Arsitektur Prompt Berlapis: Cara Mendesain Sistem Instruksi yang Konsisten untuk Kebutuhan Kerja

Mengapa Prompt Mulai Membutuhkan Arsitektur?

Sebagai seseorang yang setiap hari menulis, menyunting, mengelola informasi, dan berhadapan dengan pekerjaan berulang, saya menemukan satu persoalan praktis ketika menggunakan AI: prompt yang berhasil hari ini belum tentu menghasilkan keluaran yang sama konsistennya ketika digunakan untuk kebutuhan berbeda.

Masalah tersebut semakin terlihat ketika AI digunakan oleh sebuah tim. Satu orang mungkin meminta artikel dengan bahasa formal, sementara anggota tim lainnya membutuhkan ringkasan, analisis dokumen, klasifikasi informasi, atau draf laporan.

Jika setiap pekerjaan dimulai dengan prompt baru dari nol, instruksi akan semakin sulit dipelihara. Aturan penting juga mudah terlupakan.

Di sinilah konsep arsitektur prompt berlapis menjadi relevan.

Google menyediakan materi Prompt Engineering yang membahas teknik menyusun instruksi untuk model generatif. OpenAI juga menyediakan panduan prompt engineering untuk membantu pengembang merancang instruksi secara lebih terstruktur.

Prompt yang baik bukan sekadar pertanyaan yang panjang. Prompt yang efektif memiliki tujuan, konteks, batasan, dan format keluaran yang dapat dipahami dengan jelas.

Alih-alih memasukkan seluruh aturan ke dalam satu blok instruksi, pendekatan berlapis memisahkan instruksi berdasarkan fungsi dan tingkat kepentingannya.

Pembaca dapat langsung menuju bagian [struktur arsitektur prompt](#struktur-dasar-arsitektur-prompt-berlapis) atau [pengujian prompt](#menguji-dan-mengevaluasi-konsistensi-prompt).

Struktur Dasar Arsitektur Prompt Berlapis

Arsitektur prompt dapat dianalogikan dengan struktur kebijakan dalam sebuah organisasi. Ada aturan umum yang berlaku untuk semua pekerjaan, kemudian terdapat aturan khusus untuk departemen, tugas, dan keluaran tertentu.

Dalam praktiknya, struktur sederhana dapat dibagi menjadi beberapa lapisan:

1. Tujuan sistem.
2. Aturan umum.
3. Konteks pekerjaan.
4. Instruksi tugas.
5. Data masukan.
6. Format keluaran.
7. Kriteria validasi.

Setiap lapisan memiliki fungsi berbeda.

Sebagai contoh, aturan umum dapat menetapkan bahwa model tidak boleh mengarang sumber. Lapisan tugas kemudian meminta model meringkas sebuah laporan. Sementara lapisan keluaran menentukan bahwa ringkasan harus terdiri dari lima poin.

Lapisan Pertama: Tujuan dan Aturan Utama

Lapisan pertama menjelaskan fungsi sistem secara keseluruhan.

Contohnya:

Tujuan: Membantu tim editorial mengolah informasi menjadi konten yang akurat, ringkas, dan mudah diverifikasi.

Aturan utama kemudian dapat meliputi:

• Jangan membuat fakta yang tidak tersedia dalam sumber.
• Tandai informasi yang belum dapat diverifikasi.
• Pertahankan nama, angka, dan tanggal penting.
• Pisahkan fakta dari interpretasi.
• Gunakan format keluaran yang telah ditentukan.

Aturan seperti ini sebaiknya tidak perlu ditulis ulang setiap kali pekerjaan baru diberikan.

Sumber: Google Developers — Prompt Engineering | https://developers.google.com/machine-learning/resources/prompt-eng

Memisahkan Konteks dari Instruksi Tugas

Salah satu cara membuat prompt lebih mudah dikelola adalah memisahkan konteks dan perintah.

