Teknik Kompresi Prompt
Pelajari metode untuk mengurangi panjang prompt sambil mempertahankan informasi penting, menghemat token, dan meningkatkan kecepatan.
Teknik Kompresi Prompt adalah pelajaran AI Prompt Engineering gratis di CoddyKit. Ini adalah pelajaran 1 dari 3. 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 3 pelajaran total.
Pengantar Kompresi Prompt
Selamat datang di Teknik Kompresi Prompt! Dalam pelajaran ini, kita akan mempelajari cara membuat prompt Anda lebih singkat dan efisien tanpa mengurangi efektivitasnya.
Mengapa hal ini penting?
- Menghemat Biaya: API LLM sering mengenakan biaya berdasarkan jumlah token.
- Meningkatkan Kecepatan: Prompt yang lebih singkat dapat menghasilkan waktu respons yang lebih cepat.
- Memperluas Konteks: Memuat lebih banyak informasi dalam jendela konteks LLM.
Memahami Token
Sebelum melakukan kompresi, mari pahami token secara singkat. LLM memproses teks dengan memecahnya menjadi unit-unit yang lebih kecil, yang dapat berupa kata, bagian kata, atau tanda baca.
Setiap token membutuhkan biaya dan menggunakan ruang dalam 'jendela konteks' LLM — jumlah maksimum teks yang dapat diprosesnya sekaligus.
Bayangkan seperti mengemas koper: Anda ingin memasukkan sebanyak mungkin barang yang berguna!
Metode 1: Menghapus Redundansi
Cara paling sederhana untuk melakukan kompresi adalah menghilangkan kata-kata yang tidak perlu atau frasa yang berulang. Sampaikan secara langsung dan hindari mengatakan hal yang sama berkali-kali.
Mari lihat contoh yang membandingkan prompt yang bertele-tele dengan prompt yang ringkas. Perhatikan pengurangan 'panjang' (yang berkaitan dengan jumlah token).
def main():
verbose_prompt = """
I want you to please tell me what the main sentiment is for the following customer feedback.
The customer feedback is specifically about our new product launch.
Please categorize the sentiment as either positive, negative, or neutral.
Also, identify any specific issues or praises mentioned by the customer within the feedback.
"""
concise_prompt = """
Analyze this customer feedback for sentiment (positive, negative, neutral).
Identify specific issues or praises regarding our new product launch.
"""
print("Verbose characters (approx tokens):", len(verbose_prompt))
print("Concise characters (approx tokens):", len(concise_prompt))
if __name__ == "__main__":
main()Metode 2: Meringkas Konteks yang Panjang
Jika Anda memiliki teks yang sangat panjang (seperti artikel atau dokumen) yang perlu dijadikan referensi, Anda tidak selalu perlu menyertakan semuanya.
Sebagai gantinya, cobalah meringkasnya. Anda bahkan dapat menggunakan LLM untuk meringkas teks panjang tersebut terlebih dahulu, lalu menggunakan ringkasannya dalam prompt utama Anda!
def main():
long_article = """
The recent study on renewable energy sources highlights significant advancements in solar panel efficiency.
Researchers at the Solar Institute have developed a new photovoltaic material that converts 25% more sunlight into electricity.
This breakthrough could drastically reduce the cost of solar power and accelerate its adoption globally.
Furthermore, the report also touches upon improvements in wind turbine technology, particularly in offshore installations,
which are now capable of generating power more consistently even in varying weather conditions.
The implications for sustainable development are immense, promising a cleaner future.
"""
summarized_context = """
New solar panel material boosts efficiency by 25%, cutting costs. Wind turbine tech also improved,
especially offshore. This promises a cleaner, sustainable future.
"""
print("Original context characters:", len(long_article))
print("Summarized context characters:", len(summarized_context))
if __name__ == "__main__":
main()Metode 3: Mengekstrak Informasi Utama
Terkadang, ringkasan lengkap masih terlalu panjang. Untuk tugas tertentu, Anda mungkin hanya memerlukan kata kunci, entitas, atau fakta utama tertentu dari teks yang lebih besar.
