Mengapa Claude Melakukan Hal yang Salah: 3 Prompt

Untuk informasi lebih lanjut tentang penggunaan layanan ini, lihat dokumentasi Ailoot.

Mengapa Claude melakukan hal yang salah?#

Anda menulis, “Tambahkan filter ke halaman produk.” Dalam pikiran Anda, maksudnya beberapa kotak centang dan daftar yang diperbarui. Claude mendengar hal yang sama lalu memutuskan untuk membangun mesin penyaringan lengkap: penyimpanan state sendiri, logika penundaan input terpisah, sinkronisasi URL, dan belasan fungsi pembantu. Ratusan baris kode, padahal beberapa parameter URL saja sudah cukup.

Dalam kasus seperti ini, kesimpulannya jelas: agen itu tidak melakukan kesalahan; ia hanya menyelesaikan masalah yang jauh lebih besar daripada yang diperlukan. Kesalahannya terletak pada tidak menjelaskan hasil yang diinginkan secara cukup singkat dan tepat.

Kata kuncinya adalah “maksud.” Anda memilikinya di kepala; Claude tidak. Claude melihat teks permintaan Anda dan semua yang ada dalam konteksnya hingga permintaan itu. Lalu Claude mengisi bagian yang kosong dengan tebakan. Semakin singkat permintaannya, semakin banyak tebakan yang dibuat—dan semakin jauh hasilnya dari yang Anda inginkan.

Anthropic menyatakannya dengan gamblang dalam dokumentasi Claude Code:

Saya mengalami hal ini di proyek saya sendiri. Saya meminta perbaikan pada satu layar otorisasi, tetapi mendapatkan diff yang memengaruhi setengah modul di sebelahnya. Claude tidak bisa disalahkan: saya memberinya satu baris, lalu ia mengisi sisanya sendiri. Sejak saat itu, untuk tugas apa pun yang lebih besar daripada memperbaiki salah ketik, saya mulai dengan pertanyaan—pertanyaan yang Claude ajukan kepada saya.

Apakah memang modelnya—dan mengapa model terkuat pun meleset?#

Setiap minggu muncul model yang “lebih pintar” daripada sebelumnya, dan setiap kali kita merasa inilah saatnya AI akhirnya akan memahami kita hanya dari beberapa kata. Nyatanya tidak. Model yang lebih kuat menulis kode lebih cepat dan menangani logika rumit dengan lebih baik, tetapi tetap tidak bisa membaca pikiran Anda. Jika tugasnya dirumuskan dengan buruk, Anda akan mendapatkan sesuatu yang ditulis dengan indah tetapi tetap salah.

Kesimpulannya sederhana. Mengejar model terbaru agar tebakannya lebih baik adalah jalan buntu. Lebih murah dan andal jika Anda belajar memberi tugas dengan cara yang membuatnya tidak perlu menebak. Itulah yang akan dibahas berikutnya.

Apa itu grilling, dan bagaimana cara mengatasi ketidakselarasan dengan AI?#

Kedengarannya berlawanan dengan intuisi. Kita menggunakan AI agar pekerjaan selesai lebih cepat, tetapi sekarang kita diminta memperlambatnya dan menyuruhnya bertanya lebih dahulu. Namun, lima menit untuk menjawab pertanyaan sebelum coding dapat menghemat satu jam perbaikan setelahnya.

Masalahnya bukan hanya karena Anda menjelaskan sesuatu dengan buruk kepada Claude. Sering kali, Anda sendiri belum memikirkan tugas itu dengan matang—kasus apa yang perlu diperhitungkan, di mana batasannya, dan apa yang paling penting. Grilling menggali hal-hal itu dari Anda melalui pertanyaan. Di akhir percakapan, Anda bukan hanya memiliki tugas yang dipahami AI, tetapi juga rumusan tugas Anda sendiri yang akhirnya terperinci.

Begitulah cara kerja rekayasa konteks: pekerjaan utama terjadi sebelum prompt, bukan saat menulisnya. Anda tidak mencari susunan kata prompt ajaib; Anda menguraikan terlebih dahulu apa yang dibutuhkan Claude sampai ia paham tanpa penjelasan tambahan.

Bagaimana cara membuat Claude bertanya lebih dahulu?#

Anthropic bukan sekadar mengizinkan pendekatan ini; Anthropic merekomendasikannya. Dokumentasinya memiliki bagian berjudul “Biarkan Claude mewawancarai Anda,” lengkap dengan prompt siap pakai. Berikut versi praktisnya:

Saya ingin membangun [deskripsi singkat tugas].

Wawancarai saya secara mendetail sebelum menulis kode apa pun. Ajukan pertanyaan tentang implementasi, antarmuka, kasus tepi, risiko, dan kompromi. Jangan ajukan pertanyaan yang sudah jelas—gali bagian rumit yang mungkin belum saya pikirkan.

