Strategi desain prompt

Desain perintah adalah proses pembuatan perintah, atau permintaan bahasa alami, yang mendapatkan respons yang akurat dan berkualitas tinggi dari model bahasa.

Halaman ini memperkenalkan konsep dasar, strategi, dan praktik terbaik untuk membantu Anda mulai mendesain perintah guna mendapatkan hasil maksimal dari model AI Gemini.

Panduan perintah khusus topik

Mencari strategi perintah yang lebih spesifik? Lihat panduan perintah kami lainnya di:

Google AI Studio juga menghosting galeri perintah yang dimaksudkan untuk menampilkan banyak konsep secara interaktif dalam panduan ini.

Petunjuk yang jelas dan spesifik

Cara yang efektif dan efisien untuk menyesuaikan perilaku model adalah dengan memberikan petunjuk yang jelas dan spesifik. Petunjuk dapat berupa pertanyaan, tugas langkah demi langkah, atau sesederhana memetakan pengalaman dan pola pikir pengguna.

Input

Input adalah teks yang diperlukan dalam perintah yang harus diberikan respons oleh model. Input dapat berupa pertanyaan yang menjadi model jawaban (masukan pertanyaan), tugas yang dilakukan model (masukan tugas), suatu entitas model beroperasi (input entitas), atau sebagian input yang diselesaikan model atau berlanjut (input penyelesaian).

Jenis input Perintah Output yang dihasilkan
Pertanyaan 

    What's a good name for a flower shop that specializes in selling bouquets of
    dried flowers? Create a list of 5 options with just the names.
 

    Here are 10 names for a flower shop specializing in dried flowers:

    1. Everlasting Blooms
    2. Dried & Delightful
    3. The Petal Preserve
    4. Whispers of Wildflowers
    5. Forever Blooms
Tugas 
    Give me a simple list of just the things that I must bring on a camping trip. The list should have 5 items.
 
    1. **Tent:** Your shelter from the elements.
    2. **Sleeping Bag:** Stay warm and comfortable.
    3. **Sleeping Pad:** Insulation and cushioning for a good night's sleep.
    4. **Headlamp or Flashlight:** Light for nighttime activities.
    5. **First Aid Kit:** Be prepared for minor injuries.
Entitas 

    Classify the following items as [large, small]:
Elephant
Mouse
Snail
 

Here's the classification:

* **Elephant:** Large
* **Mouse:** Small
* **Snail:** Small

Penyelesaian input sebagian

Model bahasa generatif berfungsi seperti alat pelengkapan otomatis canggih. Jika Anda menyediakan konten sebagian, model dapat memberikan konten lainnya atau yang dianggapnya sebagai kelanjutan dari konten tersebut sebagai respons. Saat melakukannya, jika Anda menyertakan contoh atau konteks, model dapat mempertimbangkan contoh atau konteks tersebut.

Contoh berikut memberikan perintah dengan petunjuk dan input entity:

For the given order, return a JSON object that has the fields cheeseburger, hamburger, fries, or
drink, with the value being the quantity.

Order: A burger and a drink.
  
{
  "cheeseburger": 0,
  "hamburger": 1,
  "fries": 0,
  "drink": 1
}

Meskipun model melakukan seperti yang diminta, menulis petunjuk dalam bahasa alami terkadang dapat menjadi tantangan dan banyak bergantung pada interpretasi model. Misalnya, menu restoran mungkin berisi banyak item. Untuk mengurangi ukuran respons JSON, Anda mungkin ingin menghapus item yang tidak diurutkan. Dalam hal ini, Anda dapat memberikan contoh dan awalan respons lalu membiarkan model menyelesaikannya:

Valid fields are cheeseburger, hamburger, fries, and drink.
Order: Give me a cheeseburger and fries
Output:
```
{
  "cheeseburger": 1,
  "fries": 1
}
```
Order: I want two burgers, a drink, and fries.
Output:
  
```
{
  "hamburger": 2,
  "drink": 1,
  "fries": 1
}
```

Perhatikan bagaimana "cheeseburger" dikecualikan dari output karena bukan bagian dari pesanan.

Batasan

Tentukan batasan apa pun saat membaca perintah atau membuat respons. Anda dapat memberi tahu model apa yang harus dilakukan dan tidak boleh dilakukan. Misalnya, Anda dapat menentukan batasan dalam perintah tentang durasi ringkasan yang Anda inginkan:

Summarize this text in one sentence:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
    

      Exploiting quantum mechanical phenomena, quantum computers can perform calculations exponentially faster than traditional computers for potential applications like cybersecurity and meteorology, although they are currently largely experimental and impractical.

