Cara Menulis Prompt yang Konsisten untuk Automation

Prompt yang digunakan untuk mengobrol dengan AI dan prompt yang ditanam di dalam workflow automation sebenarnya memiliki kebutuhan yang berbeda. Di jendela chat, ketika jawaban AI melenceng, pengguna masih bisa mengoreksi dengan kalimat seperti, "bukan begitu, maksud saya...". Dalam pipeline otomatis, tidak ada orang yang mengawasi setiap respons.

Ketika prompt dijalankan ratusan atau ribuan kali, satu keluaran yang tidak sesuai dapat masuk ke spreadsheet, terkirim kepada pelanggan, atau bahkan memicu cabang workflow yang salah. Karena itu, membuat prompt untuk automation lebih dekat dengan menulis kode daripada sekadar menyusun kalimat.

Format keluaran harus jelas, kasus tepi perlu diuji, dan perubahan prompt sebaiknya memiliki versi yang dapat dilacak. Empat langkah berikut dapat menjadi dasar untuk membuat prompt yang lebih stabil di dalam pipeline AI.

Perbedaan Prompt Chat dan Prompt Automation

Ada setidaknya tiga perbedaan yang perlu diperhatikan ketika prompt dipindahkan dari percakapan ke workflow.

Pertama, tidak ada koreksi langsung dari manusia. Jawaban yang ambigu mungkin masih bisa diperbaiki dalam percakapan, tetapi dalam pipeline jawaban tersebut langsung diteruskan ke proses berikutnya.

Kedua, format keluaran harus konsisten. Node berikutnya mungkin membutuhkan JSON dengan struktur tertentu. Kalimat tambahan seperti "Tentu! Berikut hasilnya:" yang tidak bermasalah dalam chat dapat membuat proses parsing gagal.

Ketiga, skala memperbesar dampak kesalahan. Kegagalan 2 persen mungkin tidak terasa ketika workflow dijalankan 10 kali. Pada 1.000 eksekusi, angka yang sama berarti sekitar 20 hasil yang berpotensi bermasalah.

Karena itu, prompt dalam pipeline sebaiknya diperlakukan sebagai bagian dari sistem, bukan sekadar instruksi kepada model.

Langkah 1: Tentukan Format Output yang Bisa Diproses Mesin

Aturan pertama adalah menentukan bentuk keluaran secara eksplisit. Jangan hanya meminta AI menghasilkan jawaban yang "rapi". Tentukan struktur yang harus dikembalikan dan apa saja yang boleh muncul di dalamnya.

Jawab HANYA dengan JSON valid, persis berformat:
{"kategori": "A|B|C", "ringkasan": "maksimal 20 kata"}

Tanpa teks pembuka, tanpa penutup, tanpa pagar kode.

Untuk pilihan tertentu, gunakan daftar nilai yang tertutup. Daripada meminta model "menentukan kategori yang sesuai", berikan pilihan seperti A, B, atau C.

Berikan juga jalan keluar yang valid untuk kasus yang memang tidak dapat ditentukan. Misalnya, gunakan nilai TIDAK_DIKETAHUI. Tanpa opsi tersebut, model dapat mencoba memberikan jawaban meskipun informasi yang tersedia tidak cukup.

Di sisi workflow, validasi tetap diperlukan. Hasil dari model sebaiknya diparse dan diperiksa sebelum diteruskan ke node berikutnya. Jika struktur tidak sesuai, arahkan ke cabang error atau proses karantina. Prompt yang baik tetap tidak menjamin setiap keluaran akan selalu sempurna.

Pola tersebut juga dapat diterapkan menggunakan pendekatan error handling di n8n.

Langkah 2: Gunakan Contoh untuk Mengarahkan Output AI

Instruksi panjang tidak selalu lebih efektif. Dalam banyak kasus, satu contoh konkret dapat menjelaskan pola yang diinginkan dengan lebih jelas daripada beberapa paragraf instruksi.

Teknik ini dikenal sebagai few-shot prompting, yaitu memberikan beberapa pasangan contoh input dan output di dalam prompt:

Contoh:

Masukan:
"brgnya blm nyampe padahal udh transfer kmrn"

Keluaran:
{"kategori": "PENGIRIMAN", "ringkasan": "barang belum tiba setelah pembayaran kemarin"}

Masukan:
"mau tanya ini bisa COD ga ya"

Keluaran:
{"kategori": "PERTANYAAN_UMUM", "ringkasan": "menanyakan opsi COD"}

Contoh yang digunakan sebaiknya mewakili data sebenarnya. Jangan hanya memasukkan contoh yang penulisannya rapi. Jika data produksi sering berisi singkatan, typo, bahasa campuran, atau kalimat tidak lengkap, sebagian kondisi tersebut juga perlu muncul dalam contoh.

Contoh untuk kasus sulit juga penting. Misalnya, satu contoh yang menghasilkan TIDAK_DIKETAHUI dapat menunjukkan kepada model kapan harus berhenti mengambil kesimpulan daripada hanya memberikan instruksi "jangan mengarang".

