Cara Kerja LLM
Token, embedding, attention, dan prediksi token berikutnya — mekanika yang menjelaskan hampir semua perilaku LLM.
- 4 pelajaran
- 1j 4m
- 3 simulasi
Instruksi yang jelas, contoh, penalaran bertahap, dan keluaran terstruktur — teknik yang terbukti, tanpa mantra.
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 EngineeringMenulis prompt seperti brief untuk rekan kerja baru yang sangat pintar tapi tanpa konteks.
Memilih contoh yang mengajarkan pola, bukan yang disalin mentah-mentah.
Kapan meminta model berpikir bertahap membantu, dan kapan hanya menambah token.
JSON, skema, dan validasi supaya keluaran model bisa dipakai kode.
Token, embedding, attention, dan prediksi token berikutnya — mekanika yang menjelaskan hampir semua perilaku LLM.
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.