Keuntungan:
- Mengenali kesalahan cepat yang paling umum dari contoh nyata
- Dapat menerapkan perbaikan praktis dan berulang untuk setiap kesalahan
- Menyadari bahwa keluaran yang buruk sering kali disebabkan oleh perintah yang buruk
Dalam modul ini, kita mempelajari teknik menulis prompt yang baik satu per satu. Sekarang mari kita perkuat hal ini dari sudut pandang yang berbeda: dengan melihat kesalahan paling umum dan solusinya. Sebagian besar keluaran AI yang buruk disebabkan oleh dorongan yang buruk, bukan karena kekurangan model. Jika Anda mengenali kesalahan pada unit ini, Anda dapat dengan cepat mendiagnosis dan memperbaiki masalah sesuai petunjuk Anda sendiri; Daripada mengatakan "AI tidak bisa melakukan ini", Anda bisa mengatakan "biarkan saya memperbaiki permintaan saya seperti ini".
Mengapa Penting untuk Mengenali Kesalahan?
Ketika keluaran tidak memenuhi harapan Anda, Anda dapat bereaksi dengan dua cara: menyalahkan alat atau mempertanyakan perintahnya. Pengguna berpengalaman melakukan yang terakhir. Karena sering kali, sumber masalahnya terlihat jelas dan hasilnya berubah dengan sedikit koreksi. Di bawah ini kita akan melihat delapan kesalahan paling umum, gejala dan solusinya.
Delapan Kesalahan Paling Umum
Kesalahan
gejala
Solusi
ambiguitas
Jawaban umum, "satu ukuran cocok untuk semua".
Berikan instruksi yang terukur
Konteks nol
Keluaran yang tidak sesuai dengan situasi
Tambahkan siapa/mengapa/sejarah
Tidak menentukan format
Keluaran dalam format yang salah
Memaksa format
tidak adanya kendala
Konten yang berlebihan dan menyimpang
Tambahkan daftar "jangan".
kelebihan beban
Model melewatkan beberapa permintaan
Bagilah pekerjaan, prioritaskan
non-konfirmasi
Menggunakan informasi palsu
Periksa fakta dengan sumber
Harapan satu kesempatan
Jangan menyerah di pintu keluar pertama
Ulangi
instruksi yang kontradiktif
keluaran yang tidak konsisten
Sejajarkan batasan
Metode Diagnostik Langkah demi Langkah
Ketika keluaran yang rusak tiba, ikuti urutan ini:
- Apakah misinya jelas? Apakah kata kerjanya konkret, apakah itu berarti satu-satunya hal yang Anda inginkan?
- Apakah konteksnya cukup? Apakah model mengetahui situasinya?
- Apakah formatnya sudah disebutkan? Apakah formatnya sesuai keinginan Anda?
- Apakah ada batasan? Apakah tertulis apa yang tidak diinginkan?
- Apakah saya memuat terlalu banyak? Apakah saya meminta 5 pekerjaan berbeda dalam satu permintaan?
- Apakah saya memverifikasi? Apakah nomor, nama, tanggal sudah diperiksa?
Enam pertanyaan ini menangkap hampir semua kesalahan.
Empat Templat Proofreading yang Dapat Disalin
1) Menghilangkan ambiguitas:
Jadikan instruksi ini dapat diukur: [instruksi yang tidak jelas]Terjemahkan setiap poin yang tidak jelas ke dalam angka, kuantitas, atau kriteria yang konkret.
2) Memisahkan kelebihan beban:
Jangan lakukan tugas ini sekaligus. Lanjutkan dalam urutan ini dan berhenti ketika Anda menyelesaikan setiap langkah, tunggu konfirmasi saya:1) [subtugas 1]2) [subtugas 2]3) [subtugas 3]
3) Membatasi pemasangan:
Andalkan saja informasi yang saya berikan dibawah ini. Jika tidak ada informasi, tulis "tidak ada data"; jangan menebak atau menambahkan. Tunjukkan dari baris mana setiap klaim penting yang Anda gunakan berasal. Sumber: [teks]
4) Menyelesaikan kontradiksi:
Periksa apakah ada kontradiksi dalam instruksi yang saya berikan kepada Anda. Jika ya, buatlah daftar poin-poin yang bertentangan dan tanyakan kepada saya mana yang harus diprioritaskan; kemudian menghasilkan sesuai.