Format respons

Anda dapat memberikan petunjuk yang menentukan format respons. Misalnya, Anda dapat meminta respons untuk diformat sebagai tabel, daftar berbutir, presentasi singkat, kata kunci, kalimat, atau paragraf. Petunjuk sistem berikut memberi tahu model untuk lebih percakapan dalam responsnya:

    All questions should be answered comprehensively with details, unless the user requests a concise response specifically.
  
    What is a smart way to make a business that sells DVD's in 2025?
  
Starting a business selling DVDs in 2025 presents significant challenges due to the overwhelming dominance of digital streaming and on-demand services; a "smart" approach would therefore require a highly specialized niche, a strong value proposition beyond just the disc, and likely a focus on community or collector markets rather than mainstream consumption.

Here's a breakdown of what a smart DVD business in 2025 would likely entail:

1. Extreme Niche Specialization: You cannot compete with streaming libraries. Your business must focus on what digital doesn't offer easily or at all. This could include:

    * Out-of-Print & Rare Titles: Sourcing films or TV shows that have never been released digitally or are currently unavailable on major streaming platforms.
    ....

Memformat respons dengan strategi penyelesaian

Strategi penyelesaian juga dapat membantu memformat respons. Contoh berikut meminta model untuk membuat garis besar esai:

Create an outline for an essay about hummingbirds.
  
Here is a possible outline for an essay about hummingbirds:

I. Introduction
A. Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
B. Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds.
C. Thesis Statement: State the main point of the essay, which could be about the remarkable adaptations, behaviors, and ecological importance of hummingbirds.

II. Appearance and Identification
.....

Perintah tidak menentukan format untuk garis besar dan model telah memilih format untuk Anda. Agar model menampilkan garis besar dalam format tertentu, Anda dapat menambahkan teks yang mewakili awal garis besar dan membiarkan model menyelesaikannya berdasarkan pola yang Anda mulai.

Create an outline for an essay about hummingbirds.
I. Introduction
   *
  
Okay, here is an outline for an essay about hummingbirds, starting from the introduction you provided:

I. Introduction
* Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
* Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds, and their general characteristics.
* Thesis Statement: State the main point of the essay, focusing on the remarkable adaptations, behaviors, and ecological significance that make hummingbirds extraordinary.
.....

Prompt zero-shot vs few-shot

Anda dapat menyertakan contoh dalam prompt yang menunjukkan tampilan penerapannya dengan benar pada model. Model mencoba mengidentifikasi pola dan hubungan dari contoh-contoh tersebut dan menerapkannya saat menghasilkan respons. Prompt yang berisi beberapa contoh disebut prompt few-shot, sedangkan prompt yang tidak memberikan contoh disebut prompt zero-shot. Prompt few-shot sering digunakan untuk mengatur pemformatan, frasa, cakupan, atau pola umum respons model. Gunakan contoh yang spesifik dan beragam untuk membantu model mempersempit fokusnya dan menghasilkan hasil yang lebih akurat.

Sebaiknya selalu sertakan contoh few-shot dalam perintah Anda. Perintah tanpa contoh few-shot cenderung kurang efektif. Bahkan, Anda dapat menghapus petunjuk dari perintah jika contoh Anda cukup jelas dalam menunjukkan tugas yang sedang dihadapi.

Petunjuk zero-shot berikut meminta model untuk memilih penjelasan terbaik.

Please choose the best explanation to the question:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Explanation1 is the better explanation because it provides more detail on the
process, including how ice crystals combine and grow into snowflakes as they
fall through the atmosphere.

Jika kasus penggunaan memerlukan model untuk menghasilkan respons yang ringkas, Anda dapat menyertakan contoh dalam perintah yang memberikan preferensi pada respons yang ringkas.

Perintah berikut memberikan dua contoh yang menunjukkan preferensi terhadap penjelasan yang lebih singkat. Dalam respons, Anda dapat melihat bahwa contoh memandu model untuk memilih penjelasan yang lebih pendek (Explanation2) dibandingkan dengan penjelasan yang lebih panjang (Explanation1) seperti sebelumnya.

