Saat dibuka, direktori LLMBase menampilkan 837 prompt yang bisa dipakai sebagai titik awal untuk bekerja dengan ChatGPT, Claude, dan model bahasa lain. Isinya tersebar di kategori produktivitas, coding, riset akademik, image generation, AI agent, bisnis, dan pendidikan. Kamu tidak perlu membaca semuanya. Pilih kategori sesuai pekerjaan, buka template yang mendekati kebutuhan, lalu ganti konteks, format keluaran, bahasa, dan batasannya. Artikel ini merangkum cara memakai direktori tersebut, memberi 12 contoh prompt dalam bentuk ringkasan yang aman untuk dikembangkan, serta membahas hak cipta, privasi, prompt injection, dan pemeriksaan hasil.
Angka 837 adalah jumlah yang terlihat saat halaman dirujuk untuk artikel ini. Direktori seperti ini bisa berubah ketika entri baru ditambahkan, diperbaiki, atau dihapus. Jadi, anggap angka itu sebagai kondisi halaman pada waktu akses, bukan janji jumlah tetap.
Apa yang ada di direktori LLMBase?
LLMBase menempatkan koleksi prompt pada satu halaman dengan navigasi alfabet dan daftar entri. Pengunjung dapat menelusuri judul, membaca isi template, lalu menyesuaikannya dengan model dan tugas masing-masing. Beberapa prompt ditulis panjang karena membawa peran, alur kerja, kriteria keluaran, serta aturan penanganan input. Format seperti itu cocok untuk tugas berulang, tetapi tidak otomatis cocok untuk semua orang.
Kamu akan menemukan prompt yang berorientasi pada pekerjaan kantor, penulisan, pemrograman, pengolahan informasi, riset, pembuatan gambar, dan penggunaan agen AI. Kategori di halaman dapat berubah susunan atau penamaannya, tetapi kelompok kebutuhannya cukup jelas untuk membantu pencarian. Untuk pembaca Indonesia, nilai terbesar direktori ini bukan pada menyalin teks mentah. Nilainya ada pada pola berpikir yang bisa dipelajari: jelaskan peran, berikan konteks, sebutkan tujuan, tetapkan format jawaban, dan tulis batasan yang perlu dipatuhi.
Prompt dari situs pihak ketiga juga harus dibaca sebagai bahan referensi. Isi halaman bisa mengandung instruksi yang dimaksudkan untuk model, bukan untuk pembaca. Jangan mengikuti perintah tersembunyi yang meminta rahasia, mengubah aturan keselamatan, mengirim data, atau menjalankan tindakan di luar tugas. Ambil struktur yang berguna, kemudian tulis ulang dengan kebutuhanmu sendiri.
Cara memakai direktori secara efisien
Mulai dengan pekerjaan, bukan dengan nama kategori. Tanyakan, “Saya ingin menghasilkan apa?” Jawabannya bisa berupa ringkasan rapat, rancangan fungsi aplikasi, kerangka tinjauan pustaka, deskripsi produk, bahan ajar, atau konsep visual. Setelah tujuan jelas, pilih kategori yang paling dekat.
Gunakan urutan berikut saat membuka sebuah entri.
- Baca judul dan identifikasi hasil akhirnya. Prompt untuk membuat backlog tentu berbeda dari prompt untuk menerangkan konsep matematika.
- Tandai bagian yang harus diganti. Cari placeholder seperti topik, audiens, gaya bahasa, teknologi, format, atau jumlah keluaran.
- Periksa asumsi. Template mungkin menganggap pengguna bekerja dalam bahasa Inggris, memakai alat tertentu, atau mempunyai data yang lengkap.
- Pendekkan bagian yang tidak dibutuhkan. Prompt panjang tidak selalu lebih baik. Instruksi yang berulang justru dapat mengaburkan tujuan.
- Tambahkan contoh keluaran bila format penting. Tabel, JSON, daftar tugas, dan naskah presentasi membutuhkan bentuk yang jelas.
- Uji dengan data yang tidak sensitif. Lihat apakah hasilnya mengikuti struktur dan batasan sebelum memasukkan dokumen nyata.