Prompt Lemah / Prompt Kuat
Lemah (banyak kesalahan digabungkan):
Tulis rencana komprehensif untuk perusahaan kami tentang pemasaran, anggaran, dan perekrutan, dan Anda siap melakukannya.
Kuat (bug diperbaiki):
Peran: Anda adalah spesialis pengembangan bisnis yang memberikan nasihat kepada UKM. Konteks: Perusahaan perangkat lunak dengan 12 orang; sasarannya adalah 20 pelanggan baru pada kuartal ini. Tugas: Menulis rencana pemasaran SAJA (tidak termasuk anggaran dan perekrutan). Format: daftar tindakan 5 poin; setiap item: tindakan + tanggung jawab + kriteria. Kendala: Anggaran iklan berbayar 0; Rekomendasikan hanya saluran organik. Jangan berikan metrik palsu; Benarkan saran tersebut.
Versi yang kuat membagi kelebihan (menjejalkan tiga topik ke dalam satu prompt), menggantikan ambiguitas ("semoga berhasil") dengan kriteria, dan menambahkan format dan batasan.
Tiga Kasus Mini
Kasus 1 — Kelebihan beban. Seorang manajer meminta ringkasan laporan, rencana presentasi, dan email dalam satu waktu; Model itu membuat ketiganya menjadi dua. Dengan membagi pekerjaan menjadi tiga perintah terpisah, setiap keluaran selesai dan dapat digunakan. Total waktu yang dibutuhkan lebih sedikit dibandingkan berkutat dengan satu perintah rumit.
Kasus 2 — Non-konfirmasi. Tim konten menerbitkan “statistik industri” yang diberikan oleh model tanpa memverifikasinya; Nomornya ternyata salah dan mereka harus melakukan koreksi. Setelah itu, mereka menerapkan aturan "berikan setiap nomor beserta sumbernya, saya akan periksa sumbernya" dan menghilangkan risiko ini.
Kasus 3 — Instruksi yang bertentangan. Ketika seorang pemasar mengatakan "ini sangat singkat tetapi jelaskan semua fiturnya", model tersebut melewatkan beberapa fitur. Ketika saya membuat instruksi yang tidak bertentangan sebagai "jelaskan 3 fitur terpenting dalam 60 kata", hasilnya singkat dan lengkap.
Tip: Jalankan perintah Anda melalui “enam pertanyaan diagnostik” sebelum ditayangkan. Pemeriksaan 30 detik ini membuat sebagian besar putaran iterasi tidak diperlukan sejak awal.
Perhatian: Kesalahan yang paling berbahaya adalah “non-validasi” karena diabaikan karena output terlihat mulus dan meyakinkan. Model dapat mencocokkan nomor, nama, atau sumber dengan penuh keyakinan. Verifikasi secara independen setiap fakta yang akan dipublikasikan atau digunakan sebagai dasar pengambilan keputusan. Kami akan memperdalam topik ini di unit berikutnya.
Kesalahan Tak Terlihat: Output "Hampir Benar".
Beberapa kesalahan mudah untuk diketahui: output datang dalam format yang salah, keluar dari topik, atau kosong. Namun kesalahan paling berbahaya adalah keluarannya hampir benar. Teksnya lancar, strukturnya halus, nadanya tepat sasaran; Hanya ada satu angka yang salah, batasan yang terabaikan, atau kesalahan logika kecil. Jenis keluaran seperti ini berbahaya karena luput dari pemeriksaan karena "terlihat bagus".
