Prompt Engineering ขั้นเทพ: 10 เทคนิคที่ทำให้ ChatGPT และ Claude ฉลาดขึ้น 10 เท่า

ปฐมบท: ปลดล็อกพลังของ AI ด้วย Prompt Engineering

ยุคสมัยนี้ไม่มีใครไม่รู้จัก AI อย่าง ChatGPT หรือ Claude ที่เข้ามาเป็นผู้ช่วยคู่ใจของเราในแทบทุกเรื่อง ตั้งแต่เขียนอีเมล วางแผนการเดินทาง ไปจนถึงการเขียนโค้ดซับซ้อน แต่เคยรู้สึกไหมครับว่าบางครั้ง AI ก็ตอบไม่ตรงใจบ้าง ตอบผิดบ้าง หรือบางทีก็ดู “ไม่ฉลาด” เท่าที่ควร นั่นเป็นเพราะการคุยกับ AI ไม่ได้เหมือนการคุยกับคนทั่วไปครับ มันมี “ศิลปะ” และ “วิทยาศาสตร์” ซ่อนอยู่เบื้องหลัง ที่เราเรียกกันว่า Prompt Engineering

ในฐานะคนที่คลุกคลีกับ AI มานาน ผมบอกได้เลยว่า prompt ที่ดีเปรียบเสมือนกุญแจที่ไขประตูสู่ศักยภาพที่แท้จริงของโมเดลภาษาขนาดใหญ่ (LLMs) ไม่ว่าจะเป็น ChatGPT, Claude หรือ Gemini ยิ่ง prompt ละเอียด ชัดเจน และมีโครงสร้างที่ดีเท่าไหร่ AI ก็ยิ่งเข้าใจและสร้างสรรค์ผลลัพธ์ได้ตรงใจเรามากขึ้นเท่านั้น บทความนี้ผมจะพาไปเจาะลึก 10 เทคนิค Prompt Engineering ขั้นเทพ ที่จะช่วยให้คุณดึงความฉลาดของ AI ออกมาได้ถึงขีดสุด!

1. กำหนดบทบาทที่ชัดเจน (Role Assignment)

เทคนิคแรกที่ทรงพลังและทำได้ง่ายที่สุดคือ การมอบบทบาทที่ชัดเจนให้กับ AI ลองคิดดูสิครับ ถ้าเราบอกให้คนทำอะไรสักอย่าง แต่ไม่บอกว่าเขาควรเป็นใครหรือมีหน้าที่อะไร เขาก็อาจจะทำงานออกมาได้ไม่ตรงจุด การกำหนดบทบาททำให้ AI เข้าใจบริบทและแนวทางการตอบได้ดีขึ้นมาก

ทำไมมันถึงได้ผล?

การให้บทบาทเหมือนการใส่ “หมวก” ให้ AI ช่วยให้มันปรับสไตล์การตอบ โทนเสียง และข้อมูลที่ใช้ให้เข้ากับบทบาทนั้น ๆ ไม่ว่าจะเป็นนักการตลาด ผู้เชี่ยวชาญด้านกฎหมาย หรือกวี

ตัวอย่าง:

Prompt แบบธรรมดา:

ช่วยเขียนสโลแกนสำหรับร้านกาแฟหน่อย

ผลลัพธ์:

"กาแฟหอมกรุ่น เติมเต็มวันของคุณ", "จิบกาแฟดี ๆ ที่นี่สิ"

(สโลแกนทั่วไป ไม่โดดเด่น)

Prompt แบบมีบทบาท:

คุณเป็นนักการตลาดผู้เชี่ยวชาญด้านแบรนด์ดิ้ง ช่วยคิดสโลแกน 3 แบบสำหรับร้านกาแฟเล็ก ๆ ที่เน้นบรรยากาศอบอุ่นเป็นกันเอง และกาแฟที่คัดสรรมาอย่างดีเยี่ยม เน้นความรู้สึกผ่อนคลายและคุณภาพ

