AI Prompt Engineering · Pelajaran

Mendiagnosis dan Memperbaiki Perintah yang Buruk

Gunakan daftar periksa debugging sistematis untuk meningkatkan kinerja perintah.

Mendiagnosis dan Memperbaiki Perintah yang Buruk adalah pelajaran AI Prompt Engineering gratis di CoddyKit. Ini adalah pelajaran 4 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.

Pola Pikir dalam Men-debug

Ketika sebuah prompt menghasilkan output yang buruk, naluri pertama kebanyakan orang adalah menyalahkan model. Namun, dalam kebanyakan kasus, masalahnya ada pada prompt — dan model berperilaku persis seperti seharusnya berdasarkan instruksi yang diterimanya.

Menganggap kegagalan prompt sebagai masalah pen-debug-an lebih produktif. Sama seperti saat men-debug kode, Anda mengidentifikasi akar masalah secara sistematis, membuat hipotesis perbaikan, mengujinya, lalu memverifikasi hasilnya. Pola pikir ini menghasilkan peningkatan yang lebih cepat daripada percobaan dan kesalahan yang dilakukan dengan frustrasi.

Daftar Periksa Pen-debug-an Prompt

Ketika sebuah prompt gagal, ikuti daftar periksa lima dimensi ini secara sistematis:

Spesifikasi — Apakah prompt terlalu samar? Apakah tugas tersebut memerlukan definisi yang lebih tepat?
Konteks — Apakah informasi latar belakang yang diperlukan model belum tersedia?
Format — Apakah format dan panjang output yang diinginkan sudah ditentukan?
Batasan — Apakah batasan telah dinyatakan dengan jelas? Apakah ada yang saling bertentangan?
Contoh — Apakah contoh output yang baik dapat menghilangkan ambiguitas?

Setiap dimensi berkaitan dengan jenis perbaikan tertentu. Identifikasi dimensi yang bermasalah, lalu terapkan perbaikan yang sesuai.

Dimensi 1: Pemeriksaan Spesifikasi

Kegagalan spesifikasi menghasilkan: topik yang salah, sudut pandang yang salah, tingkat audiens yang tidak sesuai, atau aspek penting tugas yang terlewat.

Pertanyaan diagnostik:

Apakah orang asing yang cerdas dapat menafsirkan prompt ini secara berbeda dari yang saya maksudkan?
Apakah ada kata-kata yang samar (baik, lebih baik, sesuai, profesional) yang perlu diganti?
Apakah jenis tugasnya sudah ditentukan (artikel? email? ringkasan? analisis?)?
Apakah audiens telah didefinisikan dengan cukup tepat?

Perbaikan: Ganti kata-kata yang samar dengan kata-kata yang spesifik. Sebutkan jenis tugasnya. Jelaskan latar belakang audiens. Tambahkan contoh satu kalimat tentang output yang Anda inginkan.

Dimensi 2: Pemeriksaan Konteks

Kegagalan konteks menghasilkan: saran umum yang mengabaikan situasi spesifik Anda, asumsi yang keliru tentang tumpukan teknologi, perusahaan, atau audiens Anda, serta respons yang mungkin berhasil dalam konteks lain tetapi tidak dalam konteks Anda.

Pertanyaan diagnostik:

Apa yang perlu diketahui model tentang situasi spesifik saya yang tidak dapat diketahuinya dari pelatihan umum?
Apakah saya telah memberikan kode, dokumen, atau data yang relevan dengan tugas tersebut?
Apakah saya telah menjelaskan batasan lingkungan saya?

Perbaikan: Tambahkan bagian Latar Belakang sebelum instruksi tugas. Tempelkan kode atau konten yang relevan langsung ke dalam prompt.

Dimensi 3: Pemeriksaan Format

Kegagalan format menghasilkan: konten yang benar, tetapi struktur yang salah — prosa ketika Anda memerlukan poin-poin, esai ketika Anda memerlukan panduan langkah demi langkah, atau tanpa judul ketika navigasi diperlukan.