Konteks menjelaskan situasi.

Instruksi menjelaskan apa yang harus dilakukan.

Sebagai contoh:

Konteks: Dokumen berikut merupakan laporan performa pemasaran digital selama kuartal pertama.

Instruksi: Identifikasi tiga perubahan terbesar dalam biaya akuisisi pelanggan dan jelaskan kemungkinan faktor yang perlu diperiksa.

Pemisahan seperti ini membantu membuat struktur prompt lebih mudah dibaca dan diperbarui.

Panduan Anthropic mengenai prompt engineering juga membahas pendekatan untuk meningkatkan efektivitas instruksi pada model AI.

Gunakan Pembatas yang Jelas

Ketika prompt berisi instruksi sekaligus data dalam jumlah besar, gunakan struktur yang membedakan keduanya.

Misalnya:

INSTRUKSI

Ringkas dokumen menjadi lima poin utama.

DOKUMEN

Isi dokumen ditempatkan pada bagian ini.

FORMAT OUTPUT

• Temuan utama
• Data pendukung
• Risiko
• Informasi yang perlu diverifikasi

Struktur tersebut membantu membedakan data yang harus dianalisis dari instruksi yang harus diikuti.

Untuk workflow yang kompleks, pemisahan juga mempermudah tim mengganti data tanpa mengubah aturan utama.

Mendesain Prompt Modular untuk Berbagai Pekerjaan

Salah satu keuntungan terbesar arsitektur berlapis adalah kemampuan membuat modul instruksi yang dapat digunakan kembali.

Bayangkan sebuah perusahaan memiliki lima pekerjaan rutin:

• Membuat ringkasan rapat.
• Menyusun laporan mingguan.
• Mengklasifikasikan pertanyaan pelanggan.
• Meninjau artikel.
• Menganalisis data pemasaran.

Kelima pekerjaan tersebut tidak membutuhkan prompt yang sepenuhnya berbeda.

Beberapa aturan dapat digunakan bersama, misalnya:

• Jangan mengarang informasi.
• Pertahankan angka penting.
• Tandai ketidakpastian.
• Gunakan bahasa profesional.
• Pisahkan data dengan interpretasi.

Setelah aturan umum dibuat, setiap pekerjaan hanya membutuhkan modul tugasnya sendiri.

Contoh Struktur Modular

Struktur sederhana dapat dibuat seperti berikut:

1. Core instruction — aturan yang selalu berlaku.
2. Role context — konteks fungsi atau departemen.
3. Task instruction — pekerjaan yang harus dilakukan.
4. Input data — materi yang diproses.
5. Output schema — bentuk jawaban.
6. Validation rule — pemeriksaan sebelum hasil diberikan.

Keuntungan pendekatan tersebut adalah perubahan dapat dilakukan pada satu lapisan tanpa harus menulis ulang keseluruhan sistem.

Misalnya, perusahaan ingin semua laporan mencantumkan tingkat keyakinan terhadap data. Aturan tersebut cukup ditambahkan pada modul validasi atau keluaran.

Modularitas membuat prompt lebih mudah dipelihara ketika jumlah workflow bertambah.

Sumber: OpenAI — Prompt Engineering Guide | https://platform.openai.com/docs/guides/prompt-engineering

Menentukan Format Output Sejak Awal

Kesalahan umum dalam penggunaan AI adalah memberikan instruksi sangat rinci mengenai pekerjaan tetapi terlalu sedikit menjelaskan bentuk hasil yang diharapkan.

Padahal, format output sangat menentukan konsistensi.

Bandingkan instruksi berikut:

"Analisis data penjualan ini."

dengan:

"Analisis data penjualan dan berikan output berupa tiga temuan utama, data pendukung untuk setiap temuan, kemungkinan penyebab, dan dua tindakan yang perlu dievaluasi."

Instruksi kedua memiliki definisi hasil yang lebih jelas.

