System Prompt (ซิสเต็มพรอมต์)

System Prompt คือชุดคำสั่งที่ให้ไว้กับ LLM ก่อนเริ่มการสนทนากับผู้ใช้ เพื่อกำหนดบทบาท น้ำเสียง ข้อจำกัด และควบคุมพฤติกรรมโดยรวมของแอปพลิเคชัน AI
System Prompt คือชุดคำสั่งที่ให้แก่ LLM ก่อนเริ่มการสนทนากับผู้ใช้ เพื่อกำหนดบทบาท น้ำเสียง ข้อจำกัด และควบคุมพฤติกรรมโดยรวมของแอปพลิเคชัน
ทำไม System Prompt ถึงมีความสำคัญ
เมื่อนำ Generative AI ไปใช้ในบริการหรือการทำงานจริง คุณภาพของผลิตภัณฑ์ไม่ได้ขึ้นอยู่กับความสามารถของโมเดลเพียงอย่างเดียว แม้จะใช้โมเดลเดียวกัน แต่ประสบการณ์ของผู้ใช้จะเปลี่ยนไปอย่างมากตามการออกแบบ System Prompt หากเป็น AI Chatbot สำหรับบริการลูกค้า เราสามารถกำหนดข้อจำกัดไว้ล่วงหน้าได้ เช่น "ให้ตอบด้วยภาษาที่สุภาพและไม่ตอบคำถามที่อยู่นอกเหนือขอบเขตการรับประกันสินค้า" หรือหากเป็นเครื่องมือช่วยเขียนโค้ด ก็สามารถกำหนดพฤติกรรมได้ว่า "ให้แสดงผลเฉพาะโค้ด TypeScript และอธิบายให้น้อยที่สุด" ด้วยเหตุนี้ System Prompt จึงทำหน้าที่เป็น "พิมพ์เขียว" ที่เชื่อมโยงโมเดลเข้ากับแอปพลิเคชันจริง
กลไกทางเทคนิค
LLM ส่วนใหญ่จะประมวลผลข้อความโดยแยกตามบทบาท (Role) ในการสร้างบทสนทนา โดยมีโครงสร้างหลักดังนี้:
- system: ชุดคำสั่งที่นักพัฒนาแอปพลิเคชันกำหนด (System Prompt)
- user: ข้อความที่ผู้ใช้ปลายทางป้อนเข้ามา
- assistant: การตอบกลับที่สร้างโดยโมเดล
System Prompt จะถูกวางไว้ในบทบาท system และถูกตรึงไว้ที่ส่วนบนสุดของประวัติการสนทนา โมเดลจะตีความและประมวลผลข้อความ user ที่ตามมาโดยมีคำสั่งนี้เป็นพื้นฐาน เนื่องจากมันอยู่ในตำแหน่งเริ่มต้นของ Context Window จึงถือเป็นโครงสร้างที่มีลำดับความสำคัญสูงในกลไกความสนใจ (Attention Mechanism) ของโมเดล
เมื่อใช้ร่วมกับ RAG หรือ Function Calling ใน System Prompt จะรวมถึงคำสั่งการประสานงาน (Orchestration) เช่น "ควรใช้เครื่องมือใดเมื่อใด" หรือ "ควรจัดการข้อมูลที่ได้รับจากภายนอกอย่างไร" ในบริบทของ AI Agent อาจกล่าวได้ว่ามันคือไฟล์การตั้งค่าหลักของ Agent Orchestration
ประเด็นสำคัญในการออกแบบ
สรุปมุมมองที่ควรคำนึงถึงในการออกแบบ System Prompt:
ความชัดเจนและเป็นรูปธรรม: แทนที่จะใช้คำสั่งคลุมเครืออย่าง "จงตอบอย่างใจดี" การเขียนให้ชัดเจน เช่น "สรุปคำตอบไม่เกิน 3 ประโยค และต้องเพิ่มคำอธิบายประกอบสำหรับคำศัพท์เฉพาะทางเสมอ" จะช่วยให้ได้ผลลัพธ์ที่เสถียรกว่า
การระบุข้อจำกัดอย่างชัดเจน: การระบุสิ่งที่ห้ามทำจะช่วยยับยั้งผลลัพธ์ที่ไม่พึงประสงค์ได้ และเมื่อใช้ร่วมกับ AI Guardrails จะช่วยให้สามารถควบคุมได้อย่างแข็งแกร่งยิ่งขึ้น
การกำหนดบทบาท: การกำหนดบทบาท เช่น "คุณคือผู้เชี่ยวชาญด้าน..." มีประสิทธิภาพในการสร้างความเป็นมืออาชีพและความสม่ำเสมอของสไตล์การตอบ
