Prompt (language models) (ID)

Prompt (dari bahasa Inggris prompt — «petunjuk» atau «permintaan teks») dalam konteks large language model (LLM) adalah teks masukan atau instruksi yang diberikan pengguna kepada model untuk menghasilkan respons yang diinginkan. Prompt merumuskan tugas bagi model, mencakup syarat-syarat yang diperlukan, konteks, dan contoh. Efektivitas kerja model sangat bergantung pada kualitas prompt yang disusun.

Disiplin yang mempelajari metode pengembangan dan optimasi permintaan teks disebut prompt engineering. Tujuannya adalah mendapatkan respons yang paling relevan, akurat, dan aman dari model AI. Prompt yang disusun dengan baik menetapkan «jalur» pelaksanaan tugas bagi model, membantu memperjelas konteks yang diperlukan dan hasil yang diinginkan.

Sejarah Perkembangan Pendekatan

Gagasan mengendalikan perilaku LLM menggunakan petunjuk teks berkembang seiring dengan meningkatnya kemampuan model-model itu sendiri.

Tahap Awal (GPT-2)

Sejak tahun 2019, para peneliti OpenAI telah menunjukkan bahwa large language model yang telah dilatih sebelumnya, seperti GPT-2, mampu menyelesaikan tugas-tugas baru tanpa pelatihan tambahan, asalkan tugas tersebut dirumuskan dalam bentuk teks. Makalah «Language Models are Unsupervised Multitask Learners» menandai pergeseran prinsipil: alih-alih melakukan fine-tuning model untuk setiap tugas, kini cukup merumuskan instruksi yang jelas pada masukan.

Terobosan dengan GPT-3 dan In-Context Learning

Terobosan sesungguhnya terjadi dengan peluncuran model GPT-3 pada tahun 2020. Dengan 175 miliar parameter, GPT-3 menunjukkan kemampuan in-context learning — mempelajari tugas baru «secara langsung» dari beberapa contoh yang disertakan langsung di dalam teks permintaan. Mode kerja ini dikenal sebagai few-shot learning («pembelajaran dengan beberapa contoh») dan membuktikan bahwa peningkatan skala ukuran model menghasilkan kualitas tinggi dalam tugas-tugas NLP tanpa penyesuaian bobot apa pun.

Kemunculan Chain-of-Thought (CoT)

Perkembangan lebih lanjut pada tahun 2022 berkaitan dengan peningkatan kemampuan model dalam penalaran logis yang kompleks. Dikembangkanlah prompt khusus dalam format chain-of-thought prompting. Dalam prompt semacam ini, model tidak hanya menerima pertanyaan, tetapi juga contoh penalaran bertahap yang sistematis sebelum memberikan jawaban. Hal ini secara nyata meningkatkan akurasi penyelesaian masalah aritmatika dan logika. Penelitian oleh Kojima dan rekan-rekannya menunjukkan bahwa model dapat didorong untuk bernalar bahkan tanpa contoh (zero-shot), cukup dengan menambahkan frasa «Mari kita pikirkan langkah demi langkah» di akhir permintaan.

Prompt Multimodal

Konsep prompt melampaui batas teks. Pada tahun 2022, dengan kemunculan model DALL-E 2 dan Stable Diffusion, permintaan pengguna dalam bahasa alami menjadi antarmuka universal untuk menghasilkan gambar, dan kemudian — musik serta video.

Jenis dan Teknik Penggunaan Prompt

Terdapat beberapa jenis dan teknik prompt utama yang sering dikombinasikan.

Zero-shot prompting (Permintaan Langsung)

Model hanya menerima instruksi atau pertanyaan tanpa contoh apa pun. Dalam mode ini, LLM mengandalkan pengetahuan umumnya yang diperoleh saat pre-training. Cocok untuk tugas-tugas sederhana, seperti penerjemahan atau peringkasan teks.

Few-shot prompting (Pembelajaran dari Contoh)

Selain instruksi, prompt juga menyertakan satu atau beberapa contoh dengan masukan dan keluaran yang diharapkan. Model «belajar secara langsung» dari contoh-contoh tersebut dan menerapkan logika yang dipelajari pada permintaan baru. Metode ini, yang mengimplementasikan in-context learning, secara signifikan meningkatkan akurasi pada tugas-tugas di mana format atau gaya respons tertentu sangat penting.

Rantai Penalaran (Chain-of-Thought, CoT)

Jenis prompt khusus untuk tugas-tugas yang membutuhkan penalaran kompleks (matematika, logika). Petunjuk menyertakan uraian bertahap atau rencana penyelesaian sebelum jawaban akhir. Hal ini mendorong model untuk secara eksplisit menstrukturkan proses penalaran, yang secara signifikan meningkatkan kualitas hasil.

Prompt Tuning

Teknik di mana alih-alih menulis prompt secara manual, digunakan petunjuk yang dioptimalkan secara otomatis. Prompt direpresentasikan sebagai sekumpulan token yang dapat dilatih secara khusus (vektor kontinu), yang ditambahkan ke permintaan pengguna. Dengan melatih hanya vektor-prompt kecil ini, model besar yang «dibekukan» dapat diadaptasikan ke tugas baru dengan biaya komputasi minimal.

