Prompt Engineering
ศิลปะการเขียนคำสั่งเพื่อควบคุม Generative AI
เทคนิคการเขียน Prompt พื้นฐาน
Prompt: คือคำสั่งหรือข้อความที่เราพิมพ์บอกให้ AI ทำงานให้
Prompt Engineering เหมือน "การสั่งอาหารกับเชฟ" ถ้าคุณสั่งแค่ "ขอข้าวผัด" (Zero-shot) คุณอาจจะได้ข้าวผัดอะไรก็ได้ที่เชฟอยากทำ แต่ถ้าคุณสั่ง "ขอข้าวผัดหมู ไม่ใส่ผัก รสไม่จัด เหมือนร้าน A" (Few-shot/มีตัวอย่างชัดเจน) คุณก็จะได้อาหารที่ตรงใจคุณเป๊ะๆ
Prompt Engineering เป็นวิธีที่ถูกและเร็วที่สุดในการปรับปรุงความแม่นยำของ AI โดยไม่ต้องเขียนโค้ดหรือทำ Fine-Tuning
- Zero-shot: สั่งตรงๆ ไม่บอกตัวอย่าง
- Few-shot: ให้ตัวอย่างคำตอบที่อยากได้สัก 1-2 ตัวอย่างก่อน
- Chain-of-Thought (CoT): บอกให้โมเดล "ค่อยๆ คิดทีละขั้นตอน" (Think step by step) เพื่อให้มีเหตุผลมากขึ้น
- ReAct (Reasoning and Acting): สั่งให้โมเดลคิดหาเหตุผลก่อน แล้วค่อยเลือกใช้เครื่องมือ (Tools) หรือ Agent เพื่อทำงาน เช่น ค้นหาเว็บ
- Prompt Chaining: การเอาผลลัพธ์ของคำสั่งแรก ไปเป็นข้อมูลตั้งต้นให้คำสั่งถัดไป ทำเป็นสายโซ่เพื่อให้งานที่ซับซ้อนแม่นยำขึ้น
- Negative Prompts: การสั่งระบุชัดเจนว่า "ห้ามทำอะไร" หรือ "ไม่เอาอะไร" (มักใช้บ่อยในการเจนรูปภาพ)
สรุป Key Takeaways
- Zero-shot: สั่งตรงๆ โดยไม่ให้ตัวอย่าง
- Few-shot: ให้ตัวอย่าง 1-3 ตัวอย่างก่อนให้ทำจริง ช่วยเพิ่มความแม่นยำได้มาก
- Chain-of-Thought: สั่งให้โมเดล "คิดทีละขั้นตอน" (Think step by step)
- ReAct: โมเดลคิดหาเหตุผล (Reasoning) สลับกับการลงมือทำ (Acting) เพื่อใช้งานเครื่องมือภายนอก
- Prompt Chaining: เอาผลลัพธ์จาก Prompt นึง ไปใส่เป็น Input ให้อีก Prompt นึง
- Negative Prompts: บอกสิ่งที่ "ไม่ต้องการ" ให้ AI รู้
คำถามที่พบบ่อย
Zero-shot, Few-shot, Chain-of-Thought — ข้อสอบวัดยังไง
วัดการจับคู่: ไม่ให้ตัวอย่างเลย = zero-shot · แนบตัวอย่าง input-output 2-3 ชุด = few-shot · สั่งให้แสดงวิธีคิดทีละขั้นสำหรับโจทย์ตรรกะ/คณิต = chain-of-thought — ถ้าโจทย์บอกว่าผลลัพธ์ยังไม่ตรง format ที่ต้องการ คำตอบมักเป็น few-shot
Prompt engineering ต่างจาก fine-tuning ยังไง
Prompt engineering = ปรับ "คำสั่ง" โดยไม่แตะโมเดล (ถูก เร็ว ทำได้ทันที) ส่วน fine-tuning = เทรนโมเดลต่อด้วยข้อมูลเรา (แพงกว่า ใช้เมื่อ prompt อย่างเดียวเอาไม่อยู่) — ข้อสอบให้เลือกวิธีที่ "ถูกและเร็วที่สุดที่แก้ปัญหาได้" เสมอ เริ่มจาก prompt ก่อน
Inference parameters อย่าง temperature/top-p ต้องรู้แค่ไหน
รู้ระดับแนวคิด: temperature ต่ำ = คำตอบนิ่ง เหมาะงาน factual · สูง = สร้างสรรค์หลากหลาย · max tokens จำกัดความยาว (คุมต้นทุน) — โจทย์ "อยากให้คำตอบสม่ำเสมอทุกครั้ง" = ลด temperature
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที