--- title: "Meta Prompting (ID)" source: "https://systems-analysis.info/int/Meta_Prompting_(ID)" wiki: "systems-analysis.info/int" article: "Meta_Prompting_(ID)" language: "id" categories: - "Category:Indonesian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 4253 wiki_created_at: 2026-09-06T23:32:41Z wiki_modified_at: 2026-09-06T23:32:41Z downloaded_at: 2026-09-07T23:01:40Z --- # Meta Prompting (ID) **Meta-prompting** (Ingg. *meta-prompting*) — adalah metode prompt-engineering tingkat lanjut di mana large language model (LLM) digunakan untuk membuat, mengoreksi, dan mengoptimalkan instruksinya sendiri (prompt)[\[1\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-cookbook_openai-1). Berbeda dengan pendekatan tradisional di mana manusia menulis instruksi terperinci secara manual, meta-prompting berfokus pada pendefinisian **struktur penyelesaian tugas** dan peran yang harus dijalankan oleh model. Dengan kata lain, metode ini mendeskripsikan *bagaimana* menyelesaikan suatu tugas, bukan *apa* yang harus dilakukan dalam setiap kasus tertentu[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-intuition_labs-2). Pendekatan ini memungkinkan LLM secara mandiri mendekomposisi masalah kompleks, memperhalus permintaan, dan secara iteratif meningkatkan responsnya, yang membuka jalan bagi penciptaan sistem kecerdasan buatan yang lebih otonom dan adaptif. ## Metode dan Pendekatan Utama Istilah «meta-prompting» mulai tersebar dalam literatur ilmiah pada akhir 2023 – awal 2024, ketika beberapa kelompok penelitian memperkenalkan pendekatan serupa dalam pengelolaan LLM. ### Metode «skenario pembentuk» (Scaffolding) Salah satu pendekatan utama diusulkan oleh para peneliti dari Universitas Stanford dan OpenAI[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-suzgun2024-3). Dalam skema yang disebut **scaffolding** ini, satu model bahasa yang sama (GPT-4 dalam eksperimen) memainkan beberapa peran sekaligus: - **Konduktor (Conductor)**: Menerima meta-petunjuk tingkat tinggi dan membagi tugas kompleks menjadi sejumlah subtugas yang lebih sederhana. - **Pakar (Experts)**: «Konduktor» menginisialisasi beberapa instansi «pakar»-nya sendiri, yang masing-masing menyelesaikan subtugas terpisah berdasarkan instruksi yang ditetapkan secara khusus. - **Integrasi**: «Konduktor» mengoordinasikan pekerjaan para «pakar» dan mengintegrasikan respons mereka ke dalam solusi akhir. Pendekatan orkestrasi semacam ini memungkinkan peningkatan efisiensi penyelesaian tugas kompleks yang signifikan. Misalnya, dalam eksperimen, meta-prompting melampaui permintaan satu langkah biasa sebesar **17,1%** dan metode canggih lainnya sebesar 15–17% pada kumpulan tugas yang memerlukan penalaran multikomponen (misalnya, permainan «24», teka-teki catur)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-suzgun2024-3). Yang penting, metode ini bersifat task-agnostic dan bekerja dalam mode zero-shot, tanpa memerlukan contoh spesifik untuk setiap tugas baru. ### Pendekatan Teoretis dan Template Struktural Secara paralel, sekelompok peneliti dari Universitas Tsinghua mengusulkan konsep meta-prompting mereka sendiri, mengalihkan fokus dari substansi tugas ke **sintaksis dan bentuk** representasi data[\[4\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-zhang2024-4). Berdasarkan model kategorikal, mereka menunjukkan bahwa deskripsi abstrak dari struktur masalah memungkinkan model membangun penalaran yang mendekati kedalaman penalaran manusia dan secara efektif mendekomposisi pertanyaan kompleks menjadi langkah-langkah yang lebih sederhana. ### Konsep Terkait Gagasan meta-prompting juga muncul dalam metode-metode lain: - **Automatic Prompt Engineer (APE)**: Metode di mana LLM secara otomatis menghasilkan dan memilih instruksi yang efektif untuk dirinya sendiri, mengevaluasinya berdasarkan kualitas hasil yang diperoleh[\[5\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-ape2022-5). - **Self-Refine**: Pendekatan di mana model secara iteratif menyempurnakan responsnya, menganalisis secara kritis versi sebelumnya dan menghasilkan koreksi berdasarkan kritik tersebut[\[6\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-self_refine2023-6). ## Penerapan dan Keunggulan Meta-prompting menunjukkan efektivitas tinggi dalam tugas-tugas yang memerlukan penalaran multikomponen yang kompleks, seperti pembuktian matematis, pemrograman, dan penyelesaian teka-teki langkah demi langkah. Keunggulan utama metode ini: - **Efisiensi token**: Berkonsentrasi pada struktur umum tugas alih-alih mencantumkan banyak contoh sehingga mengurangi volume prompt. Meta-petunjuk merupakan template universal yang memerlukan lebih sedikit