Dasar Prompt Engineering
Instruksi yang jelas, contoh, penalaran bertahap, dan keluaran terstruktur — teknik yang terbukti, tanpa mantra.
- 4 pelajaran
- 58 min
- 1 simulasi
Token, embedding, attention, dan prediksi token berikutnya — mekanika yang menjelaskan hampir semua perilaku LLM.
Ini simulasi asli dari modulnya. Tanpa akun.
Judul dan ringkasan setiap pelajaran terbuka untuk umum. Isi pelajarannya terbuka setelah Anda memiliki jalurnya. Pelajaran bertanda gratis bisa dibaca utuh sekarang juga, tanpa akun.
Semua pelajaran di LLM, Prompt Engineering & Context EngineeringPrompt Anda dipotong menjadi token, diubah menjadi vektor, lalu setiap token memutuskan token lain mana yang penting. Tiga langkah itu menjelaskan kenapa prompt yang baik bekerja.
Temperature, top-p, dan kenapa pertanyaan yang sama memberi jawaban yang berbeda.
Menghitung token, memperkirakan biaya, dan apa yang terjadi ketika konteks penuh.
Kualitas, latensi, harga, dan batas konteks — cara menimbangnya untuk produk nyata.
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.