Umume rekayasa prompt fokus marang akurasi lan jangkepe instruksi. Peningkatan paling gedhe ing produksi asale saka ndadekake dialog kasebut dhewe minangka masalah utama ing desain.
Nemtokake niat awujud pemicu lan tumindak nuntun model babagan carane mutusake, tinimbang menehi skrip sing ora bisa ditinggalake. Posisi ing sajroning prompt uga minangka instruksi. Identitas dilebokake ing wiwitan, nuansa prilaku ing tengah, watesan tegas ing pungkasan, lan kabeh sing pancen wigati dilebokake ing wiwitan lan pungkasan.
Nulis prompt nganggo gaya basa sing dituju, tinimbang mung nggambarake gaya kasebut, minangka salah siji owah-owahan sing paling gedhe pengaruhe.
Agen sing paling konsisten yaiku agen sing prompt-e nganggep saben wektu ing pacelathon minangka interaksi sing beda, saben-saben nduweni wujud sing trep dhewe, nanging saka wiwitan nganti pungkasan tetep katon nggunakake gaya basa sing padha.
Ing sawetara kasus, misahake agen sing mikir saka agen sing guneman bisa ngasilake tanggapan sing luwih konsisten lan adhedhasar konteks, uga nyegah nalar internal bocor menyang tanggapan.
Sadurunge, kita wis ngenalake paradigma anyar kanggo nyusun prompt adhedhasar wawasan saka bidang linguistik lan psikologi kognitif. Kita nulis babagan pentinge nggawe ruang masalah sing cetha lan diwatesi kanthi becik supaya agen bisa makarya, uga carane ruang kasebut kudu nyakup meta-tugas dialog sing pancen ana ing AI sing ngadhepi pelanggan.
Saiki, kita bakal nliti sawetara cara praktis sing wiwit ngowahi prompt nalika prinsip-prinsip kasebut diterapake ing produksi.
Saka atusan iterasi prompt ing sistem nyata sing ngadhepi pelanggan, peningkatan paling gedhe ora teka saka nambah instruksi, numpuk tuladha, utawa ngetutake pakem rekayasa prompt sing umum. Peningkatan kasebut malah teka saka ndadekake dialog minangka inti masalah.
Sawetara teknik sing efektif ditemokake liwat eksplorasi lan pangujian terus-terusan. Kita ngowahi prompt banjur ngamati ing bagean endi pacelathon kasil utawa gagal, lan nglacak sumber kegagalan kasebut menyang efektifitas pandhuan, struktur prompt, lan panggunaan basa. Asile yaiku sawetara pola sing bisa dibaleni lan bisa ngowahi carane agen mangerteni perane ing pacelathon, mutusake tumindak sabanjure, lan njaga konsistensi gaya basa nalika konteks owah.
Andharan sabanjure dudu kerangka universal utawa pratelan yen panyusunan prompt saiki wis “rampung”. Iki sari saka limang pola sing kabukten tahan ing produksi nalika tujuane ora mung akurasi fungsional, nanging uga dialog sing luwih apik: tanggapan sing krasa runtut, alami, lan cukup konsisten kanggo nggambarake sawijining merek.
Sanajan sistem agentik bisa ditata kanthi maneka cara, alur kerja multi-agen sing diorkestrasi isih populer. Mligi ing sistem kaya mangkono, peningkatan paling konsisten sing kita gawe yaiku misahake agen sing mikir saka agen sing guneman.
Orkestrasi niat, klasifikasi, ekstraksi kawruh, lan panggunaan piranti iku kabeh operasi bagean mburi. Tanggapan sing ditujokake marang pelanggan kalebu bagean ngarep. Nalika agen sing padha nindakake loro-lorone ing giliran sing padha, nalar lan logika internal bisa bocor menyang tanggapan. Tanggapan banjur kebak tembung pangati-ati, katrangan tambahan sing kakehan, utawa ditata miturut logika proses tinimbang kabutuhan wong.
Siji watesan kasebut jebul bisa nindakake akeh perkara. Watesan kasebut njaga supaya tanggapan tetep adhedhasar pacelathon sing nyata, nyegah konteks dibalekake saka wiwitan, lan ngasilake apa sing kita sebut “mung menehi bedane”. Tegese, agen mung nambahake bab anyar paling sithik sing pancen bisa mbantu pangguna maju.
