Wawancara Seri AI 12: Bagaimana Mengoptimalkan Prompt?

Optimasi Prompt (Prompt Engineering/Optimization) adalah keterampilan kunci untuk membuat model bahasa besar "patuh", terutama dalam sistem RAG, yang secara langsung menentukan apakah model bersedia setia pada konten yang diambil, menghindari halusinasi, dan mengikuti format keluaran.

I. Prinsip Inti Optimasi Prompt

Kejelasan > Kerumitan: Instruksi sederhana dan langsung seringkali lebih efektif daripada rantai pemikiran yang rumit.
Berikan Kendala yang Cukup: Beri tahu model dengan jelas "apa yang bisa dan tidak bisa dilakukan".
Berikan Contoh: Few-shot lebih stabil daripada Zero-shot.
Dapat Diverifikasi: Minta model untuk mengeluarkan referensi atau tingkat kepercayaan, memudahkan penilaian selanjutnya.
Optimasi Iteratif: Mulai dari basis, ubah hanya satu variabel setiap kali, bandingkan efeknya.

II. Teknik Optimasi Spesifik (dari Mudah ke Sulit)

1. Penetapan Peran (System Prompt)

Kamu adalah asisten layanan pelanggan profesional. Kamu hanya boleh menjawab pertanyaan berdasarkan [Referensi] yang disediakan di bawah ini.
Jika kamu tidak tahu jawabannya, katakan langsung "Tidak ada informasi terkait dalam referensi", jangan membuat-buat sendiri.

Fungsi: Menetapkan batasan dan nada bicara.
Titik Optimasi: Nada bicara (profesional/ramah), kekuatan kendala (ketat/longgar).

2. Instruksi yang Jelas

❌ Buruk: "Jawab pertanyaan pengguna."
✅ Baik: "Hanya berdasarkan [Referensi] di bawah ini. Jika referensi tidak mengandung jawaban, jawab 'Saya tidak dapat menjawab pertanyaan ini'."

3. Kontrol Format Keluaran

Harap keluarkan dalam format JSON berikut:
{
  "answer": "Jawaban Anda",
  "confidence": "Tinggi/Sedang/Rendah",
  "sources": [1, 3]
}

Kegunaan: Memudahkan penguraian, referensi, dan debugging di hilir.

4. Contoh Few-shot (Sangat Efektif)

Contoh 1:
Pertanyaan: Berapa hari cuti tahunan?
Referensi: Aturan cuti tahunan: 1 tahun 5 hari, 10 tahun 10 hari.
Jawaban: 1 tahun 5 hari, 10 tahun 10 hari.

Contoh 2:
Pertanyaan: Bagaimana perhitungan lembur?
Referensi: Lembur hari kerja 1,5 kali, akhir pekan 2 kali.
Jawaban: Hari kerja 1,5 kali, akhir pekan 2 kali.

Sekarang jawab:
Pertanyaan: {pertanyaan pengguna}
Referensi: {konten yang diambil}
Jawaban:

Tips: Contoh harus mencakup berbagai tingkat kesulitan, sebaiknya sertakan contoh "tidak dapat menjawab".

5. Referensi Wajib

Di akhir jawaban, tandai nomor sumber dengan [citation:X]. Misalnya: "Cuti tahunan adalah 5 hari[citation:1]."
Jika menggabungkan beberapa sumber, tandai masing-masing.

6. Menetapkan Ambang Penolakan

Kendala Keras: "Jika referensi sama sekali tidak terkait dengan pertanyaan, jawab 'Referensi tidak relevan'."
Kendala Lunak: Gabungkan skor kepercayaan pengambilan, jika di bawah ambang batas, secara otomatis masuk ke cabang penolakan.

7. Rantai Pemikiran (Chain-of-Thought) untuk Penalaran Multi-Langkah

Pertanyaan: Siapa bos Zhang San?
Langkah: 1. Cari tahu departemen Zhang San. 2. Cari tahu kepala departemen tersebut. 3. Berikan jawaban akhir.
Silakan berpikir langkah demi langkah lalu keluarkan.

8. Instruksi Negatif (Negative Prompting)

Jangan membuat-buat jawaban. Jangan gunakan kata-kata kabur seperti "mungkin" atau "barangkali". Jangan keluarkan angka apa pun di luar referensi.

III. Bagaimana Mengevaluasi Kualitas Prompt?

Metrik	Arti	Cara Mengukur
Kesetiaan	Apakah jawaban benar-benar didasarkan pada referensi?	Manual atau Faithfulness dari RAGAS
Akurasi Penolakan	Apakah menolak saat seharusnya menolak?	Hitung pada set uji tanpa jawaban
Tingkat Kepatuhan Format	Apakah keluaran sesuai JSON/referensi?	Pencocokan regex
Kepuasan Pengguna	Apakah jawaban bermanfaat?	Umpan balik online / A/B testing

Saran: Siapkan set uji kecil (20-50 kasus tepi), jalankan setiap kali mengubah prompt, catat perubahannya.

IV. Jebakan Umum & Arah Optimasi

Masalah	Kemungkinan Penyebab	Metode Optimasi
Model mengabaikan referensi, menjawab sendiri	Instruksi tidak cukup kuat	Ubah menjadi "Hanya berdasarkan referensi berikut", dan gunakan few-shot untuk menunjukkan penolakan
Model selalu mengatakan "tidak tahu"	Ambang penolakan terlalu tinggi	Turunkan ambang batas atau periksa kualitas pengambilan
Format keluaran berantakan, tidak sesuai JSON	Instruksi tidak jelas	Tambahkan contoh format yang ketat, atau gunakan function calling
Jawaban terlalu panjang/pendek	Tidak menentukan panjang	"Jawab dalam tidak lebih dari 3 kalimat"
Penalaran multi-langkah salah	Kemampuan penalaran model tidak cukup	Minta untuk menunjukkan penalaran langkah demi langkah, atau ganti dengan model yang lebih kuat
Muncul angka/tanggal halusinasi	Model bergantung pada pengetahuannya sendiri	Tekankan "jangan gunakan angka apa pun yang Anda ingat, lihat hanya referensi"