Alih-alih meringkas, instruksikan LLM (atau langkah prapemrosesan) untuk mengekstrak hanya bagian informasi paling penting yang relevan dengan tugas utama Anda.
def main():
customer_review = """
The new smartphone has an amazing camera, truly stunning photos! But the battery life is terrible,
it barely lasts half a day. The screen is vibrant, though, and the processor is super fast.
"""
key_features = """
Keywords: 'amazing camera', 'stunning photos', 'terrible battery life', 'vibrant screen', 'super fast processor'.
"""
print("Original review characters:", len(customer_review))
print("Extracted keywords characters:", len(key_features))
if __name__ == "__main__":
main()Metode 4: Memadatkan Instruksi
Instruksi Anda sendiri sering kali dapat dibuat lebih ringkas. Hapus pembukaan yang tidak perlu, frasa berulang, dan bahasa yang terlalu sopan (kecuali persona tertentu memang memerlukannya).
Langsung sampaikan hal yang Anda ingin LLM lakukan. Perintah yang jelas dan singkat biasanya lebih efektif daripada perintah yang panjang dan bertele-tele.
Metode 5: Menghapus Data yang Tidak Relevan
Tinjau prompt Anda untuk menemukan informasi yang tidak berkontribusi langsung pada tugas yang sedang dikerjakan. Jika suatu data atau konteks tidak penting bagi LLM untuk menghasilkan output yang diinginkan, hapuslah.
Setiap informasi dalam prompt Anda harus memiliki tujuan. Jika tidak, informasi tersebut hanya menambah gangguan dan token.
Menggabungkan Teknik
Untuk efisiensi maksimum, Anda biasanya akan menggabungkan beberapa teknik kompresi:
- Mulailah dengan menghapus redundansi yang jelas.
- Ringkas atau ekstrak poin-poin utama dari teks latar belakang yang panjang.
- Padatkan instruksi Anda agar sejelas dan sesingkat mungkin.
- Terakhir, hapus data yang sama sekali tidak penting.
Pendekatan berlapis ini memastikan prompt Anda tetap ringkas dan terfokus.
Dampak & Manfaat
Dengan secara aktif mengompresi prompt, Anda memperoleh beberapa manfaat:
- Biaya API Lebih Rendah: Membayar lebih sedikit untuk setiap permintaan.
- Respons Lebih Cepat: Waktu pemrosesan LLM berkurang.
- Konteks Lebih Besar: Memuat masalah atau data yang lebih kompleks ke dalam memori kerja model.
- Fokus yang Lebih Baik: LLM dapat berkonsentrasi lebih baik pada informasi penting.
Hal ini menguntungkan performa sekaligus anggaran!
Uji Pemahaman Anda
Manakah dari berikut ini yang merupakan teknik efektif untuk mengompresi prompt?
Ringkasan Pelajaran
Bagus sekali! Anda telah mempelajari prinsip-prinsip inti kompresi prompt.
Yang telah kita bahas:
- Alasan kompresi penting (token, biaya, kecepatan, dan konteks).
- Teknik seperti menghapus redundansi, meringkas, mengekstrak kata kunci, memadatkan instruksi, dan menghapus data yang tidak relevan.
- Manfaat prompt yang dikompresi dengan baik.
Teruslah berlatih menggunakan metode-metode ini agar interaksi Anda dengan LLM menjadi lebih efisien dan hemat biaya!
Belajar AI Prompt Engineering dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 53
- Pelajaran
- 199
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Teknik Kompresi Prompt” gratis?
Ya — teks lengkap “Teknik Kompresi Prompt” 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 3 pelajaran total.
Apa yang akan aku pelajari di “Teknik Kompresi Prompt”?
Pelajari metode untuk mengurangi panjang prompt sambil mempertahankan informasi penting, menghemat token, dan meningkatkan kecepatan. 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 1 dari 3.
Berapa lama pelajaran “Teknik Kompresi Prompt” 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
- Teknik Kompresi Prompt
- Optimalisasi Biaya Pemanggilan LLM
- Penyetelan Halus vs. Pemberian Prompt Tingkat Lanjut