Learning / Pengantar
Dasar-Dasar Prompting
Memberi Prompt ke LLM
Kamu bisa mencapai banyak hal dengan prompt sederhana, tapi kualitas hasilnya bergantung pada seberapa banyak informasi yang kamu berikan dan seberapa baik prompt itu disusun. Sebuah prompt bisa berisi informasi seperti instruksi atau pertanyaan yang kamu berikan ke model, serta detail lain seperti konteks, input, atau contoh. Kamu bisa memakai elemen-elemen ini untuk memberi instruksi ke model dengan lebih efektif sehingga kualitas hasilnya meningkat.
Yuk, mulai dengan melihat contoh dasar dari sebuah prompt sederhana:
Prompt:
Langit itu
Output:
biru.
Kalau kamu memakai OpenAI Playground atau playground LLM lainnya, kamu bisa memberi prompt ke model seperti terlihat pada screenshot berikut:

Berikut tutorial untuk mulai memakai OpenAI Playground:
Satu hal yang perlu dicatat: saat memakai model chat OpenAI seperti gpt-3.5-turbo atau gpt-4, kamu bisa menyusun prompt dengan tiga peran berbeda: system, user, dan assistant. Pesan system tidak wajib, tapi membantu mengatur perilaku assistant secara keseluruhan. Contoh di atas hanya berisi pesan user yang bisa kamu pakai untuk langsung memberi prompt ke model. Supaya sederhana, semua contoh, kecuali disebutkan secara eksplisit, hanya akan memakai pesan user untuk memberi prompt ke model gpt-3.5-turbo. Pesan assistant pada contoh di atas adalah respons model. Kamu juga bisa menentukan pesan assistant untuk memberikan contoh perilaku yang kamu inginkan. Kamu bisa belajar lebih lanjut soal bekerja dengan model chat di sini.
Dari contoh prompt di atas, kamu bisa lihat bahwa model bahasa merespons dengan rangkaian token yang masuk akal berdasarkan konteks "Langit itu". Output-nya bisa saja tidak terduga atau jauh dari tugas yang ingin kamu capai. Justru contoh dasar ini menunjukkan perlunya memberi lebih banyak konteks atau instruksi tentang apa yang sebenarnya ingin kamu capai dengan sistem tersebut. Inilah inti dari prompt engineering.
Coba kita perbaiki sedikit:
Prompt:
Lengkapi kalimat berikut:
Langit itu
Output:
biru di siang hari dan gelap di malam hari.
Lebih baik, kan? Dengan prompt di atas, kamu memberi instruksi ke model untuk melengkapi kalimat, jadi hasilnya terlihat jauh lebih baik karena model mengikuti persis apa yang kamu suruh ("lengkapi kalimat berikut"). Pendekatan merancang prompt yang efektif untuk menyuruh model mengerjakan tugas yang diinginkan inilah yang di panduan ini disebut prompt engineering.
Contoh di atas adalah gambaran dasar tentang apa yang bisa dilakukan LLM saat ini. LLM masa kini mampu mengerjakan berbagai tugas tingkat lanjut, mulai dari meringkas teks, penalaran matematika, sampai membuat kode.
Format Prompt
Kamu sudah mencoba prompt yang sangat sederhana di atas. Prompt standar punya format seperti ini:
<Question>?
atau
<Instruction>
Kamu bisa mengubahnya ke format tanya-jawab (QA), yang menjadi standar di banyak dataset QA, seperti ini:
Q: <Question>?
A:
Prompting seperti di atas juga disebut zero-shot prompting, artinya kamu langsung meminta respons dari model tanpa memberi contoh atau demonstrasi apa pun tentang tugas yang ingin dicapai. Sebagian large language model (LLM) mampu melakukan zero-shot prompting, tapi itu tergantung pada kerumitan dan pengetahuan yang dibutuhkan tugasnya, serta tugas-tugas yang memang dilatihkan ke model agar dikuasai dengan baik.
Contoh prompt konkretnya seperti ini:
Prompt:
Q: Apa itu prompt engineering?
Pada beberapa model yang lebih baru, kamu bisa melewati bagian "Q:" karena model sudah memahaminya secara tersirat sebagai tugas tanya-jawab berdasarkan cara rangkaian teksnya disusun. Dengan kata lain, prompt-nya bisa disederhanakan menjadi:
Prompt:
Apa itu prompt engineering?
Berdasarkan format standar di atas, salah satu teknik prompting yang populer dan efektif adalah few-shot prompting, yaitu kamu memberikan contoh (demonstrasi). Kamu bisa menyusun prompt few-shot seperti ini:
<Question>?
<Answer>
<Question>?
<Answer>
<Question>?
<Answer>
<Question>?
Versi format QA-nya akan terlihat seperti ini:
Q: <Question>?
A: <Answer>
Q: <Question>?
A: <Answer>
Q: <Question>?
A: <Answer>
Q: <Question>?
A:
Ingat, kamu tidak wajib memakai format QA. Format prompt bergantung pada tugas yang sedang dikerjakan. Misalnya, kamu bisa mengerjakan tugas klasifikasi sederhana dan memberi contoh yang mendemonstrasikan tugasnya seperti ini:
Prompt:
Ini keren banget! // Positif
Ini jelek! // Negatif
Wah, film itu mantap! // Positif
Pertunjukan yang mengerikan! //
Output:
Negatif
Prompt few-shot memungkinkan in-context learning, yaitu kemampuan model bahasa untuk mempelajari tugas dari beberapa demonstrasi. Kita akan membahas zero-shot prompting dan few-shot prompting lebih dalam di bagian-bagian berikutnya.