Kaputusan babagan jinis tanggapan sing bakal diwenehake uga wigati. Kita nemokake yen agen sing guneman dijaluk milih jinis tumindak sadurunge nulis apa wae—mangsuli, njaluk katerangan, ngarahake menyang liya, utawa njaluk ngenteni—bisa terus-terusan nyuda kegagalan pacelathon sing paling umum: dudu amarga prosane ala, nanging amarga tanggapane babar pisan ora trep.
Perlu digatekake manawa model tercanggih paling anyar wiwit nantang premis pola iki yen digunakake ing kahanan sing trep. Sanadyan mangkono, akeh pangembang isih ngandelake model sing luwih cilik utawa lawas amarga maneka sebab. Ing konteks kasebut, kita tetep nyaranake supaya urusan bagean mburi lan bagean ngarep dipisahake.
Kanggo model tanpa nalar, tuladha conto sithik efektif amarga konkret, cepet, lan gampang ditanggapi model. Masalahe yaiku overfitting. Nalika diwenehi tuladha, model bakal keiket marang tembung, irama, lan wujude, banjur terus ngasilake tanggapan sing meh padha sanajan kahanane wis owah.
Tanpa disengaja, sampeyan wis nulis skrip sing ora bisa ditinggalake model.
Niat implementasi utawa heuristik minangka pilihan sing luwih tahan suwe. Tinimbang nuduhake marang model apa sing kudu diomongake ing skenario tartamtu*,* kita menehi pasangan pemicu lan tumindak sing luwih umum: yen X kedadeyan, tindakna Y.
Bedane sing utama yaiku kita ora ngarahake X lan Y sethithik-sethithik liwat saben tuladha nganti saya kaku. Kita malah menehi wates sing cetha kanggo saben unsur liwat instruksi sing tliti banget, saengga tuladha ora dibutuhake maneh. Kanthi mangkono, agen tetep tanggap marang variasi pacelathon sing nyata, dudu mung nyocogake pola karo cithakan.
Ing praktik, wujude dudu kaya tuladha, nanging luwih kaya paugeran praktis sing bisa ditindakake:
If a key detail is missing, ask one clarifying question.
If the answer isn’t supported, say so directly and offer the best available next step.
If the request hits a guardrail, decline briefly and redirect without ceremony.
Iki pancen ora katon nggumunake, nanging luwih tangguh tinimbang kumpulan tuladha tanggapan, amarga ngajari model carane mutusake, dudu apa sing kudu dibaleni.
Panggonan sawijining bab ing prompt nemtokake sepira gedhene bobot bab kasebut. Iki pola sing terus-terusan kita temokake ing maneka model lan implementasi. Bagean wiwitan lan pungkasan prompt nduweni daya tarik kawigaten sing luwih gedhe. Bab sing mapan ing tengah yaiku nuansa, lan pancen ing kono panggonan sing trep kanggo nuansa.
Prompt kita tata kanthi nggatekake bab kasebut. Peran lan pangerten agen marang awake dhewe dilebokake ing ndhuwur supaya identitase wis ditetepake luwih dhisik. Bagean tengah ngemot rincian prilaku: kemungkinan lumakune pacelathon, heuristik kanggo nuntun tanggapan, lan maneka kahanan sing kudu bisa ditangani agen. Watesan sing tegas lan ora bisa ditawar dilebokake ing ngisor supaya dadi bab sing paling anyar dieling-eling.
Kabeh sing pancen wigati dilebokake ing ndhuwur lan ngisor. Paugeran keluaran tartamtu—umpamane instruksi tegas babagan tandha wacan utawa format—bisa gampang dilalekake yen mung ditulis sapisan ing tengah prompt sing padhet. Yen dibaleni ing pungkasan, paugeran kasebut bakal tetep dituruti.
Bab liya sing perlu digatekake ngenani efek informasi paling anyar yaiku keluaran terstruktur, yen digunakake, sejatine dadi instruksi paling pungkasan ing prompt. Kolom katrangan ing keluaran terstruktur nduweni pengaruh kualitatif marang tanggapan lan mbentuk kontrak keluaran sing luwih kuwat tinimbang bagean prompt liyane.
Kita wis sinau supaya ora nggunakake tuladha conto sithik kanggo nada basa, lan iki dadi salah siji owah-owahan sing paling gedhe pengaruhe tumrap agen sing ngadhepi pelanggan.
