AI & Generative AI

Prompt Engineering โดย Google 2025

คู่มือฉบับเข้าใจง่าย เพื่อปลดล็อกศักยภาพ AI สูงสุด

3 May 202530 min readRAGDashboard

Prompt Engineering โดย Google 2025

คู่มือฉบับเข้าใจง่าย เพื่อปลดล็อกศักยภาพ AI สูงสุด

📌 Connect with me and follow our journey: Linkedin, Facebook

บทความนี้สรุปเนื้อหาสำคัญจากหนังสือ “Prompt Engineering” ซึ่งเผยแพร่โดย Google ในเดือนกุมภาพันธ์ 2025 โดยมีวัตถุประสงค์เพื่อเป็นแนวทางเบื้องต้นในการทำความเข้าใจและประยุกต์ใช้เทคนิค Prompt Engineering อย่างมีประสิทธิภาพ สำหรับผู้ที่สนใจศึกษาเพิ่มเติม สามารถดาวน์โหลดเอกสารฉบับเต็มได้ที่: https://www.kaggle.com/whitepaper-prompt-engineering

1. หลักการพื้นฐานของ Prompt Engineering

- Prompt คืออะไร?

Prompt คือข้อความที่เราป้อนให้กับ AI เพื่อให้ AI สร้างผลลัพธ์ออกมา อาจเป็นคำถาม คำสั่ง หรือข้อความใดๆ ก็ได้ ตัวอย่างเช่น:

คำถาม: “เมืองหลวงของประเทศไทยคืออะไร?”
คำสั่ง: “เขียนบทความเกี่ยวกับ Prompt Engineering”
ข้อความ: “สรุปข่าวการเลือกตั้งล่าสุด”

Prompt ที่ดี จะนำไปสู่ผลลัพธ์ที่ตรงกับความต้องการของเรามากที่สุด

Figure: Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

- Prompt Engineering คืออะไร? และทำไมถึงสำคัญ?

Prompt Engineering คือกระบวนการออกแบบและพัฒนา Prompt เพื่อให้ AI สามารถตอบสนองได้อย่างมีประสิทธิภาพสูงสุด เปรียบเสมือนการ “ตั้งคำถามที่ใช่” เพื่อให้ได้ “คำตอบที่ต้องการ” ทักษะนี้มีความสำคัญอย่างยิ่ง เพราะช่วยให้เรา:

ปลดล็อกศักยภาพของ AI อย่างเต็มที่
สร้างผลลัพธ์ที่แม่นยำ ตรงประเด็น และมีคุณภาพสูง
ประหยัดเวลาและทรัพยากรในการทำงานกับ AI
แก้ปัญหาที่ซับซ้อนได้อย่างสร้างสรรค์

Prompt Engineering ไม่ใช่แค่การเขียน Prompt ให้สวยงาม แต่เป็นการทำความเข้าใจ AI และปรับ Prompt ให้เหมาะสมกับความสามารถและข้อจำกัดของ AI แต่ละรุ่น

- AI คิดอย่างไร? การทำความเข้าใจ Token Prediction

AI อย่าง Gemini หรือ GPT ทำงานด้วยระบบที่เรียกว่า “token prediction” หรือการทำนายคำถัดไปจากคำที่ได้รับ เมื่อเราเขียน Prompt ระบบจะพยายามหาคำต่อไปที่มีความน่าจะเป็นสูงสุดตามลำดับ

ตัวอย่างเปรียบเทียบให้เห็นภาพ:

เมื่อคุณพิมพ์ว่า “กรุงเทพเป็นเมืองหลวงของ…” AI จะพยายามเดาคำต่อไปว่า “ประเทศไทย”
แต่หากใช้ Prompt ที่ไม่ชัดเจน เช่น “กรุงเทพ…” ระบบอาจตอบอะไรก็ได้ เช่น “เป็นเมืองใหญ่” หรือ “มีประชากรหนาแน่น”

2. การปรับแต่งพารามิเตอร์ของ AI: ควบคุมผลลัพธ์ให้ตรงใจ

เมื่อใช้ AI ผ่าน API หรือแพลตฟอร์มอย่าง Vertex AI คุณสามารถปรับแต่งค่าพารามิเตอร์ต่างๆ เพื่อควบคุมผลลัพธ์ได้ดังนี้:

- Output Length (ความยาวของผลลัพธ์)

คือการกำหนดจำนวน Token สูงสุดที่ AI จะสร้างในคำตอบ หากตั้งค่าสั้นเกินไป คำตอบอาจไม่สมบูรณ์หรือขาดข้อมูลสำคัญ หากตั้งค่ายาวเกินไป อาจทำให้ใช้ทรัพยากรและต้นทุนเพิ่มขึ้น

ในการตั้งค่า Output Length คุณควรพิจารณา:

ความซับซ้อนของคำถาม
ปริมาณข้อมูลที่ต้องการในคำตอบ
ข้อจำกัดด้านทรัพยากรและต้นทุน

ข้อควรจำ: การตั้งค่า Output Length ให้สั้น ไม่ได้หมายความว่า AI จะเขียนให้กระชับขึ้น เพียงแต่จำกัดความยาวของคำตอบเท่านั้น

- Sampling Controls: ควบคุมความหลากหลายและความแม่นยำ

AI ไม่ได้ตอบแบบเดียวกันเสมอไป แต่เลือกคำตอบจากความน่าจะเป็น โดยมีพารามิเตอร์หลัก 3 ตัวที่ควบคุมลักษณะการตอบ:

🔹 Temperature: ปรับระดับความคิดสร้างสรรค์

ต่ำ (0–0.3): ให้คำตอบที่แม่นยำ สม่ำเสมอ และคาดเดาได้ เหมาะกับงานที่ต้องการความถูกต้องสูง เช่น คำถามด้านคณิตศาสตร์, การแปลภาษาแบบตรงตัว
สูง (0.7–1): ให้คำตอบที่มีความหลากหลาย สร้างสรรค์ และคาดเดาได้ยาก เหมาะกับงานที่ต้องการความคิดสร้างสรรค์ เช่น การแต่งกลอน, การเขียนเรื่องสั้น, การ brainstorming ไอเดีย

🔹 Top-K: จำกัดตัวเลือกเพื่อความแม่นยำ

จำกัดให้ AI เลือกจากคำที่มีความน่าจะเป็นสูงสุด K คำ
K น้อย: ให้คำตอบที่แม่นยำและเจาะจง
K มาก: ให้คำตอบที่มีความสร้างสรรค์มากขึ้น

🔹 Top-P (Nucleus Sampling): ควบคุมความน่าจะเป็นรวม

คล้ายกับ Top-K แต่เลือกตาม “เปอร์เซ็นต์ความน่าจะเป็นรวม” แทนจำนวนคำที่แน่นอน
เช่น การตั้งค่า Top-P ที่ 0.9 หมายถึงการเลือกคำที่มีความน่าจะเป็นรวมกันถึง 90%

- เคล็ดลับการตั้งค่า:

อยากได้คำตอบกลาง ๆ: temperature 0.2 / top-p 0.95 / top-k 30
อยากให้ AI ครีเอทีฟ: temperature 0.9 / top-p 0.99 / top-k 40
อยากได้คำตอบเป๊ะ ๆ: temperature 0 / top-p 0.9 / top-k 1

- ข้อควรระวัง: หลีกเลี่ยง Repetition Loop Bug

การตั้งค่าพารามิเตอร์ที่สุดโต่งเกินไป อาจนำไปสู่ปัญหา “Repetition Loop” ที่ AI ตอบคำถามเดิมซ้ำๆ วนไปวนมา ปัญหานี้สามารถเกิดขึ้นได้ทั้งในกรณีที่ตั้งค่าให้มีการสุ่มมากเกินไป (Temperature สูง) หรือแม่นยำเกินไป (Temperature ต่ำ)

แนวทางการแก้ไข Repetition Loop Bug:

ปรับสมดุลค่าพารามิเตอร์ เพื่อให้ AI มีความหลากหลายและความแม่นยำที่เหมาะสม
ใช้เทคนิค “Prompt Engineering” เช่น การเพิ่ม Context หรือ Role เพื่อให้ AI เข้าใจความต้องการของเรามากขึ้น
ใช้ “Stop Sequences” เพื่อบอกให้ AI หยุดสร้างคำตอบ เมื่อถึงจุดที่ต้องการ

3. เทคนิค Prompting พื้นฐาน: เริ่มต้นอย่างง่าย แต่ได้ผลลัพธ์ที่ทรงพลัง

1. Zero-Shot Prompting:

เป็นการเขียน Prompt โดยตรง โดยไม่ต้องมีตัวอย่างประกอบ เหมาะสำหรับงานที่ไม่ซับซ้อน และ AI มีความรู้พื้นฐานอยู่แล้ว เช่น การจัดหมวดหมู่รีวิวภาพยนตร์, การแปลคำศัพท์ง่ายๆ

ตัวอย่าง:

Prompt: “จัดหมวดหมู่รีวิวนี้ว่าเป็น ‘บวก’ หรือ ‘ลบ’: ‘ภาพยนตร์เรื่องนี้สนุกมาก นักแสดงเล่นดี บทดีเยี่ยม’”
ผลลัพธ์: “บวก”

ข้อจำกัด: Zero-Shot Prompting อาจไม่ให้ผลลัพธ์ที่ดีเสมอไป หากงานมีความซับซ้อน หรือ AI ไม่มีความรู้พื้นฐานในเรื่องนั้นๆ

Figure: An example of Zero-Shot Promptiong → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

2. One-Shot & Few-Shot Prompting: สอน AI ด้วยตัวอย่าง เพื่อผลลัพธ์ที่แม่นยำกว่า

เป็นการให้ตัวอย่างหนึ่งหรือหลายตัวอย่าง ก่อนถามคำถามจริง เพื่อช่วยให้ AI เข้าใจรูปแบบการตอบที่ต้องการ

One-Shot: ให้ 1 ตัวอย่าง
Few-Shot: ให้หลายตัวอย่าง

เหมาะสำหรับงานที่ Zero-Shot Prompting ไม่ให้ผลลัพธ์ที่ดีพอ หรือต้องการให้ AI ทำตามรูปแบบที่กำหนด

📌 ตัวอย่าง: สั่งให้แปลงคำสั่งสั่งพิซซ่าเป็น JSON

Prompt:
'''
EXAMPLE:
I want a small pizza with cheese, tomato sauce, and pepperoni.

JSON Response:
{
"size": "small",
"type": "normal",
"ingredients": "cheese", "tomato sauce", "pepperoni"
}

ตอนนี้อยากได้ large pizza ครึ่งแรกชีส+mozzarella อีกครึ่งใส่ tomato sauce, ham, pineapple.
'''

(AI Response)
'''
{
"size": "large",
"type": "half-half",
"ingredients": [["cheese", "mozzarella"], ["tomato sauce", "ham", "pineapple"]]
}
'''

จากตัวอย่างข้างต้น เราสามารถใช้ Few-Shot Prompting เพื่อสอน AI ให้แปลงคำสั่งสั่งพิซซ่า ให้เป็นรูปแบบ JSON ที่เราต้องการ เทคนิคนี้สามารถนำไปประยุกต์ใช้กับงานที่ซับซ้อนอื่นๆ ได้ เช่น การสร้าง API requests, การแปลงข้อมูล, การสร้าง code snippets

Figure: An example of Few-Shot Promptiong → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

4. Context & Role: กำหนดบริบทและบทบาท เพื่อผลลัพธ์ที่ตรงจุด

มี 3 วิธีหลักในการกำหนดบริบทเพื่อให้ AI ตอบได้แม่นยำยิ่งขึ้น:

1. System Prompting: กำหนดหน้าที่หลักของ AI

เป็นการกำหนด “หน้าที่หลัก” ของ AI เช่น การแปลภาษา, การวิเคราะห์ความรู้สึก, การสรุปข่าว ช่วยให้ได้ผลลัพธ์ที่เป็นระเบียบและลดการสร้างข้อมูลที่ไม่ถูกต้อง (Hallucination)
ตัวอย่าง:
- Prompt: “คุณคือผู้ช่วยแปลภาษา แปลประโยคต่อไปนี้จากภาษาอังกฤษเป็นภาษาไทย: ‘Hello, how are you?’”
- ผลลัพธ์: “สวัสดี คุณสบายดีไหม?”

Figure: An example of System Prompting → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

Figure: An Example of System Prompting with JSON format → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

2. Contextual Prompting: ใส่บริบทเฉพาะ เพื่อผลลัพธ์ที่เหมาะสม

เป็นการใส่ “บริบทเฉพาะ” ของงานนั้นๆ เช่น “ผู้รับเป็นลูกค้า VIP” หรือ “ใช้ภาษาทางการ” เหมาะสำหรับงานที่มีความเฉพาะเจาะจง เช่น งานเขียนเนื้อหา, การตลาด, การออกแบบประสบการณ์ผู้ใช้ (UX)
ตัวอย่าง:
- Prompt: “เขียนอีเมลแจ้งเตือนการชำระเงิน ให้ลูกค้า VIP โดยใช้ภาษาที่สุภาพและเป็นกันเอง”
- ผลลัพธ์: (อีเมลที่มีเนื้อหาเหมาะสมกับลูกค้า VIP)

Figure: An Example of Contextual Prompting → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

3. Role Prompting: กำหนดบทบาทที่ AI ต้องสวม เพื่อโทนภาษาที่สอดคล้อง

เป็นการกำหนดบทบาทที่ AI ต้องรับ เช่น “คุณคือครูสอนฟิสิกส์” หรือ “คุณเป็นผู้เชี่ยวชาญด้านกฎหมาย” ช่วยให้โทนภาษาและเนื้อหาสอดคล้องกับบทบาทที่กำหนด
ตัวอย่าง:
- Prompt: “คุณคือครูสอนฟิสิกส์ อธิบายเรื่องแรงโน้มถ่วงให้เด็กอายุ 10 ขวบเข้าใจง่าย”
- ผลลัพธ์: (คำอธิบายเรื่องแรงโน้มถ่วงที่เข้าใจง่าย เหมาะสำหรับเด็กอายุ 10 ขวบ)

Figure: An Example of Role Prompting → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

Figure: An Example of Role Prompting with a humorous Tone and Style → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

เคล็ดลับ: ผสมผสานเทคนิคต่างๆ เพื่อผลลัพธ์ที่เหนือกว่า

เทคนิคทั้ง 3 แบบสามารถใช้ร่วมกันได้ เช่น “ช่วยแปลภาษา (System) จากภาษาอังกฤษเป็นไทยแบบไม่เป็นทางการ (Context) โดยคุณคือนักแปลมืออาชีพ (Role)”

5. ยกระดับการ Prompting ไปอีกขั้น

1. Step-Back Prompting: ถอยหลังหนึ่งก้าว เพื่อแก้ปัญหาที่ซับซ้อน

เป็นการให้ AI ถอยกลับมาคิดในภาพกว้างก่อนตอบคำถามเฉพาะเจาะจง โดยมีกระบวนการดังนี้:

ให้ AI พิจารณาภาพรวมหรือหลักการทั่วไปก่อน
จากนั้นจึงค่อยนำความรู้นั้นมาประยุกต์กับคำถามเฉพาะ

ตัวอย่าง:

แบบดั้งเดิม: “ช่วยแต่งเนื้อเรื่องเกมยิงมุมมองบุคคลที่หนึ่งให้หน่อย”
แบบ Step-Back:
- ถามก่อนว่า “อะไรคือสถานที่ยอดนิยมที่น่าสนใจในเกมยิง?”
- จากนั้นจึงสั่งให้ AI แต่งเรื่องโดยใช้สถานที่เหล่านั้น