Below are some examples showing a question, explanation, and answer format:

Question: Why is the sky blue?
Explanation1: The sky appears blue because of Rayleigh scattering, which causes
shorter blue wavelengths of light to be scattered more easily than longer red
wavelengths, making the sky look blue.
Explanation2: Due to Rayleigh scattering effect.
Answer: Explanation2

Question: What is the cause of earthquakes?
Explanation1: Sudden release of energy in the Earth's crust.
Explanation2: Earthquakes happen when tectonic plates suddenly slip or break
apart, causing a release of energy that creates seismic waves that can shake the
ground and cause damage.
Answer: Explanation1

Now, Answer the following question given the example formats above:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Answer: Explanation2

Jumlah contoh yang optimal

Model seperti Gemini sering kali dapat memahami pola menggunakan beberapa contoh, meskipun Anda mungkin perlu bereksperimen dengan jumlah contoh yang akan diberikan dalam dialog untuk mendapatkan hasil terbaik. Pada saat yang sama, jika Anda menyertakan terlalu banyak contoh, model mungkin akan mulai melebihi respons terhadap contoh.

Pola vs. antipola

Menggunakan contoh untuk menunjukkan pada model bahwa pola yang diikuti akan lebih efektif daripada menggunakan contoh untuk menunjukkan antipola yang harus dihindari pada model.

⛔ Pola negatif:

Don't end haikus with a question:
Haiku are fun
A short and simple poem
Don't you enjoy them?

✅ Pola positif:

Always end haikus with an assertion:
Haiku are fun
A short and simple poem
A joy to write

Format yang konsisten

Pastikan struktur dan pemformatan contoh few-shot sama untuk menghindari respons dengan format yang tidak diinginkan. Salah satu tujuan utama menambahkan contoh few-shot dalam perintah adalah untuk menunjukkan format respons kepada model. Oleh karena itu, penting untuk memastikan format yang konsisten di semua contoh, terutama memperhatikan tag XML, spasi kosong, baris baru, dan pemisah contoh.

Menambahkan konteks

Anda dapat menyertakan petunjuk dan informasi dalam perintah yang diperlukan model untuk memecahkan masalah, bukan mengasumsikan bahwa model memiliki semua informasi yang diperlukan. Informasi kontekstual ini membantu model memahami batasan dan detail dari hal yang Anda minta untuk dilakukan.

Contoh berikut meminta model untuk memberikan panduan pemecahan masalah untuk router:

What should I do to fix my disconnected wifi? The light on my Google
Wifi router is yellow and blinking slowly.
  
  A yellow blinking light on your Google Wifi router usually indicates a problem
  with the internet connection. Here are some steps to troubleshoot and fix the
  issue:
  1. Restart your router and modem:
    - Unplug your modem from the power outlet and wait for 30 seconds.
    - Plug your modem back in and wait for it to fully boot up.
    - Unplug your Google Wifi router and wait for 30 seconds.
    - Plug your Google Wifi router back in and wait for it to fully boot up.
.....

Responsnya terlihat seperti informasi pemecahan masalah umum yang tidak spesifik untuk router atau status lampu indikator LED.

Guna menyesuaikan respons untuk router tertentu, Anda dapat menambahkan prompt dalam panduan pemecahan masalah router sebagai konteks yang dirujuk saat memberikan respons.

Answer the question using the text below. Respond with only the text provided.
Question: What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly.

Text:
Color: Slowly pulsing yellow
What it means: There is a network error.
What to do:
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Color: Fast blinking yellow
What it means: You are holding down the reset button and are factory resetting this device.
What to do:
If you keep holding down the reset button, after about 12 seconds, the light will turn solid yellow. Once it is solid yellow, let go of the factory reset button.

Color: Solid yellow
What it means: Router is factory resetting.
What to do:
This can take up to 10 minutes. When it's done, the device will reset itself and start pulsing white, letting you know it's ready for setup.

Color: Solid red
What it means: Something is wrong.
What to do:
Critical failure. Factory reset the router. If the light stays red, contact Wifi customer support.
  
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Tambahkan awalan

Awalan adalah kata atau frasa yang Anda tambahkan ke konten prompt yang dapat memiliki beberapa tujuan, bergantung pada tempat Anda menempatkan awalan tersebut:

  • Awalan input: Menambahkan awalan ke bagian input yang bermakna secara semantik ke model. Misalnya, awalan "English:" dan "French:" mendemarkasi dua bahasa yang berbeda.
  • Awalan output: Meskipun output dihasilkan oleh model, Anda dapat menambahkan awalan untuk output pada prompt. Awalan output memberikan informasi kepada model tentang apa yang diharapkan sebagai respons. Misalnya, awalan output "JSON:" memberi sinyal ke model bahwa output harus dalam format JSON.
  • Contoh awalan: Dalam perintah few-shot, menambahkan awalan ke contoh akan memberikan label yang dapat digunakan model saat membuat output, sehingga memudahkan penguraian konten output.

