentuk ketika bintang masif kehabisan bahan bakar nuklir dan intinya runtuh. Makalah tersebut menjelaskan: [‘Cuplikan relevan dari makalah’]”

Contoh 2: Interpretasi Hukum

• Prompt Konvensional: “Apa implikasi hukum dari pencurian hak cipta?”
  • Output AI: “Pencurian hak cipta dapat mengarah ke konsekuensi hukum seperti gugatan, denda, dan dalam kasus yang parah, penjara.”
• Prompt yang Ditingkatkan dengan Teks Referensi:
  • Teks Referensi yang Disediakan: “[Artikel jurnal hukum tentang hukum hak cipta]”
  • Prompt: “Mengacu pada artikel jurnal hukum yang disediakan, jelaskan implikasi hukum spesifik dari pencurian hak cipta.”
  • Output AI: “Artikel jurnal hukum menyatakan bahwa pencurian hak cipta dapat mengakibatkan litigasi perdata, ganti rugi statutori, dan biaya pengacara. Secara khusus, artikel tersebut menyebutkan: [‘Kutipan langsung dari artikel’]”

Wawasan untuk Menggunakan Teks Referensi dalam Prompt

1. Pilih Teks yang Relevan: Pilih teks referensi yang langsung relevan dengan pertanyaan Anda.
2. Spesifikasi Prompt: Instruksikan AI dengan jelas untuk menggunakan teks referensi yang disediakan dalam menyusun jawabannya.
3. Kutipan: Minta AI untuk mengutip bagian spesifik dari teks referensi dalam responsnya untuk keakuratan dan verifikasi.
4. Mengatasi Informasi yang Tidak Cukup: Instruksikan AI untuk secara jelas menyatakan jika teks yang disediakan tidak mengandung informasi yang diperlukan untuk menjawab pertanyaan.

3. Meningkatkan Tugas yang Kompleks dengan Pembagian Subtugas

Kunci untuk menangani tugas yang kompleks dengan model AI seperti GPT-4 terletak pada memecahnya menjadi subtugas yang lebih sederhana. Pendekatan ini tidak hanya mempermudah proses tetapi juga meningkatkan akurasi dan relevansi respons AI. Di bawah ini, kami menunjukkan strategi ini melalui contoh-contoh spesifik, menyoroti keuntungan menggunakan klasifikasi intent, teknik ringkasan, dan percakapan terstruktur untuk pertanyaan yang kompleks.

Contoh 1: Pertanyaan Layanan Pelanggan

• Pendekatan Tidak Efektif: Prompt tunggal yang meminta bantuan umum.
  • Prompt Pengguna: “Saya mengalami masalah dengan akun saya.”
  • Output AI: “Tolong spesifikkan sifat masalah akun Anda.”
• Pendekatan yang Efektif: Mengklasifikasikan pertanyaan ke dalam kategori dan memberikan bantuan yang ditargetkan.
  • Prompt Pengguna: “Saya mengalami masalah mengakses akun saya.”
  • Directif AI: “Klasifikasikan pertanyaan ke ‘Manajemen Akun’, kemudian tawarkan langkah-langkah spesifik untuk memecahkan masalah akses.”
  • Output AI: “Tampaknya Anda mengalami kesulitan mengakses akun Anda. Mari kita mulai dengan mereset password Anda. [Diikuti dengan langkah-langkah terperinci].”

Contoh 2: Ringkasan Dokumen Panjang

• Pendekatan Tidak Efektif: Mencoba meringkas dokumen panjang sekaligus.
  • Prompt Pengguna: “Ringkaslah buku ini yang berjumlah 300 halaman untuk saya.”
  • Output AI: “Maaf, saya tidak dapat memproses dokumen sepanjang itu.”
• Pendekatan yang Efektif: Meringkas dokumen secara bertahap dan mengonstruksi ringkasan penuh secara rekursif.
  • Directif AI: “Ringkaslah setiap bab secara terpisah, kemudian buatlah ringkasan dari ringkasan, melanjutkan secara rekursif.”
  • Prompt Pengguna: “Ringkaslah bab 1 dari buku ini.”
  • Output AI: “Ringkasan Bab 1: [Ringkasan singkat dari bab 1].”
  • Proses Lanjutan: Proses yang sama diterapkan untuk setiap bab, diikuti dengan ringkasan akhir yang menggabungkan semua ringkasan individu.