Prompt Engineering sebagai Disiplin

Kemunculan Profesi

Meningkatnya kemampuan LLM memunculkan spesialisasi baru — prompt engineer. Para spesialis ini mengembangkan dan men-debug petunjuk teks untuk mendapatkan perilaku yang diinginkan dari AI. Prompt engineer menggunakan pengetahuan di bidang linguistik, logika, dan psikologi untuk menstrukturkan data masukan dengan cara yang paling efektif. Pada tahun 2022–2023, muncul lowongan pekerjaan pertama untuk posisi ini, yang mencerminkan tingginya permintaan akan keterampilan interaksi efektif dengan sistem AI.

Masa Depan Profesi dan Otomatisasi

Bidang ini berkembang dengan pesat, dan masa depannya menjadi bahan perdebatan. Penelitian tahun 2024, misalnya dari VMware, menunjukkan bahwa AI sendiri mampu menemukan formulasi permintaan yang efektif melalui pencarian dan optimasi, yang seringkali melampaui formulasi buatan manusia. Hal ini memunculkan pendapat bahwa prompt engineering manual mungkin hanya fenomena sementara, dan seiring waktu, alat pemilihan petunjuk otomatis akan menjadi standar. Meski demikian, per tahun 2025, keahlian di bidang prompt engineering tetap diminati.

Bidang Penerapan

• Pemrosesan bahasa alami: Tugas-tugas NLP klasik, seperti peringkasan dokumen otomatis, penerjemahan mesin, tanya jawab, dan ekstraksi informasi.
• Chatbot dan asisten virtual: Prompt membantu menetapkan peran, gaya komunikasi, dan format respons, membuat sistem percakapan lebih konsisten dan bermanfaat.
• Pembuatan kode: Model seperti OpenAI Codex mampu menulis kode program berdasarkan deskripsi dalam bahasa alami, yang mempercepat proses pengembangan.
• Analisis data: Dengan menggunakan prompt, model dapat dikonfigurasi untuk mengekstrak wawasan dari laporan teks tidak terstruktur atau menghasilkan hipotesis.
• Pendidikan: Pembuatan tutor cerdas yang menghasilkan tugas, menjelaskan konsep-konsep kompleks, dan memeriksa jawaban dengan mempertimbangkan tingkat kemampuan peserta didik.
• Industri kreatif: Pembuatan teks, gambar artistik, musik, dan skenario berdasarkan deskripsi terperinci.

Penggunaan Berbahaya dan Kerentanan (Prompt Injection)

Keterbukaan antarmuka LLM memunculkan kelas serangan baru — injeksi prompt (prompt injection). Pelaku kejahatan merumuskan permintaan berbahaya khusus yang memaksa model melanggar instruksi awalnya atau mengungkapkan informasi tersembunyi. Para ahli memandang ini sebagai varian serangan injeksi kode, di mana alih-alih kode, instruksi teks yang berbahaya «disuntikkan» ke dalam sistem.

Jenis Serangan

• Jailbreak: Serangan yang memungkinkan model «melarikan diri» dari batasan yang diberlakukan (misalnya, kebijakan moderasi) dan menghasilkan konten yang dilarang. Contoh yang terkenal adalah DAN-prompt (Do Anything Now), yang membuat ChatGPT menjawab tanpa sensor.
• Prompt Leaking: Permintaan khusus memaksa model mengungkapkan fragmen dari prompt sistem tersembunyinya.
• Token Smuggling: Instruksi berbahaya disamarkan sebagai bagian permintaan yang tidak berbahaya (misalnya, fragmen kode) untuk melewati filter dan memicu perilaku yang tidak diinginkan.

Serangan-serangan ini merupakan masalah serius karena metode keamanan siber tradisional kurang mampu menangani ancaman yang berkaitan dengan interpretasi bahasa alami.

Literatur

• Radford, A. et al. (2019). Language Models are Unsupervised Multitask Learners. PDF.
• Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
• Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
• Wang, X. et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171.
• Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. arXiv:2205.11916.
• Li, X. L.; Liang, P. (2021). Prefix-Tuning: Optimizing Continuous Prompts for Generation. arXiv:2101.00190.
• Liu, Y. et al. (2021). Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. arXiv:2104.08786.
• Chang, K. et al. (2024). Efficient Prompting Methods for Large Language Models: A Survey. arXiv:2404.01077.
• Li, Z. et al. (2024). Prompt Compression for Large Language Models: A Survey. arXiv:2410.12388.
• Genkina, D. (2024). AI Prompt Engineering Is Dead. IEEE Spectrum. [5].
• Li, W. et al. (2025). A Survey of Automatic Prompt Engineering: An Optimization Perspective. arXiv:2502.11560.
• Wu, Z. et al. (2025). The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models. EMNLP 2025. PDF.