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