Template yang Bisa Kamu Salin
Sesi 4.6 · ~5 menit baca
Mulai dari Nol vs Mulai dari Template
Nulis kode dari awal butuh pengetahuan bahasa, library, dan konvensi. Memodifikasi template yang udah jalan cuma butuh tau apa yang mau kamu ubah. Bedanya besar banget. Template memungkinkan kamu menghasilkan tool yang jalan di hari pertama, meskipun kamu belum pernah nulis sebaris Python pun.
Sesi ini menyediakan empat template script. Masing-masing adalah building block dari production pipeline yang akan kamu rakit sepanjang kursus ini. Salin. Jalanin. Ubah variabelnya. Bikin rusak. Perbaiki pake AI assistant kamu. Proses itu, kalau diulang, adalah cara kamu belajar mengoperasikan pipeline.
Template itu bukan roda latihan. Developer profesional pake template, boilerplate code, dan starter kit terus-menerus. Skill-nya bukan menulis semuanya dari ingatan. Skill-nya tau template mana yang dipakai dan gimana mengadaptasinya.
Template 1: Single API Call
Building block paling sederhana. Kirim satu prompt ke satu AI model dan simpan responsnya. Setiap pipeline dimulai dari sini.
| Komponen | Fungsinya | Yang Kamu Ubah |
|---|---|---|
| Setup API client | Terhubung ke layanan AI pake API key kamu | Lokasi API key, nama model |
| System prompt | Mengatur peran dan batasan AI | Seluruh teks system prompt |
| User prompt | Task atau pertanyaan spesifik | Deskripsi task |
| Parameter | Temperature, max token, pilihan model | Nilai berdasarkan tipe konten |
| Penanganan output | Simpan respons ke file | Nama file output dan format |
Struktur script mengikuti alur yang bisa diprediksi: muat konfigurasi, bangun request, kirim, simpan hasilnya. Waktu kamu baca template pertama kali, ikuti alur ini. Abaikan syntax-nya. Ikuti logikanya.
Baca API key"] --> B["Definisikan system prompt
Definisikan user prompt"] B --> C["Atur parameter
temperature, max_tokens, model"] C --> D["Kirim API request"] D --> E{"Respons diterima?"} E -->|Ya| F["Simpan ke file output"] E -->|Ga| G["Cetak pesan error"] style A fill:#222221,stroke:#c8a882,color:#ede9e3 style B fill:#222221,stroke:#6b8f71,color:#ede9e3 style C fill:#222221,stroke:#8a8478,color:#ede9e3 style D fill:#222221,stroke:#c47a5a,color:#ede9e3 style F fill:#222221,stroke:#6b8f71,color:#ede9e3
Template 2: Batch Processor
Batch processor membaca daftar task dari file CSV dan menjalankan template single API call buat setiap baris. Kalo CSV-nya punya 20 baris, script menghasilkan 20 output. System prompt yang sama berlaku buat setiap baris, tapi user prompt berubah berdasarkan data baris tersebut.
Di sinilah skala dimulai. Daripada jalanin script sekali dan salin prompt baru, kamu definisikan semua task di spreadsheet dan biarkan script mengerjakannya. Keterlibatan manusia turun dari "per konten" menjadi "per batch."
Template 3: Output Formatter
Raw AI output itu plain text. Publishing pipeline kamu butuh HTML, markdown dengan header spesifik, atau JSON. Output formatter mengambil raw generation dan membentuk ulang. Mungkin menambah header metadata, mengonversi markdown ke HTML, menghapus formatting yang ga diinginkan, atau memecah output panjang jadi section-section.
Template ini sederhana tapi penting. Ini memisahkan generation dari formatting. Kamu bisa ubah cara konten diformat tanpa mengubah cara konten di-generate, dan sebaliknya.
Template 4: Quality Checker
Quality checker memindai file output buat masalah yang udah dikenal: frasa artefak AI ("it's important to note"), kata hedge berlebihan, section yang hilang, pelanggaran jumlah kata, dan error formatting. Hasilnya berupa laporan yang mencantumkan setiap masalah yang ditemukan.
Ini bukan pengganti review manusia. Ini pre-filter yang menangkap masalah yang jelas sebelum manusia menghabiskan waktu membaca. Kalo quality checker menemukan 15 masalah, kontennya mungkin perlu di-regenerate, bukan diedit.
| Template | Input | Output | Kapan Dipake |
|---|---|---|---|
| Single API Call | Satu prompt | Satu generation | Testing prompt, produksi konten tunggal |
| Batch Processor | CSV berisi task | Banyak generation | Produksi konten berskala |
| Output Formatter | Raw generation | Output terformat | Mempersiapkan konten buat publishing |
| Quality Checker | File teks apapun | Laporan masalah | Pre-screening sebelum review manusia |
Cara Memodifikasi Template
Proses modifikasi selalu sama. Buka template di VS Code. Baca komentar-komentarnya (setiap template seharusnya banyak komentar). Temukan variabel yang mau kamu ubah. Ubah. Jalanin script. Kalo error, paste errornya ke AI assistant kamu.
Mulai dari perubahan sekecil mungkin. Kalo template menghasilkan blog post, ubah jadi menghasilkan deskripsi produk dengan memodifikasi hanya system prompt dan user prompt. Biarkan yang lain identik. Verifikasi jalan. Baru ubah variabel berikutnya. Satu perubahan sekaligus memang lebih lambat dari mengubah semuanya sekaligus, tapi bisa di-debug. Mengubah semuanya sekaligus ga bisa.
Bacaan Lanjutan
- Prompt Engineering Guide, dokumentasi OpenAI API
- Prompt Engineering with Claude, dokumentasi Anthropic
- Tavily Python SDK, repository GitHub
Tugas
Minta AI coding assistant kamu bikin template Single API Call seperti yang dideskripsikan di atas. Ubah system prompt-nya buat generate sesuatu yang relevan dengan pekerjaan kamu. Ubah temperature ke 0.3. Jalanin. Baca komentar kodenya. Ubah temperature ke 0.8 dan jalanin lagi. Bandingkan output-nya. Sekarang kamu udah iterasi di atas kode.