Pada contoh berikut, "Teks:" adalah awalan input dan "Jawabannya adalah:" adalah awalan output.

Classify the text as one of the following categories.
- large
- small
Text: Rhino
The answer is: large
Text: Mouse
The answer is: small
Text: Snail
The answer is: small
Text: Elephant
The answer is:
  
The answer is: large

Membagi perintah menjadi beberapa komponen

Untuk kasus penggunaan yang memerlukan perintah kompleks, Anda dapat membantu model mengelola kompleksitas ini dengan membaginya menjadi komponen yang lebih sederhana.

  1. Membagi petunjuk: Daripada memiliki banyak petunjuk dalam satu perintah, buat satu perintah per petunjuk. Anda dapat memilih perintah yang akan diproses berdasarkan input pengguna.

  2. Rantai perintah: Untuk tugas kompleks yang melibatkan beberapa langkah berurutan, jadikan setiap langkah sebagai perintah dan rantaikan perintah tersebut secara berurutan. Dalam rantai perintah berurutan ini, output dari satu perintah dalam urutan menjadi input perintah berikutnya. Output perintah terakhir dalam urutan adalah output akhir.

  3. Respons gabungan: Agregasi adalah saat Anda ingin melakukan tugas paralel yang berbeda di bagian data yang berbeda dan menggabungkan hasilnya untuk menghasilkan output akhir. Misalnya, Anda dapat memberi tahu model untuk melakukan satu operasi pada bagian pertama data, melakukan operasi lain pada data lainnya, dan menggabungkan hasilnya.

Bereksperimen dengan parameter model

Setiap panggilan yang Anda kirim ke model menyertakan parameter value yang mengontrol cara model menghasilkan respons. Model ini dapat memberikan hasil yang berbeda untuk parameter value yang berbeda. Bereksperimenlah dengan parameter value yang berbeda untuk mendapatkan nilai terbaik untuk tugas. Parameter yang tersedia untuk model yang berbeda mungkin berbeda. Parameter yang paling umum adalah sebagai berikut:

  1. Token output maks: Menentukan jumlah maksimum token yang dapat dibuat dalam respons. Token terdiri atas sekitar empat karakter. 100 token setara dengan sekitar 60-80 kata.

  2. Suhu: Suhu mengontrol tingkat keacakan dalam pemilihan token. Suhu digunakan untuk pengambilan sampel selama pembuatan respons, yang terjadi saat topP dan topK diterapkan. Suhu yang lebih rendah cocok untuk perintah yang memerlukan respons yang lebih deterministik atau kurang terbuka, sedangkan suhu yang lebih tinggi dapat memberikan hasil yang lebih beragam atau kreatif. Suhu 0 bersifat deterministik, yang berarti respons dengan kemungkinan tertinggi selalu dipilih.

  3. topK: Parameter topK mengubah cara model memilih token untuk output. topK 1 berarti token yang dipilih adalah yang paling mungkin di antara semua token dalam kosakata model (juga disebut decoding greedy), sedangkan topK 3 berarti token berikutnya dipilih dari antara 3 token yang paling mungkin menggunakan suhu. Untuk setiap langkah pemilihan token, token topK dengan probabilitas tertinggi akan diambil sampelnya. Token kemudian difilter lebih lanjut berdasarkan topP dengan token akhir dipilih menggunakan sampling suhu.

  4. topP: Parameter topP mengubah cara model memilih token untuk output. Token dipilih dari yang paling mungkin hingga yang paling tidak mungkin sampai jumlah probabilitasnya sama dengan nilai topP. Misalnya, jika token A, B, dan C memiliki probabilitas 0,3, 0,2, dan 0,1 dengan nilai topP 0,5, maka model akan memilih A atau B sebagai token berikutnya dengan menggunakan suhu dan mengecualikan C sebagai kandidat. Nilai topP default adalah 0,95.

  5. stop_sequences: Menetapkan urutan berhenti untuk memberi tahu model agar berhenti membuat konten. Urutan perhentian dapat berupa urutan karakter apa pun. Cobalah untuk menghindari penggunaan urutan karakter yang dapat muncul dalam konten yang dihasilkan.