ผลลัพธ์: แทนที่จะได้เนื้อเรื่องทั่วไป คุณจะได้เนื้อเรื่องที่มีความลึก มีธีมชัดเจน เช่น “สถานีวิจัยใต้น้ำ” ที่มีศัตรูเป็นสัตว์กลายพันธุ์

Figure: A Traditional Prompt before we compare it with a step back prompt → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

Figure: An Example of Prompting for Self Consistency → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

Figure: An example of prompting for self consistency → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

2. Chain of Thought (CoT): สอน AI ให้คิดเป็นขั้นตอน

เป็นการให้ AI คิดเป็นขั้นเป็นตอนก่อนให้คำตอบสุดท้าย เพื่อแก้ไขปัญหาที่ AI มักจะตอบสั้นๆ ซึ่งอาจนำไปสู่คำตอบที่ผิดพลาด

ตัวอย่าง:

คำถาม: “ตอนฉันอายุ 3 ปี คู่ของฉันอายุ 3 เท่าของฉัน ปัจจุบันฉันอายุ 20 คู่ฉันอายุเท่าไร”
คำตอบของ AI (ที่ผิด): “63”
Prompt ที่ปรับปรุง: “Let’s think step by step. ตอนฉันอายุ 3 ปี คู่ของฉันอายุ 3 เท่าของฉัน ปัจจุบันฉันอายุ 20 คู่ฉันอายุเท่าไร”
คำตอบของ AI (ที่ถูกต้อง):
- ตอนคุณอายุ 3 ปี คู่ของคุณอายุ 9 ปี (3 x 3)
- ตอนนี้คุณอายุ 20 ปี เพิ่มขึ้น 17 ปี
- คู่ของคุณก็เพิ่มขึ้น 17 ปีเช่นกัน → 9 + 17 = 26 ปี

ประโยชน์: CoT ทำให้ AI แสดงขั้นตอนการคิดออกมา ซึ่งช่วยลดความผิดพลาดและทำให้เราเข้าใจกระบวนการคิดของ AI ได้ดียิ่งขึ้น

Figure: An example of a prompt which is trying to solve a mathematical problem → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

Figure: An example of Chain of Thought prompting → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

Figure: An example of chain of thought prompting with a single-shot → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

3. Self-Consistency: ให้ AI คิดหลายรอบ แล้วเลือกคำตอบที่พบบ่อยที่สุด

เนื่องจาก AI มีความไม่แน่นอน (Randomness) ในการตอบ Self-consistency จึงเป็นการให้ AI ตอบคำถามเดียวกันหลายรอบ จากนั้นเลือกคำตอบที่ปรากฏบ่อยที่สุดเป็นคำตอบสุดท้าย

ตัวอย่าง:

คำถาม: “อีเมลนี้สำคัญหรือไม่?”
AI ตอบ 3 ครั้ง: บางรอบตอบ “IMPORTANT”, บางรอบตอบ “NOT IMPORTANT”
ผลลัพธ์: ถ้า 2 ใน 3 ตอบว่า “IMPORTANT” → เลือก “IMPORTANT” เป็นคำตอบสุดท้าย

ข้อดี: ได้ผลลัพธ์ที่แม่นยำและสม่ำเสมอมากขึ้น
ข้อเสีย: ใช้เวลานานและมีค่าใช้จ่ายสูงเนื่องจากต้องประมวลผลหลายครั้ง

Figure: An example of prompting for self consistency → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

4. Tree of Thoughts (ToT): แตกความคิดเป็นหลายทางเลือก

เป็นการให้ AI คิดแบบแตกแขนงเป็นหลายทางเลือก เปรียบเทียบ:

Chain of Thought คือการคิดเป็นเส้นตรง
Tree of Thoughts คือการแตกความคิดเป็นหลายทางเหมือนกิ่งก้านของต้นไม้

กระบวนการ:

AI จะลองคิดหลายแนวทางที่เป็นไปได้
จากนั้นจึงประเมินและเลือกแนวทางที่ดีที่สุด

เหมาะสำหรับ:

