Prompt chaining atau rantai prompt adalah teknik pemrosesan bahasa alami (NLP), yang memanfaatkan model bahasa besar (LLM) yang melibatkan pembuatan output yang diinginkan dengan mengikuti serangkaian petunjuk. Dalam proses ini, urutan prompt diberikan ke model NLP, yang memandunya untuk menghasilkan respons yang diinginkan. Model ini belajar untuk memahami konteks dan hubungan antara prompt, sehingga memungkinkannya menghasilkan teks yang koheren, konsisten, dan kaya secara kontekstual[1].
Konsepnya adalah implementasi lanjutan rekayasa prompt. Hal ini telah mendapatkan perhatian luas di bidang NLP berkat kemampuannya untuk meningkatkan kualitas dan pengendalian pembuatan teks. Rantai prompt yang efektif dapat diimplementasikan sebagai teknik rekayasa dibandingkan pendekatan lain, seperti prompting tanpa contoh, dengan beberapa contoh, atau model khusus yang disempurnakan[2]. Dengan memberikan arah dan struktur yang jelas, rantai prompt membantu model untuk lebih memahami maksud pengguna dan menghasilkan respons yang lebih akurat dan relevan.
Rantai prompt dapat meningkatkan efektivitas bantuan AI di berbagai domain. Dengan memecah tugas-tugas kompleks menjadi prompt yang lebih kecil dan menyatukannya, pengembang dapat membuat respons yang lebih dipersonalisasi dan akurat yang disesuaikan dengan kebutuhan masing-masing pengguna. Pendekatan ini tidak hanya meningkatkan pengalaman pengguna secara keseluruhan, tetapi juga memungkinkan penyesuaian dan kemampuan beradaptasi yang lebih besar dalam menanggapi perubahan kebutuhan pengguna atau skenario aplikasi[3].
Ada dua jenis prompt utama yang dihasilkan ketika bekerja dengan LLM. Ini adalah:
Ini adalah petunjuk dasar yang berisi satu instruksi atau pertanyaan untuk ditanggapi oleh model. Prompt ini biasanya digunakan untuk memulai percakapan atau meminta informasi. Contoh prompt sederhana akan menjadi: "Bagaimana cuaca hari ini?"
Prompt ini berisi beberapa instruksi atau pertanyaan yang mengharuskan model untuk melakukan serangkaian tindakan atau memberikan respons terperinci. Hal ini sering digunakan untuk memfasilitasi tugas-tugas yang lebih sulit atau untuk terlibat dalam percakapan yang lebih dalam. Contoh prompt yang kompleks adalah: "Saya mencari restoran yang menyajikan makanan vegan dan buka hingga pukul 10 malam. Bisakah Anda merekomendasikan satu?"
Buletin Think
Tetaplah menjadi yang terdepan dalam berita industri terbaru, alat AI, dan tren baru dalam rekayasa prompt dengan Buletin Think. Selain itu, dapatkan akses ke artikel penjelas, tutorial, dan insight pakar baru—dikirimkan langsung ke kotak masuk Anda. Lihat Pernyataan Privasi IBM.
Mengubah prompt yang kompleks menjadi serangkaian prompt sederhana dapat membantu memecah tugas yang kompleks menjadi sub-tugas yang lebih kecil. Pendekatan ini dapat memudahkan pengguna untuk memahami langkah-langkah yang diperlukan untuk menyelesaikan permintaan dan mengurangi risiko kesalahan atau kesalahpahaman.