Pertanyaan diagnostik:

Apakah saya telah menentukan format output (poin-poin, daftar bernomor, prosa, tabel, blok kode)?
Apakah saya telah menentukan panjangnya?
Apakah saya telah menentukan bagian atau struktur yang diwajibkan?

Perbaikan: Tambahkan instruksi format yang eksplisit. Gunakan pola: "Format: [struktur]. Panjang: [target]. Bagian: [daftar]." Untuk format yang kompleks, berikan templat dengan teks pengganti yang harus diisi oleh model.

Dimensi 4: Pemeriksaan Batasan

Kegagalan batasan menghasilkan: konten yang mencakup hal-hal yang ingin Anda kecualikan, atau output yang terasa kaku karena batasannya saling bertentangan.

Pertanyaan diagnostik:

Apakah batasan saya dinyatakan dengan jelas atau hanya tersirat?
Apakah ada batasan yang saling bertentangan?
Apakah batasan saya bertentangan dengan cakupan atau panjang konten?
Apakah ada instruksi prioritas untuk batasan yang hampir bertentangan?

Perbaikan: Nyatakan batasan yang tersirat secara eksplisit. Tambahkan instruksi untuk menentukan prioritas. Selesaikan konflik dengan memilih batasan yang harus diutamakan. Pastikan cakupan dan panjangnya sesuai.

Dimensi 5: Pemeriksaan Contoh

Ketika keempat dimensi pertama terlihat baik, tetapi output masih melenceng, contoh sering kali menjadi bagian yang kurang. Contoh menyampaikan hal-hal yang tidak dapat disampaikan oleh kata-kata.

Pertanyaan diagnostik:

Apakah menunjukkan contoh output yang baik akan memperjelas gaya, nada, atau format yang diharapkan?
Apakah contoh negatif (hal yang TIDAK boleh dihasilkan) akan membantu?
Apakah ada output yang sudah ada dari jenis tugas ini yang dapat Anda gunakan sebagai referensi?

Perbaikan: Tambahkan satu atau dua contoh output ideal ke dalam prompt. Gunakan pola: "Berikut contoh yang saya inginkan: [contoh]. Sekarang lakukan hal yang sama untuk [tugas Anda yang sebenarnya]."

Alur Kerja Pen-debug-an Prompt

Berikut alur kerja diagnostik lengkap yang dapat Anda terapkan pada prompt apa pun yang gagal:

def diagnose_prompt(original_prompt, failed_output, problem_description):
    '''
    Use a second LLM call to diagnose why a prompt produced a bad output.
    Returns a diagnosis and an improved prompt.
    '''
    import openai
    client = openai.OpenAI(api_key='sk-...')

    diagnosis_prompt = f'''You are a prompt engineering expert.

A user ran this prompt:
---PROMPT---
{original_prompt}
---END PROMPT---

It produced this output (which was unsatisfactory):
---OUTPUT---
{failed_output[:500]}...
---END OUTPUT---

The problem the user identified: {problem_description}

Diagnose the prompt failure using this framework:
1. Specificity: Is anything too vague?
2. Context: What background information is missing?
3. Format: Is the desired format/length unclear?
4. Constraints: Are there missing or conflicting constraints?
5. Examples: Would an example help?

Then write an improved version of the prompt that addresses the root cause.
Format: Diagnosis: [analysis] || Improved prompt: [new prompt]'''

    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[{'role': 'user', 'content': diagnosis_prompt}]
    )
    return response.choices[0].message.content

Akar Masalah vs Gejala

Kesalahan umum dalam pen-debug-an adalah menangani gejala, bukan akar masalah.

Gejala: Output terlalu umum.

Perbaikan gejala: Menambahkan "buat lebih spesifik" ke dalam prompt.

Akar masalah: Audiens tidak didefinisikan, sehingga model menggunakan audiens umum sebagai bawaan.

Perbaikan akar masalah: Menambahkan spesifikasi audiens yang tepat.

