0Pricing
AI Prompt Engineering · Pelajaran

Mengembangkan Respons Sebelumnya

Pelajari percakapan multi-giliran dengan merujuk keluaran sebelumnya dalam perintah tindak lanjut.

Mengembangkan Respons Sebelumnya adalah pelajaran AI Prompt Engineering gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Prompt Engineering, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Prompt Engineering mencakup 4 pelajaran total.

Percakapan dengan Banyak Giliran

Percakapan dengan banyak giliran bersama model AI merupakan pembangunan kolaboratif — setiap pertukaran menambahkan sesuatu yang baru, bukan menggantikan hal yang sudah ada.

Hal ini berbeda dari penulisan prompt lanjutan untuk memperbaiki kesalahan. Membangun berdasarkan respons sebelumnya berarti menggunakan output model sebelumnya sebagai bahan mentah: mengembangkannya, memilih bagian darinya, menggabungkannya kembali, atau menerapkan sudut pandang baru terhadapnya.

Menguasai pola ini memungkinkan Anda menghasilkan output yang kompleks dan berlapis, yang mustahil dibuat hanya dengan satu prompt.

Merujuk pada Output Sebelumnya

Pola pembangunan paling sederhana adalah merujuk pada hal yang baru saja ditulis model:

  • "Berdasarkan yang Anda tulis di atas, apa tiga risiko terbesar?"
  • "Gunakan kerangka yang Anda jelaskan dan terapkan pada konteks layanan kesehatan."
  • "Dengan menggunakan gaya bahasa dari respons terakhir Anda, tulis ulang paragraf baru ini."
  • "Dari daftar yang Anda buat, item mana yang akan Anda prioritaskan terlebih dahulu dan mengapa?"

Rujukan ini membuat model tetap berlandaskan pada hasil kerjanya sendiri sebelumnya, sehingga kesinambungan tetap terjaga di antara giliran percakapan.

Memilih dan Mengembangkan

Ketika model menghasilkan daftar atau sekumpulan opsi, Anda dapat memilih satu item dan meminta pengembangannya:

  • "Ambil opsi kedua dari daftar Anda dan kembangkan menjadi rencana lengkap."
  • "Saya paling menyukai pendekatan ketiga. Tulislah panduan implementasi sepanjang 300 kata untuk pendekatan tersebut."
  • "Opsi B paling mendekati kebutuhan saya. Kembangkan lebih lanjut dengan langkah-langkah dan jadwal yang spesifik."

Pola ini sangat bermanfaat untuk alur kerja pencarian ide: hasilkan opsi pada satu giliran, lalu pilih dan kembangkan pada giliran berikutnya.

Menggunakan Struktur dari Respons Sebelumnya

Anda dapat meminta model menerapkan struktur dari satu respons ke konten baru:

  • "Dengan menggunakan struktur yang sama dari respons terakhir Anda, analisis pesaing B."
  • "Terapkan format lima bagian yang sama pada produk baru ini."
  • "Ikuti kerangka yang Anda buat di atas, tetapi isilah untuk audiens B2B, bukan B2C."

Hal ini sangat berguna untuk membuat dokumen yang konsisten dan paralel—laporan, perbandingan, dan analisis yang perlu mengikuti templat yang sama pada berbagai subjek.

Kedalaman Iteratif: Mendalami dari Giliran ke Giliran

Percakapan dengan banyak giliran memungkinkan Anda meningkatkan kedalaman secara bertahap:

  1. Giliran 1: "Berikan gambaran umum tingkat tinggi tentang alur pemrosesan pembelajaran mesin."
  2. Giliran 2: "Jelaskan lebih mendalam langkah prapemrosesan data."
  3. Giliran 3: "Berikan contoh kode Python untuk menangani nilai yang hilang dalam langkah prapemrosesan tersebut."
  4. Giliran 4: "Sekarang tambahkan penanganan error dan pencatatan ke contoh kode tersebut."

Setiap giliran memperbesar fokus satu tingkat. Cara ini lebih terkendali daripada meminta semuanya sekaligus dalam satu prompt yang kompleks.

Merujuk Silang pada Beberapa Giliran Sebelumnya

Dalam percakapan yang lebih panjang, Anda dapat menggabungkan elemen dari beberapa giliran sebelumnya:

  • "Gabungkan persona pengguna dari Giliran 2 dengan fitur produk dari Giliran 4 untuk menulis promosi yang ditargetkan bagi setiap persona."
  • "Ambil risiko yang Anda identifikasi sebelumnya dan strategi mitigasi dari respons terakhir Anda, lalu buat matriks risiko."

Cara ini paling efektif jika setiap giliran sebelumnya menghasilkan bagian konten yang jelas labelnya dan berbeda. Giliran sebelumnya yang tidak terorganisasi akan membuat rujukan silang membingungkan bagi Anda maupun model.

Keterbatasan Jendela Konteks

Percakapan dengan banyak giliran memiliki batas praktis: jendela konteks model. Setiap pesan—pesan Anda maupun pesan model—disertakan dalam konteks yang dikirim ke API. Seiring percakapan menjadi semakin panjang, pesan-pesan lama mungkin dipotong.