Pertimbangkan skenario di mana kita memiliki informasi dalam bahasa Spanyol. Kita perlu mengekstrak informasi darinya, tetapi kita tidak mengerti bahasa Spanyol. Pertama, kita perlu menerjemahkan teks dari Spanyol ke Inggris. Kemudian, kita perlu mengajukan pertanyaan untuk mengekstrak informasi dan kemudian menerjemahkan informasi yang diekstrak dari bahasa Inggris ke bahasa Spanyol lagi. Ini adalah tugas yang rumit, dan jika kita mencoba menggabungkan semua langkah ini ke dalam satu prompt, maka akan menjadi terlalu rumit, sehingga meningkatkan kemungkinan terjadinya lebih banyak kesalahan dalam respons. Akibatnya, cara terbaik adalah mengubah prompt kompleks menjadi urutan prompt sederhana. Beberapa langkah untuk melakukan hal ini meliputi:
Berikut prompt kompleks kami adalah: "Pertimbangkan teks yang diberikan dalam bahasa Spanyol. Terjemahkan ke dalam bahasa Inggris. Temukan semua statistik dan fakta yang digunakan dalam teks ini dan daftarkan sebagai poin-poin. Terjemahkan lagi ke dalam bahasa Spanyol."
Untuk mengubah prompt yang rumit ini menjadi prompt sederhana, kita bisa memecah tujuan utama menjadi tindakan atau tugas yang lebih kecil, dan kita bisa membuat rantai prompt seperti di bawah ini:
Rantai prompt terstruktur adalah serangkaian prompt atau pertanyaan yang telah ditentukan sebelumnya yang dirancang untuk memandu pengguna melalui percakapan atau serangkaian tindakan tertentu, memastikan aliran informasi yang konsisten dan terkendali[4]. Solusi ini sering digunakan dalam dukungan pelanggan, bimbingan belajar, dan sistem interaktif lainnya untuk menjaga kejelasan, keakuratan, dan efisiensi dalam interaksi. Prompt dalam sebuah rantai biasanya saling terkait, sehingga sistem dapat membangun respons sebelumnya dan mempertahankan konteks. Pendekatan ini dapat membantu mengurangi ambiguitas, meningkatkan kepuasan pengguna, dan memungkinkan komunikasi yang lebih efektif antara manusia dan mesin.
Mulailah dengan mengumpulkan kumpulan prompt yang telah ditulis sebelumnya yang dapat disesuaikan untuk berbagai skenario. Templat ini harus mencakup tugas, permintaan, dan pertanyaan umum yang mungkin dihadapi pengguna.
Identifikasi pertanyaan atau instruksi inti yang perlu disampaikan dalam rantai prompt. Petunjuk ini harus sederhana, jelas, dan langsung, dan harus dapat berdiri sendiri sebagai prompt individu.
Tentukan informasi atau tindakan spesifik yang perlu diberikan pengguna sebagai respons terhadap setiap prompt. Input ini harus didefinisikan dengan jelas dan mudah dimengerti, dan harus ditautkan ke prompt yang sesuai dalam rantai prompt.
Gunakan pustaka referensi dan petunjuk utama untuk membangun rantai prompt lengkap. Pastikan bahwa setiap prompt terhubung secara logis ke prompt berikutnya, dan bahwa pengguna diminta untuk memasukkan input yang diperlukan pada titik-titik yang sesuai dalam urutan.
Setelah rantai prompt disusun, uji secara menyeluruh untuk memastikannya mudah dipahami dan diselesaikan. Mintalah sampel pengguna untuk menyelesaikan rantai prompt dan mengumpulkan masukan tentang area apa pun yang perlu ditingkatkan/diperbaiki.
Berdasarkan masukan yang diterima selama pengujian, buat penyesuaian atau peningkatan yang diperlukan pada rantai prompt. Hal ini mungkin termasuk menulis ulang prompt tertentu, menambah atau menghapus prompt, atau mengubah urutan prompt yang disajikan.
Dengan mengikuti langkah-langkah ini, perwakilan layanan pelanggan dan pemrogram dapat membuat rantai prompt yang efektif dan efisien yang membantu memandu pengguna melalui serangkaian tindakan atau tugas.
Rantai prompt menawarkan sejumlah keunggulan dibandingkan metode tradisional yang digunakan dalam rekayasa prompt. Dengan memandu model melalui serangkaian petunjuk, rantai prompt meningkatkan koherensi dan konsistensi dalam pembuatan teks yang mengarah ke output yang lebih akurat dan menarik.
