Dunia tidak kekurangan LLM mengingat pilihan yang kita miliki; sejujurnya, model-model ini telah menjadi komoditas saat kita berbicara, dan hal ini semakin cepat, misalnya lihat artikel terakhir saya OpenAI GPT4o, Meta Llama 3.1B, Google Gemini 1.5 pro. Aplikasi seperti ChatGPT dan Perplexity yang didukung oleh LLM akan menjadi alat sehari-hari yang mirip dengan MS Word dan Excel.

Oleh karena itu, yang terpenting bagi seorang profesional yang bekerja adalah bagaimana kita memperoleh nilai dari model-model ini dan bagaimana Anda membuat aplikasi-aplikasi ini bekerja dengan sebaik-baiknya. Itu adalah teknik penting yang harus dikuasai oleh setiap profesional TI → rekayasa cepat. 

Apa yang membuat sebuah prompt yang baik? 

Untuk memanfaatkan kekuatan model bahasa besar (LLM) secara efektif, prompt yang baik harus jelas, spesifik, dan terstruktur dengan baik. Berikut adalah elemen-elemen kunci yang membuat prompt yang baik 

1. Kejelasan dan Spesifisitas
   • Instruksi yang Jelas:Petunjuk harus memberikan instruksi yang jelas untuk menghindari banyak penafsiran.
   • Rincian Spesifik: Sertakan informasi terperinci tentang konteks, hasil yang diharapkan, format, gaya, dan panjang.

2. Konteks dan Latar Belakang
   • Konteks yang Relevan: Berikan informasi latar belakang yang cukup untuk membantu model memahami skenario.
   • Spesifikasi Audiens: Sesuaikan perintah dengan audiens target untuk memastikan output relevan.

3. Format Keluaran yang Diinginkan
   • ContohGunakan contoh untuk mengilustrasikan format keluaran yang diharapkan.
   • Format Terstruktur: Tentukan dengan jelas struktur respons, seperti poin-poin penting, daftar, atau paragraf.

4. Penyempurnaan Iteratif
   • Mekanisme Umpan Balik: Memungkinkan perbaikan berulang berdasarkan respons model.
   • Percobaan: Uji variasi perintah yang berbeda untuk mengidentifikasi yang paling efektif.

5. Menghindari Ambiguitas
   • Bahasa yang Tepat:Minimalkan penggunaan deskripsi yang samar atau “tidak jelas”.
   • Instruksi Eksplisit: Nyatakan dengan jelas apa yang harus dilakukan dan apa yang tidak boleh dilakukan.

Bagaimana Kerangka Kerja Membuat Perintah Efektif

Kerangka kerja Prompt Engineering menyediakan struktur untuk membantu Anda menyusun prompt yang lebih efektif. Lebih dari 40 kerangka kerja prompt engineering telah dikembangkan selama dua tahun terakhir, yang cukup sulit untuk diikuti. Pada dasarnya, Mengevaluasi kerangka kerja prompt engineering melibatkan penilaian efektivitas, kegunaan, kemampuan peningkatan iteratif, metrik kinerja, dukungan komunitas, dan kemampuan beradaptasi.

Saya merekomendasikan lima kerangka kerja berikut berdasarkan kemudahan penggunaan, kinerja keluaran, kasus penggunaan, dan penggunaan ulang yang cepat. 

Kerangka Kerja CRISP 

• Konteks: Menyediakan latar belakang terperinci, membantu model memahami skenario.
• Permintaan: Menentukan tugas dengan jelas, memastikan model tahu apa yang harus dilakukan.
• Wawasan: Menambahkan informasi tambahan, meningkatkan pemahaman model.
• Gaya: Menentukan nada dan cara tanggapan, membuatnya sesuai dengan audiens target.
• Parameter: Menetapkan batasan untuk respons, seperti panjang dan format, memastikan output memenuhi persyaratan tertentu.

Kerangka ERA 

• Ekspektasi: Menguraikan hasil yang diharapkan dan memberikan tujuan yang jelas untuk model tersebut.
• Peran: Menentukan peran model dan memandu perilakunya.
• Tindakan: Menjelaskan tugas spesifik, memastikan model mengetahui tindakan apa yang harus diambil.

Kerangka RTF 

• Meminta: Mendefinisikan permintaan pengguna dengan jelas.
• Tugas: Menentukan tugas yang akan dilakukan.
• Format: Menguraikan format respons yang diinginkan, memastikan kejelasan dan struktur.

Kerangka Rantai Pemikiran (CoT) 

• Penalaran Langkah demi Langkah: Mendorong model untuk memikirkan masalah langkah demi langkah, meningkatkan kualitas tugas penalaran yang kompleks.
• Proses Iteratif: Memungkinkan penyempurnaan dan umpan balik, meningkatkan kinerja model dari waktu ke waktu.