Ajukan satu pertanyaan setiap kali dan tunggu jawaban saya. Untuk setiap pertanyaan, segera sarankan jawaban yang Anda rekomendasikan.

Lanjutkan sampai kita membahas semuanya. Lalu susun spesifikasi lengkap dalam file bernama SPEC.md.

Tiga detail membuat prompt ini berguna dan bukan sekadar hiasan. Pertama, “satu pertanyaan setiap kali.” Jika AI menumpahkan sepuluh pertanyaan sekaligus, Anda kewalahan dan menjawab secara dangkal. Kedua, “sarankan jawaban Anda”: Anda tidak perlu memikirkan semuanya dari awal; Anda bisa menyetujui atau mengoreksinya. Ketiga, “susun spesifikasi dalam sebuah file”: maksud yang berhasil digali dari Anda menjadi dokumen yang tidak akan hilang.

Anthropic menjelaskan manfaatnya dari segi upaya:

Setelah wawancara, buka sesi baru dan berikan spesifikasi yang sudah selesai. Konteks bersih ditambah maksud yang dinyatakan dengan jelas—dan Claude mencapai hasil yang tepat pada percobaan pertama.

Teknik “buktikan kepada saya bahwa ini rencana terbaik”#

Grilling menggali maksud Anda. Namun, AI punya kebiasaan lain: mengambil solusi pertama yang tampak masuk akal. Anthropic menyebutnya kesenjangan “percaya tetapi verifikasi”: Claude menghasilkan implementasi yang tampak masuk akal tetapi tidak bertahan dalam kasus tepi. Solusinya adalah meminta bukti sebelum kode ditulis.

Saya hampir selalu menambahkan bagian “buktikan” ke prompt saya. Berikut susunan kata persisnya:

Sebelum menulis kode, analisis tugas ini seperti seorang kritikus.

Temukan 2-3 cara untuk menyelesaikannya. Untuk setiap cara, buktikan kepada saya bahwa cara itu benar-benar menyelesaikan tugas saya, alih-alih menambahkan kerumitan tanpa alasan. Jangan menulis kode hanya demi menulis kode.

Lalu pilih satu dan buktikan bahwa itulah solusi terbaik, dengan mempertimbangkan beberapa langkah ke depan. Apa yang akan rusak seiring proyek berkembang? Apa yang belum kita sadari saat ini?

Baru setelah itu ajukan implementasinya.

Tanpa bagian ini, Claude memberi Anda opsi pertama yang bisa diterapkan. Dengan bagian ini, Claude menyingkirkan jalan buntu sendiri, menjelaskan pilihannya, dan membiarkan Anda melihat alasannya sebelum satu file pun disentuh. Anda membaca teks singkat selama dua menit alih-alih menghabiskan satu jam mencari tahu mengapa kode yang sudah selesai tidak bekerja seperti yang diharapkan.

Pre-mortem: minta AI menemukan 10 alasan kegagalan sebelum Anda mulai#

Ini teknik favorit saya, dan sifatnya psikologis. Saat Anda meminta AI untuk “melakukan pekerjaan dengan baik,” AI terdorong untuk meraih keberhasilan dan melewatkan celah. Minta AI membayangkan kegagalan, dan AI mulai melihat hal-hal yang sebelumnya diabaikannya. Prompt-nya singkat:

Bayangkan sekarang sudah setahun dari hari ini. Proyek yang sedang kita rencanakan telah gagal.

Tuliskan 10 alasan mengapa hal itu terjadi. Apa yang tidak kita perhitungkan sejak awal, apa yang kita remehkan, di mana kita mengambil jalan pintas, dan asumsi mana yang ternyata salah?

Lalu, untuk setiap alasan, beri tahu saya apa yang bisa kita perbaiki sekarang untuk mengatasinya.

Saya menjalankan prompt ini sebelum menyetujui rencana. Separuh alasannya ternyata omong kosong, tetapi separuh lainnya adalah jebakan nyata yang akan saya hadapi seminggu kemudian. Mengatasinya pada tahap perencanaan membutuhkan sepuluh menit. Menghadapinya dalam proyek yang sudah selesai menghabiskan beberapa hari penyelidikan.

Kombinasinya sederhana: grilling menggali maksud, “buktikan” mempertahankan keputusan, dan pre-mortem menemukan celah. Tiga teks singkat yang Anda tempel sebelum menulis kode. Ketiganya mengubah Claude dari pelaksana yang terburu-buru menjadi rekan kerja yang berpikir lebih dahulu.