Dengan mengharuskan model untuk mengikuti serangkaian prompt, rantai prompt membantu menjaga konsistensi dalam pembuatan teks. Hal ini sangat penting dalam penerapan yang membutuhkan konsistensi nada, gaya, atau format, seperti dalam dukungan pelanggan atau peran editorial[5].
Dalam dukungan pelanggan, rantai prompt dapat digunakan untuk memastikan komunikasi yang konsisten dengan pengguna. Misalnya, bot mungkin diminta untuk menyapa pengguna menggunakan nama yang mereka sukai atau mengikuti nada suara tertentu selama percakapan.
Rantai prompt memberikan kontrol yang lebih besar atas pembuatan teks, yang memungkinkan pengguna untuk menentukan output yang diinginkan dengan presisi. Hal ini sangat berguna dalam situasi di mana data input tidak jelas atau ambigu, karena model dapat diminta untuk mengklarifikasi atau menyempurnakan input sebelum menghasilkan respons[6].
Dalam sistem peringkasan teks, rantai prompt memungkinkan pengguna untuk mengontrol tingkat detail dan kekhususan dalam ringkasan yang dihasilkan. Misalnya, pengguna mungkin pertama-tama diminta untuk memberikan konten yang ingin mereka ringkas, seperti makalah penelitian. Prompt berikutnya dapat mengikuti untuk memformat ringkasan tersebut dalam format atau templat tertentu.
Rantai prompt membantu mengurangi tingkat kesalahan dengan menyediakan model konteks yang lebih baik dan input yang lebih terfokus. Rantai prompt yang terstruktur berguna untuk mengurangi upaya manusia serta memvalidasi kode dan output dengan lebih cepat. Dengan memecah input menjadi prompt yang lebih kecil dan mudah dikelola, model dapat lebih memahami maksud pengguna dan menghasilkan respons yang lebih akurat dan relevan[7].
Dalam sistem penerjemahan mesin, sebelum menerjemahkan sebuah kalimat, sistem akan meminta pengguna untuk menentukan bahasa sumber, bahasa target, dan konteks atau terminologi yang relevan. Ini membantu model untuk lebih memahami teks sumber dan menghasilkan terjemahan yang akurat.
Dengan memanfaatkan berbagai keunggulan ini, rantai prompt berpotensi untuk secara signifikan meningkatkan kinerja dan efektivitas model NLP dalam berbagai aplikasi, mulai dari dukungan pelanggan hingga penerjemahan editorial dan bahasa yang efisien.
Rantai prompt adalah teknik serbaguna yang dapat diterapkan pada berbagai contoh penggunaan, yang utamanya terbagi dalam dua kategori: menjawab pertanyaan dan tugas multilangkah.
Seperti namanya, tugas menjawab pertanyaan memberikan jawaban atas pertanyaan yang sering diajukan oleh manusia. Model mengotomatiskan respons berdasarkan konteks dari dokumen yang biasanya ditemukan dalam basis pengetahuan. Penerapan umum meliputi:
Seperti yang diduga, tugas multilangkah terdiri dari serangkaian langkah untuk mencapai tujuan tertentu. Beberapa contohnya meliputi:
Rantai prompt adalah teknik ampuh yang dapat digunakan dalam berbagai aplikasi waktu nyata untuk membantu memandu pengguna dan profesional melalui serangkaian tindakan atau tugas. Dengan memecah tugas yang kompleks menjadi serangkaian prompt yang lebih sederhana, rantai prompt dapat membantu memastikan bahwa pengguna dan profesional memahami langkah-langkah yang diperlukan untuk menyelesaikan permintaan dan memberikan pengalaman yang lebih baik secara keseluruhan. Baik digunakan dalam layanan pelanggan, pemrograman, atau pendidikan, rantai prompt dapat membantu menyederhanakan proses yang kompleks dan meningkatkan efisiensi dan akurasi.