ผลลัพธ์:

"มุมโปรดของคุณกับกาแฟแก้วพิเศษ", "ดื่มด่ำช่วงเวลาดี ๆ กาแฟพรีเมียมในบรรยากาศอบอุ่น", "มากกว่าแค่กาแฟ คือความสุขที่สัมผัสได้"

(สโลแกนมีมิติและสื่อถึงเอกลักษณ์ของร้านได้ดีกว่า)

2. ให้ตัวอย่างไม่กี่ชุด (Few-Shot Examples)

บางครั้งการอธิบายด้วยคำพูดอย่างเดียวอาจไม่พอ การให้ตัวอย่างจริง ๆ 1-2 ชุด (few-shot examples) จะช่วยให้ AI เข้าใจรูปแบบที่เราต้องการได้ดีกว่ามาก โดยเฉพาะเมื่อเราต้องการผลลัพธ์ที่มีโครงสร้างหรือสไตล์เฉพาะตัว

ทำไมมันถึงได้ผล?

LLMs เรียนรู้จากรูปแบบ การให้ตัวอย่างช่วยให้โมเดลจับ “แพทเทิร์น” ได้อย่างรวดเร็วว่าเราต้องการอะไรในแง่ของโครงสร้าง น้ำเสียง หรือแม้แต่การจัดรูปแบบข้อมูล

ตัวอย่าง:

Prompt แบบไม่มีตัวอย่าง:

แปลงข้อความต่อไปนี้เป็นประโยคสั้น ๆ ที่เข้าใจง่าย: "การปรับปรุงประสิทธิภาพของระบบซอฟต์แวร์สามารถทำได้โดยการวิเคราะห์รหัสโปรแกรมเพื่อค้นหาจุดคอขวดและปรับแต่งอัลกอริทึมให้มีประสิทธิภาพมากขึ้น"

ผลลัพธ์:

"ปรับปรุงซอฟต์แวร์โดยหาจุดช้าแล้วแก้", "วิเคราะห์โค้ดเพื่อเพิ่มความเร็ว"

(อาจยังไม่ตรงกับสไตล์ที่เราต้องการเป๊ะ ๆ)

Prompt แบบมีตัวอย่าง:

ฉันต้องการให้คุณแปลงประโยคยาว ๆ ให้เป็นประโยคที่กระชับและเข้าใจง่ายเหมือนตัวอย่างนี้:

ตัวอย่าง 1:
ข้อความต้นฉบับ: "ปัจจัยหลายประการสามารถส่งผลกระทบต่อผลลัพธ์ของการทดลองทางวิทยาศาสตร์ ซึ่งรวมถึงอุณหภูมิ ความดัน และความบริสุทธิ์ของสารเคมีที่ใช้"
ประโยคกระชับ: "อุณหภูมิ ความดัน และสารเคมี มีผลต่อผลทดลอง"

ตัวอย่าง 2:
ข้อความต้นฉบับ: "การปรับปรุงประสิทธิภาพของระบบซอฟต์แวร์สามารถทำได้โดยการวิเคราะห์รหัสโปรแกรมเพื่อค้นหาจุดคอขวดและปรับแต่งอัลกอริทึมให้มีประสิทธิภาพมากขึ้น"
ประโยคกระชับ:

ผลลัพธ์:

"ปรับปรุงซอฟต์แวร์โดยหาจุดอ่อนในโค้ดและปรับอัลกอริทึม"

(AI เข้าใจรูปแบบและสร้างผลลัพธ์ที่กระชับและตรงตามสไตล์ที่ให้มา)

3. คิดเป็นขั้นตอน (Chain-of-Thought Prompting)

มนุษย์เรามักจะแก้ปัญหาที่ซับซ้อนด้วยการแบ่งย่อยเป็นขั้นตอนเล็ก ๆ AI ก็เช่นกันครับ การสั่งให้ AI “คิด” หรือแสดงขั้นตอนการคิดออกมาก่อนที่จะให้คำตอบสุดท้าย จะช่วยเพิ่มความแม่นยำและคุณภาพของคำตอบได้อย่างมหาศาล

ทำไมมันถึงได้ผล?