Minangka gantine, kabeh prompt kita tulis nganggo gaya basa sing dituju. Dudu katrangan babagan gaya kasebut, dudu kumpulan tembung sipat sing mung nyedhaki, nanging gaya basa sing satemene, awujud prosa jangkep saka ukara kapisan nganti pungkasan. Prompt kasebut dhewe dadi demonstrasi. Iki diarani “anti-skrip”: nuntun model supaya niru input-e, nanging tetep bisa nggunakake maneka warna basa lan frasa sing isih “sakubenge” gaya prompt kasebut.
Kanthi cara iki, kita njaluk variasi tanpa ngilangake konsistensi gaya basa. Iki minangka bagean saka strategi kanggo ndadekake dialog minangka inti tugas saben agen, tanpa perlu akeh instruksi eksplisit sing pancen arep kita minimalake.
Yen nggunakake tuladha eksplisit babagan nada basa, tuladha kasebut bakal nuduhake “apa sing ora kena ditindakake”. Contone, “No em dashes. Ever. No clichés. No policy dumping. No over-explanation when a single sentence will close the loop.” Watesan negatif luwih trep lan ora banget mbatesi tinimbang gegayuhan positif, amarga kanthi cetha nyebut pola kegagalan sing paling gampang ditindakake model.
Format uga wigati amarga melu nemtokake nada tanggapan. Prompt sing kebak dhaptar poin, irah-irahan, lan instruksi ing sajroning kurung bakal nuntun model ngasilake keluaran sing luwih tumata lan kaku. Yen keluaran kudu krasa kaya pacelathon, input-e aja nganti katon kaya dokumen spesifikasi cekak.
Umume prompt kanggo nemtokake nada basa mung mandheg ing kapribaden. Carane yaiku menehi kumpulan tembung sipat kanggo nggambarake kepriye swarane agen. Anget. Profesional. Grapyak nanging ringkes. Kabeh kuwi ora kliru, nanging sing nemtokake panampane sawijining gaya basa sajrone pacelathon yaiku ragam basa: kepriye karakter sing padha tumindak ing kahanan sosial sing beda-beda.
Pesen ngenteni nalika pitakon lagi diproses aja nganti muni kaya jawaban pungkasan. Tanggapan saka pager pengaman aja nganti nduweni swasana sing padha karo obrolan santai. Pelanggan sing lagi jengkel aja nganti ditanggapi kanthi tingkat keramahan utawa guyonan sing padha karo pelanggan sing mung lagi ndeleng-ndeleng.
Iki bedane gaya basa merek lan desain pacelathon. Gaya basa merek biasane nggambarake karakter, dene desain pacelathon nemtokake tumindake karakter kasebut nalika kahanane owah. Yen iki ditindakake kanthi bener, kita ora mung dadi panulis naskah sing nggarap keluaran AI. Kita ngrancang carane sawijining gaya basa lumaku sajrone pacelathon.
Sampeyan bakal weruh yen ora ana pola kasebut sing rumit sacara teknis. Lan kuwi pancen salah siji intine. Arsitektur sistem agentik pancen wigati, nanging kanggo nggayuh pacelathon sing apik, sampeyan kudu nyawisake akeh wektu kanggo ngrancang lan nyampurnakake prompt.
Longkangan antarane AI sing mung fungsional lan AI sing tenan bisa diajak guneman ora bisa ditutup mung kanthi desain teknis. Sing dibutuhake yaiku pangerten sing luwih cetha babagan fungsi basa lan kawigaten ing dialog manungsa, sarta ndadekake dialog minangka inti ruang masalah para agen.
Kanggo tim produk AI, insinyur, lan perancang pengalaman, desain pacelathon kudu digarap kanthi tliti sing padha karo kaunggulan teknis ing AI sing ngadhepi pelanggan. Kanggo wong ing sisih liya pacelathon iki, ora ana model, kolaborasi multi-agen, utawa panggilan alat—sing ana mung interaksi sing krasa trep utawa ora. Interaksi sing bisa nuwuhake utawa malah ngrusak kapercayan.
Pungkasane, ora ana sing ngrasakake arsitekture. Sing dirasakake yaiku pacelathone.
Pacelathon iku produke.