- Saat berkolaborasi dengan LLM seperti Claude atau Codex dalam waktu lama, kelelahan menumpuk dan produktivitas turun drastis
- Penurunan kualitas prompt akibat kelelahan memperburuk kualitas hasil, dan semakin sering model diputus atau diedit di tengah jalan, performanya makin menurun
- Masalah loop umpan balik yang lambat dan konteks yang terlalu besar membuat eksperimen berulang menjadi sulit dan menurunkan efisiensi kerja
- Pendekatan yang efektif adalah menjaga kesenangan dalam menulis prompt dan kesadaran tujuan yang jelas, serta mendefinisikan loop yang lambat itu sendiri sebagai masalah yang perlu diperbaiki
- Inti pemanfaatan LLM adalah umpan balik yang cepat dan penetapan kriteria keberhasilan yang jelas, yang dapat mengurangi waktu debugging dan menghasilkan hasil yang lebih cerdas
Kelelahan dan lambatnya kecepatan eksperimen
- Saat kelelahan mental menumpuk, kualitas prompt menurun, dan akibatnya kualitas respons LLM juga ikut menurun
- Dalam kondisi lelah, prompt sering dikirim tanpa konteks inti, lalu hasil makin memburuk ketika revisi dan penghentian diulang terus
- Di Claude Code atau Codex, ‘intervensi di tengah jalan’ seperti ini merusak konsistensi dan menghasilkan output yang lebih buruk
- Perlambatan kecepatan loop umpan balik disebut sebagai masalah utama
- Pada pekerjaan yang memakan waktu lama seperti parsing file berukuran besar, setiap eksekusi ulang terasa lambat sehingga siklus eksperimen menjadi panjang
- Ketika konteks hampir jenuh, model bisa menjadi ‘tumpul’ atau gagal mencerminkan isi eksperimen terbaru dengan baik
Jalur kolaborasi yang efisien dengan AI
- Lingkaran setan akibat prompt yang buruk (
doom-loop psychosis) harus dihindari
- Jika menulis prompt sudah tidak terasa menyenangkan, atau Anda terus mengulang input yang pendek dan asal-asalan, itu tandanya perlu beristirahat
- Berharap AI menutup celah tanpa memikirkan masalahnya secara memadai adalah jebakan yang berbahaya
- Prompt dengan tujuan yang jelas dan keyakinan adalah kunci keberhasilan
- Prompt yang ditulis sambil membayangkan hasil yang diinginkan secara konkret akan menghasilkan respons berkualitas tinggi
- Sebaliknya, jika ditulis dengan rasa tidak yakin atau terburu-buru, hasilnya tidak akan memuaskan
Mendefinisikan loop umpan balik yang lambat sebagai masalah
- Kecepatan loop umpan balik itu sendiri harus dijadikan target perbaikan
- Misalnya, saat menangani masalah parsing, tetapkan tujuan untuk menurunkan waktu loop menjadi 5 menit atau kurang, lalu minta agar kasus gagal bisa direproduksi dengan cepat
- Ini adalah pendekatan yang mirip dengan test-driven development (TDD), yang meningkatkan kecepatan eksperimen berulang
- Penyajian kriteria keberhasilan yang jelas memaksimalkan efisiensi LLM
- Jika diberi syarat spesifik seperti “reproduksi kasus gagal dalam 5 menit”, LLM dapat mengoptimalkan jalur kode dan menghapus bagian yang tidak perlu
- Dengan memastikan loop umpan balik yang cepat seperti ini, konsumsi konteks berkurang dan model bekerja lebih ‘cerdas’
Kesimpulan
- Kelelahan saat bekerja dengan LLM sering kali bukan masalah teknis, melainkan ‘skill issue’
- Kelelahan kognitif dan cognitive outsourcing adalah jebakan yang menurunkan produktivitas
- Sebaiknya lanjutkan hanya ketika proses menulis prompt terasa menyenangkan, dan Anda yakin bisa puas lebih dari 95% terhadap hasilnya
- Jika terasa ada progres yang lambat dan kelebihan beban konteks, jadikan itu sendiri sebagai tugas yang harus diselesaikan, lalu rancang struktur iterasi yang lebih cepat bersama LLM
Belum ada komentar.