Strategi praktis:

  • Ringkas dan padatkan giliran-giliran sebelumnya ketika detail lengkapnya tidak lagi diperlukan
  • Mulai percakapan baru ketika topiknya berubah secara mendasar
  • Buat setiap respons tetap singkat agar model dapat melihat lebih jauh ke belakang

Mengelola Konteks Banyak Giliran dalam Kode

Dalam Python, Anda mempertahankan konteks banyak giliran dengan menambahkan setiap pasangan pesan ke daftar riwayat percakapan:

import openai

client = openai.OpenAI(api_key='sk-...')

conversation = []

def chat(user_message):
    conversation.append({'role': 'user', 'content': user_message})

    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=conversation
    )

    reply = response.choices[0].message.content
    conversation.append({'role': 'assistant', 'content': reply})
    return reply

# Turn 1: Generate options
print(chat('Give me 3 app name ideas for a meditation app.'))

# Turn 2: Select and expand
print(chat('Take the second option and write a tagline and a 50-word app description for it.'))

# Turn 3: Apply structure to another item
print(chat('Now do the same for the first option: tagline and 50-word description.'))

Menetapkan Rujukan dengan Jelas

Ketika merujuk pada output sebelumnya, jelaskan dengan tepat maksud Anda. Rujukan yang samar membuat model menebak:

  • Samar: "Kembangkan apa yang Anda katakan sebelumnya."
  • Jelas: "Kembangkan poin ketiga dalam respons Anda sebelumnya—poin tentang hambatan orientasi pengguna."

Jika respons sebelumnya memiliki beberapa bagian, sebutkan nama bagiannya. Jika berupa daftar, sebutkan nomor itemnya. Semakin tepat Anda menetapkan rujukan, semakin andal model akan mengikutinya.

Membangun Dokumen Secara Bertahap

Pembangunan dengan banyak giliran ideal untuk membuat dokumen terstruktur seperti laporan, rencana, atau proposal:

  1. Giliran 1: Buat kerangka
  2. Giliran 2: Tulis Bagian 1
  3. Giliran 3: Tulis Bagian 2 (dengan mempertahankan gaya bahasa dari Bagian 1)
  4. Giliran 4: Tulis ringkasan eksekutif berdasarkan Bagian 1 dan 2

Pendekatan bertahap ini memberi Anda kendali atas setiap bagian sebelum melanjutkan ke bagian berikutnya, serta memungkinkan Anda menyesuaikan arah di tengah dokumen tanpa kehilangan semuanya.

Ketika Pembangunan Gagal: Kehilangan Alur

Pembangunan dengan banyak giliran dapat bermasalah ketika model kehilangan jejak konteks sebelumnya. Tanda-tanda kehilangan alur:

  • Model menyangkal sesuatu yang dikatakannya dua giliran sebelumnya
  • Model mengabaikan batasan yang ditetapkan di awal percakapan
  • Model kembali memberikan saran umum, bukan kerangka khusus yang telah Anda bangun

Solusi: Nyatakan kembali konteks utama secara eksplisit dalam pesan berikutnya, bukan berasumsi bahwa model mengingatnya. "Seperti yang telah kita tetapkan, audiensnya adalah para eksekutif nonteknis. Dengan mempertimbangkan hal itu..."

Uji Pengetahuan: Pembangunan dengan Banyak Giliran

Anda memiliki percakapan tiga giliran. Giliran 1 menghasilkan kerangka lima bagian untuk laporan bisnis. Giliran 2 menghasilkan teks lengkap Bagian 1 (Analisis Pasar). Sekarang Anda ingin Bagian 2 (Lanskap Persaingan) mengikuti struktur dan gaya bahasa yang sama seperti Bagian 1.

Prompt Giliran 3 manakah yang paling efektif?

Ringkasan: Membangun Berdasarkan Respons Sebelumnya

Percakapan dengan banyak giliran merupakan cara yang ampuh untuk membangun output kompleks secara bertahap. Teknik utamanya adalah merujuk pada output sebelumnya berdasarkan nama atau nomor, memilih dan mengembangkan item tertentu, menerapkan struktur dari satu respons ke konten baru, serta mengiterasi kedalaman dari giliran ke giliran.

Penetapan rujukan yang tepat dan kesadaran akan batas jendela konteks merupakan keterampilan utama untuk mencegah percakapan dengan banyak giliran kehilangan koherensi.

Dalam pelajaran berikutnya, Anda akan mempelajari kapan harus meninggalkan percakapan dan memulai yang baru, alih-alih terus membangun di atas percakapan tersebut.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Mengembangkan Respons Sebelumnya” gratis?

Ya — teks lengkap “Mengembangkan Respons Sebelumnya” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Prompt Engineering, upgrade ke CoddyKit PRO. Kursus AI Prompt Engineering mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Mengembangkan Respons Sebelumnya”?

Pelajari percakapan multi-giliran dengan merujuk keluaran sebelumnya dalam perintah tindak lanjut. Kamu berlatih AI Prompt Engineering dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai AI Prompt Engineering?

Tidak diperlukan pengalaman sebelumnya. AI Prompt Engineering di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.

Berapa lama pelajaran “Mengembangkan Respons Sebelumnya” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Prompt Engineering ini?

Ya. Setiap pelajaran AI Prompt Engineering menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Membaca dan Mengevaluasi Keluaran Kecerdasan Buatan
  2. Menulis Perintah Tindak Lanjut yang Efektif
  3. Mengembangkan Respons Sebelumnya
  4. Kapan Menyempurnakan atau Memulai dari Awal
← Kembali ke AI Prompt Engineering