Pemberian Prompt dengan Data Eksternal
Pelajari teknik untuk memasukkan data yang diberikan pengguna atau diperoleh secara dinamis langsung ke dalam prompt.
Pemberian Prompt dengan Data Eksternal 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: Data Eksternal
Selamat datang! Dalam pelajaran ini, kita akan mempelajari cara membuat prompt LLM lebih cerdas dengan menyertakan data eksternal. Artinya, memasukkan informasi yang tidak menjadi bagian dari pelatihan LLM, tetapi relevan dengan tugas tertentu Anda.
Anggap saja ini seperti memberikan "pandangan baru" atau "petunjuk kontekstual" kepada LLM untuk situasi tertentu.
Mengapa Data Eksternal Penting
Menyertakan data eksternal menawarkan beberapa manfaat utama:
- Akurasi: Menyediakan fakta terbaru atau spesifik yang mungkin tidak diketahui LLM.
- Personalisasi: Menyesuaikan respons dengan pengguna atau situasi tertentu.
- Relevansi: Memastikan LLM berfokus pada informasi yang benar-benar Anda perlukan.
- Mengurangi Halusinasi: Mengaitkan LLM dengan data nyata sehingga kemungkinan mereka-reka informasi menjadi lebih kecil.
Sumber Data Umum
Data eksternal dapat berasal dari banyak tempat. Berikut beberapa contoh umum:
- Input Pengguna: Teks yang diketik oleh pengguna, preferensi, atau detail profil.
- Basis Data/API: Katalog produk, catatan pelanggan, data cuaca, umpan berita.
- File: Dokumen, lembar kerja, log, atau informasi tersimpan lainnya.
- Sensor: Data waktu nyata dari perangkat (misalnya, suhu, lokasi).
Penyisipan Data Dasar
Cara paling sederhana untuk menyertakan data eksternal adalah dengan memasukkannya langsung ke dalam string prompt Anda. Hal ini sering dilakukan menggunakan pemformatan string atau konkatenasi.
Selalu beri label yang jelas pada data yang Anda sisipkan agar LLM memahami perannya.
Cobalah menjalankan contoh ini:
user_name = "Alice"
product_name = "Smartwatch"
prompt = f"User: {user_name}\n" \
f"Product: {product_name}\n" \
f"Please write a short, friendly product review for the {product_name}."
print(prompt)Penataan Data Eksternal
Untuk data yang lebih kompleks, sangat penting untuk menyajikannya dalam format terstruktur. Hal ini membantu LLM mengurai dan memahami informasi dengan lebih andal.
Beberapa cara umum untuk menata data meliputi:
- Pemisah: Menggunakan karakter khusus (misalnya,
---,###) untuk memisahkan bagian. - Pasangan Kunci-Nilai: Menamai bidang data secara eksplisit (misalnya,
"Name": "Alice"). - JSON/XML: Menggunakan format pertukaran data standar untuk objek kompleks.
Kuncinya adalah konsistensi dan kejelasan.
Personalisasi dengan Data
Mari kita lihat cara mempersonalisasi pesan menggunakan data pengguna yang terstruktur. Kita akan menggunakan format kunci-nilai sederhana di dalam prompt.
Perhatikan bahwa LLM diberikan data "Profil Pengguna" secara eksplisit untuk digunakan.
Cobalah menjalankan contoh ini:
user_profile = {
"name": "Bob",
"membership_level": "Gold",
"last_purchase_date": "2023-10-26"
}
prompt = f"User Profile:\n" \
f"Name: {user_profile['name']}\n" \
f"Membership: {user_profile['membership_level']}\n" \
f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
f"Write a personalized welcome back message for Bob, " \
f"mentioning his Gold status and recent activity."
print(prompt)Data Dinamis & Konteks
Data eksternal juga dapat menyediakan konteks dinamis dan "langsung". Bayangkan Anda mengambil harga saham atau data cuaca terkini, lalu memasukkannya langsung ke dalam prompt.
Hal ini membuat respons LLM jauh lebih relevan dan tepat waktu.
Cobalah menjalankan contoh ini:
current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"
prompt = f"Current Market Data:\n" \
f"Company: {company_name}\n" \
f"Price: {current_stock_price}\n" \
f"Status: {market_status}\n\n" \
f"Summarize TechCo's current market performance for an investor."
print(prompt)Validasi & Keamanan Data
Saat menyertakan data eksternal, terutama dari input pengguna, sangat penting untuk mempertimbangkan validasi dan keamanan data.
- Bersihkan Input: Hapus atau lakukan escape pada karakter yang berpotensi berbahaya untuk mencegah serangan injeksi prompt.
- Validasi Tipe Data: Pastikan angka berupa angka, tanggal berupa tanggal, dan sebagainya.
- Batasi Ukuran: Cegah input yang terlalu panjang agar tidak menghabiskan terlalu banyak token atau menyebabkan error.
- Privasi: Waspadai informasi sensitif dan hindari mengirimkannya ke LLM jika tidak diperlukan.
Pemeriksaan Singkat: Data Eksternal
Anda sedang membuat prompt untuk menghasilkan deskripsi produk. Anda memiliki kamus berisi detail produk: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}.
Pendekatan mana yang paling tepat untuk menyertakan data ini ke dalam prompt agar mudah dipahami LLM?
Ringkasan & Langkah Berikutnya
Kerja bagus! Anda telah mempelajari cara mengintegrasikan data eksternal ke dalam prompt untuk meningkatkan respons LLM.
- Data eksternal menyediakan akurasi, personalisasi, dan relevansi.
- Data tersebut dapat berasal dari input pengguna, basis data, API, dan sumber lainnya.
- Penataan yang jelas (seperti pasangan kunci-nilai atau JSON) sangat penting untuk data kompleks.
- Selalu pertimbangkan validasi dan keamanan data saat menggunakan sumber eksternal.
Berikutnya, kita akan mendalami Retrieval Augmented Generation (RAG), yang mengembangkan konsep-konsep ini untuk mengambil dan menggunakan pengetahuan eksternal yang lebih luas!
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pemberian Prompt dengan Data Eksternal” gratis?
Ya — teks lengkap “Pemberian Prompt dengan Data Eksternal” 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 “Pemberian Prompt dengan Data Eksternal”?
Pelajari teknik untuk memasukkan data yang diberikan pengguna atau diperoleh secara dinamis langsung ke dalam prompt. 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 “Pemberian Prompt dengan Data Eksternal” 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
- Pemberian Prompt dengan Data Eksternal
- Retrieval Augmented Generation (RAG)
- Basis Data Vektor untuk Pemberian Prompt