Manfaat dari Pembagian Subtugas dan Teknik Prompt Engineering Kontekstual

1. Akurasi yang Lebih Tinggi: Dengan fokus pada aspek spesifik dari tugas yang kompleks, AI dapat memberikan respons yang lebih akurat dan relevan.
2. Efisiensi yang Ditingkatkan: Memecah tugas menjadi subtugas membuatnya lebih mudah dikelola dan mengurangi kemungkinan kesalahan atau output yang tidak relevan.
3. Pengalaman Pengguna yang Lebih Baik: Pengguna menerima panduan yang ditargetkan dan langkah demi langkah, yang lebih membantu daripada respons generik.
4. Biaya yang Efektif: Prompt yang lebih kecil dan ditargetkan dapat lebih hemat biaya dibandingkan dengan prompt yang lebih besar dan lebih kompleks.

4. Memberi GPT Waktu untuk Berpikir

Strategi memberi model waktu untuk “berpikir” dan memecah tugas yang kompleks menjadi langkah-langkah yang dapat dikelola secara signifikan meningkatkan kualitas respons dari model AI seperti GPT-4.

Contoh 1: Evaluasi Masalah Matematika

• Pendekatan Tidak Efektif: Langsung meminta model untuk mengevaluasi solusi siswa.
  • Prompt Pengguna: “Apakah solusi siswa untuk masalah matematika ini benar?”
  • Output AI: “Solusi siswa tampaknya benar/tidak benar.”
• Pendekatan yang Efektif: Menginstruksikan model untuk terlebih dahulu menyelesaikan masalahnya sendiri sebelum mengevaluasi solusi siswa.
  • Prompt Pengguna: “Pertama, selesaikan masalah matematika ini. Kemudian, bandingkan solusi Anda dengan solusi siswa dan evaluasi kebenarannya.”
  • Output AI: “Solusi saya: [Solusi terperinci]. Dibandingkan dengan solusi siswa, saya menemukan kesalahan dalam perhitungan [bagian spesifik]. Pendekatan yang benar harusnya [metode yang benar].”

Contoh 2: Analisis Dokumen

• Pendekatan Tidak Efektif: Mencoba menganalisis dokumen panjang sekaligus.
  • Prompt Pengguna: “Ringkaslah poin-poin kunci dari dokumen ini.”
  • Output AI: “Maaf, saya tidak dapat memproses dokumen sepanjang itu.”
• Pendekatan yang Efektif: Mengeluarkan cuplikan secara berurutan dan pertanyaan lanjutan untuk analisis yang komprehensif.
  • Prompt Pengguna: “Keluarlah cuplikan kunci dari dokumen ini yang terkait dengan [topik spesifik].”
  • Output AI: “Cuplikan 1: [Cuplikan relevan]. Cuplikan 2: [Cuplikan lain yang relevan].”
  • Prompt Lanjutan Pengguna: “Apakah ada cuplikan lain? Pastikan mereka mengandung konteks penuh.”
  • Output AI: “Cuplikan Tambahan: [Cuplikan relevan lainnya].”

Manfaat dan Wawasan

1. Kedalaman Analisis: Dengan menyelesaikan solusi atau analisis terlebih dahulu, AI dapat memberikan evaluasi yang lebih akurat dan mendalam.
2. Pembelajaran yang Dipandu: Dalam skenario tutor, penggunaan monolog internal dan petunjuk mendorong siswa untuk mencapai solusi secara mandiri, meningkatkan pengalaman belajar mereka.
3. Cakupan yang Komprehensif: Untuk analisis dokumen, pendekatan berurutan dan rekursif memastikan cakupan yang menyeluruh tanpa melewatkan detail penting.
4. Menghindari Bias: Dengan menghasilkan solusi sendiri terlebih dahulu, AI menghindari bias yang mungkin timbul dari mengevaluasi jawaban yang diberikan secara langsung.

5. Menggunakan Alat Eksternal

Mengintegrasikan alat dan sumber daya eksternal ke dalam interaksi AI dapat meningkatkan secara signifikan akurasi dan relevansi respons yang dihasilkan oleh model seperti GPT-4. Bagian ini menunjukkan penggunaan pencarian berbasis embeddings untuk pengambilan pengetahuan, eksekusi kode untuk perhitungan yang akurat, dan panggilan fungsi untuk meningkatkan kemampuan model AI.

Contoh 1: Perhitungan Akurat dengan Eksekusi Kode

• Tanpa Eksekusi Kode: Mengandalkan kemampuan perhitungan model saja.
  • Prompt Pengguna: “Hitung akar kuadrat dari 529.”
  • Output AI: “Akar kuadrat dari 529 adalah sekitar 23.”
• Dengan Eksekusi Kode: Memastikan presisi dalam perhitungan.
  • Prompt Pengguna: “Hitung akar kuadrat dari 529.”
  • Directif AI: “Tulis dan jalankan kode Python untuk menghitung ini.”
  • Output AI: “python import math math.sqrt(529) Akar kuadrat dari 529 adalah tepat 23.”

