While these tips apply broadly to all Claude models, you can find prompting tips specific to extended thinking models here.

​
Sebelum rekayasa prompt

Panduan ini mengasumsikan bahwa Anda memiliki:
  1. Definisi yang jelas tentang kriteria keberhasilan untuk kasus penggunaan Anda
  2. Beberapa cara untuk menguji secara empiris terhadap kriteria tersebut
  3. Draf pertama prompt yang ingin Anda perbaiki
Jika tidak, kami sangat menyarankan Anda meluangkan waktu untuk menetapkan hal tersebut terlebih dahulu. Lihat Tentukan kriteria keberhasilan Anda dan Buat evaluasi empiris yang kuat untuk tips dan panduan.

Generator prompt

Tidak memiliki draf pertama prompt? Coba generator prompt di Claude Console!

​
Kapan melakukan rekayasa prompt

Panduan ini berfokus pada kriteria keberhasilan yang dapat dikontrol melalui rekayasa prompt. Tidak setiap kriteria keberhasilan atau evaluasi yang gagal paling baik diselesaikan dengan rekayasa prompt. Misalnya, latensi dan biaya terkadang dapat lebih mudah diperbaiki dengan memilih model yang berbeda.
Rekayasa prompt jauh lebih cepat daripada metode kontrol perilaku model lainnya, seperti finetuning, dan sering kali dapat menghasilkan lompatan kinerja dalam waktu yang jauh lebih singkat. Berikut adalah beberapa alasan untuk mempertimbangkan rekayasa prompt daripada finetuning:
  • Efisiensi sumber daya: Fine-tuning memerlukan GPU kelas atas dan memori besar, sementara rekayasa prompt hanya membutuhkan input teks, membuatnya jauh lebih ramah sumber daya.
  • Efektivitas biaya: Untuk layanan AI berbasis cloud, fine-tuning menimbulkan biaya yang signifikan. Rekayasa prompt menggunakan model dasar, yang biasanya lebih murah.
  • Mempertahankan pembaruan model: Ketika penyedia memperbarui model, versi yang di-fine-tune mungkin perlu dilatih ulang. Prompt biasanya bekerja di berbagai versi tanpa perubahan.
  • Menghemat waktu: Fine-tuning dapat memakan waktu berjam-jam atau bahkan berhari-hari. Sebaliknya, rekayasa prompt memberikan hasil yang hampir instan, memungkinkan pemecahan masalah yang cepat.
  • Kebutuhan data minimal: Fine-tuning memerlukan data berlabel yang substansial dan spesifik tugas, yang bisa langka atau mahal. Rekayasa prompt bekerja dengan pembelajaran few-shot atau bahkan zero-shot.
  • Fleksibilitas & iterasi cepat: Dengan cepat mencoba berbagai pendekatan, menyesuaikan prompt, dan melihat hasil langsung. Eksperimen cepat ini sulit dilakukan dengan fine-tuning.
  • Adaptasi domain: Mudah mengadaptasi model ke domain baru dengan memberikan konteks spesifik domain dalam prompt, tanpa pelatihan ulang.
  • Peningkatan pemahaman: Rekayasa prompt jauh lebih efektif daripada finetuning dalam membantu model memahami dan memanfaatkan konten eksternal seperti dokumen yang diambil dengan lebih baik
  • Mempertahankan pengetahuan umum: Fine-tuning berisiko catastrophic forgetting, di mana model kehilangan pengetahuan umum. Rekayasa prompt mempertahankan kemampuan luas model.
  • Transparansi: Prompt dapat dibaca manusia, menunjukkan dengan tepat informasi apa yang diterima model. Transparansi ini membantu dalam memahami dan debugging.

​
Cara melakukan rekayasa prompt

Halaman rekayasa prompt di bagian ini telah diorganisir dari teknik yang paling efektif secara luas hingga teknik yang lebih khusus. Ketika memecahkan masalah kinerja, kami menyarankan Anda mencoba teknik-teknik ini secara berurutan, meskipun dampak aktual dari setiap teknik akan tergantung pada kasus penggunaan Anda.
  1. Generator prompt
  2. Jadilah jelas dan langsung
  3. Gunakan contoh (multishot)
  4. Biarkan Claude berpikir (chain of thought)
  5. Gunakan tag XML
  6. Berikan Claude peran (system prompts)
  7. Isi awal respons Claude
  8. Rantai prompt kompleks
  9. Tips konteks panjang

​
Tutorial rekayasa prompt

Jika Anda adalah pembelajar interaktif, Anda dapat langsung menyelami tutorial interaktif kami!

Tutorial prompting GitHub

Tutorial yang penuh dengan contoh yang mencakup konsep rekayasa prompt yang ditemukan dalam dokumentasi kami.

Tutorial prompting Google Sheets

Versi yang lebih ringan dari tutorial rekayasa prompt kami melalui spreadsheet interaktif.