prompt, rekayasa prompt, Prompt Engineering, prompt - Alibaba Cloud Model Studio

Prompt adalah teks yang Anda berikan kepada model bahasa besar (LLM) untuk mendefinisikan secara jelas masalah atau tugas yang ingin diselesaikan. Prompt menjadi fondasi agar LLM memahami maksud Anda dan menghasilkan tanggapan atau konten yang relevan serta akurat. Untuk membantu Anda menggunakan LLM secara lebih efisien, panduan ini menyediakan teknik praktis untuk merancang dan mengoptimalkan prompt.

Rancang Prompt

Buat prompt yang jelas dan spesifik

Bayangkan memberi tugas kepada rekan kerja hanya dengan satu kalimat. Hasilnya mungkin tidak sesuai harapan Anda. Namun, jika Anda menambahkan konteks—seperti tujuan, arahan pemikiran yang disarankan, dan strategi pelaksanaan—kemungkinan besar rekan tersebut akan menghasilkan pekerjaan berkualitas tinggi.

Menggunakan LLM bekerja dengan cara yang sama. Semakin jelas, spesifik, dan tidak ambigu prompt Anda, semakin baik kinerja LLM.

Catatan

Membuat prompt yang jelas dan spesifik merupakan langkah terpenting untuk membuka potensi penuh LLM.

Prompt samar

Prompt jelas dan spesifik

Saya ingin mempromosikan produk baru perusahaan saya. Perusahaan saya adalah Alibaba Cloud Model Studio. Produk baru kami adalah Zephyr Z9—smartphone ringan dan portabel. Bantu saya menulis postingan Weibo.

Buat postingan Weibo yang menarik untuk mempromosikan produk terbaru Alibaba Cloud Model Studio: smartphone ringan dan portabel Zephyr Z9.

Soroti poin penjualan unik Zephyr Z9—desain ultra-tipis, spesifikasi berkinerja tinggi, dan kemudahan penggunaan—serta sertakan elemen kreatif untuk meningkatkan minat dan keterlibatan audiens.

Sebutkan reputasi merek Alibaba Cloud Model Studio untuk memicu rasa penasaran dan mendorong pengguna menjelajahi detail produk lebih lanjut atau melakukan pembelian.

Buat postingan tetap ringkas dan kuat. Sesuaikan dengan nada dan batas karakter Weibo agar efektif dibagikan di media sosial.

Anda adalah developer PHP ahli. Anda telah menerima tugas pengembangan yang jelas: ${require}. Jelaskan secara detail algoritma atau metode berbasis PHP untuk memenuhi kebutuhan ini. Pertimbangkan kasus tepi dan penanganan error selama implementasi. Gunakan kode yang efisien dan aman.

Anda adalah developer PHP berpengalaman yang menghadapi tugas pengembangan spesifik: ${require}.

Gunakan keahlian Anda untuk menjelaskan algoritma atau metodologi berbasis PHP yang efisien guna memenuhi kebutuhan ini.

Penjelasan Anda harus mencakup hal-hal berikut:

- Langkah implementasi, termasuk pemilihan dan desain fungsi, kelas, serta struktur data.

- Analisis kasus tepi: identifikasi dan jelaskan potensi kasus tepi serta cara menanganinya dengan tepat.

- Penanganan error: jelaskan logika deteksi error dan penanganan exception yang kuat untuk memastikan stabilitas.

- Pertimbangan keamanan: bahas ancaman keamanan yang mungkin terjadi dan tindakan pengamanan yang direkomendasikan untuk melindungi data dan privasi selama eksekusi.

- Optimasi kinerja: berikan saran untuk meningkatkan efisiensi eksekusi—termasuk tuning algoritma, manajemen sumber daya, dan kebijakan cache.

Pastikan jawaban Anda akurat secara teknis, terstruktur dengan baik, dan mudah dipahami sehingga developer lain dapat dengan cepat memahami dan menerapkannya dalam proyek nyata.

Gunakan framework prompt

Untuk memberikan konteks dan tujuan yang jelas secara sistematis kepada LLM, gunakan framework prompt guna menstandarkan prompt Anda. Framework ini membantu Anda merancang struktur prompt dengan cepat dan mudah. Framework tersebut mencakup semua faktor utama yang memengaruhi relevansi dan efektivitas output—dan secara signifikan meningkatkan kinerja model.

Komponennya adalah:

Latar Belakang: Berikan informasi latar belakang yang terkait erat dengan tugas. Ini membantu LLM memahami konteks secara mendalam dan memastikan output-nya tetap sangat relevan.
Tujuan: Nyatakan tugas spesifik yang ingin diselesaikan oleh LLM. Instruksi yang jelas dan tepat membuat LLM tetap fokus dan meningkatkan efektivitas output.
Gaya: Tentukan gaya penulisan yang Anda inginkan—misalnya seperti orang tertentu, aliran pemikiran, atau pakar tertentu.
Nada: Tentukan nada output—seperti formal, humoris, hangat, atau peduli—agar sesuai dengan skenario dan tujuan.
Audiens: Identifikasi pembaca target—seperti profesional, pemula, atau anak-anak—sehingga LLM dapat menyesuaikan bahasa dan kedalaman konten.
Output: Tentukan format output yang dibutuhkan—seperti daftar, JSON, atau laporan profesional—untuk langsung memenuhi kebutuhan downstream.

Tanpa framework prompt

Gunakan Framework Prompt

Prompt

#Background#

Saya ingin mengiklankan produk baru perusahaan saya. Perusahaan saya adalah Alibaba Cloud Model Studio. Produknya adalah Alibaba Cloud Model Studio Zephyr Z9—smartphone ringan dan portabel.

#Purpose#

Buat postingan Weibo (batas: 500 karakter) yang mendorong orang mengklik tautan produk dan membeli.

#Style#

Ikuti gaya iklan yang digunakan perusahaan sukses seperti Heimi untuk produk serupa.

#Tone#

Persuasif

#Audience#

Audiens Weibo saya kebanyakan anak muda. Sesuaikan postingan agar langsung menarik perhatian pengguna yang melek teknologi.

#Output#

Postingan Weibo yang ringkas dan berdampak.

Output

【Light Up the Future, Wind Sweeps the Clouds】

Perkenalkan Zephyr Z9 terbaru dari Alibaba Cloud Model Studio—kini tersedia!

Dengan Zephyr Z9, teknologi bertemu keinganan. Ini bukan sekadar ponsel—melainkan teman ringan Anda untuk menjelajahi dunia. Desain ultra-tipisnya menetapkan standar baru. Peganglah, dan inspirasi langsung muncul.

Daya yang melampaui imajinasi. Dilengkapi prosesor super cepat, Zephyr Z9 memberikan performa mulus untuk bekerja atau bermain game. Baterainya yang kuat menjaga semangat Anda tetap menyala!

Abadikan setiap momen. Kamera Zephyr Z9 yang ditingkatkan menghasilkan foto malam yang memukau, potret, dan bidikan sudut lebar—setiap foto terlihat seperti sampul majalah.

Ultra-tipis dan ringan, dengan fokus pada pengalaman. Memperkenalkan Model Studio ZephyrZ9, lahir untuk luar biasa dan dibuat untuk Anda. Rangkul masa depan dan masuki era teknologi ringan Anda!

Situs resmi: [www.bailian.com/Z9] (Ganti dengan URL aktual)

#LightweightFlagship #NewTechTrend #PocketArtwork

Bocoran eksklusif: Zephyr Z9 dari Alibaba Cloud Model Studio—game-changer di kategori ponsel ringan telah tiba!

Di dunia serba cepat saat ini, setiap gram memengaruhi kebebasan Anda. Model Studio memahami hal ini—dan menciptakan Zephyr Z9 bagi mereka yang menuntut keseimbangan sempurna antara keinganan dan kekuatan. Sensasi melayangnya? Tak terlupakan sejak sentuhan pertama!

【Desain ultra-tipis, sepenuhnya di genggaman Anda】

Zephyr Z9 mendefinisikan ulang “ringan” dengan bodi tipisnya yang menakjubkan—hanya X.X mm tebalnya. Masukkan ke saku dengan mudah. Teman perjalanan sempurna Anda. Bawa masa depan melewati jalanan kota!

【Spesifikasi kelas atas, performa monster】

Jangan biarkan keinganannya menipu Anda—intinya adalah kekuatan murni! Didukung prosesor XXXX terbaru, Zephyr Z9 memberikan kelancaran eksplosif. Multitasking atau gaming—Zephyr Z9 menanganinya semua. Tetap unggul dalam tren teknologi.

【Fotografi profesional, abadikan kehidupan】

Dilengkapi lensa ultra-sensitif XXMP, Zephyr Z9 mengabadikan foto malam yang tajam. Pengenalan adegan AI mengubah setiap foto menjadi mahakarya. Rekam momen tak terlupakan—dan tampil menonjol di media sosial.

【Daya sepanjang hari, tanpa kecemasan】

Ukuran kecil. Energi besar! Zephyr Z9 membawa baterai efisiensi tinggi dan pengisian cepat XXX. Sekali isi daya tahan sepanjang hari. Ucapkan selamat tinggal pada stres baterai—dan biarkan kreativitas Anda mengalir bebas. ⚡

【Penawaran waktu terbatas, jangan lewatkan】

100 pembeli pertama melalui tautan mendapatkan paket hadiah misteri—termasuk casing kustom dan kartu keanggotaan tahunan XXX. Hanya untuk Anda!

Bertindak sekarang. Biarkan Zephyr Z9 menjadi mitra baru Anda untuk menjelajahi dunia! Klik di bawah untuk memulai era ringan Anda!

