Prompt Engineering คือ กระบวนการออกแบบคำสั่ง

เพื่อให้ AI ทำงานตามที่ต้องการอย่างมีประสิทธิภาพ โดยคุณต้อง กำหนดคำสั่งชัดเจน – ตรวจสอบผลลัพธ์ - ปรับปรุงคำสั่งซ้ำๆ จนได้ผลเป็นที่พอใจ

1 “Parameter” : กำหนด กรอบกฎ หรือ ไอเดียสด หลุดโลก

พิมพ์ระบุเลข Temperature ในประโยค Prompt : หากตั้งค่าต่ำ AI จะตอบอย่างถูกต้อง ( เป๊ะ แต่ไม่สร้างสรรค์) , หากตั้งค่าสูง AI จะ "คิดนอกกรอบ" แต่เสี่ยงมั่ว โดยเฉพาะข้อมูลสำคัญ

เทคนิค

• 0.0-0.3: สำหรับงานต้องการความแม่นยำ (การคำนวณ, ข้อมูลกฎหมาย)

ตัวอย่างร้านอาหาร:

"คำนวณค่าใช้จ่ายวัตถุดิบสำหรับเมนูต้มยำกุ้ง 10 ที่ (Temperature 0.2)"

• 0.4-0.7: งานทั่วไป (บทความ, อีเมลธุรกิจ)

ตัวอย่างร้านกาแฟ:

"เขียนโพสต์แนะนำเมนูใหม่ ความยาว 5 บรรทัด (Temperature 0.5)

• 0.8-1.0: งานสร้างสรรค์ บรรเจิด (ตั้งชื่อสินค้า-บริการ, CREATIVE CONTENT )

ตัวอย่างคลินิคเสริมความงาม:

"ตั้งชื่อ แพ็คเกจเสริมความงาม ย้อนเวลา GEN X 5 ชื่อ (Temperature 0.9)"

2 Max Tokens:

จำกัดความยาวคำตอบ เป็นการจำกัดจำนวนคำในคำตอบ (1 Token ≈ 1 คำภาษาไทย)

เหตุผลที่ต้องใช้:

• ป้องกันคำตอบยืดยาว

• ควบคุมงบประมาณ (กรณีบางแพลตฟอร์มคิดเงินตาม Token)

ตัวอย่าง : "สรุปข่าวเศรษฐกิจไทยวันนี้ไม่เกิน 50 Tokens"

→ ได้ผลลัพธ์สั้นกระชับ ≈ 2-3 ประโยค

3 Primary Content (ลดข้อมูลเท็จ)

เทคนิค :

1. ใส่ข้อมูลอ้างอิงก่อนคำถาม

2. ใช้เครื่องหมาย [ ] หรือ """ """ เพื่อแยกข้อมูลชัดเจน

ตัวอย่างร้านยา:

[ข้อมูลอ้างอิง]

"พาราเซตามอลขนาดมาตรฐานสำหรับผู้ใหญ่คือ 500 มก./ครั้ง"

คำถาม: "ควรกินพาราเซตามอลครั้งละกี่เม็ด หากเม็ดละ 250 มก.?"

ตัวอย่างคลินิกความงาม:

[ข้อมูลอ้างอิง]

"โบท็อกซ์มีผลข้างเคียงน้อยกว่า 1% เมื่อทำโดยแพทย์ผู้เชี่ยวชาญ"

คำถาม: "โบท็อกซ์ มีความเสี่ยงอย่างไร?"

4 การใช้ Cues (ชี้นำรูปแบบคำตอบ)

เทคนิค :

• ใช้เมื่อต้องการรูปแบบคำตอบเฉพาะ

• เริ่มประโยคแรกให้ AI แล้วเว้นไว้ให้เติมต่อ

ตัวอย่าง :

คำถาม: "วิเคราะห์ยอดขายไตรมาสนี้"

Cue: "จากข้อมูลพบว่ายอดขายเพิ่มขึ้นใน 3 ประเภทหลัก ได้แก่..."