Ada dua kebiasaan yang melindungi dari hal ini. Pertama, jangan gunakan keluaran tanpa membacanya: tidak peduli seberapa terburu-buru Anda, bacalah keluaran tersebut sebelum mengirimkannya. Kedua, meminta model memeriksa keluarannya: "periksa apakah Anda mengikuti semua batasan yang saya berikan" atau "cantumkan semua angka dalam teks ini" akan memunculkan kesalahan tersembunyi. Kedua langkah ini memakan waktu beberapa detik, namun akibat dari keputusan yang salah yang disebabkan oleh keluaran yang “hampir benar” jauh lebih tinggi.
Menghindari kesalahan: desain melebihi kendali
Alih-alih mencari kesalahan dalam keluaran, pengguna berpengalaman mencoba mencegahnya dari awal saat diminta. Ini adalah perbedaan mentalitas. Ubah setiap kesalahan berulang menjadi "aturan permanen": jika model terus menambahkan komentar dalam tugas ringkasan, sekarang tetapkan batasan "jangan tambahkan komentar" ke setiap permintaan ringkasan. Jika model selalu menghasilkan terlalu banyak item dalam tugas daftar, tempatkan batasan "tepat X item" di templat Anda. Dengan cara ini, alih-alih menemukan kesalahan yang sama berulang kali, Anda mencegah kesalahan tersebut terjadi sejak awal. Perintah yang dirancang dengan baik menggantikan lusinan koreksi berikutnya; Hal ini mengubah diagnosis kesalahan dari sebuah beban menjadi alat pembelajaran dan perbaikan.
Kesalahan umum
- Menyalahkan perantara. Mengatakan "AI tidak bisa melakukannya" alih-alih mencari masalahnya di prompt.
- Menempatkan terlalu banyak pekerjaan dalam satu perintah. Mengompresi lima tugas terpisah menjadi satu instruksi dan mengerjakannya setengah selesai.
- Melewatkan verifikasi. Dengan asumsi keluaran lancar sudah benar.
- Memberikan batasan yang kontradiktif. Tuntutan yang saling bertentangan, seperti “pendek tapi komprehensif.”
- Mencoba lagi tanpa mendiagnosis. Mengulangi kesalahan yang sama tanpa mencari tahu apa yang rusak.
Singkatnya
- Output yang paling buruk adalah masalah pada prompt, bukan modelnya; dapat didiagnosis dan diperbaiki.
- Kesalahan yang paling umum: ambiguitas, konteks nol, kurangnya format, kurangnya batasan, kelebihan beban, kurangnya verifikasi, ekspektasi satu kali, dan kontradiksi.
- Enam pertanyaan diagnostik (tugas, konteks, format, batasan, pemuatan, verifikasi) menangkap sebagian besar kesalahan.
- Membagi pekerjaan yang kompleks memberikan hasil yang lebih cepat dan berkualitas lebih tinggi dibandingkan memuatnya ke dalam satu perintah.
- Kesalahan yang paling berbahaya adalah non-verifikasi; Keluaran yang mulus bukan berarti akurat.
Tugas aplikasi
Temukan cetakan lama yang tidak Anda sukai dan jalankan perintahnya melalui "enam pertanyaan diagnostik". Tandai kesalahan mana yang terjadi, terapkan perbaikan di unit ini untuk masing-masing kesalahan, dan jalankan kembali perintahnya. Perhatikan koreksi tunggal mana yang menghasilkan peningkatan terbesar, bukan berapa putaran.
daftar periksa
- [ ] Jika keluarannya buruk, saya menanyakan perintahnya terlebih dahulu, bukan agennya.
- [ ] Saya dapat melakukan enam pertanyaan diagnostik.
- [ ] Saya membagi tugas-tugas kompleks menjadi beberapa perintah.
- [ ] Saya melihat instruksi yang bertentangan dan ambigu dan memperbaikinya.
- [ ] Saya memverifikasi keluaran faktual sebelum menerbitkannya.