[Beli Zephyr Z9 Sekarang] [Tautan Produk]

#ModelStudioZephyrZ9 #LightweightFlagship #TechAesthetics #DigitalTrend #PerformanceBeast

Tanpa framework prompt, output LLM dapat diterima tetapi terlalu generik—kurang detail dan daya tarik bagi audiens spesifik. Dengan framework, Anda diingatkan untuk mempertimbangkan dimensi tambahan yang sering hilang dari prompt dasar—terutama gaya, nada, dan audiens—dan membantu LLM menghasilkan output yang disesuaikan untuk pengguna muda, kaya detail, dan ekspresif dalam bahasa.

Catatan

Banyak framework prompt tersedia. Tambahkan atau hapus bagian sesuai tugas Anda. Anda juga akan melihat penggunaan fleksibel framework ini di bagian selanjutnya panduan ini.

Optimalkan Prompt

Teknik 1: Sediakan contoh output

Sertakan contoh output yang Anda inginkan dalam prompt. Ini memungkinkan LLM meniru format, tata bahasa, nada, dan gaya yang Anda sukai. Contoh juga membuat output berulang lebih konsisten—dan menstabilkan kinerja model.

Tanpa contoh

Tambahkan Contoh

Prompt

#Background#

Anda ahli menulis postingan “wajib coba” Xiaohongshu dan suka menambahkan banyak elemen emoji.

#Purpose#

Tulis postingan “wajib coba” Xiaohongshu untuk mempromosikan hair dryer Johnson. Keunggulannya: ukuran kompak, desain stylish, aliran udara kuat, pengeringan cepat, dan kontrol suhu cerdas untuk melindungi rambut.

#Audience#

Anak muda yang peduli mode—terutama perempuan muda

#Output#

Format: postingan Xiaohongshu, kaya emoji, ringkas namun informatif

#Background#

Anda ahli menulis postingan “wajib coba” Xiaohongshu dan suka menambahkan banyak elemen emoji.

#Purpose#

#Audience#

Anak muda yang peduli mode—terutama perempuan muda

#Output#

Format: postingan Xiaohongshu, kaya emoji, ringkas namun informatif

#Tone and Style#

“Saya mencoba + N produk hebat + siapa yang paling diuntungkan” Ini membangun kredibilitas instan. Contoh: “Saya menguji banyak produk pencerah—dan akhirnya menemukan permata! Dalam dua bulan, kulit saya menjadi lembut dan bercahaya. Rasanya seperti melayang!” Sempurna untuk berbagi pengalaman pribadi dan memberikan rekomendasi terarah.
“Masalah + akar penyebab + solusi utama” Ini memberikan wawasan bernilai tinggi yang jelas. Contoh: “Ingin rambut halus? Ini rahasianya! Saya melewatkan satu langkah penting hingga menemukan sampo ini. Rambut saya membaik drastis—dan bersinar!” Ini berbagi kebijaksanaan sekaligus memandu pembaca menyelesaikan masalah.
“Wawasan unik + analisis mendalam + rekomendasi lembut” Ini berbagi pemikiran tulus—dan menanamkan ide secara alami. Contoh: “Setiap perempuan layak memiliki sesuatu yang benar-benar dicintai. Menulis jurnal menjadi kebahagiaan kecil saya. Setiap kali mengambil pena, kebahagiaan saya melonjak!” Ini memungkinkan Anda berbicara bebas—dan berbagi favorit tanpa terdengar memaksa.
“Kisah pribadi + hasil terlihat” Ini membuat emosi hidup dan menyentuh. Contoh: “Saya ingat bencana nyamuk di pantai musim panas—penuh gigitan dan putus asa—hingga saya bertemu penyelamat saya! Kini, kulit mulus membuat rok saya berkibar—dan kepercayaan diri kembali!” Ini menghidupkan kisah—dan berbagi kegembiraan serta rasa syukur.

Output

Judul: Hair Dryer Mini Ajaib Johnson—favorit baru untuk pengeringan cepat dan sehat!

Isi:

Hai para beauty! Hari ini saya berbagi bintang bersinar di perawatan rambut — hair dryer Johnson! Ini bukan sekadar alat—melainkan salon portabel Anda

Ukuran kompak—sempurna untuk bepergian

Pertama, ukuran mininya memenangkan hati saya! Muat dengan mudah di tas travel yang penuh—tanpa ruang terbuang. Gaya kapan saja, di mana saja

Desain stylish—mode saat bepergian

Lihat desain ini—ini seni! Baik putih minimalis atau pink elegan, memegangnya membuat Anda orang paling trendi di jalan! Bukan ponsel—aksesori mode baru Anda

Aliran udara kuat—pahlawan pengeringan cepat

Jangan tertipu ukurannya—aliran udaranya ganas! Terburu-buru pagi hari? Johnson menyelesaikan gaya rambut Anda dalam 5 menit—efisiensi MAKSIMAL!

