Model bahasa besar sering kali kewalahan saat Anda meminta mereka melakukan terlalu banyak hal sekaligus. Masukkan PDF lima puluh halaman ke dalam jendela obrolan dan minta analisis terstruktur, penilaian risiko, serta ringkasan eksekutif dalam satu waktu. Hasilnya biasanya dangkal, membingungkan, atau salah total. Pendekatan yang lebih baik bersifat mekanis. Bagi tugas menjadi tahapan-tahapan terpisah. Masukkan output dari tahap pertama langsung ke tahap kedua, dan seterusnya. Anthropic menyebut pola ini sebagai prompt chaining. Google menyebutnya sebagai sequential pipeline. Kedua nama tersebut mendeskripsikan hal yang sama: lini perakitan di mana setiap stasiun menangani satu transformasi spesifik.
Seperti Apa Bentuknya dalam Praktik
Alih-alih satu prompt raksasa, Anda membangun serangkaian langkah kecil yang terfokus. Bayangkan tim kepatuhan yang memproses penilaian keamanan vendor. Langkah pertama mengekstrak teks mentah dari PDF hasil pemindaian. Langkah kedua mengidentifikasi setiap penyebutan standar enkripsi dan kontrol akses. Langkah ketiga memetakan temuan tersebut terhadap daftar periksa internal. Langkah keempat menyusun memo singkat untuk pimpinan keamanan. Satu agen mengubah PDF menjadi teks. Agen berikutnya mengambil data spesifik dari teks tersebut. Agen terakhir menulis ringkasan berdasarkan data tersebut. Tidak ada dari langkah-langkah ini yang mewah, dan tidak ada yang melakukan multitasking. Setiap bagian melakukan satu pekerjaan dengan baik.
Inilah mengapa metafora lini perakitan tetap relevan. Di pabrik, satu pekerja tidak merakit seluruh mobil. Spesialisasi menjaga kualitas tetap tinggi dan meminimalkan kemungkinan kegagalan. Logika yang sama berlaku untuk model bahasa. Prompt yang hanya meminta ekstraksi JSON lebih kecil kemungkinannya untuk berhalusinasi dibandingkan prompt yang juga meminta opini dan pemformatan dalam permintaan yang sama.
Bangun Gerbang, Bukan Tebakan
Titik terlemah dalam rantai apa pun adalah proses serah terima (handoff). Sebuah model mungkin memberikan penolakan yang sopan, potongan markdown alih-alih JSON, atau respons yang terpotong. Jika sampah tersebut mengalir ke langkah kedua, seluruh rantai akan runtuh. Solusinya adalah sebuah gerbang (gate).
Gerbang bukanlah sebuah panggilan model. Itu adalah kode sederhana. Anda menulis skrip pendek yang berjalan di antara langkah-langkah. Skrip tersebut mungkin memeriksa panjang output untuk memastikan tidak kosong. Skrip tersebut mungkin menjalankan validasi skema JSON untuk memastikan kunci (keys) sesuai dengan apa yang diharapkan langkah ketiga. Pemeriksaan regex dapat memverifikasi apakah alamat email atau kolom tanggal benar-benar ada sebelum prompt berikutnya dibuat. Ini menghentikan kesalahan sebelum Anda membuang uang untuk output yang buruk. Sebuah gerbang hanya memakan mikrodetik komputasi. Sebuah panggilan LLM hilir (downstream) yang gagal memakan token, latensi, dan kewarasan Anda.
Anggaplah ini sebagai titik pemeriksaan kualitas di lantai pabrik. Anda tidak butuh AI untuk menghitung barang. Anda butuh penggaris.
Kapan Harus Melakukan Chaining, dan Kapan Harus Berhenti
Prompt chaining bukan solusi yang tepat untuk setiap masalah. Gunakan saat pekerjaan memiliki langkah-langkah yang tetap dan dapat diulang. Laporan keuangan bulanan, peninjauan kontrak standar, dan pipeline analisis log adalah contoh yang baik. Jika Anda dapat menulis prosedurnya sebagai daftar periksa, Anda mungkin bisa melakukan chaining. Anda juga sebaiknya menggunakan chaining saat membutuhkan akurasi tinggi untuk pekerjaan yang kompleks. Memecah masalah menjadi beberapa tahap memaksa model untuk menangani satu lapisan logis pada satu waktu. Terakhir, rantai (chains) lebih mudah didebug daripada prompt monolitik. Ketika ringkasannya salah, Anda memeriksa ekstraksinya. Ketika ekstraksinya salah, Anda memeriksa teks sumbernya. Anda memiliki artefak perantara untuk diperiksa.
Hindari prompt chaining jika Anda tidak mengetahui langkah-langkahnya sebelumnya. Penelitian eksploratif, brainstorming terbuka, atau tugas investigasi tidak mengikuti garis lurus. Lewati juga jika kecepatan adalah satu-satunya prioritas Anda. Rantai bersifat serial; langkah kedua tidak dapat dimulai sampai langkah pertama selesai. Jika langkah-langkah Anda tidak saling bergantung, jalankanlah secara paralel sebagai gantinya. Tidak ada alasan untuk melakukan chaining pada tiga terjemahan independen dari dokumen yang sama.
Jebakan Kekakuan
Imbal balik dari semua struktur ini adalah kekakuan. Rantai yang tetap tidak dapat beradaptasi dengan situasi baru. Jika vendor mengirimkan formulir dengan enam kolom dan gerbang validasi skema Anda mengharapkan lima, lini tersebut akan berhenti. Jika pengguna mengunggah dokumen Word alih-alih PDF, langkah pertama akan rusak dan sisa rantai tidak memiliki bahan untuk diproses.
Lebih buruk lagi, kesalahan akan merambat. Kesalahan yang terjadi di awal akan mengalir melalui seluruh rantai. Jika ekstraktor PDF menghilangkan simbol negatif dari angka keuangan, setiap langkah hilir akan memperlakukan angka yang salah tersebut sebagai