คำถาม: "เปรียบเทียบรถยนต์ไฟฟ้ากับรถเบนซิน"

Cue: "เมื่อพิจารณาจาก 3 ปัจจัยหลัก ได้แก่..."

→ AI จะตอบ ต่อ ตามรูปแบบที่เรากำหนด

5 Few-Shot Prompting

คือ การสั่งโดยให้ ตัวอย่าง 1-3 ตัวอย่าง เพื่อสอน AI ว่า เราต้องการคำตอบในรูปแบบไหน

เหมาะกับ

• เมื่อต้องการรูปแบบคำตอบเฉพาะ

• เมื่อคำถามซับซ้อน หรือมีเงื่อนไขหลายอย่าง

• เมื่อต้องการให้ AI เลียนแบบสไตล์การตอบ

ตัวอย่าง :

✅ ร้านอาหารสุขภาพ:

[ตัวอย่าง 1]

Q: "เมนูสุขภาพ?"

A: "1. สลัด quinoa 2. อกไก่ย่าง 3. สมูทตี้ผัก"

[ตัวอย่าง 2]

Q: "เครื่องดื่มสุขภาพ?"

A: "1. น้ำมะนาว 2. น้ำสมุนไพร 3. นมถั่วเหลือง"

ถาม: "ของว่างสุขภาพ?"

✅ คลินิกความงาม:

[ตัวอย่าง]

Q: "ทำไมต้องทำ HIFU?"

A: "1. ยกกระชับผิว

2. กระตุ้นคอลลาเจน

3. ไม่ต้องพักฟื้น"

ถาม: "ทำไมต้องทำเลเซอร์รอยสิว?"

ข้อดี:

AI ตอบตรงรูปแบบที่ต้องการมากขึ้น , ลดโอกาสเข้าใจผิด

ข้อด้อย:

ต้องเตรียมตัวอย่างเพิ่ม ,ถ้าตัวอย่างไม่ดี อาจทำให้ AI เรียนรู้ผิด

6 Zero-Shot Prompting

คือ การให้คำสั่ง AI โดยไม่ต้องแสดงตัวอย่างก่อน บอกแค่สิ่งที่ต้องการให้ทำเลย

เหมาะกับ

• เมื่อคุณต้องการคำตอบทั่วไป

• เมื่อคำถามตรงไปตรงมา ไม่ซับซ้อน

• เมื่อไม่มีข้อมูลตัวอย่างให้ AI เรียนรู้

ตัวอย่าง :

✅ ร้านอาหาร:

"เขียนเมนูอาหารไทย 5 อย่างที่เหมาะกับคนลดน้ำหนัก"

✅ ร้านเสื้อผ้า:

"ออกแบบคำโฆษณาสำหรับเสื้อผ้าฤดูร้อน ความยาว 3 บรรทัด"

ข้อดี:

ใช้ง่าย ไม่ต้องเตรียมตัวอย่าง ,ได้ผลเร็ว

ข้อด้อย:

อาจได้คำตอบกว้างเกินไป ,ถ้าคำสั่งคลุมเครือ AI อาจตอบผิด

ความต่างของ Few-Shot vs Zero-Shot

Note : Few-Shot คือคำสั่งที่ได้ผลลัพธ์ดีมาก ซึ่งต้องมีเทคนิค

1. เลือกตัวอย่างที่ชัดเจน:

o ตัวอย่างควรสั้น ตรงประเด็น

o ใช้รูปแบบเดียวกันทุกตัวอย่าง

ตัวอย่างผิดมหันต์ ❌:

[ตัวอย่าง 1] รูปแบบลิสต์

[ตัวอย่าง 2] รูปแบบพารากราฟ

→ AI งง ไม่รู้จะเลียนแบบแบบไหน

2. จำนวนตัวอย่างพอดี:

o 1-3 ตัวอย่างมักเพียงพอ

o ให้มากเกินไป AI สับสน

3. แยกตัวอย่างให้ชัดเจน:

o ใช้เครื่องหมาย [ตัวอย่าง 1], [ตัวอย่าง 2]

o หรือขึ้นบรรทัดใหม่ให้เห็นชัด

7 System Persona

เทคนิค:

• ระบุบทบาท + ลักษณะนิสัยของ AI

• ใช้ภาษาที่สอดคล้องกับกลุ่มเป้าหมาย

ตัวอย่าง:

"คุณเป็นนักบัญชีระดับหัวหน้า กรุณาตอบคำถามด้วยภาษาทางการ พร้อมอ้างอิงกฎหมายที่เกี่ยวข้อง"

• ตัวอย่างนักจิตบำบัด:

"คุณเป็นนักจิตวิทยาคลินิกที่มีประสบการณ์สูง กรุณาตอบคำถามเกี่ยวกับความเครียดในที่ทำงาน"

8 การควบคุมรูปแบบผลลัพธ์

เทคนิค:

• ระบุทั้ง รูปแบบ และ เนื้อหา ใน prompt เดียว

• ตัวอย่างร้านขายรถมือสอง:

"สรุปคุณสมบัติรถยนต์ในรูปแบบตาราง 3 คอลัมน์"

9 ป้องกันอคติ

เทคนิค:

• ใช้คำถามแบบเปิด

• ระบุเงื่อนไขชัดเจน

ตัวอย่างบริษัทจัดหางาน :

"ระบุคุณสมบัติพนักงานขายที่ดี (โดยไม่ระบุเพศหรืออายุ)"

ตัวอย่างเปรียบเทียบคำสั่งทั่วไป กับ การสั่งอย่างมีหลักการ

ข้อควรระวัง

1. Hallucination คำตอบหลอนที่แนบเนียน :

o ตรวจสอบข้อเท็จจริงกับแหล่งข้อมูลอื่นเสมอ

o ใช้คำสั่งเช่น "ตอบเฉพาะข้อมูลที่มีแหล่งอ้างอิงเท่านั้น"

2. Temperature สูงเกินไป:

o AI ไม่ใช่ครีเอทีฟที่เก่งเหมือนมนุษย์ มันหาคำตอบแปลกๆให้ แต่อาจใช้ไม่ได้

หากตั้งค่าสูงจนคำตอบเลอะเทอะ ลองลดค่าเหลือ 0.5-0.7

3. Few-Shot ผิดวิธี :

o ตัวอย่างไม่สอดคล้องกัน

สรุป กระบวนการทำงาน (แบบละเอียด)

ขั้นตอนที่ 1: ตั้งโจทย์

"ต้องการบทความเกี่ยวกับท่องเที่ยวภูเก็ต"

ขั้นตอนที่ 2: ใส่เทคนิค

"คุณเป็นไกด์ท้องถิ่น เขียนบทความแนะนำ 5 สถานที่เที่ยวในภูเก็ตสำหรับครอบครัว

รูปแบบ:

1. ชื่อสถานที่

2. จุดเด่น (ไม่เกิน 3 ข้อ)

3. ข้อควรระวัง

ใช้ภาษาสนุกๆ (Temperature 0.6, Max Tokens 300)"

ขั้นตอนที่ 3: ตรวจสอบและปรับ

• ถ้าผลลัพธ์ยาวเกิน → ลด Max Tokens

• ถ้าไม่สร้างสรรค์ → เพิ่ม Temperature

• ทดสอบซ้ำๆ จนได้ผลลัพธ์ที่ต้องการ

อ้างอิง:

• Microsoft's "Generative AI for Beginners"

• OpenAI API Documentation (ส่วนการนับ Tokens)

รุ่งพร มีศิลป์ - บทความ

จิราพร ตันฑุลานิ - ภาพประกอบ