Pengeringan cepat—dan perlindungan rambut

Kontrol suhu cerdas melindungi setiap helai dengan lembut. Ucapkan selamat tinggal pada kerusakan panas—dan sambut rambut halus berkilau. Setiap tiupan terasa seperti perawatan salon

Kontrol suhu cerdas—pilihan bijak

Ia memahami Anda—bukan hanya aliran udara, tapi juga suhu. Menyesuaikan panas otomatis sesuai jenis rambut Anda—menjaganya tetap sehat, bahkan dengan penggunaan jangka panjang

Intinya, hair dryer Johnson adalah asisten kecil menggemaskan yang tak akan pernah Anda tinggalkan! Tambahkan ke keranjang sekarang—dan percepat rutinitas kecantikan Anda!

#JohnsonHairDryer #HairCareExpert #FastHealthyDrying

Tandai teman-teman Anda—ajak mereka menikmati keringanan dan efisiensi ini! gambar

Ingat: cintai diri Anda dari ujung rambut. Johnson bersama Anda—bersinar dengan percaya diri!

Bisakah hair dryer menjadi item fashion? Mini Cannon Johnson menjawab ya!

Sejak saya mulai menggunakan hair dryer Johnson, tas travel saya jadi lebih ringan —dan setiap pengeringan rambut menjadi kenikmatan ! Setelah beberapa kali pakai, teman bilang rambut saya terlihat lebih baik dari sebelumnya—seperti baru keluar salon . Ini sempurna untuk perjalanan singkat atau kehidupan asrama—dan ideal bagi siapa pun yang menghargai perawatan rambut cepat dan sehat ~

Rambut basah dan berat butuh lebih dari 30 menit untuk kering? Tidak lagi. Kontrol suhu cerdas Johnson hadir ! Mengeringkan setiap helai dengan cepat—dengan aliran udara kuat yang tidak merusak rambut. Rahasianya? Penyesuaian panas cerdas untuk melindungi helai Anda . Keluar cepat bukan lagi mimpi!

Saya percaya alat styling hebat mencerminkan sikap Anda terhadap kecantikan . Hair dryer stylish Johnson bukan sekadar alat—melainkan karya seni untuk meja rias Anda . Setiap pengeringan terasa seperti meningkatkan ritual gaya pribadi Anda. Manjakan diri dengan kemewahan kecil ini—karena hari hebat dimulai dari atas!

Ingat undangan makan malam dadakan itu —saat saya buru-buru keluar dari gym, rambut basah keringat? Kecemasan melanda—hingga Johnson datang menyelamatkan! Saya cepat mengeringkan dan menata rambut acak-acakan—dan masuk ruang jamuan dengan penuh percaya diri —seperti baru menjalani perawatan salon premium. Berkat alat styling ringkas namun kuat ini, kecantikan saya tak lagi dibatasi waktu!

Tambahkan hair dryer fashion-forward ini ke keranjang sekarang! Jadilah perempuan angin—elegan, efisien, dan bersinar dari ujung rambut setiap hari!

#JohnsonHairDryer #SleekStyler #SmartHairCare #QuickDryNoDamage #FashionEssential

Tinjau output-nya. Anda akan melihat LLM mempelajari persyaratan contoh—dan menghasilkan postingan “wajib coba” yang sesuai format.

Teknik 2: Tentukan langkah tugas

Untuk tugas kompleks, beri tahu LLM secara eksplisit cara menyelesaikannya.

Berikan langkah tugas untuk soal matematika

Soal matematika:

Hari Minggu lagi. Xiao Ming berjalan ke rumah kakek-neneknya seperti biasa. Ia berangkat pukul 08.00. Kecepatan jalannya 50 meter per menit. Setelah 12 menit, ayahnya menyadari Xiao Ming lupa PR-nya—dan mengejarnya dengan sepeda. Ayahnya mengayuh dengan kecepatan 200 meter per menit. Saat mengejar, ia memutuskan membawa Xiao Ming naik sepeda. Jarak bersepeda sama dengan lima kali jarak berjalan kaki. Jam berapa Xiao Ming dan ayahnya tiba di rumah kakek-neneknya? (Xiao Ming tiba pukul 08.36)

Prompt (Tambahkan #Task Steps# untuk memandu LLM):

#Background#
Hari Minggu lagi. Xiao Ming berjalan ke rumah kakek-neneknya seperti biasa. Ia berangkat pukul 08.00. Kecepatan jalannya 50 meter per menit.
Setelah 12 menit, ayahnya menyadari Xiao Ming lupa PR-nya—dan mengejarnya dengan sepeda. Ayahnya mengayuh dengan kecepatan 200 meter per menit.
Saat mengejar, ia memutuskan membawa Xiao Ming naik sepeda. Jarak bersepeda sama dengan lima kali jarak berjalan kaki.
#Purpose#
Jam berapa Xiao Ming tiba di rumah kakek-neneknya?
#Task Steps#
1. Hitung waktu dan jarak saat Xiao Ming tertangkap.
2. Hitung jarak tersisa ke rumah kakek-nenek—dan waktu yang dibutuhkan.
3. Hitung waktu kedatangan akhir.

Output (LLM mengikuti langkah dengan jelas—dan menghasilkan jawaban benar):

Untuk menyelesaikan ini, kita uraikan langkah demi langkah.

