Contoh Lebih Kuat daripada Instruksi Panjang: C…

Jika Anda berkali-kali meminta AI merangkum, mengelompokkan, atau mengubah data ke format tertentu, masalahnya mungkin bukan pada modelnya. Bisa jadi instruksinya terlalu abstrak. Kita mengatakan “buat ringkasan yang rapi” atau “kelompokkan berdasarkan jenisnya”, tetapi tidak menunjukkan seperti apa hasil yang dianggap benar.

Di sinilah few-shot prompting berguna. Teknik ini berarti memberikan beberapa contoh input dan output di dalam prompt, lalu meminta AI mengerjakan data baru dengan pola yang sama. Berbeda dari prompt biasa yang hanya berisi perintah, pendekatan ini mengajarkan pola melalui contoh.

Google menjelaskan bahwa satu contoh disebut one-shot prompting, sedangkan beberapa contoh disebut few-shot prompting. Dokumentasi Anthropic juga menyebut contoh yang relevan sebagai salah satu cara yang efektif untuk meningkatkan konsistensi format dan gaya keluaran. Namun, contoh harus dipilih hati-hati karena AI dapat meniru pola yang keliru jika contoh kita tidak konsisten.

Kapan teknik ini lebih berguna daripada instruksi panjang?

Few-shot prompting cocok untuk pekerjaan yang memiliki pola berulang, terutama ketika aturan sulit dijelaskan hanya dengan kata-kata. Misalnya:

Mengubah catatan rapat menjadi daftar tugas.
Mengelompokkan pertanyaan pelanggan berdasarkan jenis masalah.
Mengubah judul artikel menjadi format yang seragam.
Memberi label pada komentar pengguna.
Mengubah deskripsi produk menjadi kalimat promosi dengan gaya tertentu.
Menyaring informasi penting dari email atau dokumen.

Bayangkan Anda meminta pegawai baru mengarsipkan dokumen. Instruksi “arsipkan dengan rapi” mungkin menghasilkan banyak interpretasi. Tetapi jika Anda menunjukkan tiga dokumen beserta folder tujuannya, orang tersebut memiliki acuan yang lebih jelas. Few-shot prompting bekerja dengan prinsip yang sama.

Struktur dasar few-shot prompt

Prompt semacam ini biasanya memiliki lima bagian: peran atau konteks, aturan singkat, contoh, data baru, dan format keluaran. Anda tidak harus selalu memakai semuanya, tetapi struktur tersebut membantu mengurangi ambiguitas.

Anda membantu mengelompokkan pertanyaan pelanggan ke dalam kategori yang tersedia.

Kategori: Pengiriman, Pembayaran, Pengembalian, Lainnya

Contoh 1
Input: Paket saya belum sampai meski statusnya sudah dikirim.
Output: Pengiriman

Contoh 2
Input: Saya ingin membatalkan pesanan dan meminta uang kembali.
Output: Pengembalian

Contoh 3
Input: Mengapa kartu saya ditolak saat membayar?
Output: Pembayaran

Tugas
Input: Nomor resi saya tidak menunjukkan perubahan selama tiga hari.
Output:

Contoh tersebut singkat, tetapi memberikan informasi penting: kategori apa yang tersedia, bagaimana membaca kasusnya, dan jawaban akhir harus berupa label yang ringkas.

Cara memilih contoh yang tepat

1. Pilih contoh yang benar-benar mirip dengan tugas

Contoh yang terlalu jauh dari kasus nyata tidak banyak membantu. Jika Anda ingin mengelompokkan keluhan pelanggan, gunakan contoh yang benar-benar menyerupai bahasa pelanggan, termasuk kalimat pendek, typo ringan, atau pertanyaan yang tidak langsung.

Contoh yang terlalu bersih seperti “Saya mengalami masalah pengiriman” mungkin tidak mewakili input nyata seperti “dari kemarin statusnya masih di gudang, ini normal nggak?”.

2. Tunjukkan variasi, bukan pola yang terlalu sempit

Jangan membuat semua contoh memiliki bentuk kalimat yang sama. Jika seluruh contoh selalu dimulai dengan “Saya ingin...”, AI bisa terlalu terpaku pada pola tersebut. Berikan variasi panjang kalimat, istilah, dan cara orang menyampaikan maksud.

3. Pastikan label dan hasilnya konsisten

Jika dua contoh yang maknanya mirip diberi label berbeda tanpa penjelasan, AI akan kesulitan mengetahui aturan sebenarnya. Periksa kembali contoh sebelum memasukkannya ke prompt. Satu contoh yang salah bisa lebih membingungkan daripada tidak ada contoh sama sekali.