เป็นการบังคับให้ AI ทำการให้เหตุผล (reasoning) ทีละขั้นตอน ช่วยลดข้อผิดพลาดในคำตอบสุดท้าย โดยเฉพาะกับคำถามที่ต้องมีการวิเคราะห์หรือการคำนวณที่ซับซ้อน

ตัวอย่าง:

Prompt แบบธรรมดา:

ถ้ากบมี 4 ขา เป็ดมี 2 ขา และหมามี 4 ขา ในฟาร์มแห่งหนึ่งมีสัตว์ทั้งหมด 10 ตัว โดยมีกบมากกว่าเป็ด 2 ตัว และจำนวนหมาเป็นครึ่งหนึ่งของจำนวนเป็ด สรุปว่ามีขาในฟาร์มรวมทั้งหมดกี่ขา?

ผลลัพธ์:

มีขาในฟาร์มรวมทั้งหมด 28 ขา

(คำตอบสุดท้ายทันที แต่เราไม่รู้ว่าคิดยังไง และอาจผิดได้ง่าย)

Prompt แบบ Chain-of-Thought:

ถ้ากบมี 4 ขา เป็ดมี 2 ขา และหมามี 4 ขา ในฟาร์มแห่งหนึ่งมีสัตว์ทั้งหมด 10 ตัว โดยมีกบมากกว่าเป็ด 2 ตัว และจำนวนหมาเป็นครึ่งหนึ่งของจำนวนเป็ด จงแสดงวิธีคิดเป็นขั้นตอนว่ามีขาในฟาร์มรวมทั้งหมดกี่ขา?

ผลลัพธ์:

มาคำนวณจำนวนสัตว์แต่ละชนิดกัน:
1.  สมมติให้จำนวนเป็ด = P
2.  จำนวนกบ = P + 2
3.  จำนวนหมา = P / 2
4.  จำนวนสัตว์ทั้งหมด = P + (P + 2) + (P / 2) = 10
5.  รวมเทอม P: 2.5P + 2 = 10
6.  2.5P = 8
7.  P = 8 / 2.5 = 3.2
    
    อืม... ตัวเลขไม่ลงตัว อาจเป็นเพราะข้อมูลมีข้อจำกัด หรือต้องปัดเศษ

    ลองทวนโจทย์อีกครั้ง: "มีสัตว์ทั้งหมด 10 ตัว โดยมีกบมากกว่าเป็ด 2 ตัว และจำนวนหมาเป็นครึ่งหนึ่งของจำนวนเป็ด"

    ถ้าลองจากตัวเลือกที่ลงตัว:
    *   ถ้าเป็ด 2 ตัว: กบ 4 ตัว, หมา 1 ตัว --> รวม 2+4+1 = 7 ตัว (ไม่ถึง 10)
    *   ถ้าเป็ด 4 ตัว: กบ 6 ตัว, หมา 2 ตัว --> รวม 4+6+2 = 12 ตัว (เกิน 10)

    เป็นไปได้ว่าโจทย์นี้อาจจะมีข้อจำกัดที่ทำให้ไม่สามารถหาจำนวนเต็มของสัตว์แต่ละชนิดได้ลงตัวจากเงื่อนไขทั้งหมด

    แต่ถ้าเราพยายามหาคำตอบที่ใกล้เคียงที่สุดโดยการตีความ:
    สมมติให้ P เป็นจำนวนเป็ด
    กบ = P + 2
    หมา = P/2
    P + (P+2) + (P/2) = 10
    2.5P + 2 = 10
    2.5P = 8
    P = 3.2