Kerangka Kerja LangGPT 

LangGPT adalah kerangka kerja rekayasa prompt yang terinspirasi oleh bahasa pemrograman terstruktur dan dapat digunakan kembali yang membuat prompt NLP lebih terstruktur dan dapat digunakan kembali. 

• Berbasis Template: Menggunakan templat, variabel, dan perintah untuk membuat perintah yang terstruktur, sehingga lebih mudah menghasilkan keluaran berkualitas tinggi.
• Struktur Lapisan Ganda: Memungkinkan perintah yang dapat digunakan kembali dan modular, meningkatkan efisiensi dan konsistensi.
• Dukungan Komunitas: Menyediakan templat dan sumber daya bersama, yang mendorong kolaborasi dan peningkatan berkelanjutan.

Modul dasar mencakup elemen-elemen berikut:

Dibuat oleh komunitas yang berbasis di Tiongkok dan telah menunjukkan kinerja yang lebih baik dalam membimbing LLM untuk melakukan tugas dibandingkan dengan kerangka kerja rekayasa cepat lainnya

Pro dan Kontra Setiap Kerangka Kerja dengan Skenario

Setiap framework memiliki kelebihan dan kekurangannya masing-masing, dan pilihannya tergantung pada kompleksitas tugas, tujuan Anda, dan keakraban pengguna dengan framework tersebut. Berikut adalah contoh yang menyoroti kelebihan dan kekurangan framework tersebut. 

Hasilkan rencana SEO untuk mengoptimalkan situs web produk SaaS:

Anda dapat menemukan output dari perintah ini berdasarkan ChatGPT Di Sini. 

Kasus Penggunaan Ideal untuk Setiap Kerangka Kerja. 

Kasus penggunaan juga memainkan peran besar terhadap kerangka kerja pilihan. Berikut adalah tabel yang mengkategorikan berbagai bidang dan menunjukkan kerangka kerja rekayasa cepat yang paling sesuai untuk setiap kategori berdasarkan kekuatan dan karakteristiknya.

Kesimpulan 

Evolusi kerangka kerja rekayasa cepat mencerminkan kemajuan pesat model bahasa AI dan aplikasinya. Awalnya, rekayasa cepat difokuskan pada pendekatan berbasis instruksi sederhana, tetapi sejak itu telah berkembang menjadi kerangka kerja yang lebih canggih untuk memaksimalkan potensi AI.

• GARING: Paling baik untuk tugas yang memerlukan konteks terperinci dan respons komprehensif, seperti menulis, keuangan, pemasaran, dan hukum.
• Pondok: Menawarkan pendekatan langkah demi langkah, meningkatkan kejelasan untuk proses yang kompleks.
• ERA: Memberikan hasil yang sederhana dan langsung, cocok untuk tugas yang cepat dan langsung.
• Bahasa Indonesia: RTF: Efektif untuk keluaran yang ringkas dan terstruktur, sehingga cocok untuk konten media sosial.
• LangGPT: Sangat terstruktur dan dapat disesuaikan, membuatnya ideal untuk tugas desain, SEO, dan pengkodean yang memerlukan konsistensi dan penggunaan ulang.

Meski demikian, meskipun ada tren ke arah otomatisasi, keahlian manusia tetap krusial dalam menyesuaikan aplikasi AI untuk industri tertentu dan memastikan kepatuhan dan keselamatan.

Bonusnya: berikut adalah perintah yang saya gunakan untuk membuat judul artikel ini menggunakan CRISP, jadi saya sarankan Anda untuk menggunakan kerangka kerja ini sekarang.

Konteks: Anda adalah penulis teknologi dan pakar SEO, yang tengah menggarap sebuah artikel untuk memberikan pandangan ahli mengenai kerangka rekayasa yang cepat.

Meminta: Susun judul artikel agar paling optimal untuk SEO. Gunakan Google Keyword Planner, Ahrefs, dan SEMrush untuk mengidentifikasi lima kata kunci teratas.

Wawasan: Artikel ini ditujukan bagi para profesional TI yang memiliki pemahaman tertentu mengenai rekayasa perintah. Artikel ini digunakan untuk postingan LinkedIn dan buletin.

Gaya: Menarik.

Parameter: Judul harus pendek, menarik, dan menghasilkan ajakan untuk bertindak.

Berlangganan

ke buletin kami karena kami akan menerbitkan lebih banyak kiat dan petunjuk praktis untuk mengoptimalkan pekerjaan harian Anda. 

Referensi

1. ERA/ERF: https://easyaibeginner.com
2. GARING: https://promptengineering.org/the-crisp-method-a-dynamic-framework-for-advanced-ai-reasoning-and-decision-making/
3. Dorongan Pembelajaran COT: https://learnprompting.org/docs/intermediate/chain_of_thought
4. LangGPT: https://www.langgpt.ai/ 
5. Panduan Anda untuk menguasai Semua kerangka kerja prompt yang berbeda