TL;DR
Prompt chaining memecah tugas besar menjadi rangkaian prompt kecil yang saling bergantung — tiap output menjadi input berikutnya — alih-alih menuntut produk jadi dalam satu tarikan napas yang mustahil. Kualitas berbunga majemuk di sepanjang rantai: kesalahan tertangkap di stasiun tempat ia murah, dan tiap langkah mulai dari materi terverifikasi, bukan tebakan.
Analogi
Ada dua cara mendapatkan mobil.
Yang pertama adalah Kotak Ajaib: gudang dengan satu mesin raksasa. Bijih dan karet masuk di satu ujung; mobil jadi keluar di ujung lain. Ide yang memikat — satu langkah, nol usaha. Itu juga alasan tak pernah ada yang membangunnya. Mesin yang harus sekaligus melebur baja, meniup kaca, menjahit jok, dan mengalibrasi rem tak bisa dioptimalkan untuk satu pun, dan saat memproduksi pintu cacat, seluruh mobil jadi besi tua — karena cacatnya lahir di langkah satu dan ditemukan di langkah lima puluh.
Yang kedua adalah jalur perakitan: puluhan stasiun, masing-masing melakukan satu hal dengan sempurna. Baja di-stempel di sini, dan diperiksa sebelum bergerak. Pintu dilas di sana, dan dicek sebelum dicat. Saat cacat muncul, ia tertangkap di stasiunnya — setelah beberapa operasi, bukan setelah seluruh mobil. Kontrol kualitas bukan judi di akhir; ia terpasang di antara setiap pasang langkah. Itu bukan kelemahan jalur yang "lebih lambat" — itulah seluruh alasan mobil menjadi andal dan terjangkau.
Meminta hasil akhir kompleks dari AI dalam satu mega-prompt — "riset pasar saya, tulis laporannya, desain slidennya, dan susun draf email pengumumannya" — adalah pesanan ke Kotak Ajaib. Model harus menyulap empat keahlian sekaligus, dan tak mengoptimalkan satu pun. Lebih buruk: kesalahan yang dibuat selama fase "riset" yang tak terlihat baru muncul di email terakhir, berdandan sebagai karya jadi, dengan setiap langkah berikutnya dibangun di atas kesalahan itu.
Prompt chaining adalah Anda membangun jalur perakitannya. Stasiun kecil. Satu operasi masing-masing. Inspeksi di antara langkah. Ban berjalan antar stasiun sudah ada — percakapannya sendiri.
Cara Kerjanya
Setiap rantai produktif mengikuti tulang punggung tiga stasiun yang sama — Kumpulkan → Transformasi → Poles — diperluas dengan stasiun antara sebanyak yang dibutuhkan pekerjaan.
| Stasiun | Tugas | Contoh prompt |
|---|---|---|
| Kumpulkan | Produksi bahan mentah: fakta, opsi, riset | "Buat daftar 8 keberatan paling umum terhadap kendaraan listrik, satu baris tiapnya" |
| Transformasi | Mengubah bahan jadi struktur: kerangka, draf, skeleton | "Kelompokkan keberatan itu ke 3 tema dan buat kerangka satu bagian per tema" |
| Poles * | Menyelesaikan output satu stasiun per waktu: gaya, perketat, audit | "Tulis hanya bagian 1, 150 kata, nada percaya diri" |
Tiga mekanisme membuat rantai bekerja:
1. Setiap stasiun mewarisi segalanya. Model membaca ulang seluruh percakapan sebelum setiap balasan — itu context window, mejanya dari pelajaran dua. Langkah tiga tak butuh Anda menempel ulang kerangka dari langkah dua; ia sudah di meja, bersama keberatan dari langkah satu. Memori rantai adalah ban berjalannya. (Itu juga alasan rantai hidup di satu chat per proyek: ban hanya menghubungkan stasiun di jalur yang sama.)
2. Setiap stasiun cukup kecil untuk diverifikasi. Daftar keberatan delapan baris bisa diperiksa dalam sepuluh detik — apakah #6 benar-benar keberatan nyata? Tangkap di situ, dan kerangkanya tak pernah mewarisinya. Inilah magic kualitasnya: kesalahan berbunga majemuk di mega-prompt tapi dicegat di rantai. Anda sudah berkenalan dengan versi dua stasiunnya — Prompt Auditor persis rantai: stasiun satu menyusun draf, stasiun dua menyerang, stasiun tiga memperbaiki. Chaining menggeneralisasi ritme itu ke skala apa pun.