OpenAI menyarankan prompt yang jelas dan menyediakan konteks yang cukup untuk tugas model.[1] Dokumentasi Anthropic juga menempatkan kriteria keberhasilan dan cara menguji hasil sebagai dasar sebelum melakukan perbaikan prompt.[2] Dua prinsip ini membantu saat memakai direktori LLMBase. Template adalah awal, bukan pengganti penilaian.
Untuk pekerjaan berbahasa Indonesia, tulis bahasa keluaran secara eksplisit. Sebutkan pembaca, tingkat keahlian, gaya, istilah yang dipertahankan, dan bentuk angka atau tanggal yang kamu inginkan. Jika tugasnya terkait Indonesia, masukkan konteks Indonesia. “Buat rencana pemasaran” terlalu luas. “Buat rencana pemasaran untuk kedai kopi kecil di Bandung, dengan anggaran terbatas, bahasa Indonesia semi-formal, dan tabel mingguan” memberi model arah yang lebih mudah diikuti.
Kategori yang terlihat dan kegunaannya
Produktivitas
Prompt produktivitas biasanya membantu memecah pekerjaan, menyusun prioritas, membuat agenda, merangkum rapat, atau mengubah catatan menjadi daftar tugas. Cocok untuk pekerja kantor, mahasiswa, pemilik usaha, dan siapa pun yang sering berhadapan dengan informasi berantakan.
Gunakan kategori ini ketika masalahmu adalah alur kerja. Berikan tanggal, tenggat, ketergantungan, pemilik tugas, serta definisi selesai jika kamu meminta rencana. Jangan menyerahkan keputusan penting sepenuhnya kepada model. Ia dapat menyarankan urutan, tetapi kamu yang tahu kapasitas tim, risiko, dan komitmen nyata.
Coding
Template coding dapat dipakai untuk menjelaskan fungsi, meninjau potongan kode, menemukan kemungkinan bug, menulis pengujian, atau mengubah kebutuhan menjadi pseudocode. Hasilnya perlu diperiksa di lingkungan pengembangan. Kode yang tampak rapi bisa tetap gagal karena versi pustaka, asumsi keamanan, atau detail sistem yang tidak terlihat dalam prompt.
Sertakan bahasa pemrograman, versi runtime, batasan dependensi, input, output yang diharapkan, dan contoh kasus gagal. Minta model menyatakan asumsi. Untuk perubahan pada proyek, berikan hanya berkas atau bagian yang diperlukan dan hapus rahasia dari konfigurasi.
Riset akademik
Kategori riset akademik berguna untuk menyusun pertanyaan riset, membuat kerangka tinjauan pustaka, membandingkan konsep, atau mengubah catatan menjadi tabel ekstraksi. Model tetap bukan sumber ilmiah. Ia tidak boleh dijadikan alasan untuk mengarang sitasi, DOI, temuan, atau kutipan.
Minta keluaran memisahkan fakta dari dugaan. Sediakan sumber yang sudah kamu punya, lalu minta model merangkum berdasarkan sumber itu. Periksa setiap rujukan melalui laman jurnal, repositori kampus, atau basis data yang sesuai. Untuk panduan alat riset AI lain, kamu bisa membaca panduan AI tools untuk riset, yang URL-nya tercantum di sitemap blog.
Image generation
Prompt image generation membantu merumuskan subjek, komposisi, pencahayaan, perspektif, palet warna, rasio, dan elemen yang perlu dihindari. Tulis ide visual dengan detail yang memang relevan. Jangan memasukkan identitas pribadi, foto orang tanpa izin, atau materi yang hak penggunaannya tidak jelas.
Model gambar sering salah membaca teks dalam gambar, logo, tangan, dan detail kecil. Anggap prompt sebagai arahan kreatif, lalu lakukan pemeriksaan visual. Jika hasilnya akan dipakai untuk promosi, pastikan aset, wajah, merek, dan referensi yang digunakan tidak menimbulkan masalah hak cipta atau hak publikasi.
AI agent
Prompt untuk AI agent biasanya menetapkan tujuan, alat yang boleh dipakai, urutan tindakan, kriteria berhenti, dan format laporan. Kategori ini perlu kehati-hatian lebih tinggi karena agen mungkin bukan hanya menghasilkan teks. Ia dapat membaca berkas, memanggil alat, atau mengubah sistem jika diberi akses.
