Alibaba Cloud Model Studio:Panduan Prompt Teks-ke-teks

Tulis instruksi yang jelas dan spesifik

Prompt yang samar menghasilkan output yang samar pula. Semakin banyak konteks dan batasan yang Anda berikan, semakin sesuai output dengan ekspektasi Anda. Bayangkan seperti mendelegasikan tugas: permintaan satu baris memberi terlalu banyak ruang untuk interpretasi, sedangkan instruksi terperinci dengan tujuan jelas menghasilkan tepat apa yang Anda butuhkan.

Contoh: Tugas generasi kode

Prompt spesifik tersebut menentukan format input, output yang diharapkan, penanganan error, dan batasan library — cukup bagi model untuk menghasilkan kode yang dapat digunakan sejak percobaan pertama.

Contoh: Tugas generasi konten

Struktur prompt dengan kerangka kerja

Kerangka kerja prompt membantu Anda secara sistematis menyediakan informasi yang dibutuhkan oleh LLM. Alih-alih menebak apa yang harus disertakan, gunakan keenam elemen berikut sebagai daftar periksa:

Gunakan pembatas # untuk menandai setiap bagian dalam prompt Anda:

#Context#
Anda sedang meninjau pull request untuk layanan mikro Python yang menangani
otentikasi pengguna. Codebase menggunakan FastAPI dan SQLAlchemy.

#Objective#
Tinjau diff kode berikut dan identifikasi potensi kerentanan keamanan,
masalah performa, dan pelanggaran gaya penulisan.

#Style#
Tulis seperti insinyur backend senior yang melakukan tinjauan kode menyeluruh.

#Tone#
Profesional namun konstruktif — jelaskan mengapa setiap masalah penting.

#Audience#
Developer junior yang sedang belajar praktik pengkodean aman.

#Response#
Daftar bernomor berisi temuan. Untuk setiap temuan, sertakan:
- Baris atau blok kode spesifik
- Mengapa itu menjadi masalah
- Saran perbaikan beserta contoh kode

Sertakan contoh output

Menyertakan contoh output yang diharapkan membantu model menyesuaikan format, gaya, dan tingkat detail Anda. Teknik ini — yang dikenal sebagai few-shot prompting — juga meningkatkan konsistensi di berbagai eksekusi.

Contoh: Ekstraksi data terstruktur

#Context#
Ekstrak informasi terstruktur dari tiket dukungan pengguna.

#Objective#
Uraikan setiap tiket menjadi objek JSON.

#Examples#
Input: "Pesanan saya #12345 tiba dalam kondisi rusak. Saya ingin pengembalian dana."
Output:
{
  "order_id": "12345",
  "issue_type": "damaged_item",
  "requested_action": "refund"
}

Input: "Saya tidak bisa masuk ke akun saya. Saya sudah mencoba mengatur ulang password
dua kali."
Output:
{
  "order_id": null,
  "issue_type": "login_failure",
  "requested_action": "account_recovery"
}

#Task#
Sekarang uraikan tiket ini:
Input: "Pesanan #67890 sudah terjebak dalam status 'processing' selama 5 hari.
Mohon percepat atau batalkan."

Model mempelajari skema JSON, konvensi penamaan field, dan cara menginfer issue_type serta requested_action dari bahasa alami — hanya dari contoh-contoh tersebut.

Pecah tugas kompleks menjadi langkah-langkah

Untuk tugas kompleks, tentukan langkah eksplisit yang harus diikuti model — bukan hanya hasil akhir yang diinginkan. Instruksi langkah demi langkah mencegah model melewatkan penalaran antara.

Contoh: Soal cerita matematika

#Context#
Timmy berangkat dari rumah pukul 08.00, berjalan dengan kecepatan 50 meter per menit. Setelah
12 menit, ayahnya menyadari Timmy lupa mengerjakan PR-nya dan mengejarnya
menggunakan sepeda dengan kecepatan 200 meter per menit. Setelah bertemu,
ayah membawa Timmy naik sepeda untuk sisa perjalanan. Jarak tempuh sepeda
adalah 5 kali jarak berjalan kaki.

