วิศวกรรมพรอมต์

## ทำไมวิธีการเขียน Prompt ถึงส่งผลต่อผลลัพธ์ LLM ทำงานโดยการทำนายข้อความที่ต่อเนื่องจาก input ที่ได้รับ แม้จะเป็นคำถามเดียวกัน แต่การระบุเงื่อนไขเบื้องต้นหรือรูปแบบ output หรือไม่นั้น ส่งผลอย่างมากต่อความแม่นยำและประโยชน์ของคำตอบ เพียงแค่ระบุว่า "ให้แสดง 3 แนวทางในรูปแบบ bullet point เป็นภาษาไทย" ก็สามารถได้รับคำตอบที่มีประโยชน์ในทางปฏิบัติมากกว่าการถามอย่าง막막ไม่มีทิศทางอย่างเห็นได้ชัด ## เทคนิคที่เป็นตัวแทน **Zero-shot / Few-shot**: การให้คำสั่งโดยไม่มีตัวอย่างเรียกว่า Zero-shot ส่วนการแนบตัวอย่างที่เป็นรูปธรรม 1 ถึงหลายรายการเรียกว่า Few-shot สำหรับงานจำแนกประเภทหรือการระบุรูปแบบ Few-shot มีแนวโน้มให้ผลที่เสถียรกว่า **Chain-of-Thought (CoT)**: เทคนิคการสั่งให้แสดงกระบวนการอนุมานอย่างชัดเจน โดยใช้คำสั่งเช่น "คิดทีละขั้นตอน" เป็นที่ทราบกันว่าช่วยเพิ่มอัตราการตอบถูกต้องในโจทย์คณิตศาสตร์และปัญหาเชิงตรรกะ **Role Prompting**: การระบุบทบาท เช่น "คุณคือ Senior Engineer" เพื่อควบคุม tone และความเชี่ยวชาญของ output ## การพัฒนาสู่ Context Engineering ราวปี 2025 เป็นต้นมา นอกจากการออกแบบ prompt แบบครั้งเดียวแล้ว มุมมองเกี่ยวกับวิธีการจัดโครงสร้างข้อมูล (context) ที่ส่งให้กับระบบ AI โดยรวมก็เริ่มได้รับความสำคัญมากขึ้น สาขานี้เรียกว่า Context Engineering ซึ่งครอบคลุมถึงการฉีดความรู้จากภายนอกด้วย RAG การจัดโครงสร้างนิยาม tool และการจัดการประวัติการสนทนา Prompt Engineering กำลังอยู่ในตำแหน่งที่เป็นเพียงองค์ประกอบหนึ่งภายในนั้น อย่างไรก็ตาม หลักการพื้นฐานของ prompt ได้แก่ คำสั่งที่ชัดเจน การยกตัวอย่างที่เหมาะสม และการระบุรูปแบบ output ล้วนเป็นรากฐานของ Context Engineering เช่นกัน การออกแบบระบบโดยรวมโดยไม่เข้าใจพื้นฐานนั้นเป็นสิ่งที่ทำไม่ได้