3. Setiap stasiun mendapat perhatian penuhnya. Model yang diminta satu hal memberikan segalanya untuk hal itu. Model yang sama diminta empat hal sekaligus sedang menegosiasikan anggaran di dalam dirinya — dan stasiun poles selalu menjadi korban pertama mega-prompt. Di jalur, setiap stasiun adalah satu-satunya pekerjaan model.
Aturan kerjanya:
Satu stasiun, satu operasi, satu inspeksi. Jika output sebuah langkah tak bisa diperiksa di bawah satu menit, stasiunnya terlalu besar — pecahkan.
Sebelum & Sesudah (Prompt)
Contoh 1 — laporan pasar
Riset pasar home-fitness dan tulis laporan lengkap 1.500 kata dengan ringkasan eksekutif, analisis kompetitor, tiga peluang pertumbuhan dengan argumen pendukung, dan kesimpulan. Buat profesional dan persuasif.
Kotak Ajaib. Yang kembali berbentuk laporan, tapi penalarannya tak terlihat — Anda tak tahu "peluang" mana yang berdiri di atas fakta yang dikarang model di bawah beban simultan itu. Saat peluang #2 ternyata kosong, Anda tak tahu risetnya yang gagal atau penulisannya. Bangun ulang dari nol.
Langkah 1: Buat daftar 5 kompetitor home-fitness utama dengan titik harga dan satu pembeda masing-masing, sebagai tabel. Jika ragu soal angka mana pun, tandai [VERIFIKASI].
Periksa tabelnya. Dua menit. Perbaiki satu [VERIFIKASI] yang penting, dan bahan mentahnya kini diketahui baik — setiap stasiun berikutnya berdiri di atasnya.
Langkah 2: Berdasarkan tabel itu, susun kerangka laporan 4 bagian: satu bagian per peluang pertumbuhan yang bisa Anda pertahankan dari data ini, plus ringkasan eksekutif. Judul bagian saja, satu baris argumen tiapnya.
Periksa kerangkanya. Apakah peluang #3 benar-benar bisa dipertahankan dari tabel, atau cuma perasaan? Matikan sekarang — sebelum prosa ada untuk membuatnya tampak lebih pintar dari aslinya.
Langkah 3: Tulis hanya ringkasan eksekutifnya — 120 kata, percaya diri, tanpa klaim yang melampaui tabel di atas.
Satu stasiun perhatian penuh, dibangun di atas struktur terverifikasi. Lalu lanjutkan menuruni jalur, satu bagian per prompt, urutan terserah Anda. Laporan finalnya bukan keberuntungan; ia stasiun terakhir dari jalur tempat setiap stasiun sebelumnya lolos inspeksi.
Contoh 2 — rencana perjalanan
Rencanakan trip 7 hari sempurna ke Portugal untuk keluarga dengan dua anak, termasuk kota, hotel, restoran, dan aktivitas harian.
Satu mega-prompt, lima keahlian (logistik, anggaran, ramah anak, ritme, kuliner), nol antara-produk yang bisa diinspeksi.
Langkah 1: Kami keluarga dengan anak usia 6 dan 9 tahun, pertama kali ke Portugal, 7 hari, anggaran menengah. Ajukan saya maksimal 5 pertanyaan — satu per satu — tentang apa pun yang mengubah rencana.
Wawancara sebagai stasiun satu: stasiun pengumpul untuk fakta yang hanya Anda pegang. Lalu:
Langkah 2: Dari jawaban saya, usulkan 3 kerangka itinerari — urutan kota dan ritme berbeda. Format tabel, satu baris per hari, tanpa detail dulu.
Tiga kerangka murah, diperiksa dalam semenit: rute Algarve-dulu gugur karena panasnya Juni yang Anda sebut di langkah satu — tertangkap di kerangka, bukan di hari keempat liburan. Baru setelah itu langkah tiga mengembangkan pemenangnya, hari demi hari, satu stasiun per hari.
Contoh 3 — lamaran kerja
Tulis cover letter untuk pekerjaan product-manager ini pakai CV saya.
Permintaan satu-napas klasik — dan alasan kebanyakan cover letter AI terdengar seperti cover letter AI milik semua orang.
Langkah 1: Dari lowongan di bawah, ekstrak 5 persyaratan yang paling mereka hargai, berurutan. Kutip lowongannya untuk tiap butir. Langkah 2: Dari CV saya, cocokkan bukti terkuat saya ke tiap persyaratan — satu baris per persyaratan, kutip CV saya. Langkah 3: Tulis cover letter hanya memakai lima pasangan di atas. 250 kata, tanpa klise, buka dengan pasangan terkuat saya.
