Prompt Engineering untuk Automation: Dasar yang Wajib Dikuasai

Kenapa Prompt Adalah Tulang Punggung Automation

Banyak orang mengira automation AI itu soal menghubungkan node dan aplikasi. Padahal bagian yang paling menentukan hasil justru teksnya: prompt yang kamu kirim ke model. Di dalam sebuah workflow, model AI tidak sedang ngobrol santai denganmu. Dia harus mengambil keputusan yang sama, dengan format yang sama, ratusan kali sehari, tanpa kamu awasi satu per satu.

Bedanya begini. Waktu kamu chatting biasa, kamu bisa langsung mengoreksi kalau jawabannya meleset. Di dalam automation, tidak ada yang mengoreksi. Kalau prompt kabur, hasil yang kabur itu langsung diteruskan ke email pelanggan, ke database, atau ke channel tim. Satu prompt yang buruk bisa merusak seribu eksekusi.

Prompt yang baik bukan yang paling panjang, tapi yang paling tidak bisa disalahartikan.

Itulah kenapa prompt engineering adalah skill pertama yang kami tekankan sebelum masuk ke tools. Kalau kamu belum paham konsep automation secara utuh, baca dulu panduan dasar AI automation supaya gambaran besarnya jelas.

Anatomi Prompt yang Baik

Prompt yang andal punya struktur, bukan sekadar kalimat perintah. Ada enam bagian yang sebaiknya selalu ada:

1. 01Role: siapa model ini. Contoh: 'Kamu adalah asisten customer service toko online yang sopan dan ringkas.'
2. 02Context: informasi latar yang dibutuhkan. Data pelanggan, riwayat pesanan, atau aturan bisnis.
3. 03Task: satu tugas jelas. Bukan tiga tugas sekaligus.
4. 04Format: bentuk output yang kamu mau. Teks biasa, poin, atau JSON.
5. 05Constraints: batasan. Panjang maksimal, bahasa, hal yang dilarang.
6. 06Examples: satu atau dua contoh input dan output yang benar.

Bagian yang paling sering dilupakan pemula adalah Format dan Examples. Padahal dua bagian inilah yang membuat output bisa diproses langkah berikutnya secara otomatis.

Prompting di Dalam Workflow: Output Terstruktur

Di dalam automation, output dari AI hampir selalu jadi input untuk langkah berikutnya. Kalau outputnya berupa paragraf bebas, langkah berikutnya bingung membacanya. Solusinya: minta output terstruktur, biasanya dalam bentuk JSON.

Contohnya, kamu ingin memilah email masuk. Jangan minta 'tolong analisis email ini'. Minta model mengembalikan objek dengan kunci yang pasti: kategori, prioritas, dan ringkasan. Dengan begitu, di n8n atau Make kamu bisa langsung memakai field kategori untuk mengarahkan email ke tim yang tepat.

Beberapa aturan penting untuk output terstruktur:

• Sebutkan nama field secara eksplisit dan konsisten.
• Batasi nilai yang boleh muncul. Contoh: prioritas hanya boleh 'tinggi', 'sedang', atau 'rendah'.
• Minta model membalas hanya dengan JSON, tanpa kalimat pembuka.
• Sediakan nilai default kalau data tidak lengkap, misalnya kategori 'lainnya'.

Kalau kamu sedang belajar merangkai node-nya, panduan belajar n8n dari nol menunjukkan cara memasang node AI di dalam workflow nyata.

Contoh Sebelum dan Sesudah

Ini contoh nyata yang sering kami perbaiki di kelas.

Sebelum (lemah):

'Balas komplain pelanggan ini dengan sopan.'

Masalahnya: tidak ada peran, tidak ada batasan panjang, tidak ada format, dan tidak jelas bahasa apa. Hasilnya berubah-ubah setiap eksekusi.

Sesudah (kuat):

'Kamu adalah CS toko online berbahasa Indonesia yang empatik dan solutif. Konteks: pelanggan komplain karena paket telat 3 hari. Tugas: tulis satu balasan yang meminta maaf, menjelaskan solusi, dan menawarkan voucher 10 persen. Batasan: maksimal 4 kalimat, bahasa Indonesia santai tapi sopan, jangan menjanjikan pengembalian dana penuh. Kembalikan output dalam JSON dengan field balasan dan nada.'

Bedanya jelas. Versi kedua bisa dijalankan seribu kali dengan hasil yang konsisten dan langsung siap dipakai node berikutnya.

Guardrails: Menjaga AI Tetap di Jalur

Guardrails adalah pengaman supaya model tidak keluar jalur. Ini wajib untuk automation yang berjalan tanpa pengawasan.

• Batasi ruang gerak: sebutkan dengan tegas apa yang tidak boleh dilakukan model.
• Validasi output: setelah AI menjawab, tambahkan langkah cek. Kalau JSON rusak, kirim ke jalur error, jangan diteruskan.
• Sediakan jalan keluar: beri instruksi 'kalau kamu tidak yakin, balas dengan kategori butuh_review'. Lebih baik model mengaku ragu daripada mengarang.
• Uji dengan input aneh: coba masukan kosong, bahasa campur, atau data yang salah, lalu lihat apakah prompt tetap aman.

Kesalahan Umum dan Cara Memperbaikinya

• Prompt terlalu panjang dan bertele-tele: model malah bingung. Padatkan jadi instruksi yang tegas.
• Menumpuk banyak tugas dalam satu prompt: pecah jadi beberapa langkah. Satu prompt satu tugas.
• Lupa memberi contoh: tambahkan satu contoh input dan output yang benar, hasilnya langsung stabil.
• Tidak menetapkan format: selalu tentukan bentuk output, terutama kalau hasilnya masuk ke langkah otomatis.
• Tidak pernah menguji ulang: prompt itu hidup. Uji dengan data nyata dan revisi terus.

Prompt engineering adalah keterampilan yang bisa dilatih, dan dampaknya terasa langsung: automation yang lebih hemat, lebih akurat, dan lebih dipercaya klien. Kalau kamu mau belajar dari dasar dengan template siap pakai dan bimbingan terstruktur, mulai perjalananmu bareng kelas WithMi Academy. AI terbaik adalah AI yang benar-benar dipakai, dan itu dimulai dari prompt yang benar.