Strategi iterasi prompt

Desain perintah terkadang memerlukan beberapa iterasi sebelum Anda mendapatkan respons yang Anda cari secara konsisten. Bagian ini memberikan panduan tentang beberapa hal yang dapat Anda coba saat melakukan iterasi pada perintah Anda:

  1. Gunakan frasa yang berbeda: Penggunaan kata atau frasa yang berbeda dalam perintah Anda sering kali menghasilkan respons yang berbeda dari model meskipun semuanya memiliki arti yang sama. Jika Anda tidak mendapatkan hasil yang diharapkan dari perintah Anda, coba susun ulang perintah tersebut.

    Version 1:
How do I bake a pie?

Version 2:
Suggest a recipe for a pie.

Version 3:
What's a good pie recipe?

  2. Beralih ke tugas analog: Jika Anda tidak dapat membuat model agar mengikuti petunjuk untuk suatu tugas, coba berikan petunjuk untuk tugas analog yang mencapai hasil yang sama.

    Dialog ini memberi tahu model untuk mengategorikan buku dengan menggunakan kategori yang telah ditentukan:

    Which category does The Odyssey belong to:
thriller
sci-fi
mythology
biography
  
        The Odyssey belongs to the category of **mythology**. 

    Here's why:

    * **Mythology:** The Odyssey tells the story of Odysseus, a hero from Greek mythology, and his
    journey home after the Trojan War. It features gods, monsters, and supernatural events common to
    Greek mythology.
.....

    Responsnya benar, tetapi modelnya tidak tetap dalam batas opsi. Anda juga ingin membuat model untuk merespons hanya dengan salah satu opsi, bukan menggunakan kalimat lengkap. Dalam hal ini, Anda dapat menulis ulang petunjuk sebagai pertanyaan pilihan ganda dan meminta model untuk memilih opsi.

    Multiple choice problem: Which of the following options describes the book The Odyssey?
Options:
    


      

    • thriller
      • 

    • sci-fi
      • 

    • mythology
      • 

    • biography

    The correct answer is mythology.

  3. Mengubah urutan konten perintah: Urutan konten dalam perintah terkadang dapat memengaruhi respons. Coba ubah urutan konten dan lihat pengaruhnya terhadap respons.

    Version 1:
[examples]
[context]
[input]

Version 2:
[input]
[examples]
[context]

Version 3:
[examples]
[input]
[context]

Respons penggantian

Respons penggantian adalah respons yang ditampilkan oleh model saat prompt atau respons memicu filter keamanan. Contoh respons penggantian adalah "Saya tidak dapat membantu, karena saya hanya model bahasa".

Jika model merespons dengan respons penggantian, coba tingkatkan suhu.

Hal yang perlu dihindari

  • Hindari mengandalkan model untuk menghasilkan informasi faktual.
  • Gunakan dengan hati-hati saat mengerjakan soal matematika dan logika.

Model generatif di balik layar

Bagian ini bertujuan untuk menjawab pertanyaan - Apakah ada keacakan dalam respons model generatif, atau apakah respons tersebut deterministik?

Jawaban singkatnya - ya untuk keduanya. Saat Anda meminta model generatif, respons teks akan dihasilkan dalam dua tahap. Pada tahap pertama, model generatif memproses perintah input dan menghasilkan distribusi probabilitas atas kemungkinan token (kata) yang mungkin muncul berikutnya. Misalnya, jika Anda meminta dengan teks input " melompati ... ", model generatif akan membuat array kemungkinan kata berikutnya:

[("fence", 0.77), ("ledge", 0.12), ("blanket", 0.03), ...]

Proses ini bersifat deterministik; model generatif akan menghasilkan distribusi yang sama ini setiap kali memasukkan teks perintah yang sama.

Pada tahap kedua, model generatif mengonversi distribusi ini menjadi respons teks yang sebenarnya melalui salah satu dari beberapa strategi decoding. Strategi decoding sederhana dapat memilih token yang paling mungkin di setiap langkah waktu. Proses ini akan selalu bersifat deterministik. Namun, Anda dapat memilih untuk membuat respons dengan mengambil sampel secara acak dari distribusi yang ditampilkan oleh model. Proses ini akan bersifat stokastik (acak). Kontrol tingkat keacakan yang diizinkan dalam proses decoding ini dengan menyetel suhu. Suhu 0 berarti hanya token yang paling mungkin yang dipilih, dan tidak ada keacakan. Sebaliknya, temperatur tinggi memasukkan tingkat keacakan yang tinggi ke dalam token yang dipilih oleh model, sehingga menghasilkan respons model yang lebih tidak terduga dan mengejutkan.

Langkah berikutnya