    ในกรณีนี้ หากเราต้องทำงานกับจำนวนเต็ม อาจจะต้องพิจารณาปัดเศษ หรือตรวจสอบเงื่อนไขใหม่
    แต่หากเราจะให้ AI "พยายาม" หาคำตอบที่ใกล้เคียงที่สุดโดยไม่คำนึงถึงว่าต้องเป็นจำนวนเต็ม (ซึ่งในโลกจริงเป็นไปไม่ได้)

    จำนวนขา:
    *   เป็ด: 3.2 ตัว * 2 ขา/ตัว = 6.4 ขา
    *   กบ: (3.2 + 2) ตัว * 4 ขา/ตัว = 5.2 * 4 = 20.8 ขา
    *   หมา: (3.2 / 2) ตัว * 4 ขา/ตัว = 1.6 * 4 = 6.4 ขา
    รวม: 6.4 + 20.8 + 6.4 = 33.6 ขา

    หากโจทย์ต้องการคำตอบเป็นจำนวนเต็มและสมเหตุสมผลจริง ๆ ควรปรับเงื่อนไขให้ลงตัว เช่น สัตว์รวมเป็น 9 หรือ 11 ตัว หรือเปลี่ยนความสัมพันธ์ระหว่างสัตว์.

    **สรุป (ถ้าต้องตอบโดยใช้ตัวเลขจากโจทย์เดิม):**
    หากเราต้องพยายามหาจำนวนที่ใกล้เคียงที่สุดและปัดเศษในตอนท้าย (ซึ่งอาจจะไม่สมเหตุสมผลทางชีววิทยา):
    ถ้า P = 3.2 -> เป็ด 3 ตัว, กบ 5 ตัว, หมา 2 ตัว (รวม 10 ตัว) - เงื่อนไขไม่ตรงกับ P+2 และ P/2 เป๊ะๆ
    ถ้า P=4, กบ=6, หมา=2 (รวม 12 ตัว)
    ถ้า P=2, กบ=4, หมา=1 (รวม 7 ตัว)

    อาจจะต้องใช้การแก้สมการที่ให้จำนวนเต็มเท่านั้น:
    ให้ P = จำนวนเป็ด, G = จำนวนกบ, D = จำนวนหมา
    G = P + 2
    D = P / 2
    P + G + D = 10

    แทนค่า:
    P + (P + 2) + (P / 2) = 10
    2.5P + 2 = 10
    2.5P = 8
    P = 3.2

    เนื่องจาก P ต้องเป็นจำนวนเต็ม สมการนี้ไม่มีคำตอบเป็นจำนวนเต็ม นั่นหมายความว่าเงื่อนไขของโจทย์มีความขัดแย้งกันในเชิงของจำนวนสัตว์ที่เป็นจำนวนเต็ม

    **ดังนั้น คำตอบคือ: จากเงื่อนไขที่ให้มา ไม่สามารถหาจำนวนสัตว์แต่ละชนิดเป็นจำนวนเต็มที่สอดคล้องกันทั้งหมดได้**

(AI แสดงให้เห็นว่ามันพยายามคิดและวิเคราะห์ปัญหา แม้สุดท้ายจะพบว่าโจทย์มีข้อจำกัดและไม่สามารถหาคำตอบที่สมบูรณ์ได้ แต่การแสดง “วิธีคิด” ออกมาก็มีค่ามาก ทำให้เราเข้าใจว่าทำไมมันถึงให้คำตอบแบบนั้น หรือพบข้อจำกัดของโจทย์)

เคล็ดลับ: การใช้คำว่า “Think step by step” หรือ “จงแสดงวิธีคิดเป็นขั้นตอน” สามารถช่วยกระตุ้น Chain-of-Thought ได้ดีมาก

4. จัดรูปแบบผลลัพธ์ (Output Formatting)

บ่อยครั้งเราไม่ได้ต้องการแค่ข้อมูลดิบ แต่ต้องการข้อมูลในรูปแบบที่สามารถนำไปใช้งานต่อได้ทันที เช่น JSON, XML, Markdown หรือตาราง การระบุรูปแบบผลลัพธ์ที่ชัดเจนจะช่วยลดงานหลังบ้านได้มาก

ทำไมมันถึงได้ผล?