Format dapat berupa:

• Paragraf.
• Daftar poin.
• Tabel.
• JSON.
• Markdown.
• Kategori tertentu.
• Skor.
• Kombinasi beberapa struktur.

Jangan Membuat Format Terlalu Rumit

Struktur memang membantu, tetapi terlalu banyak aturan juga dapat meningkatkan kompleksitas.

Jika sebuah tugas hanya membutuhkan ringkasan sederhana, tidak perlu membuat puluhan kategori.

Gunakan prinsip:

Format harus cukup ketat untuk menjaga konsistensi, tetapi cukup fleksibel untuk menampung informasi yang relevan.

Ketika output akan diproses oleh aplikasi lain, struktur yang konsisten menjadi lebih penting. Sebaliknya, pekerjaan kreatif biasanya membutuhkan ruang lebih besar untuk variasi.

Menguji dan Mengevaluasi Konsistensi Prompt

Prompt yang terlihat bagus belum tentu bekerja dengan baik pada semua input.

Karena itu, prompt perlu diuji menggunakan beberapa contoh.

Buat kumpulan data pengujian yang mencakup:

• Input normal.
• Input sangat pendek.
• Input sangat panjang.
• Informasi yang tidak lengkap.
• Data yang bertentangan.
• Kasus dengan angka.
• Kasus yang membutuhkan penolakan atau klarifikasi.

Kemudian bandingkan hasilnya berdasarkan kriteria yang telah ditentukan.

Buat Rubrik Evaluasi

Rubrik sederhana dapat menggunakan indikator:

1. Akurasi — apakah informasi sesuai sumber?
2. Kelengkapan — apakah bagian penting tercakup?
3. Konsistensi — apakah format selalu sama?
4. Relevansi — apakah hasil menjawab tugas?
5. Kejelasan — apakah jawaban mudah dipahami?
6. Kepatuhan — apakah batasan instruksi dipatuhi?

Tim kemudian dapat memberikan skor untuk setiap indikator.

Pendekatan tersebut membantu mengurangi keputusan berdasarkan kesan seperti "prompt ini terasa lebih bagus" dan menggantinya dengan evaluasi yang lebih sistematis.

Sumber: Anthropic — Prompt Engineering Overview | https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview

Mengelola Versi Prompt Seperti Dokumen Kerja

Prompt yang digunakan dalam proses bisnis sebaiknya tidak dianggap sebagai teks sekali pakai.

Ketika prompt menjadi bagian dari workflow, perubahan kecil dapat memengaruhi banyak hasil.

Karena itu, prompt dapat dikelola menggunakan prinsip version control.

Misalnya:

• Prompt v1.0 — versi awal.
• Prompt v1.1 — memperjelas format output.
• Prompt v1.2 — menambahkan aturan validasi sumber.
• Prompt v2.0 — perubahan besar pada struktur tugas.

Setiap perubahan sebaiknya memiliki catatan singkat mengenai alasan pembaruan.

Dokumentasikan Tujuan Setiap Perubahan

Jangan hanya mencatat apa yang berubah.

Catat juga mengapa perubahan dilakukan.

Contohnya:

Perubahan: Menambahkan instruksi untuk mempertahankan tanggal dalam ringkasan.

Alasan: Pengujian menunjukkan model beberapa kali menghilangkan tanggal penting.

Hasil yang diharapkan: Semua tanggal yang relevan tetap muncul dalam output.

Dokumentasi seperti ini menjadi sangat berguna ketika prompt dikelola oleh beberapa orang.

Menambahkan Lapisan Validasi dan Human Review

Tidak semua pekerjaan sebaiknya berhenti ketika AI menghasilkan jawaban.

Untuk pekerjaan yang berdampak pada publikasi, keuangan, hukum, keamanan, atau keputusan penting lainnya, proses human review tetap relevan.

