Modul 2 membahas berbagai teknik prompting lanjutan yang digunakan untuk mengarahkan dan mengoptimalkan kinerja Large Language Models (LLM). Materi dimulai dari persona prompting, yang menekankan cara membangun identitas peran yang konsisten agar model menghasilkan keluaran yang relevan dan selaras dengan gaya komunikasi tertentu. Kemudian dilanjutkan dengan system instructions, yaitu pedoman tingkat tinggi yang mengatur perilaku, batasan etika, dan gaya respons model dalam percakapan. Modul ini juga menjelaskan konsep zero-shot dan few-shot prompting sebagai bentuk in-context learning, membantu pengguna menentukan kapan model cukup diberi instruksi tanpa contoh atau perlu diberikan beberapa contoh agar hasil lebih akurat. Selain itu, modul membahas teknik Chain-of-Thought (CoT) untuk memandu model melakukan penalaran bertahap. Di bagian akhir, modul memperkenalkan self-correction dan iteratif prompting, yang memungkinkan model mengevaluasi sekaligus memperbaiki outputnya secara bertahap.

Modul 3 membahas teknik prompting tingkat lanjut untuk mengarahkan Large Language Models (LLMs) dalam menyelesaikan berbagai tugas spesifik. Materi mencakup ringkasan dan ekstraksi Informasi, penulisan kreatif dan konten pemasaran, koding dan debugging, klasifikasi dan analisis sentimen, serta terjemahan dan lintas bahasa. Setiap pembelajaran memberikan prinsip praktis, template prompt, contoh implementasi, serta best practices untuk menghasilkan output yang akurat, relevan, dan selaras dengan konteks. Modul ini dirancang untuk meningkatkan keterampilan peserta dalam membuat prompt yang presisi dan efektif, sehingga mampu mengoptimalkan kinerja LLM dalam berbagai skenario profesional.

Modul 4 membahas tahap lanjutan dalam pengembangan sistem berbasis Large Language Model (LLM), dimulai dari evaluasi kualitas output hingga keamanan dan otomasi dalam penggunaan prompt. Peserta akan mempelajari berbagai metrik evaluasi, metodologi A/B testing, kombinasi evaluasi manual dan otomatis, serta strategi mitigasi halusinasi dan bias model. Modul ini juga membahas kerentanan keamanan seperti prompt injection dan teknik pertahanan berlapis. Di bagian akhir, peserta diperkenalkan pada praktik pengelolaan prompt dalam aplikasi skala besar serta tren masa depan rekayasa prompt, termasuk automation dan framework orkestrasi seperti LangChain dan Semantic Kernel.

Modul 5 membahas bagaimana organisasi mengimplementasikan Large Language Models (LLM) pada skala enterprise. Materi dimulai dengan konsep prompt management seperti prompt library, versioning system, dokumentasi, dan kolaborasi tim. Modul kemudian menjelaskan strategi optimasi biaya dan performa, termasuk pengurangan token, prompt caching, dan pemilihan model yang efisien. Selain itu, modul mengajarkan dasar hingga lanjutan Retrieval-Augmented Generation (RAG), desain prompt untuk retrieval, citation, serta manajemen context window. Topik berikutnya membahas multimodal prompting untuk model teks-gambar, teknik vision-language, serta prompt chaining dan orkestrasi workflow canggih. Modul ditutup dengan pembahasan etika, kepatuhan data, mitigasi bias, pencegahan halusinasi, serta panduan penyusunan Capstone Project.

Ujian Akhir