งานที่มีหลายวิธีการในการหาคำตอบ
การวางแผนกลยุทธ์
การวิเคราะห์เกม
การเขียนเนื้อหาที่ต้องมีมุมมองหลากหลาย

5. ReAct (Reason + Act): ให้ AI คิดและลงมือทำอย่างเป็นระบบ

ReAct คือแนวทางที่ทำให้ AI สามารถ “คิดเป็นขั้นตอน” และ “ลงมือทำ” ได้อย่างเป็นระบบ ตัวอย่างการทำงาน:

เมื่อถาม AI ว่า: “สมาชิกวง Metallica มีลูกทั้งหมดกี่คน?”

AI จะทำงานตามลำดับขั้นตอน:

ค้นหาว่ามีสมาชิกใดบ้างในวง Metallica
ค้นหาข้อมูลจาก Google สำหรับสมาชิกแต่ละคน (เช่น “James Hetfield มีลูกกี่คน?”)
รวบรวมข้อมูล คำนวณ และคำตอบว่า “10 คน”

เหมาะสำหรับงานประเภท:

การวิเคราะห์ข่าวสาร
การสรุปข้อมูลจากหลายแหล่ง
ผู้ช่วยอัตโนมัติที่ต้อง “ค้นหาข้อมูลก่อนตอบคำถาม”

6. Automatic Prompt Engineering (APE): ใช้ AI เขียน Prompt สำหรับ AI อีกที!

คือ “การเขียน Prompt ด้วย AI แทนมนุษย์” ใช้ AI เขียน Prompt สำหรับฝึก AI อีกที 😄

ตัวอย่างการใช้งาน:

สมมติว่าคุณมีเว็บไซต์ขายเสื้อวงดนตรี และต้องการฝึก chatbot ให้เข้าใจคำสั่งซื้อในรูปแบบต่างๆ เช่น “อยากได้เสื้อ Metallica ไซส์ S”

คุณสามารถให้ AI สร้างรูปแบบคำสั่งที่หลากหลาย เช่น:

“Can I order a small-sized Metallica t-shirt?”
“One Metallica shirt, size small please.”
“I want to buy a Metallica t-shirt in size S.”

จากนั้นคุณสามารถเลือกรูปแบบคำสั่งที่ดีที่สุดเพื่อนำไปใช้ในการฝึก chatbot

ข้อดี:

ได้คำสั่งที่หลากหลายและตรงกับกลุ่มเป้าหมาย
เหมาะสำหรับการฝึก chatbot หรือการทำ UX/UI automation

Figure: Use an LLM to generate prompts → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

6. Code Prompting: ไม่ใช่แค่เขียนบทความ แต่เขียนโค้ดก็เทพ!

1. Write Code Prompting: สั่งให้ AI เขียนโค้ด

ตัวอย่าง: เมื่อคุณสั่ง “เขียน Bash script เพื่อ rename ไฟล์ในโฟลเดอร์ โดยเติมคำว่า draft ข้างหน้า”
AI จะตอบกลับด้วยโค้ด:

for file in "$folder_name"/*; do
new_file_name="draft_$(basename "$file")"
mv "$file" "$new_file_name"
done

เหมาะสำหรับงานประจำ (Routine Tasks): การเปลี่ยนชื่อไฟล์ การคัดลอก หรือการแปลงไฟล์

Figure: Using Gemini to program code → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

2. Explain Code Prompting: สั่งให้ AI อธิบายโค้ด

นำโค้ดที่มีอยู่ไปให้ AI อธิบาย ซึ่ง AI จะอธิบายทีละขั้นตอน เช่น:

ถามชื่อโฟลเดอร์
ตรวจสอบว่าโฟลเดอร์มีอยู่จริงหรือไม่
วนลูปเพื่อเปลี่ยนชื่อไฟล์ทีละไฟล์
แสดงข้อความเมื่อทำงานเสร็จสิ้น

📌 เหมาะกับ: Junior Developer, QA, คนที่อ่านโค้ดเพื่อนร่วมงานไม่ออก 😅

Figure: A prompt for explaining code → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

