Tujuan Pembelajaran

Memahami komponen prompt: system, context, instruction, examples, output format
Mengerti cara LLM memproses token dan attention mechanism secara sederhana
Mampu mengidentifikasi komponen prompt yang lemah dan memperbaikinya

Analogi

Diagram


      Anatomy Prompt = Resep Masakan:
System Message   = Jenis masakan (Italian, Japanese, Indonesian)
Context         = Bahan yang tersedia di dapur
Instruction     = Langkah-langkah memasak
Examples        = Foto hasil masakan yang diharapkan
Output Format   = Cara penyajian (piring, mangkuk, takeaway)

Kalau salah satu komponen tidak jelas:
- System: Masakan Italian dimasak dengan bumbu Padang
- Context: Koki tidak tahu bahan apa yang available
- Examples: Hasil akhir tidak sesuai ekspektasi

Prompt seperti resep — setiap komponen punya fungsi spesifik. Prompt yang baik menyeimbangkan kelima komponen.

Penjelasan Konsep

Setiap prompt yang kamu kirim ke LLM memiliki anatomi internal. Memahami anatomi ini adalah fondasi untuk prompt engineering tingkat lanjut.

Komponen prompt: (1) System Message — mendefinisikan role dan constraints (“Kamu adalah senior developer”). Dikirim sekali di awal, berlaku untuk seluruh sesi. (2) Context — informasi latar belakang yang dibutuhkan (tech stack, error messages, kode relevan). Ini adalah ‘bahan’ yang tersedia. (3) Instruction — task spesifik yang diminta (“Buatkan API endpoint untuk…”). Harus actionable dan spesifik. (4) Examples — contoh input-output yang diinginkan (few-shot). Membantu AI memahami pola dan format. (5) Output Format — spesifikasi bagaimana hasil harus disajikan (JSON, markdown, kode dengan komentar).

Cara LLM memproses: Prompt di-tokenisasi (dipecah jadi token), setiap token mendapat ‘attention weight’ terhadap token lain (attention mechanism). Token yang lebih dekat ke instruction mendapat perhatian lebih — ini kenapa instruction sebaiknya di akhir prompt.

Diagnosis prompt lemah: output terlalu generic → instruction tidak spesifik. Output format salah → output format tidak didefinisikan. AI sering salah → context kurang. AI tidak mengikuti role → system message lemah.

Inti yang Perlu Dipahami

Bagian ini berfokus pada memahami komponen prompt: system, context, instruction, examples, output format., mengerti cara LLM memproses token dan attention mechanism secara sederhana., dan mampu mengidentifikasi komponen prompt yang lemah dan memperbaikinya. Jangan terburu-buru menghafal istilahnya. Lebih penting untuk memahami peran setiap konsep dan kapan konsep itu muncul dalam pekerjaan web development.

Saat membaca Anatomy Prompt, gunakan tujuan belajar sebagai penanda arah. Kalau kamu sudah bisa menjelaskan tujuan itu dengan kata-katamu sendiri, berarti fondasinya mulai terbentuk.

Cara Membayangkannya

Prompt seperti resep — setiap komponen punya fungsi spesifik. Prompt yang baik menyeimbangkan kelima komponen. Analogi ini dipakai supaya konsep teknis tidak terasa melayang. Hubungkan setiap istilah dengan perannya: siapa yang meminta, siapa yang memproses, data apa yang berpindah, dan hasil apa yang diharapkan.

Kalau analoginya sudah terasa masuk akal, barulah lihat istilah teknisnya. Cara ini membuat materi lebih mudah dipahami daripada langsung menghafal definisi.

Konteks dalam Perjalanan Belajar

Setiap konsep di platform ini dipilih karena dipakai di industri. Fokus pada pemahaman, bukan hafalan.

Kamu sudah di bagian lanjutan. Mulai pikirkan bagaimana konsep ini dipakai di dunia kerja — bukan hanya untuk belajar, tapi untuk membangun produk nyata.

Gunakan pertanyaan reflektif dan prompt AI di akhir chapter sebagai latihan aktif. Membaca saja tidak cukup — kamu perlu menjelaskan ulang dengan kata-katamu sendiri.

Prompt AI

Berikan prompt yang kamu anggap 'lemah' ke AI. Minta AI mendiagnosis: komponen mana yang kurang? Apa yang perlu ditambahkan? Minta AI menulis ulang prompt versi improved.

Pertanyaan Reflektif

Ambil 5 prompt terakhirmu. Breakdown masing-masing ke 5 komponen anatomi prompt. Komponen mana yang paling sering kamu skip? Itu area yang perlu diperbaiki.