4. Sertakan kasus batas bila memang sering terjadi

Kasus batas adalah situasi yang bisa masuk ke dua kategori. Misalnya, pelanggan mengeluh paket terlambat sekaligus meminta pengembalian dana. Tambahkan contoh seperti ini dan jelaskan prioritasnya.

Contoh kasus gabungan
Input: Paket terlambat dan saya ingin uang saya dikembalikan.
Output: Pengembalian
Catatan: Jika pelanggan secara eksplisit meminta uang kembali, pilih Pengembalian.

Contoh siap pakai untuk pekerjaan sehari-hari

Berikut template yang bisa digunakan untuk mengubah catatan mentah menjadi daftar tindakan. Ganti bagian dalam tanda kurung siku dengan kebutuhan Anda.

Anda mengubah catatan mentah menjadi daftar tugas yang bisa langsung dikerjakan.

Aturan:
- Gunakan format: [Tugas] — [Penanggung jawab] — [Batas waktu]
- Jika penanggung jawab atau batas waktu tidak disebutkan, tulis “Belum ditentukan”.
- Jangan menambahkan informasi yang tidak ada di catatan.
- Gunakan kalimat singkat dan diawali kata kerja.

Contoh 1
Catatan: Rina akan mengirim revisi desain sebelum Jumat.
Output: Kirim revisi desain — Rina — Jumat

Contoh 2
Catatan: Tim perlu mengecek ulang harga paket, tetapi belum ada yang ditunjuk.
Output: Cek ulang harga paket — Belum ditentukan — Belum ditentukan

Catatan baru:
[Tempel catatan Anda di sini]

Template ini dapat diterapkan pada notulen rapat, pesan WhatsApp kerja, atau catatan pribadi. Jika hasilnya masih terlalu panjang, tambahkan satu contoh output yang lebih ringkas. AI biasanya lebih mudah mengikuti standar panjang melalui contoh konkret daripada melalui permintaan umum seperti “jangan terlalu bertele-tele”.

Jangan memasukkan contoh secara asal

Few-shot prompting bukan berarti semakin banyak contoh selalu semakin baik. Contoh yang panjang akan membuat prompt lebih berat dibaca dan dapat menghabiskan ruang konteks. Mulailah dengan beberapa contoh paling representatif, lalu tambahkan contoh baru hanya ketika Anda menemukan kegagalan yang berulang.

Perhatikan juga risiko bias. Jika contoh klasifikasi hanya memakai bahasa dari satu kelompok pengguna, AI bisa lebih mudah mengenali gaya bahasa tersebut dibanding variasi lainnya. Untuk pekerjaan yang menyangkut keputusan penting, seperti penyaringan lamaran, keluhan kesehatan, atau penilaian risiko, contoh sebaiknya diuji dengan data yang beragam dan tetap diperiksa manusia.

Uji dengan data yang belum menjadi contoh

Kesalahan umum adalah menguji prompt menggunakan contoh yang sudah diberikan. Hasilnya mungkin terlihat bagus karena AI tinggal mengikuti pola yang sudah tersedia. Setelah prompt selesai, siapkan beberapa kasus baru yang tidak ada di dalam contoh.

Ambil lima sampai sepuluh input nyata yang sudah dianonimkan.
Jalankan prompt tanpa mengubah instruksinya setiap kali.
Catat hasil yang salah, ambigu, atau terlalu panjang.
Tambahkan contoh perbaikan hanya untuk masalah yang berulang.
Ulangi pengujian dengan kumpulan data lain.

Dengan cara ini, prompt berkembang berdasarkan masalah nyata, bukan berdasarkan tebakan. Jika tugasnya penting, simpan versi prompt dan hasil pengujian agar perubahan dapat dibandingkan.

Apa artinya bagi kita?

Ketika AI sering memberi jawaban dengan format yang berubah-ubah, jangan langsung menambah instruksi panjang. Coba berikan dua atau tiga contoh hasil yang benar, termasuk satu contoh yang mewakili kasus sulit. Tunjukkan bukan hanya apa yang harus dilakukan, tetapi juga seperti apa hasil akhirnya.

Few-shot prompting paling efektif untuk pekerjaan yang berulang dan memiliki pola jelas. Ia bukan pengganti pemeriksaan manusia, terutama ketika hasilnya berdampak pada uang, pekerjaan, kesehatan, atau data pribadi. Namun, untuk tugas sehari-hari seperti merapikan catatan, memberi label, atau menstandarkan format, beberapa contoh yang baik sering kali lebih berguna daripada satu paragraf instruksi yang panjang.

Rujukan teknis: panduan prompt engineering Google dan panduan penggunaan contoh dalam prompt dari Anthropic.

Sumber & bacaan lebih lanjut

– Rio Yotto @rioyotto