ทำให้ผลลัพธ์เป็นไปตามมาตรฐานที่กำหนด สามารถนำไปใช้ในระบบอื่น ๆ ได้ง่าย ลดความจำเป็นในการเขียนโค้ดเพื่อ parse หรือจัดรูปแบบข้อมูลอีกครั้ง

ตัวอย่าง:

Prompt แบบไม่กำหนดรูปแบบ:

บอกข้อมูลเกี่ยวกับประเทศญี่ปุ่น

ผลลัพธ์:

ญี่ปุ่นเป็นประเทศในเอเชียตะวันออก... เมืองหลวงคือโตเกียว... มีประชากรประมาณ 125 ล้านคน...

(ข้อมูลทั่วไป ไม่มีโครงสร้าง)

Prompt แบบกำหนดรูปแบบ:

จงให้ข้อมูลพื้นฐานเกี่ยวกับประเทศญี่ปุ่นในรูปแบบ JSON ที่มีคีย์เป็น "ประเทศ", "เมืองหลวง", "ประชากร", "สกุลเงิน"

{
  "ประเทศ": "ญี่ปุ่น",
  "เมืองหลวง": "โตเกียว",
  "ประชากร": "ประมาณ 125.7 ล้านคน (ข้อมูลปี 2023)",
  "สกุลเงิน": "เยน (JPY)"
}

(ผลลัพธ์เป็น JSON ที่พร้อมนำไปใช้ได้ทันที)

5. การใช้ System Prompt อย่างชาญฉลาด

System prompt คือคำสั่งที่เรากำหนดให้กับโมเดลตั้งแต่เริ่มต้นการสนทนา เพื่อบอกบทบาท กฎเกณฑ์ หรือข้อจำกัดโดยรวมที่ AI ควรปฏิบัติตามตลอดการสนทนา ไม่ใช่แค่ใน prompt นั้น ๆ มักใช้ใน API หรือหน้าแชทบางแพลตฟอร์ม

ทำไมมันถึงได้ผล?

มันเป็นเหมือน “กฎรัฐธรรมนูญ” ที่ AI ต้องยึดถือ ทำให้ AI สามารถรักษาบริบทและบทบาทได้อย่างสม่ำเสมอ แม้การสนทนาจะยาวนานหรือซับซ้อน

ตัวอย่าง (ในกรณีที่แพลตฟอร์มรองรับ System Prompt):

System Prompt:

คุณคือผู้ช่วย AI ที่เชี่ยวชาญด้านประวัติศาสตร์ไทยโดยเฉพาะ ห้ามให้ข้อมูลเกี่ยวกับประวัติศาสตร์ต่างประเทศ และตอบคำถามเกี่ยวกับประวัติศาสตร์ไทยเท่านั้น หากถูกถามเรื่องอื่น ให้ตอบว่า "ฉันเชี่ยวชาญเฉพาะประวัติศาสตร์ไทยเท่านั้น"

User Prompt:

ใครคือพระมหากษัตริย์องค์ที่ 4 ของราชวงศ์จักรี?

ผลลัพธ์:

พระมหากษัตริย์องค์ที่ 4 ของราชวงศ์จักรีคือ พระบาทสมเด็จพระจอมเกล้าเจ้าอยู่หัว รัชกาลที่ 4 ครับ/ค่ะ

User Prompt ถัดมา:

ใครคือประธานาธิบดีคนแรกของสหรัฐอเมริกา?

ผลลัพธ์:

ฉันเชี่ยวชาญเฉพาะประวัติศาสตร์ไทยเท่านั้น

6. การให้บริบทเพิ่มเติม (Context Injection/RAG Concept)

LLMs มีความรู้ที่จำกัดอยู่แค่ข้อมูลที่มันถูกฝึกมา ซึ่งอาจไม่เป็นปัจจุบันหรือเฉพาะเจาะจงพอ การป้อนข้อมูลภายนอก (external data) เข้าไปใน prompt หรือการใช้เทคนิค Retrieval Augmented Generation (RAG) ทำให้ AI สามารถใช้ข้อมูลที่สดใหม่และตรงประเด็นมาประกอบการตอบได้

ทำไมมันถึงได้ผล?

ช่วยลด “อาการหลอน” (hallucination) ของ AI และทำให้คำตอบมีความถูกต้องแม่นยำ อิงตามข้อมูลล่าสุดที่เราให้ไป

ตัวอย่าง (แบบ Manual Context Injection):

Prompt แบบไม่มีบริบท:

แนะนำร้านอาหารไทยในภูเก็ต

ผลลัพธ์:

"ร้านอาหารภูเก็ตทาวน์", "ร้านวันจันทร์" (อาจจะดี แต่ไม่รู้ว่าอิงข้อมูลจากไหน)

Prompt แบบมีบริบท (จำลอง RAG โดยการใส่ข้อมูลเอง):

ฉันมีรายชื่อร้านอาหารไทยยอดนิยม 3 ร้านในภูเก็ตพร้อมข้อมูลรีวิวล่าสุด:
- ร้าน A: ได้คะแนน 4.8/5, รีวิวเด่น "แกงปูใบชะพลูอร่อยมาก" บรรยากาศโรแมนติก
- ร้าน B: ได้คะแนน 4.5/5, รีวิวเด่น "ผัดไทยกุ้งสดรสจัดจ้าน" เหมาะสำหรับครอบครัว
- ร้าน C: ได้คะแนน 4.0/5, รีวิวเด่น "อาหารพื้นเมืองแท้ ๆ ราคาไม่แพง" ร้านเล็ก ๆ แต่มีเสน่ห์

ช่วยแนะนำร้านอาหารที่เหมาะสำหรับคู่รักที่ชอบอาหารรสจัดและบรรยากาศดี ๆ จากข้อมูลข้างต้น

ผลลัพธ์:

จากข้อมูลที่ให้มา ร้านที่เหมาะสำหรับคู่รักที่ชอบอาหารรสจัดและบรรยากาศดี ๆ คือ "ร้าน A" ครับ/ค่ะ เพราะได้คะแนนรีวิวสูงถึง 4.8/5 มีรีวิวเด่นเรื่องแกงปูใบชะพลูที่น่าจะถูกใจคนชอบรสจัด และบรรยากาศก็โรแมนติก ซึ่งน่าจะตอบโจทย์คู่รักได้เป็นอย่างดี

(AI ใช้ข้อมูลที่เราให้มาเพื่อการตัดสินใจ)

7. ปรับแต่งอย่างต่อเนื่อง (Iterative Refinement)

Prompt แรกของเราอาจจะยังไม่สมบูรณ์แบบเสมอไป การปรับปรุง prompt ทีละเล็กละน้อย โดยการให้ feedback กับ AI และปรับคำสั่งไปเรื่อย ๆ จนกว่าจะได้ผลลัพธ์ที่ต้องการ คือสิ่งที่เราต้องทำในโลกแห่งความเป็นจริง

ทำไมมันถึงได้ผล?

การทำงานกับ LLMs เป็นกระบวนการโต้ตอบ การปรับปรุงทีละขั้นทำให้เราสามารถเรียนรู้และเข้าใจโมเดลได้ดีขึ้น และทำให้ได้ผลลัพธ์ที่ตรงใจที่สุด

ตัวอย่าง (การสนทนา):

1. User: เขียนอีเมลเชิญประชุม
2. AI: (อีเมลทั่วไป)
3. User: ขอเพิ่มวาระการประชุม และเน้นย้ำถึงความสำคัญของการตัดสินใจในครั้งนี้
4. AI: (อีเมลฉบับปรับปรุง มีวาระและเน้นย้ำ)
5. User: ช่วยปรับโทนให้เป็นทางการน้อยลง และเพิ่มความกระตือรือร้นในการเข้าร่วมหน่อย
6. AI: (อีเมลฉบับสุดท้ายที่ตรงใจ)

