Rekayasa Prompt — Desain Instruksi untuk Model Bahasa Besar
Rekayasa prompt adalah praktik merancang instruksi bahasa alami terstruktur — prompt — untuk menghasilkan keluaran yang ditargetkan dari model bahasa besar (LLM). Diformalisasi oleh Brown dkk. (2020) dalam konteks GPT-3 dan diperluas oleh Wei dkk. (2022) dengan rekayasa prompt rantai pemikiran (chain-of-thought prompting), metode ini mencakup empat strategi utama: tanpa contoh (zero-shot), sedikit contoh (few-shot), rantai pemikiran (chain-of-thought), dan pohon pemikiran (tree-of-thought). Alih-alih melatih ulang model, analis membentuk perilaku model sepenuhnya melalui desain teks masukan.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. link ↗
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/id/text-mining/prompt-engineering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Klasifikasi Teks Sedikit Contoh (Few-Shot Text Classification)Penambangan Teks↔ compare
- Fine-Tuning GPTPembelajaran Mendalam↔ compare
- LoRA dan PEFTPembelajaran Mendalam↔ compare
- Generasi Bahasa AlamiPenambangan Teks↔ compare
- Generasi yang Diperkaya Pengambilan (RAG)Penambangan Teks↔ compare
- Klasifikasi TeksPenambangan Teks↔ compare
- Klasifikasi Tanpa Contoh (Zero-Shot Classification)Penambangan Teks↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →