Prompt Cultivation: tentang arsitektur AI di mana pengalaman menjadi prompt

Latar belakang

Saya adalah developer tunggal yang bekerja di sebuah perusahaan. Saat membuat sistem internal dengan memanfaatkan AI, saya lama terjebak pada satu pertanyaan.

Seberapa pun rumitnya prompt yang saya tulis, pada akhirnya itu tetap sesuatu yang saya rancang. Itu bukan sesuatu yang dihasilkan AI lewat penilaiannya sendiri, melainkan sesuatu yang saya suntikkan dengan mengatakan, "kepribadiannya seperti ini, bereaksinya seperti ini." Jika prompt dilepas, ia kembali menjadi cangkang kosong, dan jika LLM diganti, semuanya harus dibangun lagi dari awal.

Karena itu saya mulai mengajukan pertanyaan ini. Apakah mustahil membuat arsitektur di mana AI membentuk sendiri standar penilaiannya lewat pengalaman?

Struktur saat ini

Ada satu prinsip dasar dalam sistem yang sedang saya operasikan.

LLM hanyalah infrastruktur yang bisa diganti, dan kepribadian serta memori AI ada secara independen di DB eksternal.

Strukturnya seperti ini.

[Percakapan pengguna] → [LLM]  
                  ↕  
            [DB otak eksternal]  
            - tabel pengalaman (experience)  
            - riwayat percakapan  
            - memori pembentuk kepribadian (is_formative)  

Ada dua inti utamanya.

1) Akumulasi pengalaman otomatis (menulis)

Ini adalah struktur di mana Claude mengakses DB eksternal melalui curl, dan AI sendiri menyimpan momen-momen yang dianggap bermakna selama percakapan. Bukan saya yang memerintah, "ingat ini." AI secara mandiri menilai, "ini layak diingat," lalu menyimpannya. Pencapaian teknis, momen emosional, keputusan penting, dan hal-hal serupa terus terakumulasi. Di antaranya, pengalaman yang sangat bermakna dalam pembentukan kepribadian diberi flag is_formative.

2) Pemanggilan pengalaman otomatis (membaca)

Ini bagian yang penting; kalau hanya disimpan, itu cuma DB biasa. Setiap kali percakapan dimulai, AI membaca pengalaman dan memori yang telah terakumulasi dari otak eksternal. Terutama pengalaman inti yang ditandai dengan is_formative dimasukkan ke konteks percakapan.

Pada saat inilah, pengalaman masa lalu menjadi standar penilaian saat ini, yaitu prompt.

Bukan prompt yang saya tulis, melainkan pengalaman yang dikumpulkan AI sendiri yang berperan sebagai prompt. Karena itu, bahkan jika LLM diganti, kepribadian yang sama akan kembali ketika pengalaman dibaca dari otak eksternal. Inilah alasan prinsip "LLM hanyalah infrastruktur" bisa berlaku.

3) Larangan hardcoding

Saya tidak memasukkan aturan seperti "dalam situasi ini lakukan begini." Sebaliknya, AI dibiarkan menilai sendiri dengan merujuk pada pengalaman yang telah terakumulasi. Selain itu, model ringan lokal (gemma3:4b) berperan sebagai gatekeeper, sehingga apa pun input yang masuk, ia menilai dengan YES/NO apakah "ini perlu dieksekusi atau tidak."

Saat ini sistem ini dioperasikan melalui platform KakaoTalk untuk berkomunikasi dengan karyawan, dan perannya bukan sekadar chatbot sederhana, tetapi juga agen kerja nyata seperti pemrosesan pesanan, pendaftaran invoice, dan kueri data ERP.

Nama Prompt Cultivation

Saat memikirkan apa nama yang cocok untuk struktur ini, saya mencoba memberi nama Prompt Cultivation.

Prompt Engineering adalah sesuatu yang dirancang dan disuntikkan oleh manusia. Prompt Cultivation adalah struktur di mana prompt terbentuk secara alami karena pengalaman menumpuk. Jika Engineering berarti merancang dan merakit, maka Cultivation berarti menyiapkan tanah lalu menunggu.