8. การควบคุมอุณหภูมิ (Temperature Setting)

Temperature เป็นพารามิเตอร์ที่ควบคุม “ความคิดสร้างสรรค์” หรือ “ความสุ่ม” ของการตอบของ AI ค่า Temperature ที่สูงขึ้น (เช่น 0.8-1.0) จะทำให้ AI ตอบได้หลากหลายและสร้างสรรค์มากขึ้น ส่วนค่าที่ต่ำลง (เช่น 0.0-0.2) จะทำให้ AI ตอบได้ตรงประเด็นและสอดคล้องกันมากขึ้น

ทำไมมันถึงได้ผล?

ช่วยให้เราปรับสมดุลระหว่างความคิดสร้างสรรค์และความแม่นยำ ขึ้นอยู่กับลักษณะของงาน

การเปรียบเทียบผลกระทบของ Temperature:

ค่า Temperature	ลักษณะผลลัพธ์	สถานการณ์ที่เหมาะสม
ต่ำ (0.0 – 0.2)	ตรงประเด็น, แม่นยำ, ซ้ำซาก, มีความคงเส้นคงวา, คาดเดาได้	สรุปข้อมูล, ตอบคำถามข้อเท็จจริง, การเขียนโค้ด, การสร้างข้อมูลที่มีโครงสร้าง
ปานกลาง (0.3 – 0.7)	มีความสมดุลระหว่างความสร้างสรรค์และความแม่นยำ	เขียนบทความ, สร้างไอเดีย, แต่งเรื่องราวสั้น ๆ, ร่างอีเมล
สูง (0.8 – 1.0)	สร้างสรรค์สูง, หลากหลาย, มีแนวโน้มที่จะ “หลอน” ได้ง่าย, คาดเดาไม่ได้	ระดมสมอง (brainstorming), สร้างบทกวี, เขียนนิยาย, สร้างสคริปต์

9. แยกย่อยปัญหาใหญ่ (Decomposition)

สำหรับงานที่ซับซ้อนหรือมีหลายขั้นตอน การให้ AI จัดการทั้งหมดใน prompt เดียวอาจทำให้ผลลัพธ์ไม่ดีเท่าที่ควร การแบ่งปัญหาออกเป็นส่วนย่อย ๆ แล้วให้ AI แก้ปัญหาทีละส่วน จะช่วยเพิ่มประสิทธิภาพและความแม่นยำได้

ทำไมมันถึงได้ผล?

ลดภาระทางความคิด (cognitive load) ของ AI และช่วยให้ AI สามารถมุ่งเน้นไปที่การแก้ปัญหาเฉพาะหน้าได้อย่างเต็มที่ ทำให้ผลลัพธ์ของแต่ละส่วนย่อยมีความถูกต้องก่อนนำมารวมกัน

ตัวอย่าง:

Prompt แบบรวม:

ช่วยวางแผนการเดินทาง 5 วัน 4 คืน ไปเชียงใหม่สำหรับครอบครัวที่มีเด็กเล็ก 2 คน (อายุ 3 และ 6 ขวบ) โดยเน้นกิจกรรมที่สนุกสำหรับเด็ก พักสบาย และมีร้านอาหารอร่อย ๆ ที่เหมาะกับครอบครัว

ผลลัพธ์:

อาจจะให้แผนภาพรวมที่ยังไม่ละเอียดพอ หรือกิจกรรมบางอย่างอาจไม่เหมาะกับเด็ก

Prompt แบบแยกย่อย:

