Prompt Chaining: Ketika Satu Prompt Tidak Cukup

Jika Anda pernah mencoba memadatkan seluruh proyek ke dalam satu prompt—persyaratan → solusi → rencana → risiko → dokumen akhir—Anda sudah tahu bagaimana akhirnya:

• melewatkan langkah-langkah,
• melupakan batasan,
• memberikan jawaban "percaya diri" yang tidak mudah diverifikasi,
• dan saat terjadi kesalahan, Anda tidak tahu di mana kesalahan itu terjadi.

Prompt Chaining adalah solusinya. Anggap saja seperti membangun alur kerja di mana setiap prompt adalah stasiun di jalur perakitan: satu langkah masuk, satu langkah keluar, dan output menjadi input untuk stasiun berikutnya.

Dengan kata lain: Anda tidak meminta LLM untuk melakukan "semuanya sekaligus." Anda memintanya melakukan satu hal pada satu waktu, dengan andal.

1) Apa Itu Prompt Chaining?

Prompt Chaining adalah praktik:

1. Menguraikan tugas besar menjadi sub-tugas yang lebih kecil
2. Merancang prompt khusus untuk setiap sub-tugas
3. Meneruskan output terstruktur dari satu langkah ke langkah berikutnya
4. Menambahkan langkah validasi + koreksi agar rantai tidak menyimpang

Ini pada dasarnya adalah "pola pikir microservices" yang diterapkan pada penalaran LLM.

Single Prompt vs Prompt Chaining (dalam bahasa sederhana)

| Dimensi | Single Prompt | Prompt Chaining | |----|----|----| | Kompleksitas | Baik untuk tugas sederhana, sekali jalan | Dibangun untuk alur kerja multi-langkah yang nyata | | Logika | Model menebak prosesnya | Anda mendefinisikan prosesnya | | Kontrol | Sulit diarahkan | Setiap langkah dapat diarahkan | | Debugging | "Di mana kesalahannya?" | Anda dapat menunjuk langkah yang rusak | | Batasan konteks | Mudah meluap | Memasukkan data secara bertahap, langkah demi langkah |

2) Mengapa Ini Berhasil (Alasan Sebenarnya)

LLM tidak begitu hebat dalam menangani beberapa tujuan secara bersamaan.

Minta: "Analisis persyaratan, usulkan fitur, estimasi upaya, prioritaskan, lalu tulis rencana"—dan Anda telah mengatur masalah optimisasi multi-objektif. Model biasanya akan melakukan pekerjaan yang layak pada satu objektif dan diam-diam tidak memenuhi yang lain.

Prompt Chaining mengurangi beban kognitif: satu langkah → satu output → satu kriteria keberhasilan.

3) Mekanisme Inti: Input → Proses → Output (Berulang)

Pada intinya, Prompt Chaining adalah sebuah loop:

• Input: output langkah sebelumnya + data baru apa pun
• Proses: prompt berikutnya dengan aturan + batasan format
• Output: hasil terstruktur untuk langkah berikutnya

Berikut adalah rantai sederhana yang dapat Anda visualisasikan:

flowchart LR A[Raw user feedback] --> B[Prompt 1: Extract pain points] B --> C[Prompt 2: Propose features] C --> D[Prompt 3: Prioritise & estimate effort] D --> E[Prompt 4: Write an iteration plan]

4) Empat Hal Wajib untuk Membangun Rantai yang Baik

4.1 Sub-tugas harus independen dan terhubung

• Independen: setiap langkah melakukan satu pekerjaan (tidak tumpang tindih)
• Terhubung: setiap langkah bergantung pada output sebelumnya (tidak ada langkah "mengambang")

Buruk: "Ekstrak pain points dan rancang fitur" Baik: Langkah 1 mengekstrak pain points; Langkah 2 merancang fitur berdasarkannya.

4.2 Output antara harus terstruktur

Teks bebas itu rapuh. Prompt berikutnya bisa salah baca, salah interpretasi, atau mengabaikannya.

Gunakan format terstruktur seperti JSON, tabel, atau daftar bullet dengan kunci tetap.

Contoh (JSON yang benar-benar dapat di-parse):

{  "pain_points": [   {"category": "performance", "description": "Checkout takes > 8 seconds", "mentions": 31},   {"category": "ux", "description": "Refund button hard to find", "mentions": 18},   {"category": "reliability", "description": "Payment fails with no error", "mentions": 12} ] }

4.3 Setiap prompt harus secara eksplisit "mewarisi" konteks

Jangan berasumsi model akan "mengingat apa yang Anda maksud." Dalam prompt berikutnya, rujuk secara eksplisit ke output sebelumnya:

4.4 Bangun jalur kegagalan (validasi + perbaikan)

Setiap rantai memerlukan "gerbang kualitas":

• Validasi: "Apakah output berisi semua kunci yang diperlukan? Apakah angka konsisten?"
• Perbaikan: "Jika hilang, regenerasi hanya bagian yang hilang"
• Pengaman: "Maksimal 2 percobaan ulang; jika tidak, kembalikan upaya terbaik + kesalahan"

5) Tiga Arsitektur yang Akan Anda Gunakan Di Mana-Mana

5.1 Linear Chaining: langkah tetap, tanpa cabang

Gunakan ketika: alur kerja dapat diprediksi.

Contoh: Laporan Pendapatan Bulanan UK (Linear)

Katakanlah Anda memiliki ekspor CSV dari toko e-commerce UK dan Anda ingin:

• pembersihan
• wawasan
• laporan siap manajemen

Langkah 1 — Prompt pembersihan data (menghasilkan tabel bersih atau JSON)

SYSTEM: You are a data analyst. Follow the instructions exactly. USER: Clean the dataset below. ​ Rules: 1) Drop rows where revenue_gbp or units_sold is null. 2) Flag outliers in revenue_gbp: > 3x category mean OR < 0.1x category mean. Do not delete them. 3) Add month_over_month_pct: (this_month - last_month) / last_month * 100. 4) Output as JSON array only. Each item must have:   date, category, revenue_gbp, units_sold, region_uk, outlier_flag, month_over_month_pct ​ Dataset: <PASTE DATA HERE>

Langkah 2 — Prompt wawasan (menghasilkan wawasan bullet)

SYSTEM: You are a senior analyst writing for a UK leadership audience. USER: Using the cleaned JSON below, produce insights: ​ 1) Category: Top 3 by revenue_gbp, and Top 3 by month_over_month_pct. Include contribution %. 2) Region: Top 2 regions by revenue, and biggest decline (>10%). 3) Trend: Overall trend (up/down/volatile). Explain revenue vs units relationship. ​ Output format: - Category insights: 2-3 bullets - Region insights: 2-3 bullets - Trend insights: 2-3 bullets ​ Cleaned JSON: <PASTE STEP-1 OUTPUT>

Langkah 3 — Prompt penulisan laporan (menghasilkan dokumen akhir)

SYSTEM: You write crisp internal reports. USER: Turn the insights below into a "Monthly Revenue Brief" (800–1,000 words). ​ Structure: 1) Executive summary (1 short paragraph) 2) Key insights (Category / Region / Trend) 3) Recommendations (2–3 actionable items) 4) Close (1 short paragraph) ​ Use GBP (£) formatting and UK spelling. Insights: <PASTE STEP-2 OUTPUT>

Rantai linear membosankan dengan cara terbaik: dapat diprediksi, dapat diotomatisasi, dan mudah diuji.

5.2 Branching Chaining: pilih jalur berdasarkan klasifikasi

Gunakan ketika: langkah berikutnya bergantung pada keputusan (jenis, tingkat keparahan, niat).

Contoh: Triase pesan pelanggan (Branching)

Langkah 1 mengklasifikasikan pesan:

SYSTEM: You classify customer messages. Output only the label. USER: Classify this message as one of: - complaint - suggestion - question ​ Output format: label: <one of the three> ​ Message: "My order was charged but never arrived, and nobody replied to my emails. This is ridiculous."

Kemudian Anda bercabang:

• Jika complaint → buat rencana respons insiden
• Jika suggestion → hasilkan kelayakan + penempatan roadmap
• Jika question → buat jawaban dukungan langsung

Penanganan complaint (contoh):

SYSTEM: You are a customer ops manager. USER: Create a complaint handling plan for the message below. ​ Include: 1) Problem statement 2) Actions: within 1 hour, within 24 hours, within 48 hours 3) Compensation suggestion (reasonable for UK e-commerce) Output in three sections with bullet points. ​ Message: <PASTE MESSAGE>

Rantai bercabang adalah cara Anda berhenti memperlakukan setiap input seperti masalah yang sama.