Batasi izin sejak awal. Minta persetujuan sebelum menghapus, mengirim, membeli, mengubah data, atau menjalankan perintah yang berdampak. Sediakan mode simulasi jika tersedia. Catat apa yang dilakukan agen dan periksa hasilnya sebelum tindakan berikutnya. Artikel apa itu AI agent dapat dipakai sebagai bacaan lanjutan tentang perbedaan asisten dan agen.
Bisnis
Template bisnis dapat membantu membuat persona pelanggan, draf penawaran, ide konten, analisis pesaing dari data yang disediakan, atau daftar pertanyaan wawancara. Jangan memasukkan rencana yang bersifat rahasia, data pelanggan, angka penjualan yang belum boleh dibagikan, atau kontrak internal.
Jelaskan tujuan dan batasan usaha. Model dapat membantu membuat pilihan lebih mudah dibandingkan halaman kosong, tetapi keputusan harga, pajak, hukum, dan investasi perlu diperiksa dengan sumber dan tenaga profesional yang tepat. Untuk pengelolaan kerja dan bisnis dengan ChatGPT, lihat panduan ChatGPT untuk kerja dan bisnis.
Prompt pendidikan
Template pendidikan bisa dipakai untuk menyusun penjelasan bertahap, latihan, rubrik, umpan balik, atau contoh soal. Guru perlu memeriksa tingkat kesulitan, kesesuaian kurikulum, bias, dan akurasi. Siswa dapat meminta petunjuk dan pertanyaan pembimbing, bukan hanya jawaban akhir.
Tuliskan jenjang, tujuan belajar, prasyarat, dan bentuk bantuan yang boleh diberikan. Untuk anak, hindari data identitas dan gunakan layanan yang sesuai kebijakan sekolah. Jangan menilai siswa hanya dari keluaran model.
12 contoh prompt yang bisa dikembangkan
Contoh di bawah ini bukan salinan utuh dari entri LLMBase. Setiap contoh diringkas agar pembaca memahami kegunaannya, lalu dapat menulis versi yang sesuai kebutuhan.
1. Mengubah catatan rapat menjadi tugas
Minta model memisahkan keputusan, tugas, pemilik, tenggat, risiko, dan pertanyaan terbuka dari catatan rapat. Tambahkan format tabel dan instruksi untuk menandai informasi yang tidak disebutkan. Ini berguna untuk tim yang mencatat rapat dengan cepat dan perlu tindak lanjut yang mudah dibagikan.
2. Membuat rencana mingguan
Berikan daftar pekerjaan, waktu yang tersedia, prioritas, dan tenggat. Minta jadwal yang realistis, alasan urutan, serta ruang untuk pekerjaan yang muncul mendadak. Jangan minta model mengisi waktu tanpa mengetahui komitmen yang sudah ada.
3. Meninjau fungsi program
Berikan bahasa pemrograman, kode, tujuan fungsi, dan beberapa contoh input. Minta model menjelaskan asumsi, kasus tepi, risiko keamanan, dan usulan pengujian. Batasi perubahan pada saran atau patch kecil supaya kamu tetap bisa meninjau setiap baris.
4. Menulis unit test
Minta daftar pengujian dari perilaku yang diharapkan, bukan sekadar kode pengujian. Sertakan kasus normal, kosong, salah format, batas nilai, dan kegagalan dependensi jika relevan. Jalankan test secara lokal dan baca kembali hasilnya.
5. Menyusun kerangka tinjauan pustaka
Masukkan topik, ruang lingkup, pertanyaan riset, serta daftar sumber yang sudah dikumpulkan. Minta tema, perbedaan pendekatan, celah yang benar-benar didukung sumber, dan tabel bukti. Larang model membuat referensi yang tidak ada di bahan masukan.
6. Merangkum artikel untuk pembaca umum
Berikan teks sumber dan minta ringkasan berbahasa Indonesia dengan istilah teknis yang dijelaskan singkat. Minta model memisahkan klaim penulis, data, dan interpretasi. Cantumkan bagian atau paragraf sumber bila pembaca perlu menelusuri informasi.
7. Membuat konsep gambar produk
Sebutkan produk, audiens, suasana, latar, sudut kamera, warna, rasio, dan elemen yang harus dihindari. Minta beberapa variasi konsep, bukan satu instruksi sangat panjang. Setelah gambar muncul, cek teks, logo, kemiripan wajah, dan hak penggunaan aset.
8. Membuat deskripsi produk
Berikan fitur yang benar, target pembeli, kanal publikasi, panjang, dan gaya bahasa. Minta model menghindari klaim medis, jaminan hasil, atau angka yang tidak disediakan. Versi akhir harus disunting manusia agar sesuai fakta dan karakter merek.
9. Menyusun pertanyaan wawancara pelanggan
Minta pertanyaan terbuka berdasarkan tujuan riset, tahap perjalanan pelanggan, dan risiko bias. Larang pertanyaan yang menggiring jawaban. Kamu bisa menambahkan segmen pelanggan dan konteks produk untuk memperoleh pertanyaan yang lebih tajam.
10. Membuat materi belajar bertahap
Sebutkan jenjang siswa, konsep, pengetahuan awal, durasi, serta hasil belajar. Minta penjelasan, contoh, latihan, petunjuk bertahap, dan cara memeriksa pemahaman. Guru tetap perlu menilai apakah contoh dan jawaban sesuai kurikulum.
11. Meminta agen menyiapkan laporan
Tetapkan sumber yang boleh dibaca, alat yang boleh digunakan, format laporan, dan kondisi berhenti. Instruksikan agen untuk meminta persetujuan sebelum mengirim atau mengubah sesuatu. Jangan memberikan akses yang lebih luas dari kebutuhan tugas.
12. Mengubah data mentah menjadi keputusan yang bisa dibaca
Berikan tabel yang sudah dianonimkan dan definisi kolom. Minta model menemukan pola, menyebutkan data yang hilang, dan memisahkan observasi dari rekomendasi. Jangan menyuruh model mengambil keputusan final jika datanya belum lengkap.
Template atau prompt sendiri?
Pakai template ketika kamu baru mengenal suatu jenis tugas, memerlukan struktur yang konsisten, atau ingin belajar cara penulis lain memecah masalah. Template juga membantu saat beberapa orang perlu menghasilkan keluaran dengan bentuk yang mirip. Salin kerangkanya, bukan seluruh kebiasaan dan asumsi di dalamnya.
Tulis prompt sendiri ketika konteksnya unik, data bersifat rahasia, tugasnya pendek, atau template terasa lebih rumit daripada pekerjaan yang hendak diselesaikan. Prompt dua paragraf yang jelas sering cukup untuk merangkum teks. Jangan menambah aturan hanya karena template terlihat profesional.
Uji perubahan satu per satu. Jika kamu sekaligus mengganti peran, format, data, dan model, kamu akan kesulitan mengetahui bagian mana yang memperbaiki hasil. Simpan versi prompt dan beberapa contoh input. Bandingkan keluaran dengan kriteria yang sudah ditentukan. Cara ini sejalan dengan anjuran Anthropic untuk memulai dari definisi keberhasilan dan evaluasi yang dapat diuji.[2]
Hak cipta dan lisensi
Prompt dapat memuat tulisan, contoh, struktur, atau materi yang dibuat orang lain. Laman direktori tidak otomatis memberi izin untuk menerbitkan ulang semua isinya. Baca ketentuan situs, perhatikan lisensi jika dicantumkan, dan jangan mengklaim template orang lain sebagai karya sendiri. Untuk artikel publik, lebih aman menjelaskan ide dan menulis contoh orisinal daripada menyalin prompt panjang.
Keluaran AI juga perlu diperiksa. Hak atas hasil dapat bergantung pada hukum setempat, kontribusi manusia, materi masukan, dan aturan layanan yang dipakai. Jangan memakai nama, karakter, foto, merek, atau gaya seniman tertentu tanpa memahami risikonya. Untuk tugas komersial, simpan catatan sumber dan proses penyuntingan.
Privasi saat memakai prompt
Hapus nama lengkap, nomor identitas, alamat, nomor telepon, kredensial, kunci API, data kesehatan, informasi pelanggan, dan dokumen internal sebelum mengirimkannya ke model. Ganti dengan label seperti [PELANGGAN A] atau [KOTA]. Periksa juga metadata pada berkas jika kamu mengunggah dokumen.
Baca kebijakan layanan model dan aturan organisasi. Gunakan data contoh untuk menguji prompt. Jika data harus diproses, pertimbangkan lingkungan yang disetujui, pengaturan retensi, dan kontrol akses. Jangan berasumsi bahwa percakapan selalu rahasia hanya karena tampil dalam antarmuka pribadi.