Langkah 1: Hitung waktu dan jarak saat Xiao Ming tertangkap  
Xiao Ming berjalan 50 meter per menit.  
Saat ayahnya mulai mengejar (setelah 12 menit), Xiao Ming sudah berjalan 12 × 50 = 600 meter.  
Sejak itu, Xiao Ming terus berjalan 50 m/menit, dan ayahnya mengayuh 200 m/menit.  
Misalkan t adalah menit yang dibutuhkan ayahnya untuk mengejar. Maka: [200t = 50t + 600] (sisi kiri: jarak total ayah; sisi kanan: jarak Xiao Ming dalam t menit ditambah keunggulan 600 meter)  
Menyelesaikan: [150t = 600] → [t = 4] menit. Jadi ayahnya mengejar dalam 4 menit.  
Dalam 4 menit itu, Xiao Ming berjalan lagi 4 × 50 = 200 meter.  
Jadi saat tertangkap, Xiao Ming sudah berjalan 600 + 200 = 800 meter.

Langkah 2: Hitung jarak tersisa ke rumah kakek-nenek—dan waktu yang dibutuhkan  
“Jarak bersepeda sama dengan lima kali jarak berjalan kaki.” Jadi jarak dari titik tertangkap ke rumah kakek-nenek adalah 5 × 800 = 4000 meter.  
Mengayuh 200 m/menit, waktu yang dibutuhkan adalah 4000 / 200 = 20 menit.

Langkah 3: Hitung waktu kedatangan akhir  
Xiao Ming berangkat pukul 08.00.  
Ia tertangkap setelah 12 + 4 = 16 menit.  
Lalu ia bersepeda selama 20 menit lagi. Total waktu: 16 + 20 = 36 menit.  
Jadi ia tiba pukul 08.00 + 36 menit = 08.36.

Teknik 3: Gunakan pembatas untuk memisahkan unit

Saat membuat prompt kompleks, gunakan pembatas spesifik untuk menandai unit konten berbeda. Ini sangat meningkatkan kemampuan LLM mengurai prompt dengan benar. Seiring meningkatnya kompleksitas tugas, pembatas menjadi semakin berharga.

Pilih pembatas yang jarang dan unik dalam bahasa alami—seperti ###, ===, atau >>>. Urutan ini tidak memiliki aturan tetap—yang penting adalah kemudahannya dikenali. Ini memastikan model melihatnya sebagai batas bagian—bukan tanda baca atau sintaks biasa.

Tanpa pembatas

Dengan pembatas

Prompt

Rangkum ulasan film berikut secara singkat.

Zhang Zhiqiang, yang dulu penuh semangat, kehilangan arah di usia paruh baya karena tekanan hidup yang berat. Keputusan gegabah langsung mengubahnya dari “kebanggaan kecil” keluarga menjadi “sisa” di masyarakat. Namun ia tidak tahu ini baru awal perjalanan paruh baya. Satu krisis demi krisis datang seperti badai—memaksanya menghadapi dirinya sendiri lagi. Saat beban hidup benar-benar jatuh di pundaknya, ia memilih menjadi kurir—memulai dari nol. Di jalanan kota, Gao Zhilei bertemu rekan-rekan yang sepemikiran. Melalui waktu bersama, ia sangat merasakan hangat dan dinginnya kehidupan—dan perlahan-lahan mendapatkan kembali keberanian dan keyakinan yang hilang di “jalan terbalik” yang sulit ini, mendefinisikan ulang arah hidup barunya.

Rangkum ulasan film berikut secara singkat.

###

Namun ia tidak tahu ini baru awal perjalanan paruh baya. Satu krisis demi krisis datang seperti badai—memaksanya menghadapi dirinya sendiri lagi.

Saat beban hidup benar-benar jatuh di pundaknya, ia memilih menjadi kurir—memulai dari nol. Di jalanan kota, Gao Zhilei bertemu rekan-rekan yang sepemikiran.

###

Melalui waktu bersama, ia sangat merasakan hangat dan dinginnya kehidupan—dan perlahan-lahan mendapatkan kembali keberanian dan keyakinan yang hilang di “jalan terbalik” yang sulit ini, mendefinisikan ulang arah hidup barunya.

###

Output

Film ini menceritakan kisah krisis paruh baya. Protagonis, Zhang Zhiqiang, menyimpang karena tekanan hidup. Setelah serangkaian tantangan, ia menjadi kurir—dan dengan bantuan teman baru, menemukan kembali keberanian dan keyakinan, menemukan arah hidup baru. Ini menunjukkan pertumbuhan dan penebusan diri dalam kesulitan.

Zhang Zhiqiang menghadapi kesulitan paruh baya. Keputusan impulsif membuat status sosialnya turun drastis.

Kemudian, menghadapi tantangan berulang, ia memulai ulang sebagai kurir—membangun ikatan erat dengan rekan—dan mendapatkan kembali keberanian dan keyakinan melalui kesulitan.

Akhirnya, ia menemukan makna dan arah hidup baru—meski menghadapi kesulitan dan tantangan.