token[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-prompting_guide-7). - **Stabilitas dan ketidakberpihakan**: Metode ini menghindari ketergantungan pada contoh spesifik, sehingga membuat model kurang rentan terhadap bias ke arah hal-hal khusus dari sampel pelatihan[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-prompting_guide-7). - **Adaptasi dinamis**: Berbeda dengan prompt statis, meta-prompting memungkinkan penyempurnaan secara iteratif. Model dapat selama proses penyelesaian memperhalus instruksi, meminta informasi yang kurang, dan mengoreksi strategi[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-intuition_labs-2). - **Generalisasi ke tugas baru**: Instruksi tingkat tinggi lebih mudah diterapkan pada tugas-tugas baru yang belum pernah dijumpai sebelumnya, sehingga menjadikan meta-prompting sebagai bentuk pendekatan zero-shot yang lebih disempurnakan. ## Keterbatasan dan Risiko - **Biaya dan kompleksitas komputasi**: Metode ini memerlukan banyak panggilan ke model untuk satu tugas, yang meningkatkan biaya waktu dan permintaan API. Implementasi saat ini bekerja secara berurutan, sehingga menyulitkan paralelisasi[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-decoder_article-8). - **Ketergantungan pada kemampuan model**: Efektivitas meta-prompting sangat bergantung pada kualitas LLM dasar. Penelitian menunjukkan bahwa GPT-3.5 hampir tidak mendapat manfaat dari metode ini, sementara untuk GPT-4 dan model-model yang lebih baru, manfaatnya meningkat secara signifikan[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-decoder_article-8). - **Keterbatasan fundamental LLM**: Meta-prompting bukanlah obat mujarab. Jika suatu tugas berada di luar batas pengetahuan model dasar, bahkan meta-petunjuk yang dirumuskan dengan sempurna pun tidak menjamin hasil yang benar. Dalam kasus seperti itu, diperlukan fine-tuning atau integrasi dengan alat eksternal (misalnya, pencarian internet atau interpreter kode)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_note-suzgun2024-3). ## Tautan - Contoh meta-prompting di OpenAI Cookbook - Deskripsi metode dalam Prompt Engineering Guide ## Literatur - Suzgun, M.; Kalai, A. T. (2024). *Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding*. arXiv:2401.12954. - Zhang, Y.; Yuan, Y.; Yao, A. C.-C. (2023). *Meta Prompting for AGI Systems*. arXiv:2311.11482. - Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Ning, X. et al. (2023). *Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation*. arXiv:2307.15337. - Chen, X. et al. (2023). *Universal Self-Consistency for Large Language Model Generation*. arXiv:2311.17311. - Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171. - Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797. - Zhou, P. et al. (2024). *Self-DISCOVER: Large Language Models Self-Compose Reasoning Structures*. arXiv:2402.03620. - Chen, J. et al. (2024). *Thought-Augmented Reasoning with Large Language Models*. arXiv:2406.04271. ## Catatan 1. [↑](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-cookbook_openai_1-0) «Enhance your prompts with meta prompting». *OpenAI Cookbook*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-intuition_labs_2-0) [2.1](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-intuition_labs_2-1) «Meta-Prompting: LLMs Crafting & Enhancing Their Own Prompts». *Intuition Labs*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-suzgun2024_3-0) [3.1](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-suzgun2024_3-1) [3.2](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-suzgun2024_3-2) Suzgun, Mirac; Kalai, Adam T. (2024). «Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding». *arXiv:2401.12954*. 4. [↑](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-zhang2024_4-0) Zhang, Yifan, et al. (2023). «Meta Prompting for AGI Systems». *arXiv:2311.11482*. 5. [↑](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-ape2022_5-0) Zhou, Y., et al. (2022). «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*. 6. [↑](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-self_refine2023_6-0) Madaan, A., et al. (2023). «Self-Refine: Iterative Refinement with Self-Feedback». *arXiv:2303.17651*. 7. ↑ [7.0](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-prompting_guide_7-0) [7.1](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-prompting_guide_7-1) «Meta Prompting». *Prompt Engineering Guide*. [3] 8. ↑ [8.0](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-decoder_article_8-0) [8.1](https://systems-analysis.info/int/Meta_Prompting_(ID)#cite_ref-decoder_article_8-1) «AI within an AI: Meta-prompting can improve the reasoning capabilities of large language models». *The Decoder*.