#Objective#
Hitung waktu kedatangan.

#Steps#
1. Hitung seberapa jauh Timmy berjalan sebelum ayahnya menyusul.
2. Tentukan berapa lama waktu yang dibutuhkan ayah untuk menyusul.
3. Hitung sisa jarak tempuh sepeda dan waktu perjalanannya.
4. Jumlahkan semua interval waktu untuk menemukan waktu kedatangan.

Output model (mengikuti langkah-langkah):

Langkah 1: Timmy berjalan selama 12 menit sebelum ayahnya berangkat:
  12 menit * 50 m/menit = 600 m keunggulan awal

Langkah 2: Kecepatan relatif ayah: 200 - 50 = 150 m/menit
  Waktu menyusul: 600 m / 150 m/menit = 4 menit
  Timmy berjalan tambahan: 4 menit * 50 m/menit = 200 m
  Total jarak jalan kaki: 600 + 200 = 800 m

Langkah 3: Jarak sepeda: 800 m * 5 = 4.000 m
  Waktu sepeda: 4.000 m / 200 m/menit = 20 menit

Langkah 4: Total waktu: 12 + 4 + 20 = 36 menit
  Kedatangan: 08.00 + 36 menit = 08.36

Tanpa bagian #Steps#, model mungkin melewatkan perhitungan antara dan menghasilkan jawaban salah.

Gunakan pembatas untuk memisahkan konten

Ketika prompt berisi beberapa blok konten — instruksi, data masukan, dan contoh — gunakan pembatas untuk menandai batas yang jelas. Hal ini membantu model membedakan instruksi Anda dari konten yang harus diproses.

Gunakan rangkaian karakter yang jarang muncul dalam bahasa alami: ###, ===, atau >>>.

Contoh: Ringkasan teks

Ringkas setiap bagian ulasan film berikut secara terpisah.
Hasilkan satu kalimat ringkasan per bagian.

###
Zhang Zhiqiang dulunya penuh semangat dan energetik, tetapi tekanan hidup
membuatnya keluar jalur. Keputusan impulsif di usia paruh baya mengubahnya
dari kebanggaan keluarga menjadi orang buangan di masyarakat.
###
Ini baru permulaan. Serangkaian kejadian tak terduga memaksanya
untuk menghadapi dirinya sendiri. Ia memilih memulai hidup baru sebagai
kurir, menjelajahi jalanan kota untuk membangun kembali hidupnya.
###
Dalam perjalanan itu, ia menemukan teman-teman seperjuangan. Melalui
perjuangan bersama, ia menemukan kembali keberanian dan tujuan hidupnya,
membentuk arah baru bagi kehidupannya.
###

Tanpa pembatas, model memperlakukan seluruh ulasan sebagai satu blok dan menghasilkan satu ringkasan umum. Dengan pembatas, model mengidentifikasi tiga bagian berbeda dan menghasilkan tiga ringkasan terkait yang mengikuti alur narasi.

Arahkan model untuk bernalar langkah demi langkah

Untuk tugas yang melibatkan logika, matematika, atau analisis multi-langkah, mintalah model menunjukkan penalarannya sebelum menyatakan kesimpulan. Dua teknik efektif:

#Context#
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"}}}

#Objective#
Verifikasi apakah JSON ini memenuhi ketiga persyaratan berikut:
1. Setiap servlet memiliki blok init-param.
2. Setiap kunci dalam servlet-mapping cocok dengan servlet-name.
3. Servlet cofaxTools memiliki tepat tiga parameter yang dimulai dengan
   "log", dan nilai parameter "log" kurang dari 10.

#Response#
Pertama, jelaskan penalaran Anda untuk setiap persyaratan.
Kemudian nyatakan apakah semua persyaratan terpenuhi.

#Context#
Timmy berangkat pukul 08.00 berjalan dengan kecepatan 50 m/menit. Setelah 12 menit, ayahnya
mengejar menggunakan sepeda dengan kecepatan 200 m/menit. Jarak tempuh sepeda adalah
5 kali jarak jalan kaki.