5.3 Looping Chaining: ulangi sampai Anda mencapai kondisi berhenti

Gunakan ketika: Anda perlu memproses banyak item serupa, atau menyempurnakan output secara iteratif.

Contoh: Batch-generate daftar produk (Looping)

Langkah 1 membagi daftar menjadi blok item:

SYSTEM: You format product data. USER: Split the following product list into separate blocks. ​ Output format (repeat for each item): [ITEM N] name: key_features: target_customer: price_gbp: ​ Product list: <PASTE LIST>

Langkah 2 melakukan loop di setiap blok:

SYSTEM: You write high-converting product copy. USER: Write an e-commerce description for the product below. ​ Requirements: - Hook headline ≤ 12 words - 3 feature bullets (≤ 18 words each) - 1 sentence: best for who - 1 sentence: why it's good value (use £) - 150–200 words total, UK English ​ Product: <PASTE ITEM N>

Rantai looping memerlukan aturan berhenti yang keras:

• Proses tepat N item, atau
• Coba ulang paling banyak 2 kali jika jumlah kata terlalu panjang, atau
• Berhenti jika validasi lulus

Jika tidak, Anda akan membuat infinite loop paling mahal di dunia.

6) Daftar Periksa Praktis "Jangan Menembak Diri Sendiri"

Masalah: format antara berantakan → prompt berikutnya gagal

Perbaiki: buat format tidak dapat dinegosiasikan.

Tambahkan baris seperti:

• "Output JSON saja."
• "Jika tidak bisa mematuhi, output: ERROR:FORMAT."

Masalah: model melupakan detail sebelumnya

Perbaiki: nyatakan kembali "kontrak" secara eksplisit setiap kali.

• "Gunakan array pain_points dari output sebelumnya."
• "Jangan buat kategori tambahan."

Masalah: loop tidak pernah konvergen

Perbaiki: definisikan batasan yang dapat diukur + percobaan ulang maksimal.

• "Jumlah kata ≤ 200"
• "Percobaan ulang maksimal: 2"
• "Jika masih gagal, kembalikan upaya terbaik + daftar kesalahan"

Masalah: pemilihan cabang salah

Perbaiki: perbaiki aturan klasifikasi + tambahkan pemeriksaan kedua.

Contoh:

• Complaint harus mencakup sentimen negatif DAN masalah konkret.
• Jika tidak pasti, output label: question (perlu klarifikasi).

7) Alat yang Membuat Chaining Lebih Mudah

Anda dapat menghubungkan prompt secara manual (copy/paste berfungsi), tetapi alat membantu setelah Anda melewati beberapa langkah.

• n8n / Make: alat alur kerja low-code untuk menghubungkan panggilan API, menyimpan output, memicu peringatan.
• LangChain / LangGraph: membangun rantai dengan memori, percabangan, percobaan ulang, panggilan alat, dan manajemen status.
• Redis / Postgres: menyimpan hasil antara sehingga Anda dapat melanjutkan, audit, dan menghindari panggilan berulang.
• Notion / Google Docs: sangat efektif untuk chaining "human in the loop" tahap awal.

8) Cara Meningkatkan Ini

Prompt Chaining menjadi lebih kuat ketika Anda menggabungkannya dengan:

• RAG: tambahkan langkah pengambilan di tengah rantai (misalnya, "ambil dokumen kebijakan" sebelum menyusun respons)
• Human approval gates: setujui sebelum tindakan berisiko (perubahan harga, pengembalian dana pelanggan, balasan kepatuhan)
• Langkah multi-modal: teks → brief gambar → pembuatan diagram → dokumen akhir

Kesimpulan Akhir

Prompt Chaining bukan "lebih banyak prompt." Ini adalah desain alur kerja.

Setelah Anda mulai memperlakukan prompt sebagai langkah-langkah dengan kontrak, validasi, dan jalur kegagalan, LLM Anda berhenti berperilaku seperti generator teks yang kacau dan mulai bertindak seperti rekan kerja yang dapat diandalkan—satu stasiun pada satu waktu.

Jika Anda membangun apa pun di luar demo sekali jalan, chain it.

\