ในขณะเดียวกัน มาตรการป้องกัน Prompt Injection ก็เป็นสิ่งที่ขาดไม่ได้ ซึ่งเป็นเทคนิคการโจมตีที่ผู้ใช้ที่ไม่หวังดีพยายามเขียนทับข้อจำกัดของ System Prompt โดยเฉพาะในระบบที่จัดการข้อมูลจากภายนอก จำเป็นต้องมีการออกแบบความปลอดภัยโดยอ้างอิงแนวทางของ OWASP ด้วย
ความสัมพันธ์กับ Prompt Engineering
ในขณะที่ Prompt Engineering เป็นเทคนิคในการปรับแต่งการป้อนข้อมูลแต่ละครั้ง System Prompt จะทำหน้าที่กำหนด "พื้นฐาน" (Baseline) ของแอปพลิเคชันโดยรวม ในช่วงไม่กี่ปีที่ผ่านมา แนวคิดเรื่อง Context Engineering ได้ถือกำเนิดขึ้น โดยมองว่าไม่ใช่แค่ System Prompt เท่านั้น แต่รวมถึงประวัติการสนทนา ความรู้ภายนอก และคำจำกัดความของเครื่องมือ ทั้งหมดนี้ถือเป็นเป้าหมายในการออกแบบบริบทโดยรวม
System Prompt ไม่ใช่สิ่งที่เขียนครั้งเดียวแล้วจบ แต่เป็นสิ่งที่ต้องปรับปรุงอย่างต่อเนื่องโดยสังเกตจากผลลัพธ์จริง การจัดการและควบคุมเวอร์ชันภายในทีมตั้งแต่ขั้นตอน PoC ไปจนถึงการใช้งานจริง คือทางลัดที่จะช่วยยกระดับคุณภาพของการใช้งาน AI ให้สูงขึ้น
บทความที่กล่าวถึงคำศัพท์นี้
- คู่มือการเพิ่มประสิทธิภาพต้นทุน LLM — การลดโทเค็น การเลือกโมเดล และการทำแคชคู่มือลดต้นทุนการใช้งาน LLM ในระดับโปรดักชัน ด้วย 4 กลยุทธ์: การปรับแต่ง Token, การเลือก Model, Prompt Cache และ RAG เพื่อลดค่าใช้จ่ายรายเดือนลงครึ่งหนึ่งโดยยังคงความแม่นยำไว้ได้
- Context Engineering คืออะไร? กระบวนทัศน์ใหม่ของการพัฒนา LLM และวิวัฒนาการจาก Prompt EngineeringContext Engineering คือเทคนิคการออกแบบเพื่อจัดเตรียมข้อมูลที่เหมาะสมที่สุดให้กับ LLM เรียนรู้ความแตกต่างจาก Prompt Engineering และรูปแบบการใช้งาน RAG/Agent
- Prompt Caching for Multi-Tenant คืออะไร? การออกแบบเพื่อลดต้นทุนการประมวลผล (Inference) สำหรับ B2B SaaSเรียนรู้รูปแบบและขั้นตอนการออกแบบ Cache สำหรับ Multi-tenant เพื่อแชร์บริบทของ Prompt ระหว่างผู้เช่าได้อย่างปลอดภัย ช่วยลดต้นทุนการประมวลผลได้อย่างมหาศาล
- Dynamic Prompt Routing คืออะไร? การออกแบบเพื่อเลือกใช้ LLM ที่เหมาะสมที่สุดตาม Queryเจาะลึกกลไกและรูปแบบการทำ Routing Layer ที่ช่วยเลือก LLM และ Template ที่เหมาะสมแบบเรียลไทม์ตาม Query เพื่อก้าวข้ามขีดจำกัดของ LLM เพียงตัวเดียว
คำศัพท์ที่เกี่ยวข้อง

การทดสอบเจาะระบบ AI (AI Red Teaming)
วิธีการประเมินที่ทดสอบช่องโหว่ของระบบ AI อย่างเป็นระบบจากมุมมองของผู้โจมตี เพื่อระบุความเสี่ยงด้านคว

การต่อลงดิน (Grounding)
เทคนิคการนำผลลัพธ์จาก LLM มาตรวจสอบเทียบกับแหล่งข้อมูลภายนอกหรือผลการค้นหา เพื่อสร้างคำตอบที่อิงข้อเ

ข้อมูลสังเคราะห์ (Synthetic Data)
ข้อมูลสำหรับการฝึกอบรมที่สร้างขึ้นโดย AI ใช้เพื่อชดเชยการขาดแคลนข้อมูลจริง และนำไปใช้ในการเรียนรู้แล

ห่วงโซ่ความคิด (Chain of Thought)
เทคนิคการเขียนพรอมต์ที่ให้ LLM สร้างขั้นตอนการอนุมานระหว่างกลางอย่างชัดเจน เพื่อเพิ่มความแม่นยำในการ