Bandingkan output-nya. Dengan pembatas, LLM memahami hubungan logis antara tiga paragraf—dan mengidentifikasi pembatas dengan benar untuk menghasilkan tiga ringkasan yang saling terkait erat.

Teknik 4: Pandu model untuk “berpikir”

Untuk tugas logika kompleks atau pembelajaran kontekstual, trik prompt sederhana mungkin tidak cukup. Sebagai gantinya, pandu model untuk menghasilkan langkah penalaran—atau memecah tugas kompleks dan bernalar langkah demi langkah. Ini memberi model landasan lebih kuat sebelum menghasilkan jawaban—dan meningkatkan kinerja pada soal sulit.

Kami memperkenalkan chain-of-thought (COT) terlebih dahulu. Ini mudah digunakan—dan secara signifikan meningkatkan penalaran LLM dalam skenario kompleks.

Tujuan tugas: Mengurai struktur JSON kompleks

#Background#
Input JSON:
{"web-app": {
  "servlet": [   
    {
      "servlet-name": "cofaxEmail",
      "servlet-class": "org.cofax.cds.EmailServlet",
      "init-param": {
      "mailHost": "mail1",
      "mailHostOverride": "mail2"}},
    {
      "servlet-name": "cofaxTools",
      "servlet-class": "org.cofax.cms.CofaxToolsServlet",
      "init-param": {
        "templatePath": "toolstemplates/",
        "log": 1,
        "logLocation": "/usr/local/tomcat/logs/CofaxTools.log",
        "logMaxSize": ""}}],
  "servlet-mapping": {
    "cofaxEmail": "/cofaxutil/aemail/*",
    "cofaxTools": "/tools/*"},
 
  "taglib": {
    "taglib-uri": "cofax.tld",
    "taglib-location": "/WEB-INF/tlds/cofax.tld"}}}

#Purpose#
Periksa apakah JSON sepenuhnya memenuhi persyaratan berikut:
1. Apakah setiap servlet memiliki init-param?
2. Apakah semua elemen dalam servlet-mapping ada di servlet?
3. Apakah servlet cofaxTools memiliki tiga parameter yang diawali “log”, dan apakah nilai parameter “log” kurang dari 10?

Tanpa chain-of-thought

Menggunakan chain-of-thought

#Output#
Jika semua persyaratan terpenuhi, output hanya "Meets requirements". Jika tidak, output hanya "Does not meet requirements".

#Output#
Pertama, output penalaran langkah demi langkah Anda untuk setiap persyaratan.
Lalu, jika semua terpenuhi, output "Meets requirements". Jika tidak, output "Does not meet requirements".

Does not meet requirements

Mari analisis JSON langkah demi langkah untuk memeriksa semua persyaratan.

Proses penalaran

Periksa apakah setiap servlet memiliki init-param
- Servlet cofaxEmail memiliki init-param, dengan "mailHost" dan "mailHostOverride".
- Servlet cofaxTools juga memiliki init-param, dengan "templatePath", "log", "logLocation", dan "logMaxSize".
Kesimpulan: Setiap servlet memiliki init-param. Persyaratan 1 terpenuhi.
Periksa apakah semua elemen dalam servlet-mapping muncul di servlet
- servlet-mapping memiliki dua entri: cofaxEmail dan cofaxTools.
- servlet mendefinisikan kedua nama tersebut: cofaxEmail dan cofaxTools.
Kesimpulan: Semua entri servlet-mapping cocok dengan definisi servlet. Persyaratan 2 terpenuhi.
Periksa apakah servlet cofaxTools memiliki tiga parameter yang diawali “log”, dan apakah nilai parameter “log” kurang dari 10
- Dalam init-param servlet cofaxTools, parameter yang diawali “log” adalah: "log" (nilai 1), "logLocation" (nilai "/usr/local/tomcat/logs/CofaxTools.log"), dan "logMaxSize" (nilai kosong—tetapi pertanyaan berfokus pada awalan, bukan nilai).
- Nilai "log" adalah 1—kurang dari 10.
Kesimpulan: Meskipun "logMaxSize" mungkin menimbulkan ambiguitas (karena tidak memiliki nilai numerik), interpretasi paling sederhana memenuhi memiliki setidaknya tiga parameter berawalan “log”—dan nilai eksplisit "log" adalah 1, kurang dari 10. Jadi persyaratan 3 secara umum terpenuhi—meskipun "logMaxSize" mungkin perlu klarifikasi dalam kasus ketat.

Output

Berdasarkan hal di atas, kondisi utama terpenuhi. Jika "logMaxSize" tidak diwajibkan secara ketat (misalnya, tidak perlu nilai numerik valid kurang dari 10), jawabannya adalah "Meets requirements". Jika aturan ketat "logMaxSize" berlaku, klarifikasi lebih lanjut diperlukan. Di bawah interpretasi standar, jawabannya adalah: “Meets requirements”.

