Few-Shot & Dynamic Prompting

Teknik memberikan contoh ke AI dan membangun prompt yang beradaptasi dengan input user

Tujuan Pembelajaran

Menguasai few-shot prompting: static, dynamic, dan semantic selection
Mampu membangun dynamic prompt template yang beradaptasi dengan konteks
Memahami kapan few-shot diperlukan dan kapan overkill

Analogi

Diagram


      Few-Shot = Training On-the-Job:

Tanpa contoh:
"Tolong terjemahkan dokumen ini."
→ Hasilnya formal? Casual? Tidak tahu.

Dengan 3 contoh:
"Contoh 1: [input A] → [output A]
Contoh 2: [input B] → [output B]
Contoh 3: [input C] → [output C]
Sekarang terjemahkan: [input baru]"
→ AI akan mengikuti tone, style, dan format yang sama

Few-shot seperti training on-the-job — beri 2-3 contoh, AI langsung paham ekspektasi dan format yang diinginkan.

Penjelasan Konsep

Few-shot prompting adalah memberikan contoh input→output ke AI dalam prompt. AI akan mengikuti pola dari contoh-contoh tersebut — ini adalah cara paling efektif untuk mengontrol tone, format, dan style output.

Static few-shot: Contoh hardcoded di prompt template. Cocok kalau format output selalu sama. Kelemahan: tidak adaptif.

Dynamic few-shot: Contoh dipilih berdasarkan kemiripan dengan input user. Gunakan embedding search: input user → embedding → cari contoh terdekat di database → masukkan ke prompt. Ini dramatically meningkatkan kualitas untuk task dengan variasi input tinggi.

Semantic example selection: Mirip dengan dynamic, tapi menggunakan semantic similarity (cosine similarity) untuk memilih contoh yang paling relevan, bukan random atau rule-based.

Dynamic prompt template: Prompt yang strukturnya berubah berdasarkan input. Contoh: kalau user bertanya tentang TypeScript, tambahkan “Remember: use strict mode, no ‘any’ type.” Kalau user bertanya tentang React, tambahkan “Prefer functional components and hooks.”

Token tradeoff: Setiap contoh menambah token. 3 contoh medium = ~500-1000 tokens. Seimbangkan: apakah improvement quality > cost tambahan?

Inti yang Perlu Dipahami

Bagian ini berfokus pada menguasai few-shot prompting: static, dynamic, dan semantic selection., mampu membangun dynamic prompt template yang beradaptasi dengan konteks., dan memahami kapan few-shot diperlukan dan kapan overkill. Jangan terburu-buru menghafal istilahnya. Lebih penting untuk memahami peran setiap konsep dan kapan konsep itu muncul dalam pekerjaan web development.

Saat membaca Few-Shot & Dynamic Prompting, gunakan tujuan belajar sebagai penanda arah. Kalau kamu sudah bisa menjelaskan tujuan itu dengan kata-katamu sendiri, berarti fondasinya mulai terbentuk.

Cara Membayangkannya

Few-shot seperti training on-the-job — beri 2-3 contoh, AI langsung paham ekspektasi dan format yang diinginkan. 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

Bangun system: kumpulkan 10 contoh input-output untuk task spesifik. Implementasi dynamic few-shot: pilih 3 contoh paling relevan via embedding similarity. Bandingkan hasil dengan static few-shot (contoh random).

Pertanyaan Reflektif

Apakah kamu sering kasih contoh ke AI? Atau cuma instruksi doang? Coba beri 2 contoh di prompt berikutnya — bandingkan kualitas outputnya.