Menangani gejala hanya menghasilkan peningkatan kecil. Menangani akar masalah menghasilkan peningkatan yang konsisten. Sebelum menulis perbaikan, tanyakan "mengapa gejala ini terjadi?" satu tingkat lebih dalam.

Mencatat Kegagalan Prompt

Untuk jenis tugas yang berulang, mencatat kegagalan prompt akan mempercepat peningkatan dari waktu ke waktu. Setiap entri mencatat:

Prompt asli
Output yang buruk (atau deskripsi tentang hal yang salah)
Akar masalah yang didiagnosis (spesifikasi / konteks / format / batasan / contoh)
Perbaikan yang diterapkan
Hasilnya

Setelah 10–20 entri, pola mulai terlihat. Anda mungkin menemukan bahwa akar masalah yang sama (misalnya, konteks audiens yang tidak tersedia) menyebabkan 60% kegagalan dalam suatu kategori. Perbaiki masalah tersebut di dalam templat, dan polanya akan hilang.

Templat Prompt yang Disempurnakan

Sebagian besar prompt yang terstruktur dengan baik mengikuti templat yang konsisten dan secara proaktif mencakup kelima dimensi pen-debug-an:

ROBUST_PROMPT_TEMPLATE = '''
## Role
[Who the model should act as — establishes expertise level and perspective]

## Context
[Background the model needs: company, audience, product, prior decisions, constraints]

## Task
[Specific, precise description of what to produce]

## Format
[Output structure: bullet points / prose / numbered list / table]
[Length: word count or sentence count]
[Required sections: list them if the output needs specific sections]

## Constraints
[What to include: required elements]
[What to exclude: off-limits content or approaches]
[Priority: if constraints conflict, X takes priority over Y]

## Example
[One example of good output for this task type — optional but powerful]
'''

print(ROBUST_PROMPT_TEMPLATE)

Uji Pemahaman: Pen-debug-an Prompt

Sebuah prompt menghasilkan output yang ditulis dengan baik, tetapi berfokus pada praktik terbaik umum untuk topik tersebut, bukan situasi spesifik yang dijelaskan dalam tugas. Format dan panjangnya sudah benar. Batasan tidak dilanggar. Dimensi pen-debug-an mana yang menjadi akar masalahnya?

Rangkuman: Mendiagnosis dan Memperbaiki Prompt yang Buruk

Pen-debug-an prompt adalah proses yang sistematis, bukan percobaan dan kesalahan. Daftar periksa lima dimensi — Spesifikasi, Konteks, Format, Batasan, Contoh — menghubungkan setiap jenis kegagalan umum dengan perbaikan tertentu.

Templat prompt yang tangguh mencakup kelima dimensi secara proaktif, sehingga mencegah sebagian besar kegagalan sebelum terjadi. Alur kerja pen-debug-an (identifikasi gejala → temukan akar masalah → terapkan perbaikan → verifikasi) menghasilkan peningkatan yang konsisten. Catatan kegagalan prompt mempercepat pembelajaran dari satu sesi ke sesi berikutnya.

Dengan alat-alat ini, Anda dapat mendiagnosis dan memperbaiki kegagalan prompt apa pun secara sistematis dan konsisten.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Mendiagnosis dan Memperbaiki Perintah yang Buruk” gratis?

Ya — teks lengkap “Mendiagnosis dan Memperbaiki Perintah yang Buruk” 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 “Mendiagnosis dan Memperbaiki Perintah yang Buruk”?

Gunakan daftar periksa debugging sistematis untuk meningkatkan kinerja perintah. 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 4 dari 4.

Berapa lama pelajaran “Mendiagnosis dan Memperbaiki Perintah yang Buruk” 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

Instruksi yang Terlalu Samar
Persyaratan yang Bertentangan
Kesalahan karena Konteks yang Hilang
Mendiagnosis dan Memperbaiki Perintah yang Buruk

← Kembali ke AI Prompt Engineering