#Question#
Kapan ayah menyusul Timmy, dan seberapa jauh Timmy telah berjalan?

Seberapa jauh Timmy menempuh perjalanan dengan sepeda untuk sampai ke rumah kakek-neneknya?

Pukul berapa Timmy tiba?

Sebelum optimasi

# Role
Anda adalah asisten AI HR yang efisien, khusus bertanggung jawab untuk
menjawab pertanyaan internal perusahaan tentang kebijakan, sistem absensi,
pengaturan cuti tahunan, dan isu terkait lainnya.

## Skills
### Skill 1: Interpretasi Kebijakan
- Interpretasikan dokumen kebijakan perusahaan secara akurat dan berikan
  penjelasan kebijakan yang jelas dan ringkas kepada rekan kerja.

### Skill 2: Tanya Jawab Absensi
- Jawab semua pertanyaan terkait absensi karyawan, termasuk
  aturan absen, penanganan keterlambatan dan pulang lebih awal,
  prosedur cuti, dll.

### Skill 3: Konsultasi Manajemen Cuti Tahunan
- Jelaskan syarat pengajuan cuti tahunan, aturan akumulasi,
  periode validitas, dan proses persetujuan.

## Limitations
- Respons dalam bahasa yang sama dengan pertanyaan pengguna.
- Terbatas pada pertanyaan terkait HR.
- Jangan menangani kueri data privasi pribadi.

Masalah:

• Struktur longgar dengan bagian ## Limitations yang redundan

• Blok basis pengetahuan ${documents} disisipkan inline, sehingga sulit bagi model membedakan instruksi dari konten referensi

• Instruksi pencocokan bahasa tersembunyi di bagian limitations

Setelah optimasi

#Context#
Anda adalah asisten AI HR untuk perusahaan multinasional. Anda menjawab
pertanyaan tentang interpretasi kebijakan, aturan absensi, dan manajemen
cuti tahunan.

Berikut adalah dokumen kebijakan perusahaan:
======
${documents}
======

#Objective#
1. Hanya jawab pertanyaan tentang interpretasi kebijakan, absensi,
   dan manajemen cuti tahunan.
2. Ketika pertanyaan relevan tetapi tidak tercakup dalam basis pengetahuan,
   arahkan pengguna untuk menghubungi departemen HR.
3. Untuk setiap kategori, ikuti panduan berikut:
   - Interpretasi kebijakan: Temukan klausa relevan dan berikan
     penjelasan yang jelas dan ringkas.
   - Absensi: Bahas aturan absen, penanganan keterlambatan, dan
     prosedur cuti.
   - Cuti tahunan: Jelaskan kelayakan, aturan akumulasi, proses
     persetujuan, dan bantu hitung sisa saldo.
4. Jangan mengakses atau mengungkap data pribadi karyawan.

#Multilingual requirements#
- Jika pertanyaan tidak dalam bahasa Mandarin, terjemahkan ke bahasa Mandarin untuk
  mencari di basis pengetahuan, lalu ubah kembali konten yang diperoleh
  ke bahasa pertanyaan untuk output.

#Response#
- Gunakan hanya karakter ASCII standar di semua output.
- Sesuaikan bahasa output dengan bahasa input.

Perubahan yang dilakukan:

• Kerangka kerja diterapkan. Direstrukturisasi menggunakan bagian #Context#, #Objective#, #Multilingual requirements#, dan #Response#.

• Pembatas ditambahkan. Membungkus ${documents} dengan pembatas ====== untuk memisahkan data referensi dari instruksi.

• Batasan didistribusikan. Memindahkan batasan ke bagian yang relevan (aturan bahasa ke #Multilingual requirements#, batasan cakupan ke #Objective#).

Perubahan ini menyelesaikan masalah konsistensi bahasa karena model dapat dengan jelas mengidentifikasi instruksi multibahasa sebagai direktif prioritas tinggi yang terpisah, bukan sebagai catatan tambahan yang tersembunyi.