Cara Kerja LLM
Token, embedding, attention, dan prediksi token berikutnya — mekanika yang menjelaskan hampir semua perilaku LLM.
- 4 pelajaran
- 1j 4m
- 3 simulasi
Dataset evaluasi, LLM-as-judge, dan uji regresi untuk prompt — mengganti "kelihatannya bagus" dengan angka.
Hanya saran, tidak pernah mengunci — Anda bisa mulai di sini.
Judul dan ringkasan setiap pelajaran terbuka untuk umum. Isi pelajarannya terbuka setelah Anda memiliki jalurnya.
Semua pelajaran di LLM, Prompt Engineering & Context EngineeringSet evaluasi adalah lalu lintas Anda sendiri, dipilih dengan sengaja, dengan kriteria yang bisa diperiksa kode — bukan tiga pertanyaan yang Anda coba sebelum rilis.
Model bisa menilai jawaban model lain — asalkan rubriknya sempit, biasnya diketahui, dan kesepakatannya dengan manusia pernah diukur dengan kappa, bukan sekadar persentase.
Prompt adalah kode tanpa compiler. Taruh di repositori, jalankan set evaluasi pada setiap perubahan, dan blokir rilis ketika kasus yang tadinya lulus berubah gagal.
Token, embedding, attention, dan prediksi token berikutnya — mekanika yang menjelaskan hampir semua perilaku LLM.
Instruksi yang jelas, contoh, penalaran bertahap, dan keluaran terstruktur — teknik yang terbukti, tanpa mantra.
Apa yang masuk ke jendela konteks, dari mana asalnya, dan dalam urutan apa — keterampilan inti membangun aplikasi LLM.
Memanggil API, streaming, tool calling, caching, dan mengendalikan biaya serta latensi di produksi.