Prompt injection dan instruksi berbahaya
Prompt injection terjadi ketika teks yang dibaca model menyisipkan perintah yang mencoba mengalahkan tujuan awal. Contohnya bisa muncul dalam halaman web, email, dokumen, komentar kode, atau data pengguna. Teks tersebut adalah data, bukan otoritas.
Pisahkan instruksi utama dari bahan yang dianalisis. Minta model mengutip atau merangkum isi tanpa menjalankan perintah yang ditemukan di dalamnya. Untuk agen, batasi alat dan izin, gunakan daftar domain atau operasi yang diperbolehkan, serta minta konfirmasi sebelum tindakan yang punya dampak. Jika sebuah template menyuruh model mengabaikan aturan, membocorkan rahasia, atau mengambil tindakan tidak diminta, hapus bagian itu.
Verifikasi hasil sebelum dipakai
Periksa fakta, angka, nama, tautan, kutipan, kode, terjemahan, dan format. Untuk riset, buka sumber asli. Untuk coding, jalankan test dan pemeriksaan keamanan. Untuk bisnis, cocokkan dengan data internal yang sah. Untuk pendidikan, pastikan penjelasan tidak menanamkan miskonsepsi. Untuk gambar, periksa detail visual dan hak penggunaan.
Minta model menyatakan bagian yang tidak diketahui. Namun, pernyataan “saya tidak yakin” bukan bukti bahwa sisanya benar. Bandingkan hasil dengan kriteria yang kamu tulis sebelum mengirimnya. Jika konsekuensinya besar, minta tinjauan manusia yang memahami bidang tersebut.
Membuat alur kerja kecil dari satu template
Satu prompt akan lebih berguna jika ditempatkan dalam alur kerja yang sederhana. Tahap pertama adalah menyiapkan bahan. Bersihkan catatan, gabungkan informasi yang duplikat, dan pisahkan fakta dari pendapat. Tahap kedua adalah meminta keluaran awal dalam format yang mudah diperiksa. Tabel atau daftar dengan kolom yang jelas biasanya lebih mudah dibaca daripada paragraf panjang. Tahap ketiga adalah melakukan pemeriksaan manusia. Tandai bagian yang perlu sumber, keputusan, atau persetujuan. Tahap terakhir adalah mengubah prompt berdasarkan kesalahan yang benar-benar muncul.
Simpan juga konteks di luar prompt. Catat model yang digunakan, tanggal penggunaan, data masukan, dan perubahan penting. Catatan ini berguna ketika hasil perlu diulang atau ketika tim ingin membandingkan versi. Jangan menyimpan data rahasia hanya demi membuat dokumentasi lebih lengkap. Gunakan contoh yang sudah disamarkan.
Prompt yang baik tidak harus terdengar seperti instruksi untuk robot. Kalimat yang langsung biasanya cukup. “Ringkas catatan berikut menjadi tabel keputusan dan tugas. Tandai pemilik yang belum disebutkan” sudah punya tujuan dan batasan yang jelas. Kalau hasilnya meleset, perbaiki bagian yang menyebabkan masalah. Tambahkan detail hanya ketika detail itu membantu model mengambil keputusan keluaran.
Penutup
Direktori LLMBase memberi banyak titik awal untuk pekerjaan yang berbeda. Gunakan kategori untuk mempersempit pencarian, ambil struktur yang relevan, lalu sesuaikan prompt dengan bahasa, data, dan tujuanmu. Dua hal jangan dilewati: lindungi informasi yang kamu masukkan dan periksa keluaran sebelum dipercaya. Template mempercepat langkah pertama, tetapi pemahaman terhadap tugas tetap lebih berharga daripada prompt yang panjang.
Sumber & Referensi
- LLMBase Prompt Library, halaman direktori prompt yang dirujuk untuk jumlah dan kelompok penggunaan.
- OpenAI Prompt Engineering, dokumentasi resmi tentang penyusunan prompt untuk model OpenAI.
- Anthropic Prompt Engineering Overview, dokumentasi resmi tentang kriteria keberhasilan, evaluasi, dan perbaikan prompt.
- Panduan AI tools untuk riset.
- Apa itu AI agent.
- ChatGPT untuk kerja dan bisnis.