Stasiun satu memeriksa: apakah ini benar persyaratan teratas, atau yang obvious? Stasiun dua memeriksa: apakah saya benar-benar punya buktinya, atau saya akan overclaim? Baru stasiun tiga menulis — terbatas, berpijak, dan tak dikenali dari draf default.
Kesalahan Umum
- Terlalu cepat merantai — tak pernah menginspeksi antara-produk. Rantai yang stasiunnya tak pernah diperiksa hanyalah mega-prompt lambat dengan langkah ekstra. Nilainya bukan urutannya; melainkan titik inspeksi di antara stasiun. Berhenti di setiap output: sepuluh detik sekarang, atau seluruh pembangunan ulang nanti.
- Stasiun yang diam-diam mega-prompt. "Langkah 2: tulis bagian 1 sampai 4" adalah Kotak Ajaib yang bersembunyi di jalur Anda. Satu stasiun, satu operasi — jika outputnya tak bisa diverifikasi seminut, pecahkan stasiunnya.
- Membiarkan rantai menjalar. Dua belas stasiun untuk email dua paragraf adalah seremoni, bukan craft. Rantai untuk kerja multi-tahap sungguhan; pekerjaan kecil cukup satu prompt one-shot yang terarah. Bangun jalur saat produknya beranggota; jangan saat ia satu kalimat.
- Menyebarkan rantai ke beberapa chat. Ban berjalannya adalah memori percakapan — buka chat baru untuk "langkah 3" dan mejanya kosong: tanpa kerangka, tanpa jawaban wawancara, tanpa apa pun. Satu proyek, satu chat, dari atas ke bawah.
- Memulai ulang seluruh rantai setelah satu stasiun buruk. Kerangka langkah dua yang cacat tak mengirim Anda kembali ke bijih mentah. Perbaiki output stasiun itu ("regenerasi kerangkanya, buang bagian 3") dan lanjutkan — jalur melanjutkan dari stasiun baik terakhir. Persis kecepatan perbaikan yang tak pernah ditawarkan Kotak Ajaib.
FAQ
Apa itu prompt chaining?
Prompt chaining adalah dekomposisi tugas AI besar menjadi rangkaian prompt kecil yang saling bergantung — kumpulkan, transformasi, poles — di mana output tiap langkah menjadi input langkah berikutnya dalam percakapan yang sama. Alih-alih satu mega-prompt yang menghasilkan gumpalan tak teraudit, Anda mendapat stasiun yang bisa diinspeksi dan dikoreksi individual, sehingga kesalahan tertangkap di tempat murah dan kualitas berbunga majemuk menuruni jalur.
Kenapa chaining memberi hasil lebih baik daripada satu prompt besar?
Tiga alasan berbunga majemuk: tiap langkah mendapat perhatian penuh model, bukan sebagiannya; tiap antara-produk cukup kecil untuk diverifikasi, jadi kesalahan dicegat di stasiunnya alih-alih ditemukan di produk final; dan setiap langkah hilir dibangun di atas materi yang sudah diinspeksi. Prompt Auditor — draf lalu serang — adalah bukti dua-stasiun dari prinsip yang sama.
Berapa langkah sebaiknya rantai prompt?
Sebanyak stasiun yang dibutuhkan bagian terinspeksi dari pekerjaan, dan tidak lebih. Laporan mungkin butuh lima; cover letter tiga; satu kalimat satu. Ujiannya bukan angka — melainkan apakah tiap stasiun melakukan satu operasi yang outputnya bisa Anda periksa di bawah satu menit. Saat ragu, pecahkan stasiun yang terasa terlalu besar dan hapus stasiun yang tak diinspeksi siapa pun.
Pelajaran Berikutnya
Chaining mengendalikan urutan — order di mana AI bekerja. Tapi ada dimensi kedua yang tak bisa disentuh rantai: gaya. Bagaimana membuat output model tampak persis seperti output di kepala Anda? Bukan dengan mendeskripsikannya — tapi dengan menunjukkannya. Satu contoh hasil di prompt mengunci pola lebih kuat daripada instruksi mana pun yang pernah ditulis.
Lanjut ke pelajaran berikutnya: Few-Shot Prompting
Latihan sebelum pergi: ambil hasil kerja besar berikutnya di daftar Anda dan tulis hanya stasiun satu — langkah pengumpulan — sebelum menyentuh AI. Definisikan bentuk outputnya, kirimkan, dan inspeksi yang kembali. Rasakan bedanya antara berharap produk akhirnya benar dan tahu fondasinya benar.