hibranwar
Kursus → Modul 5: Prompt Engineering
Sesi 4 dari 10

Chain-of-Thought

Sesi 5.4 · ~5 menit baca

Pikir Dulu Sebelum Nulis

Chain-of-thought prompting minta AI bernalar langkah demi langkah sebelum menghasilkan output akhir. Daripada langsung loncat dari prompt ke prosa, AI dulu outline penalarannya: sudut pandang apa yang dia ambil, bukti apa yang mendukung, struktur apa yang dia pakai, dan argumen tandingan apa yang ada. Baru dia nulis.

Ini mencerminkan cara penulis yang kompeten bekerja. Penulis yang baik ga langsung duduk dan menghasilkan prosa jadi dari kata pertama. Penulis yang baik mikir tentang argumen, mempertimbangkan audiens, memutuskan struktur, baru menulis. Chain-of-thought memaksa AI mensimulasikan proses itu.

Chain-of-thought ga bikin AI lebih pintar. Dia bikin AI lebih terstruktur. Penalarannya mungkin mengandung error. Tapi penalaran terstruktur dengan error lebih gampang ditangkap dan diperbaiki daripada generasi ga terstruktur yang kedengarannya bagus tapi ga punya kerangka logis.

Direct Prompting vs Chain-of-Thought

Perbedaannya terlihat di struktur output, bukan cuma kualitasnya.

Aspek Direct Prompt Chain-of-Thought Prompt
Proses Prompt masuk, prosa keluar Prompt masuk, penalaran keluar, baru prosa
Struktur logis Implisit (mungkin ga ada) Eksplisit (terlihat di langkah penalaran)
Deteksi error Error tersembunyi di prosa yang lancar Error terlihat di rantai penalaran
Biaya token Lebih rendah (output saja) Lebih tinggi (penalaran + output)
Paling cocok untuk Konten simpel dan faktual Analisis, argumen, topik kompleks

Cara Prompting Chain-of-Thought

Pendekatan paling simpel adalah instruksi eksplisit. Tambahkan bagian di prompt kamu yang bilang: "Sebelum menulis artikel, outline penalaran kamu: (1) Apa argumen utamanya? (2) Bukti apa yang mendukung? (3) Argumen tandingan apa yang ada? (4) Struktur apa yang paling baik mengkomunikasikan argumen ini? Lalu tulis artikelnya berdasarkan penalaran kamu."

AI menghasilkan dua output: rantai penalaran dan konten akhir. Kamu baca rantai penalaran dulu. Kalo penalarannya cacat, kamu koreksi sebelum AI nulis kontennya. Ini menghemat waktu karena mengoreksi rantai penalaran 100 kata lebih cepat daripada menulis ulang artikel 1000 kata.

graph TD A["User prompt:
'Analisis kenapa klaim produktivitas
remote work berlebihan'"] --> B["Langkah 1: Penalaran AI"] B --> C["Argumen utama:
Riset mencampur output
dengan produktivitas"] B --> D["Bukti: 3 riset
dengan masalah metodologi"] B --> E["Argumen tandingan:
Beberapa industri memang untung"] B --> F["Struktur: masalah,
bukti, nuansa, kesimpulan"] C --> G["Langkah 2: AI menulis
artikel berdasarkan penalaran"] D --> G E --> G F --> G G --> H["Output: Artikel terstruktur
dengan fondasi logis"] style A fill:#222221,stroke:#c8a882,color:#ede9e3 style B fill:#222221,stroke:#6b8f71,color:#ede9e3 style G fill:#222221,stroke:#c47a5a,color:#ede9e3 style H fill:#222221,stroke:#6b8f71,color:#ede9e3

Kapan Chain-of-Thought Membantu (dan Kapan Ga)

Chain-of-thought menambah nilai untuk konten yang butuh argumen, analisis, atau posisi. Kalo kontennya membuat kasus untuk sesuatu, bernalar dulu menghasilkan kasus yang lebih kuat. Kalo kontennya membandingkan opsi, bernalar dulu memastikan semua opsi direpresentasikan secara adil.

Chain-of-thought kurang menambah nilai untuk konten deskriptif murni, tugas formatting, atau rangkuman faktual simpel. Kalo kamu butuh deskripsi produk atau tabel yang di-reformat, direct prompting lebih cepat dan murah.

Teknik Dua Tahap

Aplikasi lanjutan memecah chain-of-thought jadi dua API call terpisah. Call pertama menghasilkan penalaran saja. Kamu review dan koreksi penalarannya. Call kedua mengambil penalaran yang sudah dikoreksi sebagai input dan menghasilkan konten. Ini memberi kamu gerbang review manusia antara pemikiran dan penulisan.

Teknik dua tahap biayanya dua kali lipat token API tapi menangkap error struktural sebelum menyebar ke output akhir. Untuk konten berisiko tinggi (artikel terpublikasi, deliverable klien, materi kursus), biaya tambahan dijustifikasi oleh peningkatan kualitas.

Teknik API Call Titik Review Manusia Paling Cocok Untuk
Direct prompting 1 Setelah generasi Konten simpel, risiko rendah
Single-pass chain-of-thought 1 Setelah generasi (bisa cek penalaran) Konten analitis, risiko sedang
Two-pass chain-of-thought 2 Setelah penalaran DAN setelah generasi Risiko tinggi, argumen kompleks

Bacaan Lanjutan

Tugas

Ambil tugas konten yang kompleks (misalnya, "Tulis analisis kenapa klaim produktivitas remote work berlebihan"). Jalankan sekali sebagai permintaan langsung dan sekali dengan instruksi chain-of-thought ("Pertama, outline proses penalaran kamu: argumen utama, bukti pendukung, argumen tandingan, dan struktur. Lalu draft analisisnya berdasarkan penalaran kamu."). Bandingkan struktur logis kedua output. Apakah versi chain-of-thought lebih koheren? Di mana rantai penalarannya mengandung error?