Pertama kali diterbitkan oleh Vectors of Mind.
Pekerjaan saya telah menjadi sangat dekat dengan pekerjaan seorang Prompt Engineer1. Bagi saya, hal ini tidak menjadi masalah karena pekerjaan tersebut memadukan kecintaan saya pada penulisan, psikometri, dan NLP. Berikut beberapa teknik prompting yang paling ampuh:
- Gunakan instruksi yang jelas dan spesifik
- Penalaran chain-of-thought
- Kumpulkan informasi yang diperlukan sebelum mengerjakan tugas
- Pecah tugas menjadi beberapa langkah
- Istilah teknis adalah sahabat Anda
- Kumpulan frasa yang berguna
1. Instruksi yang jelas dan spesifik#
Pengacara dan ilmuwan komputer secara alami mahir dalam hal ini. Bahkan, salah satu hal yang menyenangkan dari prompting adalah bahwa kita dapat bersikap jauh kurang presisi dibandingkan ketika menulis kode biasa, dan LLM sering kali dapat menangkap maksudnya. Namun, banyak permintaan dapat diperbaiki hanya dengan menjelaskan secara eksplisit tugas yang harus dikerjakan dan format jawaban yang diharapkan. Sebagai contoh, baru-baru ini saya berhasil mengais hidangan berikut:
Rasanya lezat, terima kasih atas pertanyaannya. Contoh-contoh lain:
“Ringkaslah sejarah AI dalam satu paragraf.”
“Buatlah tabel rumpun bahasa tertua yang diurutkan berdasarkan usia. Bersikaplah menyeluruh.”2
“Tulis ulang teks yang dikutip dengan gaya White dan Strunk. Berikan tiga pilihan.”
“Hitung matriks korelasi Pearson untuk kolom 2–7 dari berkas .csv terlampir.”
- tindak lanjut: “Tulislah kode untuk menampilkan hasilnya sebagai peta panas dengan resolusi yang cukup tinggi agar dapat digunakan pada poster. Gunakan praktik terbaik dalam pemilihan aspek estetis.”
Instruksi spesifik sering kali mencakup contoh-contoh spesifik. White dan Strunk menulis Elements of Style. Mengutip buku mereka lebih baik daripada menggunakan kata sifat seperti “ringkas”, “profesional”, atau tulisan yang “unggul”. Salah satu alasannya adalah bahwa LLM cenderung memberikan hasil secara berlebihan, terutama ketika dihadapkan pada kata sifat yang spesifik. Oleh karena itu, jika Anda ingin robot tersebut mengadopsi persona yang sassy, cobalah memintanya untuk bertindak seperti Veronica Mars atau Regina George dari Mean Girls.
2. Penalaran chain of thought#
LLM dilatih menggunakan korpus teks yang sangat besar untuk memprediksi kata berikutnya. Yang mengejutkan, hal ini membuatnya mahir dalam mengaproksimasi penalaran, tetapi kemampuannya segera runtuh ketika menghadapi tugas-tugas kompleks. Di sini, “kompleks” dapat berarti sesuatu seperti “jumlahkan angka-angka pada kolom 1”. Tugas ini sangat sulit dilakukan dalam satu shot, dan LLM akan mengeluarkan suatu angka yang tampak masuk akal serta kemungkinan besar berada dalam kisaran yang benar, tetapi bukan jawaban yang tepat. Menambahkan “pikirkan hal ini langkah demi langkah” menghasilkan perbedaan besar. Sering kali, Anda bahkan tidak perlu menentukan langkah-langkahnya; LLM dapat menyimpulkan bahwa untuk menjumlahkan suatu kolom, langkah-langkah perantaranya adalah menuliskan “n1 + n2 + n3 + … + n100 =”. Pada dasarnya, ini berarti memintanya melakukan prompting terhadap dirinya sendiri agar memperoleh jawaban yang lebih baik di sisi kanan tanda sama dengan tersebut. Atau, secara analogis, memberinya waktu untuk memikirkannya. Untuk masalah apa pun, frasa “pikirkan hal ini langkah demi langkah” merupakan garis pertahanan pertama Anda dalam menghadapi halusinasi LLM. Jika itu tidak berhasil, susun sendiri langkah-langkahnya secara berurutan (teknik yang akan kita bahas lagi).
3. Kumpulkan informasi yang diperlukan sebelum mengerjakan tugas#
Jika Anda meminta chatGPT menulis sebuah kiriman blog (saya tidak akan pernah melakukannya) atau suatu fungsi Python (yang pasti akan saya lakukan), ia akan langsung mengerjakannya tanpa menanyakan rincian mengenai apa yang sebenarnya Anda inginkan. Sebagian besar hal ini dapat dihindari dengan mengatakan sesuatu seperti, “Saya ingin menulis sebuah fungsi yang melakukan X; informasi apa yang perlu saya kumpulkan sebelum menulis kode?” atau “Tulislah sebuah fungsi yang melakukan X, tetapi pertama-tama tanyakan informasi apa pun yang diperlukan sebelum menulis kode.” Di sini, “X” merupakan suatu deskripsi parsial.