Contoh 2: Menggunakan Panggilan API untuk Interaksi Dinamis

• Tanpa Panggilan API: Terbatas pada respons statis yang diprogram sebelumnya.
  • Prompt Pengguna: “Kirim pengingat kepada teman saya tentang pertemuan besok.”
  • Output AI: “Pengingat: Jangan lupa mengirim pesan kepada teman Anda tentang pertemuan besok.”
• Dengan Panggilan API: Berinteraksi dengan sistem eksternal untuk tindakan waktu nyata.
  • Prompt Pengguna: “Kirim pengingat kepada teman saya, John, tentang pertemuan besok.”
  • Directif AI: “Gunakan API pesan untuk mengirim pengingat.”
  • Output AI: “python import message message.write(to='John', message='Hai, ingat pertemuan besok!') Pengingat dikirim kepada John tentang pertemuan besok.”

Manfaat dan Wawasan

1. Basis Pengetahuan yang Diperluas: Dengan menggunakan pencarian berbasis embeddings, AI dapat mengakses dan mengintegrasikan berbagai informasi mutakhir, meningkatkan relevansi dan akurasi responsnya.
2. Presisi dalam Perhitungan: Eksekusi kode memungkinkan AI untuk melakukan perhitungan matematika yang akurat, sangat berguna dalam konteks teknis atau ilmiah.
3. Kemampuan Interaktif: Panggilan API memungkinkan AI untuk berinteraksi dengan sistem eksternal, memfasilitasi tindakan dunia nyata seperti mengirim pesan atau mengatur pengingat.

6. Pengujian Sistematis

Pengujian sistematis, atau prosedur evaluasi, sangat penting dalam menentukan efektivitas perubahan dalam sistem AI. Pendekatan ini melibatkan membandingkan output model dengan standar yang telah ditentukan sebelumnya atau jawaban “emas” untuk menilai akurasi.

Contoh 1: Mengidentifikasi Kontradiksi dalam Jawaban

• Skenario Pengujian: Mendeteksi kontradiksi dalam respons model dibandingkan dengan jawaban ahli.
  • Directif Sistem: Tentukan apakah respons model bertentangan dengan bagian mana pun dari jawaban ahli.
  • Input Pengguna: “Neil Armstrong menjadi orang kedua yang berjalan di bulan, setelah Buzz Aldrin.”
  • Proses Evaluasi: Sistem memeriksa konsistensi dengan jawaban ahli yang menyatakan Neil Armstrong sebagai orang pertama di bulan.
  • Output Model: Respons model secara langsung bertentangan dengan jawaban ahli, menunjukkan kesalahan.

Contoh 2: Membandingkan Tingkat Detail dalam Jawaban

• Skenario Pengujian: Menilai apakah jawaban model sesuai dengan, melebihi, atau kurang dari jawaban ahli dalam hal detail.
  • Directif Sistem: Bandingkan kedalaman informasi antara respons model dan jawaban ahli.
  • Input Pengguna: “Neil Armstrong pertama kali berjalan di bulan pada 21 Juli 1969, pukul 02:56 UTC.”
  • Proses Evaluasi: Sistem menilai apakah respons model memberikan detail lebih, sama, atau kurang dibandingkan dengan jawaban ahli.
  • Output Model: Respons model memberikan detail tambahan (waktu yang tepat), yang sesuai dengan dan memperluas jawaban ahli.

Manfaat dan Wawasan

1. Akurasi dan Keandalan: Pengujian sistematis memastikan bahwa respons model AI akurat dan dapat diandalkan, terutama ketika menangani informasi faktual.
2. Deteksi Kesalahan: Ini membantu dalam mengidentifikasi kesalahan, kontradiksi, atau inkonsistensi dalam respons model.
3. Jaminan Kualitas: Pendekatan ini sangat penting untuk mempertahankan standar kualitas yang tinggi dalam konten yang dihasilkan AI, terutama dalam konteks pendidikan, sejarah, atau konteks sensitif fakta lainnya.

Kesimpulan dan Pesan

Melalui contoh dan strategi yang dibahas, kita telah melihat bagaimana spesifisitas dalam prompt dapat secara dramatis mengubah output, dan bagaimana memecah tugas yang kompleks menjadi subtugas yang lebih sederhana dapat membuat tantangan yang menakutkan menjadi lebih mudah dikelola. Kami telah mengeksplorasi kekuatan alat eksternal dalam meningkatkan kemampuan AI dan pentingnya pengujian sistematis dalam memastikan keandalan dan akurasi respons AI. Kunjungi Panduan Teknik Prompt Engineering OpenAI untuk pengetahuan dasar yang melengkapi eksplorasi kami tentang teknik dan strategi lanjutan untuk mengoptimalkan interaksi AI.