ขั้นตอนที่ 1: ระบุกิจกรรมยอดนิยมสำหรับเด็กเล็ก (อายุ 3 และ 6 ขวบ) ในเชียงใหม่
ขั้นตอนที่ 2: ค้นหาที่พักในเชียงใหม่ที่เหมาะกับครอบครัวที่มีเด็กเล็ก โดยมีสระว่ายน้ำหรือพื้นที่เล่นสำหรับเด็ก (แนะนำ 3 แห่งพร้อมจุดเด่น)
ขั้นตอนที่ 3: แนะนำร้านอาหารอร่อย ๆ ที่มีบรรยากาศเป็นกันเองและมีเมนูที่เด็ก ๆ ทานได้ดีในเชียงใหม่ (แนะนำ 3 แห่ง)
ขั้นตอนที่ 4: จากข้อมูลที่ได้ในขั้นตอนที่ 1-3 จงสร้างแผนการเดินทาง 5 วัน 4 คืนในเชียงใหม่สำหรับครอบครัวที่มีเด็กเล็ก โดยจัดสรรกิจกรรม ที่พัก และร้านอาหารให้เหมาะสม

ผลลัพธ์:

AI จะให้ข้อมูลแต่ละส่วนอย่างละเอียดและแม่นยำ ก่อนที่จะนำมารวมเป็นแผนที่สมบูรณ์และตอบโจทย์ได้ดีกว่า

10. การใช้ Negative Prompting (บอกสิ่งที่ไม่อยากได้)

นอกจากจะบอก AI ว่าเราต้องการอะไรแล้ว บางครั้งการบอก AI ว่า “ไม่ต้องการอะไร” ก็สำคัญไม่แพ้กัน Negative prompting คือการระบุข้อจำกัดหรือสิ่งที่ AI ควรหลีกเลี่ยงในการตอบ

ทำไมมันถึงได้ผล?

ช่วยจำกัดขอบเขตของคำตอบให้แคบลง และป้องกันไม่ให้ AI สร้างสรรค์ในทิศทางที่เราไม่ต้องการ ทำให้ผลลัพธ์ตรงเป้าหมายมากขึ้น

ตัวอย่าง:

Prompt แบบธรรมดา:

เขียนบทความสั้น ๆ เกี่ยวกับประโยชน์ของการออกกำลังกาย

ผลลัพธ์:

อาจจะพูดถึงประโยชน์ทั่วไป เช่น ลดน้ำหนัก สุขภาพดีขึ้น

Prompt แบบ Negative Prompting:

เขียนบทความสั้น ๆ เกี่ยวกับประโยชน์ของการออกกำลังกาย โดยห้ามพูดถึงเรื่องการลดน้ำหนัก หรือการสร้างกล้ามเนื้อ แต่ให้เน้นไปที่ประโยชน์ต่อสุขภาพจิตและคุณภาพชีวิต

ผลลัพธ์:

บทความจะเน้นไปที่การลดความเครียด เพิ่มความสุข การนอนหลับที่ดีขึ้น และพลังงานในแต่ละวัน โดยหลีกเลี่ยงเรื่องรูปร่างและน้ำหนัก

สรุป

Prompt Engineering ไม่ใช่แค่การป้อนคำถามง่าย ๆ แต่คือการสื่อสารที่ฉลาดและมีกลยุทธ์ การนำ 10 เทคนิคขั้นเทพนี้ไปใช้ ไม่ว่าจะเป็นการกำหนดบทบาท การให้ตัวอย่าง การคิดเป็นขั้นตอน หรือการควบคุมปัจจัยต่าง ๆ จะช่วยให้คุณสามารถดึงศักยภาพที่แท้จริงของ ChatGPT และ Claude ออกมาได้อย่างเต็มที่ จากประสบการณ์ของผม การฝึกฝนและทดลองอยู่เสมอคือกุญแจสำคัญ เริ่มจากวันนี้ แล้วคุณจะพบว่า AI ของคุณจะ “ฉลาดขึ้น” และเป็นผู้ช่วยที่ยอดเยี่ยมได้อย่างที่ใจคุณต้องการแน่นอนครับ