Selain chain-of-thought, metode praktis lainnya adalah prompt chaining. Prompt chaining menggunakan dialog multi-putaran untuk memandu penalaran LLM—dimulai dari tugas sederhana dan bergerak langkah demi langkah sepanjang jalur yang dirancang untuk menyelesaikan masalah kompleks.

Prompt chaining lebih kompleks dibangun daripada chain-of-thought—tetapi memberikan kinerja model lebih baik dan akurasi lebih tinggi. Ini cocok untuk tugas sulit dengan pola pemecahan yang jelas dan dapat diulang.

Contoh prompt chaining

Soal matematika:

Input Putaran 1 (soal matematika + pertanyaan sederhana pertama):

#Background#
Hari Minggu lagi. Xiao Ming berjalan ke rumah kakek-neneknya seperti biasa. Ia berangkat pukul 08.00. Kecepatan jalannya 50 meter per menit.
Setelah 12 menit, ayahnya menyadari Xiao Ming lupa PR-nya—dan mengejarnya dengan sepeda. Ayahnya mengayuh dengan kecepatan 200 meter per menit.
Saat mengejar, ia memutuskan membawa Xiao Ming naik sepeda. Jarak bersepeda sama dengan lima kali jarak berjalan kaki.

#Purpose#
Hitung kapan Xiao Ming tertangkap—dan seberapa jauh ia berjalan saat itu.

Output 1 (jawaban LLM untuk pertanyaan sederhana pertama):

Pertama, hitung seberapa jauh Xiao Ming berjalan sebelum tertangkap.  
Kecepatannya 50 meter per menit. Ia berjalan selama 12 menit, jadi jarak = 50 × 12 = 600 meter.  
Selanjutnya, hitung kecepatan relatif. Ayahnya mengayuh 200 m/menit, dan Xiao Ming berjalan 50 m/menit. Jadi kecepatan relatif = 200 − 50 = 150 m/menit.  
Untuk menutup celah 600 meter, waktu yang dibutuhkan = 600 / 150 = 4 menit.  
Jadi ayahnya mengejar 4 menit setelah mulai—dan 12 + 4 = 16 menit setelah Xiao Ming berangkat.  
Sekarang, seberapa jauh Xiao Ming berjalan? Ia berjalan 600 meter dalam 12 menit pertama—dan 50 × 4 = 200 meter lagi dalam 4 menit berikutnya. Total = 600 + 200 = 800 meter.  
Jadi Xiao Ming tertangkap pukul 08.16—setelah berjalan 800 meter.

Input Putaran 2 (pertanyaan kedua—lebih detail):

#Purpose#
Seberapa jauh Xiao Ming harus bersepeda untuk mencapai rumah kakek-neneknya?

Output 2 (jawaban LLM untuk pertanyaan kedua):

Jarak bersepeda sama dengan lima kali jarak berjalan kaki. Xiao Ming berjalan 800 meter sebelum tertangkap. Jadi jarak bersepeda = 800 × 5 = 4000 meter.

Input Putaran 3 (pertanyaan kompleks akhir):

#Purpose#
Jam berapa Xiao Ming tiba di rumah kakek-neneknya?

Output 3 (Hasil benar yang dipandu pertanyaan sebelumnya):

Untuk mengetahui waktu kedatangan Xiao Ming, pertama hitung waktu bersepeda.  
Jarak bersepeda 4000 meter. Ayahnya mengayuh 200 m/menit. Jadi waktu bersepeda = 4000 / 200 = 20 menit.  
Xiao Ming tertangkap pukul 08.16 (16 menit setelah 08.00). Menambahkan 20 menit memberikan total waktu = 36 menit.  
Jadi ia tiba pukul 08.00 + 36 menit = 08.36.

Banyak metode memandu “pemikiran” LLM—seperti tree of thoughts (ToT) dan boosting of thoughts.

Pengujian dan iterasi prompt

Menemukan prompt terbaik bersifat eksperimental. Coba dan sesuaikan metode secara terus-menerus. Proses optimasi rekayasa prompt lengkap terlihat seperti ini:

Perhatikan juga: selain prompt yang dirancang dengan cermat, umpan balik dan koreksi pengguna sangat penting untuk mendapatkan output model terbaik. Bahkan setelah optimasi prompt, terus kumpulkan umpan balik di lingkungan produksi—dan sesuaikan segera—untuk membantu model lebih memahami dan memenuhi kebutuhan pengguna.

Kasus optimasi prompt: Asisten AI perusahaan multinasional menghasilkan output multibahasa yang stabil

Latar belakang masalah: Pengguna melaporkan bahwa qwen-turbo gagal membalas secara konsisten dalam bahasa Inggris terhadap pertanyaan berbahasa Inggris.

Optimasi yang dilakukan:

Ganti "语言" dengan "语种." Istilah "语言" ambigu karena bisa merujuk pada bahasa tulis atau lisan secara umum, bukan bahasa spesifik seperti Inggris atau Prancis. "语种" menghindari ambiguitas ini.
Struktur prompt asli longgar—dan bagian ## Restrictions terlalu bertele-tele. Jadi kami menyusun ulang menggunakan framework prompt dalam panduan ini—dan memindahkan konten ## Restrictions ke bagian yang sesuai.
Blok ${documents} panjang. Menempatkannya di dalam kalimat terasa canggung. Sebagai gantinya, tandai dengan jelas menggunakan pembatas—sebagai blok konten utama.

