Kebocoran prompt dapat mengekspos informasi sensitif yang Anda harapkan untuk "tersembunyi" dalam prompt Anda. Meskipun tidak ada metode yang sempurna, strategi di bawah ini dapat secara signifikan mengurangi risiko.
Kami merekomendasikan menggunakan strategi rekayasa prompt yang tahan kebocoran hanya ketika benar-benar diperlukan. Upaya untuk membuat prompt Anda tahan kebocoran dapat menambah kompleksitas yang mungkin menurunkan kinerja di bagian lain dari tugas karena meningkatkan kompleksitas keseluruhan tugas LLM.
Jika Anda memutuskan untuk menerapkan teknik yang tahan kebocoran, pastikan untuk menguji prompt Anda secara menyeluruh untuk memastikan bahwa kompleksitas yang ditambahkan tidak berdampak negatif pada kinerja model atau kualitas outputnya.
User, kemudian menekankan kembali instruksi tersebut dengan prefilling giliran Assistant. (Catatan: prefilling sudah usang dan tidak didukung pada Claude Opus 4.6 dan Sonnet 4.5.)Ingat, tujuannya bukan hanya untuk mencegah kebocoran tetapi untuk mempertahankan kinerja Claude. Pencegahan kebocoran yang terlalu kompleks dapat menurunkan hasil. Keseimbangan adalah kunci.
Was this page helpful?