ວິສະວະກຳພຣອມພຕ໌

ເປັນຫຍັງວິທີການຂຽນ Prompt ຈຶ່ງສົ່ງຜົນຕໍ່ຜົນລັບ

LLM ເຮັດວຽກໂດຍການຄາດເດົາຂໍ້ຄວາມທີ່ຕໍ່ເນື່ອງຈາກ input ທີ່ປ້ອນເຂົ້າໄປ. ເຖິງແມ່ນຈະເປັນຄຳຖາມດຽວກັນ, ການລະບຸເງື່ອນໄຂເບື້ອງຕົ້ນຫຼືຮູບແບບ output ຫຼືບໍ່ນັ້ນ ສາມາດສົ່ງຜົນຕໍ່ຄວາມຖືກຕ້ອງແລະຄວາມເປັນປະໂຫຍດຂອງຄຳຕອບໄດ້ຢ່າງຫຼວງຫຼາຍ. ພຽງແຕ່ລະບຸວ່າ "ໃຫ້ສະເໜີ 3 ທາງເລືອກເປັນ bullet point" ກໍສາມາດໄດ້ຮັບຄຳຕອບທີ່ເປັນປະໂຫຍດຫຼາຍກວ່າການຖາມແບບບໍ່ມີທິດທາງ.

ເຕັກນິກທີ່ເປັນຕົວແທນ

Zero-shot / Few-shot: ການໃຫ້ຄຳສັ່ງໂດຍບໍ່ມີຕົວຢ່າງເອີ້ນວ່າ Zero-shot, ສ່ວນການຕື່ມຕົວຢ່າງ 1 ຫຼືຫຼາຍລາຍການເອີ້ນວ່າ Few-shot. ສຳລັບ task ການຈັດໝວດໝູ່ຫຼືການລະບຸຮູບແບບ, Few-shot ມີແນວໂນ້ມໃຫ້ຜົນທີ່ສະຖຽນກວ່າ.

Chain-of-Thought（CoT）: ເຕັກນິກທີ່ໃຊ້ຄຳສັ່ງວ່າ "ໃຫ້ຄິດທີລະຂັ້ນຕອນ" ເພື່ອໃຫ້ model ສະແດງຂະບວນການໃຫ້ເຫດຜົນຢ່າງຊັດເຈນ. ເປັນທີ່ຮູ້ຈັກວ່າສາມາດເພີ່ມອັດຕາຄຳຕອບທີ່ຖືກຕ້ອງໃນບັນຫາຄະນິດສາດແລະຕັກກະສາດ.

Role Prompting: ການລະບຸບົດບາດ ເຊັ່ນ "ທ່ານເປັນ Senior Engineer". ໃຊ້ເພື່ອຄວບຄຸມໂທນສຽງແລະຄວາມຊ່ຽວຊານຂອງ output.

ການພັດທະນາໄປສູ່ Context Engineering

ນັບຕັ້ງແຕ່ປະມານປີ 2025, ບໍ່ພຽງແຕ່ການອອກແບບ prompt ແບບດ່ຽວ, ແຕ່ທັດສະນະກ່ຽວກັບວິທີການຈັດໂຄງສ້າງຂໍ້ມູນ (context) ທີ່ສົ່ງໃຫ້ລະບົບ AI ທັງໝົດກໍໄດ້ຮັບຄວາມສຳຄັນຫຼາຍຂຶ້ນ. ນີ້ຄືສາຂາທີ່ເອີ້ນວ່າ Context Engineering ເຊິ່ງຄອບຄຸມການໃສ່ຄວາມຮູ້ພາຍນອກຜ່ານ RAG, ການຈັດໂຄງສ້າງ tool definition, ແລະການຈັດການປະຫວັດການສົນທະນາ. Prompt Engineering ກຳລັງກາຍເປັນພຽງໜຶ່ງໃນອົງປະກອບຂອງ Context Engineering.

ຢ່າງໃດກໍຕາມ, ຫຼັກການພື້ນຖານຂອງ prompt ທີ່ວ່າ——ຄຳສັ່ງທີ່ຊັດເຈນ, ຕົວຢ່າງທີ່ເໝາະສົມ, ການລະບຸຮູບແບບ output——ກໍຍັງເປັນລາກຖານຂອງ Context Engineering ເຊັ່ນກັນ. ການອອກແບບລະບົບທັງໝົດໂດຍບໍ່ເຂົ້າໃຈພື້ນຖານນັ້ນເປັນສິ່ງທີ່ເຮັດບໍ່ໄດ້.