4. Pecah tugas menjadi beberapa langkah#
Setiap kali chatGPT gagal mengerjakan suatu tugas dan chain-of-thought tidak membantu, pecahlah tugas tersebut menjadi subtugas-subtugas. Sejak awal, hal ini sering kali sudah mencakup separuh pekerjaan suatu tugas dan, secara kebetulan, merupakan sesuatu yang (saat ini) sulit dilakukan LLM secara mandiri. Namun, perlu dicatat bahwa Anda juga sering kali dapat mengalihdayakan hal ini kepada LLM3. Sebagai contoh, saya meminta chatGPT menyusun butir-butir untuk suatu tes kreativitas (yang dapat Anda baca sekilas):
Saya sedang berusaha menyusun lebih banyak pertanyaan yang serupa dengan Remote Associates Test (RAT). RAT mengharuskan individu menemukan sebuah kata umum yang menghubungkan tiga kata yang tampaknya tidak berkaitan. Berikut beberapa contoh kelompok kata:
Cottage, Swiss, Cake (Jawaban: Cheese)
High, Book, Chair (Jawaban: School)
Fruit, Gaze, Traffic (Jawaban: Jam)
Cream, Skate, Water (Jawaban: Ice)
Ache, Hunter, Cabbage (Jawaban: Head)
Manners, Round, Tennis (Jawaban: Table)
Falling, Actor, Dust (Jawaban: Star)
Light, Birthday, Stick (Jawaban: Candle)
Salad, Head, Goose (Jawaban: Egg)
Music, Ached, Green (Jawaban: Apple)
Apa praktik terbaiknya? Bagaimana seharusnya saya memikirkan hal ini langkah demi langkah?
Seperti halnya memahami cara menjumlahkan angka, chatGPT sangat mahir menghasilkan “resep” untuk menyelesaikan tugas. Setelah ia memberikan hasilnya, yang perlu saya lakukan hanyalah berkata:
“Bagus! Sekarang lakukan proses tersebut untuk menghasilkan 5 pertanyaan baru.”
Lalu lima lagi, dan lima lagi. Sebelumnya saya pernah mencoba meminta butir-butir baru secara langsung, dan saran-sarannya sangat buruk. Untuk contoh yang jauh lebih rumit, lihat bagaimana suatu lembaga keselamatan AI menggunakan teknik ini (di antara berbagai trik lainnya) untuk memecahkan masalah yang dirancang agar mustahil diselesaikan oleh LLM.
5. Istilah teknis adalah sahabat Anda#
Istilah teknis merupakan cekungan atraktor bagi perilaku LLM yang kompeten. Sebagai contoh, mendeskripsikan suatu penyakit dan menanyakan apa yang “diindikasikan” akan membawa Anda lebih jauh daripada bertanya, “Apa yang harus saya lakukan?” Penggunaan kata “diindikasikan” memberi tahu LLM untuk memetakan gejala Anda pada setiap buku teks kedokteran yang pernah ditulis. Sementara itu, pertanyaan yang kedua dipetakan menjadi permintaan nasihat medis atau kehidupan, yang telah dilatih untuk tidak diberikannya. Penggunaan istilah teknis atau nonkolokial membawa Anda keluar dari ruang asisten normie, yang memiliki pagar pengaman paling ketat dan nasihat setingkat Reddit.
6. Kumpulan prompt yang berguna#
Berikut beberapa frasa yang sering saya gunakan:
“Apakah itu benar?”
- Setiap kali saya menulis ringkasan mengenai karya orang lain atau mendeskripsikan gagasan yang belum sepenuhnya saya kenal, saya menyalin-tempel tulisan saya dan menanyakan apakah tulisan tersebut benar. Biasanya, ia cukup baik dalam mengajukan keberatan ketika ada bagian-bagian yang masih dapat diperdebatkan.
“Apakah Anda yakin?”
- Demikian pula, setiap kali saya mencurigai bahwa LLM sedang mengeluarkan omong kosong, saya menanyakan apakah ia yakin. Jika ia mengubah pendiriannya, perlakukan klaim tersebut dengan skeptisisme yang sangat besar.
“Bantu saya melakukan curah pendapat.” “Bersikaplah kreatif.”
- Salah satu kegunaan terbaik LLM adalah membantu Anda menjelajahi ruang gagasan. Terkadang, ia perlu didorong untuk menjauh dari jawaban-jawaban modal.
Jika Anda memiliki prompt andalan, tambahkan di kolom komentar!
Pekerjaan ini juga menjadi lebih tidak menentu daripada yang saya inginkan, jadi jika Anda memiliki pekerjaan kontrak di bidang ilmu data, AI, atau psikometri, hubungi saya! ↩︎
Harus diakui, tidak mungkin LLM mencantumkan seluruh 142–420 rumpun bahasa di dunia. Karena hal ini “mustahil” (yakni, terlalu jauh dari perilaku default-nya, melampaui batas token tertentu yang keras), kata “menyeluruh” berfungsi melawan gravitasi jawaban yang singkat, sehingga LLM memberikan jawaban yang lebih menyeluruh. Inilah sisi buruk prompting, yang kadang-kadang merosot menjadi memohon, merayu, menyuap, dan mengancam. ↩︎
Fakta bahwa Anda dapat memperoleh bantuan dari LLM untuk memecah subtugas menunjukkan bahwa hal ini juga akan semakin terotomatisasi. Siapa yang tahu apa yang akan mampu dilakukan generasi-generasi mendatang. ↩︎