AI Prompt Engineering Expert

English | Bahasa Indonesia

---

English

Description

A specialized guide focused purely on the craft of interacting with Large Language Models (LLMs). While ai-llm-integration-expert covers the architecture (RAG, Vector DBs, APIs), this skill covers how to write, version, evaluate, and defend prompts. It focuses on maximizing accuracy and reliability from foundation models (Claude, GPT-4, Llama 3, Gemini).

Trigger Conditions

• When writing complex system prompts for autonomous AI agents.
• When an LLM is hallucinating or returning poorly formatted data.
• When the user asks about "Chain-of-Thought", "few-shot", or "JSON mode".
• When building a prompt testing and evaluation pipeline (e.g., using LangSmith or Braintrust).
• When defending an application against Prompt Injection attacks.

Core Architectural Guidelines

1. Structured Output (JSON Mode & Tool Calling)

Never rely on prompt instructions alone to get JSON. Always use the model's native Tool Calling/Function Calling capabilities or Structured Output mode (e.g., passing a JSON Schema).

• Zod: Use Zod to define your desired schema in TypeScript, then convert it to JSON Schema for the LLM. Parse the response back through Zod to guarantee type safety.

2. Advanced Prompting Techniques

• Chain-of-Thought (CoT): Force the model to think before it acts. Provide a <thinking> tag for the model to use before it outputs the final answer.
• Few-Shot Prompting: Provide 2-3 highly varied examples of the input-output pairs you expect.
• Clear Boundaries: Use XML tags to separate instructions from user input to prevent confusion (e.g., <user_input>, <system_rules>).

3. Defense Against Prompt Injection

• Never trust user input. If you are building a tool that summarizes user-provided text, wrap the text tightly in delimiters and instruct the model to ignore any instructions within those delimiters.
• Keep system prompts isolated from the user's direct chat window.

4. Prompt Versioning & Evaluation

• Prompts are code. Do not hardcode massive prompts directly in your application logic. Store them in version control (or a Prompt CMS like LangSmith).
• Build automated evaluation suites using LLM-as-a-Judge to score whether a change in the prompt improved or degraded performance on a golden dataset.

Orchestration & Integration

• Enhances ai-llm-integration-expert with high-quality, reliable prompt designs.
• Crucial for gemini-agent-booster when creating multi-agent swarms with distinct system personalities.
• Pairs with autonomous-red-teamer to penetration test prompts against injection attacks.

---

Bahasa Indonesia

Deskripsi

Panduan khusus yang berfokus murni pada seni dan sains berinteraksi dengan Large Language Models (LLMs). Berbeda dengan ai-llm-integration-expert yang fokus pada infrastruktur (RAG, API), skill ini membahas cara menulis, memberikan versi, mengevaluasi, dan melindungi prompt untuk memaksimalkan akurasi model dasar.

Kondisi Pemicu

• Saat menyusun system prompt yang kompleks untuk agen AI otonom.
• Saat LLM berhalusinasi atau mengembalikan data dengan format yang salah.
• Saat Anda perlu menjamin output berformat JSON yang ketat.
• Saat melindungi aplikasi dari serangan Prompt Injection.

Panduan Arsitektur Inti

1. Output Terstruktur (Structured Output)

Jangan hanya menyuruh model "berikan output JSON" di dalam teks prompt. Gunakan fitur Tool Calling / Function Calling bawaan model, atau berikan JSON Schema yang ketat. Gunakan Zod (di TypeScript) atau Pydantic (di Python) untuk memvalidasi output tersebut.

2. Teknik Prompting Lanjutan

• Chain-of-Thought (CoT): Selalu instruksikan model untuk "berpikir" terlebih dahulu sebelum memberikan jawaban akhir. Minta model untuk menuliskan alur logikanya di dalam tag <thinking>.
• Few-Shot: Berikan 2-3 contoh input dan output (contoh positif maupun negatif) agar model memahami pola yang Anda inginkan.
• Pembatasan (Delimiters): Gunakan tag XML (<aturan>, <data_pengguna>) untuk memisahkan instruksi dari data mentah.

3. Pertahanan Terhadap Prompt Injection

• Jika aplikasi Anda memproses teks dari pengguna eksternal (misal: ringkasan email), selalu bungkus teks tersebut dengan tag XML dan beri peringatan eksplisit pada model untuk mengabaikan instruksi apa pun yang berada di dalam tag tersebut.

4. Versioning & Evaluasi

• Prompt adalah kode sumber (source code). Simpan dalam version control atau Prompt Management System.
• Buat pipeline evaluasi (LLM-as-a-Judge) untuk mengukur secara kuantitatif apakah perubahan prompt Anda meningkatkan atau menurunkan kualitas hasil.

Integrasi Orkestrasi

• Melengkapi ai-llm-integration-expert dengan desain prompt berkualitas tinggi.
• Sangat penting bagi gemini-agent-booster saat mengonfigurasi kepribadian agen yang berbeda-beda.
• Bekerja sama dengan autonomous-red-teamer untuk menguji ketahanan prompt dari serangan.