Teknik Prompt: Antarmuka Utama untuk Kecerdasan Buatan Generatif

Dasar-Dasar Teknik Prompt

Teknik Prompt (TP) adalah proses merancang dan mengoptimalkan masukan teks untuk membimbing Model Bahasa Besar (LLM) menuju hasil yang berkualitas tinggi dan konsisten.

1. Menentukan Antarmuka

Apa: Ini berfungsi sebagai antarmuka "pemrograman" utama untuk kecerdasan buatan generatif.
Mengapa: Ini menggeser interaksi dari prediksi teks yang kasar dan tidak terduga menjadi pelaksanaan instruksi yang sengaja dan terstruktur.

2. Dasar Model

LLM Dasar: Dilatih hanya untuk memprediksi token berikutnya berdasarkan hubungan statistik dalam dataset besar, dengan memaksimalkan probabilitas $P(w_t | w_1, w_2, ..., w_{t-1})$.
LLM yang Disesuaikan Instruksi: Disempurnakan melalui Pembelajaran Penguatan dengan Umpan Balik Manusia (RLHF) agar secara eksplisit mengikuti arahan tertentu dan bertindak sebagai asisten yang membantu.

3. Anatomis Prompt yang Sukses

Bagaimana: Prompt yang kuat biasanya mencakup:

Instruksi: Tindakan spesifik yang diperlukan.
Konten Utama: Data tujuan yang perlu diproses.
Konten Sekunder: Parameter, format, atau batasan (untuk menangani stokastisitas dan halusinasi).

Realitas Tokenisasi

Model tidak membaca kata-kata; mereka memproses token—satuan-satuan kecil dari urutan teks yang digunakan untuk menghitung probabilitas statistik.

TERMINALbash — 80x24

> Ready. Click "Run" to execute.

Question 1

What is the primary difference between a Base LLM and an Instruction-Tuned LLM?

Base LLMs only process code, while Instruction-Tuned LLMs process natural language.

Instruction-Tuned models are refined through human feedback to follow specific directions, whereas Base LLMs focus on statistical token prediction.

Base LLMs use tokens, but Instruction-Tuned LLMs read whole words at a time.

There is no difference; they are two terms for the exact same architecture.

Question 2

Why is the use of delimiters (like triple backticks or hashes) considered a best practice in prompt engineering?

They reduce the token count, making the API call cheaper.

They force the model to output in JSON format.

To separate instructions from the content the model needs to process, preventing 'separation of concerns' issues.

They increase the model's temperature setting automatically.

Challenge: Tutor AI Constraints

Refining prompts for educational safety.

You are building a tutor-style AI for a startup. The model is currently giving away answers too quickly and sometimes making up facts when it doesn't know the answer.

Task 1

Implement "Chain-of-thought" prompting in the system message to prevent the AI from giving away answers immediately.

Solution:
Instruct the model to:

"Work through the problem step-by-step before providing the final answer. Do not reveal the final answer until the student has attempted the steps."

Task 2

Apply an "out" to prevent fabrications (hallucinations) when the AI doesn't know the answer.

Solution:
Add the explicit instruction: "If you do not know the answer based on the provided text or standard curriculum, state clearly that you do not know."