Ada tiga teknik dasar yang wajib kamu kuasai biar AI kamu gak "ngaco" dan hasilnya konsisten buat aplikasi kamu.
🧩 1. Zero-shot Prompting (Langsung Tembak)
Ini teknik paling simpel. Kamu kasih tugas tanpa kasih contoh sama sekali. AI bakal ngandelin pengetahuan umum yang dia punya.
- Kelebihan: Cepat, hemat token.
- Kekurangan: Hasilnya bisa gak sesuai format yang kamu mau.
prompt = "Klasifikasikan sentimen kalimat ini: 'Aplikasi ini keren banget tapi sayang sering lag.' Pilih: Positif, Negatif, atau Netral."
response = model.generate_content(prompt)
# Hasil kemungkinan: "Negatif" atau "Sentimen kalimat tersebut adalah Negatif."
🧩 2. Few-shot Prompting (Kasih Contoh)
Nah, ini teknik biar AI makin pinter. Kamu kasih beberapa contoh Input dan Output di dalam prompt sebelum kasih pertanyaan aslinya. Ini ngebantu AI buat belajar "pola" yang kamu mau.
prompt = """
Ubah teks jadi JSON.
Input: Saya suka apel. Output: {"objek": "apel", "perasaan": "suka"}
Input: Dia benci hujan. Output: {"objek": "hujan", "perasaan": "benci"}
Input: Kay senang belajar AI. Output:
"""
response = model.generate_content(prompt)
# Hasil: {"objek": "AI", "perasaan": "senang"}
🧩 3. Chain of Thought / CoT (Suruh Mikir Dulu)
Pernah gak kamu nanya soal matematika atau logika ke AI dan dia salah jawab? Itu karena dia langsung nebak "Token" terakhir. Dengan CoT, kita suruh dia buat "jelasin langkah-langkahnya" sebelum ngasih jawaban akhir.
prompt = """
Kay punya 5 apel. Dia makan 2. Lalu dia beli lagi 3 kali lipat dari sisa apelnya.
Berapa apel Kay sekarang?
Mari kita kerjakan langkah demi langkah:
"""
response = model.generate_content(prompt)
Hasil AI:
- Awalnya ada 5 apel.
- Dimakan 2, sisa 3.
- Beli lagi 3 kali lipat dari sisa (3 x 3 = 9).
- Total: 3 + 9 = 12 apel.
💡 Strategi AI Architect di Python
Saat bikin aplikasi, kamu biasanya bakal ngegabungin teknik ini ke dalam sebuah fungsi biar otomatis:
def klasifikasi_teks_pro(teks):
# Kita pakai Few-shot biar formatnya selalu konsisten
base_prompt = f"""
Tugas: Ekstrak entitas dari teks.
Contoh 1: 'Sena beli HP di Jakarta' -> {{'nama': 'Sena', 'lokasi': 'Jakarta'}}
Contoh 2: 'Shala main di taman' -> {{'nama': 'Shala', 'lokasi': 'taman'}}
Tugas Sekarang: '{teks}' ->
"""
res = model.generate_content(base_prompt)
return res.text
❗ Tips untuk Pemula
- Konteks adalah Raja: Semakin jelas kamu ngasih deskripsi peran AI (misal: "Kamu adalah asisten HR yang tegas"), semakin bagus hasilnya.
- Format Output: Kalau kamu mau hasilnya buat diolah JavaScript lagi, selalu minta "Output dalam format JSON murni tanpa markdown".
- Token vs Akurasi: Few-shot dan CoT makan lebih banyak token (biaya/kuota), tapi akurasinya jauh lebih tinggi. Pilih sesuai kebutuhan ya, Kay!
🎯 Kesimpulan
Kamu sekarang sudah tahu gimana cara ngajarin AI lewat instruksi yang cerdas. Zero-shot buat yang gampang, Few-shot buat yang butuh pola, dan Chain of Thought buat yang butuh logika.