Langkah 3: Uji Prompt dengan Kasus yang Tidak Ideal

Prompt yang hanya diuji menggunakan contoh normal biasanya terlihat lebih baik daripada kondisi sebenarnya. Pengujian yang lebih berguna justru menggunakan data yang tidak mudah diprediksi.

Siapkan sekitar 20–30 kasus pengujian yang mencakup kondisi seperti:

• teks kosong;
• input hanya satu kata;
• emoji;
• bahasa campuran;
• teks yang sangat panjang;
• input yang mencoba mengubah instruksi model;
• pertanyaan ambigu;
• informasi yang memang tidak cukup untuk menentukan jawaban.

Jika memungkinkan, gunakan data historis dari workflow yang sebenarnya. Di n8n, kumpulan kasus tersebut dapat dimasukkan ke workflow pengujian menggunakan node Split, kemudian hasil setiap percobaan dicatat ke spreadsheet atau sistem penyimpanan lain untuk diperiksa.

Kumpulan pengujian tersebut sebaiknya tidak dianggap sebagai pekerjaan sekali selesai. Ketika ditemukan kasus baru yang menyebabkan workflow gagal di produksi, masukkan kasus tersebut ke dalam dataset pengujian. Prompt versi berikutnya kemudian harus melewati kumpulan pengujian yang sama.

Pola ini pada dasarnya menjadi regression test untuk prompt.

Langkah 4: Versikan Prompt Seperti Kode

Prompt yang hanya diedit langsung di node produksi sulit dilacak ketika hasilnya berubah. Masalahnya bukan hanya ketika prompt menjadi lebih baik, tetapi juga ketika perubahan kecil justru membuat workflow sebelumnya rusak.

Solusi minimumnya tidak harus rumit. Simpan prompt di lokasi yang memiliki riwayat perubahan, berikan nomor versi, dan catat alasan setiap perubahan.

v1 — prompt awal
v2 — tambah validasi kategori
v3 — tambah TIDAK_DIKETAHUI untuk input ambigu
v4 — perbaiki output JSON

Sebelum versi baru digunakan di produksi, jalankan kembali kumpulan pengujian pada langkah sebelumnya. Dengan cara ini, perubahan prompt dapat dibandingkan berdasarkan hasil, bukan sekadar berdasarkan perasaan bahwa versi baru "terlihat lebih bagus".

Kebiasaan ini juga berguna ketika model diganti. Misalnya, workflow berpindah dari satu model API ke model lokal melalui Ollama. Dataset pengujian yang sama dapat digunakan untuk melihat apakah prompt lama masih menghasilkan output yang sesuai.

Kapan Prompt Sebaiknya Dipecah Menjadi Dua Tahap?

Tidak semua masalah dapat diselesaikan dengan menambahkan instruksi ke prompt. Ada titik ketika prompt yang semakin panjang justru membuat tugas menjadi semakin sulit.

Contohnya, satu prompt meminta model membaca pesan, menentukan kategori, menilai tingkat urgensi, merangkum isi, mengambil data tertentu, lalu menghasilkan JSON. Semakin banyak pekerjaan yang ditumpuk, semakin banyak kemungkinan instruksi saling berinteraksi.

Salah satu tandanya adalah hasil pengujian berubah-ubah setiap kali prompt direvisi. Menambahkan satu aturan memperbaiki kasus A, tetapi justru merusak kasus B.

Pada kondisi seperti ini, solusinya bisa berupa perubahan arsitektur. Pecah pekerjaan menjadi beberapa tahap yang lebih sederhana:

Input
  ↓
Klasifikasi
  ↓
Ekstraksi / Pengolahan
  ↓
Output terstruktur

Alih-alih meminta satu model melakukan semuanya sekaligus, setiap tahap memiliki tugas yang lebih spesifik. Pola dua tahap seperti ini juga digunakan dalam otomasi klasifikasi tiket dengan AI di n8n.

Dalam pipeline AI, dua prompt yang sederhana dan stabil sering kali lebih mudah dipelihara daripada satu prompt yang sangat panjang tetapi rapuh.

Prompt dalam Automation Adalah Bagian dari Sistem

Ketika AI hanya digunakan untuk percakapan, prompt dapat diperlakukan sebagai instruksi yang fleksibel. Ketika AI menjadi bagian dari workflow, cara berpikir tersebut perlu berubah.

Output harus memiliki kontrak yang jelas, kasus ekstrem perlu diuji, hasil perlu divalidasi, dan perubahan prompt perlu dapat dilacak. Dengan pendekatan tersebut, prompt bukan lagi sekadar kalimat untuk mendapatkan jawaban dari AI, tetapi menjadi salah satu komponen yang menentukan bagaimana sebuah sistem bekerja.

Prinsip-prinsip kecil ini menjadi semakin penting ketika workflow dijalankan terus-menerus dan hasil AI langsung terhubung dengan sistem bisnis. Jika Anda ingin membangun AI automation dengan pipeline yang terstruktur dan dapat dipelihara, hubungi Clovertechno untuk membahas kebutuhan dan arsitekturnya.