NIST menyediakan AI Risk Management Framework sebagai kerangka untuk membantu organisasi mengelola berbagai risiko yang berkaitan dengan penggunaan kecerdasan buatan.

Dalam konteks prompt, prinsip pengelolaan risiko dapat diterjemahkan menjadi proses sederhana:

1. Tentukan jenis pekerjaan.
2. Identifikasi risiko jika output salah.
3. Tentukan bagian yang dapat diotomatisasi.
4. Tentukan bagian yang harus diperiksa manusia.
5. Dokumentasikan hasil pemeriksaan.
6. Perbaiki prompt jika ditemukan pola kesalahan.

Semakin besar dampak sebuah output, semakin penting mekanisme validasi yang mengikuti proses generasinya.

Lapisan pemeriksaan tersebut sangat penting ketika AI menjadi bagian dari proses bisnis yang digunakan secara berulang.

Sumber: NIST — AI Risk Management Framework | https://www.nist.gov/itl/ai-risk-management-framework

Membangun Governance untuk Prompt Organisasi

Ketika AI hanya digunakan oleh satu orang, pengelolaan prompt relatif sederhana. Tantangannya meningkat ketika puluhan anggota tim menggunakan sistem yang sama.

Organisasi perlu menentukan:

• Siapa yang boleh mengubah prompt utama?
• Siapa yang menguji versi baru?
• Bagaimana perubahan didokumentasikan?
• Data apa yang boleh dimasukkan?
• Output mana yang membutuhkan pemeriksaan?
• Bagaimana kesalahan dilaporkan?
• Kapan prompt perlu dievaluasi ulang?

Governance bukan berarti membuat proses menjadi lambat. Tujuannya adalah memastikan bahwa perubahan dapat ditelusuri dan risiko dapat dikelola.

OECD menyediakan sumber mengenai Artificial Intelligence yang membahas kebijakan dan prinsip AI dalam konteks yang lebih luas.

Bagi perusahaan yang mulai memperluas penggunaan AI, pembahasan McKinsey mengenai perkembangan adopsi AI juga dapat digunakan sebagai referensi tambahan mengenai bagaimana organisasi mengintegrasikan teknologi AI ke aktivitas bisnis.

Dari Prompt Tunggal Menuju Sistem Instruksi

Prompt engineering sering dimulai dengan eksperimen sederhana: menulis instruksi, melihat hasil, kemudian memperbaiki kata-katanya.

Pendekatan tersebut tetap berguna. Namun, ketika AI mulai menjadi bagian dari workflow rutin, tantangannya berubah.

Pertanyaannya bukan lagi:

"Bagaimana membuat satu prompt yang bagus?"

Melainkan:

"Bagaimana membuat sistem instruksi yang tetap konsisten ketika tugas, pengguna, dan data berubah?"

Arsitektur prompt berlapis menawarkan salah satu pendekatannya.

Dengan memisahkan tujuan, aturan, konteks, tugas, input, format output, dan validasi, perusahaan dapat membuat prompt yang lebih mudah dipahami dan dipelihara.

Modularitas memungkinkan instruksi digunakan kembali. Pengujian membantu menemukan kelemahan. Version control membuat perubahan dapat ditelusuri. Sementara human review membantu mengurangi risiko ketika hasil AI digunakan dalam pekerjaan yang memiliki konsekuensi lebih besar.

Pada akhirnya, kualitas penggunaan AI tidak hanya ditentukan oleh model yang digunakan. Cara organisasi mendesain, menguji, mendokumentasikan, dan mengevaluasi instruksi juga memiliki peran penting.

Arsitektur prompt yang baik bukan berarti membuat prompt sepanjang mungkin. Sistem yang baik justru membuat setiap aturan memiliki tempat dan tujuan yang jelas.

Dengan pendekatan tersebut, prompt berubah dari sekadar teks instruksi menjadi bagian dari infrastruktur kerja digital yang dapat dikembangkan secara bertahap.