Prompt sebelum optimasi

Prompt setelah optimasi

# Role

Anda adalah asisten AI HR yang efisien. Anda menjawab pertanyaan internal tentang kebijakan perusahaan, aturan kehadiran, dan rencana liburan. Anda mengurai dokumen kebijakan dengan cepat dan akurat—dan memberikan penjelasan yang jelas dan ringkas kepada rekan kerja.

## Skills

### Skill 1: Penguraian kebijakan

- **Task**: Menginterpretasikan dokumen kebijakan perusahaan secara akurat—dan memberikan penjelasan yang jelas dan ringkas.

- Cepat menemukan klausa relevan—dan menjawab detail implementasi spesifik.

- Pastikan penjelasan mudah dipahami—dan sesuai dengan aturan resmi perusahaan.

### Skill 2: Tanya jawab kehadiran

- Jawab semua pertanyaan terkait kehadiran—termasuk aturan absensi, penanganan keterlambatan/pulang lebih awal, dan prosedur cuti.

- Berikan panduan kehadiran spesifik—dan saran untuk kasus khusus.

### Skill 3: Konsultasi perencanaan liburan

- Jelaskan kelayakan liburan, aturan akumulasi, masa berlaku, dan proses persetujuan.

- Bantu menghitung sisa hari liburan—dan berikan saran perencanaan.

## Tools and resources

- **Akses basis pengetahuan**: Kutip dan uraikan langsung dokumen kebijakan dan aturan perusahaan dari `${documents}`—memastikan jawaban otoritatif dan mutakhir.

- Jika pertanyaan dalam bahasa Inggris, cari basis pengetahuan menggunakan arti Mandarin-nya—lalu balas dalam bahasa Inggris (gunakan hanya tanda baca Inggris—terutama ganti U+2019 “’” dengan “'”).

## Restrictions

- Gunakan hanya karakter ASCII standar—tidak boleh ada tanda kutip Mandarin, koma lebar penuh, atau tanda baca lebar penuh lainnya!!!

- Balas dalam varian bahasa yang sama dengan pertanyaan—misalnya, pertanyaan Mandarin → balasan Mandarin, pertanyaan Inggris → balasan Inggris.

- Jawab hanya pertanyaan tentang kebijakan perusahaan, kehadiran, liburan, dan topik HR lainnya.

- Jangan mengakses data privasi pribadi—lindungi keamanan informasi karyawan.

- Untuk pertanyaan di luar basis pengetahuan—atau yang tidak jelas—arahkan pengguna menghubungi HR untuk bantuan.

#Background#

Anda adalah asisten AI HR yang efisien untuk perusahaan multinasional. Anda menjawab pertanyaan internal tentang penguraian kebijakan, tanya jawab kehadiran, dan konsultasi perencanaan liburan. Anda mengurai dokumen kebijakan perusahaan dengan cepat dan akurat. Berikut dokumen kebijakan perusahaan:

======

${documents}

======

#Purpose#

Pertanyaan harus termasuk dalam salah satu dari tiga kategori: penguraian kebijakan, tanya jawab kehadiran, atau konsultasi perencanaan liburan.
Jika pertanyaan dalam cakupan tetapi tidak tercakup—atau tidak jelas—di basis pengetahuan, arahkan pengguna menghubungi HR untuk bantuan.
Jawab setiap kategori sebagai berikut:
1. Penguraian kebijakan
  1. Menginterpretasikan dokumen kebijakan perusahaan secara akurat—dan memberikan penjelasan yang jelas dan ringkas.
  2. Cepat menemukan klausa relevan—dan menjawab detail implementasi spesifik.
  3. Pastikan penjelasan mudah dipahami—dan sesuai dengan aturan resmi perusahaan.
2. Tanya jawab kehadiran
  - Jawab semua pertanyaan terkait kehadiran—termasuk aturan absensi, penanganan keterlambatan/pulang lebih awal, dan prosedur cuti.
  - Berikan panduan kehadiran spesifik—dan saran untuk kasus khusus.
3. Konsultasi perencanaan liburan
  - Jelaskan kelayakan liburan, aturan akumulasi, masa berlaku, dan proses persetujuan.
  - Bantu menghitung sisa hari liburan—dan berikan saran perencanaan.
Jangan mengakses data privasi pribadi—lindungi keamanan informasi karyawan.

#Multilingual requirements#

- Jika pertanyaan tidak dalam bahasa Mandarin, cari basis pengetahuan menggunakan arti Mandarin-nya.

- Konversi konten basis pengetahuan yang diambil ke varian bahasa pertanyaan sebelum output.

#Output#

1. Output balasan hanya menggunakan karakter ASCII standar.

2. Output dalam varian bahasa yang sama dengan input pengguna.