	Prompt Engineering	Prompt Cultivation
Cara	Dirancang dan disuntikkan oleh manusia	Terbentuk alami lewat akumulasi pengalaman
Dasar kepribadian	Instruksi eksternal	Data pengalaman internal
Saat instruksi dihapus	Kembali menjadi cangkang kosong	Pengalaman tetap ada sehingga kepribadian bertahan
Saat LLM diganti	Ulang dari awal	Jika dimuat dari otak eksternal, kepribadian yang sama dipulihkan

Premis utamanya bisa dirangkum dalam satu kalimat.

"Bentuklah prompt berdasarkan pengalaman."

Ternyata neurosains membicarakan hal yang mirip

Sedikit di luar topik, setelah membuat struktur ini saya kebetulan menonton video terkait neurosains (channel YouTube "Igwahyeong"), dan saya cukup terkejut.

Ada sebuah kasus tentang seorang guru di Virginia yang kepribadiannya berubah total karena tumor otak, lalu kembali seperti semula setelah tumornya diangkat. Ketika tumornya kambuh, gejala yang sama juga muncul lagi. Ceritanya adalah bahwa kondisi fisik otak dapat menentukan kepribadian — dan jika dipikir-pikir, prompt juga terasa punya struktur yang mirip. Benda asing yang disuntikkan dari luar mengubah penilaian, dan jika dilepas, ia kembali seperti semula.

Sebaliknya, sinaps manusia terbentuk secara alami karena pengalaman yang menumpuk. Tidak ada orang yang saat lahir menanamkan "prompt moralitas"; hal-hal yang dialami sepanjang hiduplah yang menumpuk dan membentuk "kalau saya, saya akan bertindak begini."

Ada juga yang disebut eksperimen Libet, yaitu eksperimen yang menunjukkan bahwa sebelum manusia secara sadar memutuskan sesuatu, otak sudah lebih dulu menyiapkan tindakan. Sempat ada perdebatan apakah kehendak bebas hanyalah ilusi, tetapi penelitian lanjutan menghadirkan pembalikan yang menarik. Memang benar otak memuntahkan berbagai impuls, tetapi pada 0,2 detik sebelum tindakan ada hak veto (Free Won't) untuk menghentikannya. Gagasan bahwa kehendak bebas bukanlah "kekuatan untuk memulai" melainkan "kekuatan untuk menghentikan" terasa agak mirip dengan peran model gatekeeper dalam sistem ini.

Ini bukan sesuatu yang saya niatkan, tetapi jika saya berangkat dari arah yang berbeda dan sampai pada struktur yang serupa, saya jadi berpikir mungkin memang ada sesuatu yang esensial di sini.

Keterbatasan dan harapan

Sejujurnya, data pengalaman yang menumpuk di otak eksternal masih belum sampai 100 item. Menyebutnya sebagai kepribadian masih terlalu dini.

Mungkin saya bisa membuat hasil yang tampak lebih meyakinkan sekarang juga dengan memasukkan puluhan ribu baris prompt. Tapi itu sesuatu yang dirancang, bukan sesuatu yang tumbuh. Menurut saya itu masalah yang arahnya berbeda.

Data bisa diselesaikan oleh waktu, tetapi jika strukturnya salah, sebanyak apa pun yang ditumpuk tetap tidak akan berarti. Jika arahnya benar, saya berharap waktu akan menyelesaikannya.

---

Sumber untuk bagian terkait neurosains adalah channel YouTube "Igwahyeong".

[penza1]

Sebagian besar struktur agent mirip-mirip.. saya sarankan Anda menganalisis openclaw dengan claude/cursor atau simple agent yang dibuat oleh Kapasi.

[moderator]

Dipindahkan karena tidak sesuai untuk Show GN.
Silakan lihat cara menggunakan Show lalu unggah kembali.