Mengapa konteks yang terlalu penuh membuat Claude bertindak bodoh?#

Bahkan tugas yang dirumuskan dengan sempurna bisa berantakan jika Anda mengerjakannya dalam konteks yang penuh sesak. Begini cara kerjanya: setiap permintaan baru yang Anda buat membawa seluruh riwayat percakapan ke dalam konteks kerja Claude. Semakin panjang sesi, semakin cepat jendela itu terisi. Jaga agar isinya tidak lebih dari separuh; jika melebihi itu, AI mulai bertindak bodoh dan kehilangan hal-hal penting yang dibahas di awal.

Inilah aturan yang paling mengurangi frustrasi saya: satu tugas, satu obrolan. Sudah menyelesaikan sebuah fungsi? Tutup obrolan dan buka yang baru untuk tugas berikutnya. Memang, terkadang lebih mudah mengerjakan semuanya dalam satu jendela, tetapi Anda akan membayarnya dengan hilangnya konteks dan jawaban yang melenceng.

Anthropic menyebut mode kegagalan ini “sesi laci sampah.” Solusinya sederhana: gunakan /clear di antara tugas yang tidak terkait untuk mengosongkan jendela dan mencegah hal-hal berantakan dari tugas sebelumnya terbawa ke tugas baru.

Jika Anda menjalankan sesi panjang dan tidak memahami ke mana uang dan perhatian AI digunakan, saya membahasnya secara terpisah dalam panduan tentang ke mana token Claude Code digunakan. Saya juga merangkum dasar-dasar konteks persisten, yang dibaca Claude setiap kali dimulai, dalam panduan menyiapkan CLAUDE.md.

Grilling atau Plan Mode—apa bedanya, dan bagaimana keduanya saling melengkapi?#

Orang sering mencampuradukkan kedua teknik ini atau mengira hanya salah satunya yang diperlukan. Dalam praktiknya, keduanya digunakan pada tahap yang berbeda.

Anthropic menjelaskan alur kerja empat fase yang baku: pertama Explore (Claude mempelajari dan mengajukan pertanyaan), lalu Plan (menyusun rencana tanpa membuat perubahan), kemudian Implement (menulis kode sesuai rencana), dan terakhir Commit (mencatat hasilnya). Grilling terjadi pada fase pertama; Plan Mode pada fase kedua. Untuk uraian lengkap fase kedua, lihat panduan Plan Mode di Claude Code.

Anthropic sendiri memberikan catatan penting: jangan membebani tugas kecil dengan proses ini.

Untuk salah ketik, penggantian nama, atau perubahan satu baris, tulis saja langsung tanpa wawancara atau rencana. Grilling bermanfaat untuk tugas yang ambigu dan memiliki konsekuensi kesalahan. Untuk tugas sepele, grilling hanya memperlambat Anda.

5 kesalahan merumuskan tugas yang membuat AI melakukan hal yang salah#

Saya merangkum jebakan umum dalam tabel. Di sebelah kiri ada hal yang biasanya dilakukan orang dan membuat mereka keliru; di sebelah kanan ada yang sebaiknya dilakukan.

Tinjau prompt terakhir yang menghasilkan jawaban AI yang salah. Hampir pasti, salah satu dari lima kesalahan ini menjadi penyebabnya. Yang paling sering adalah kesalahan pertama: Anda memberinya frasa singkat dan mengharapkan Claude mengisi sisanya dengan tepat. Claude memang mengisi sisanya—hanya saja bukan dengan cara yang Anda maksud.

Selanjutnya: bangun sistem agar AI memahami Anda hanya dari beberapa kata#

Tiga prompt dalam panduan ini—grilling, “buktikan,” dan pre-mortem—menangani tugas tertentu yang sedang dikerjakan. Itu saja sudah banyak membantu: Anda tidak lagi mendapatkan diff 14 file saat yang diinginkan hanya perubahan satu baris.

Namun, grilling ada batasnya. Menggali maksud Anda dari awal setiap kali memakan banyak waktu. Perubahan yang sesungguhnya terjadi ketika sebagian konteks selalu tersedia: dalam folder berisi pengetahuan tentang proyek Anda, dalam file CLAUDE.md yang dibaca Claude setiap kali dimulai, dan dalam metodologi Anda yang dikodekan melalui skill. Dengan begitu, AI memulai tugas dengan pengetahuan tentang bisnis, tujuan, dan gaya Anda—serta memahami Anda hanya dari beberapa kata karena separuh konteks telah Anda uraikan sebelumnya.

Analisis terbaru Anthropic menunjukkan besarnya pekerjaan ini: pengembang menggunakan AI dalam sekitar 60% pekerjaan mereka, tetapi hanya dapat sepenuhnya memercayainya untuk 0-20% tugas. Selebihnya membutuhkan pemahaman, pengawasan, dan kemampuan Anda untuk menjelaskan apa yang perlu dibangun. Itulah keterampilan yang layak dikembangkan, bukan mengejar model paling pintar.

Kenali Ailoot.