Cara kerja LLM, cara memberi instruksi, dan cara mengisi konteksnya.
Python
Claude
OpenAI
GeminiTokenisasi, attention, dan sampling — cukup untuk tahu kenapa model menjawab seperti itu. Lalu prompt engineering yang bisa diuji, context engineering (apa yang masuk ke jendela konteks, RAG, memori), membangun dengan API, dan evaluasi. Bagian terakhir itu yang paling jarang diajarkan dan paling menentukan: hampir semua proyek LLM gagal bukan karena modelnya kurang pintar, tapi karena tidak ada yang bisa membuktikan keluarannya membaik.
Baca pelajaran gratis: Bagaimana LLM Membaca Prompt AndaSetiap modul dan pelajaran di jalur ini. Pelajaran bertanda gratis terbuka untuk semua; sisanya terbuka setelah Anda memiliki jalurnya.
Semua pelajaran di jalur ini, lengkap dengan ringkasannyaToken, 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.
Dataset evaluasi, LLM-as-judge, dan uji regresi untuk prompt — mengganti "kelihatannya bagus" dengan angka.
Halusinasi, prompt injection, dan guardrail — risiko yang harus dipahami sebelum aplikasi LLM menyentuh pengguna.
Simulasi asli dari pelajarannya — berjalan di browser Anda. Tanpa akun.
Jalur ini bagian dari jalur karier yang lebih besar. Beli seluruh jalur karier sebagai paket dan setiap jalur di dalamnya 40% lebih murah.