3. Translate Code Prompting: สั่งให้ AI แปลโค้ด

คุณสามารถสั่งให้ AI แปลงโค้ดจากภาษาหนึ่งไปเป็นอีกภาษาหนึ่ง เช่น จาก Bash เป็น Python

เหมาะสำหรับ:

การพัฒนา Web Application
การสร้าง GUI
การเชื่อมต่อกับ API

Figure: A prompt for translating code from Bash to Python → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

4. Code Debug Prompting: สั่งให้ AI ช่วยแก้บั๊ก

ตัวอย่าง: เมื่อคุณเขียนโค้ด Python แล้วเกิดข้อผิดพลาด เช่น การใช้ toUpperCase() ซึ่งไม่มีใน Python
คุณสามารถใช้ prompt:
“The below Python code gives an error: name ‘toUpperCase’ is not defined. Debug what’s wrong and explain how I can improve the code.”
AI จะตอบกลับ:
- ระบุว่า toUpperCase() ไม่มีใน Python และแนะนำให้ใช้ prefix.upper() แทน
- ให้คำแนะนำเพิ่มเติม เช่น การจัดการข้อผิดพลาด การรองรับชื่อไฟล์ที่มีช่องว่าง และการใช้ try-except เพื่อป้องกันโปรแกรมหยุดทำงาน

Figure: A prompt for debugging and reviewing Python code → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

สรุป: AI ไม่เพียงแต่แก้ไขข้อผิดพลาด แต่ยังให้ข้อเสนอแนะเพื่อปรับปรุงโค้ดให้มีความปลอดภัยและอ่านง่ายยิ่งขึ้น

7. Best Practices: Prompt อย่างไรให้ได้ผลลัพธ์ที่ดีที่สุด

1. ให้ตัวอย่างใน Prompt

ใช้ One-shot หรือ Few-shot prompt (เช่น “ดูตัวอย่างนี้แล้วลองเขียนแบบเดียวกัน”)
ตัวอย่างช่วยให้ AI เข้าใจ “โครงสร้าง” และ “รูปแบบผลลัพธ์” ที่ต้องการได้ชัดเจน

2. เขียน Prompt ให้เรียบง่ายและชัดเจน

ใช้คำง่ายๆ ไม่วกวน
ตัดรายละเอียดที่ไม่จำเป็นออก
คำกริยาที่แนะนำให้ใช้: Act, Analyze, Categorize, Classify, Contrast, Compare, Create, Describe, Define, Evaluate, Extract, Find, Generate, Identify, List, Measure, Organize, Parse, Pick, Predict, Provide, Rank, Recommend, Return, Retrieve, Rewrite, Select, Show, Sort, Summarize, Translate, Write

3. สั่งให้ชัดเจนว่าต้องการผลลัพธ์แบบไหน

ไม่ควร: เขียนคำสั่งกำกวม เช่น “เขียนบทความเกี่ยวกับเกม”
ควร: เขียนให้ละเอียด เช่น “เขียนบทความ 3 ย่อหน้า พูดถึง 5 เครื่องเกมยอดนิยม ปีที่วางขาย และยอดขาย รวมทั้งหมดในโทนสนุกสนาน”

4. ใช้คำสั่งเชิงบวก (Instructions) แทนข้อห้าม (Constraints)

ไม่ควร: “อย่าพูดถึงชื่อเกม” → อาจทำให้ AI สับสน
ควร: “ให้พูดถึงแค่ชื่อเครื่องเกม ผู้ผลิต ปีที่เปิดตัว และยอดขาย” → ชัดเจนกว่า

การบอกว่า “ต้องทำอะไร” มีประสิทธิภาพมากกว่าการบอกว่า “ห้ามทำอะไร”

5. ควบคุมความยาวของคำตอบ

ตั้งค่า max token limit หรือระบุในเนื้อ Prompt โดยตรง
ตัวอย่าง: “อธิบายฟิสิกส์ควอนตัมแบบความยาวเท่าทวีต”

6. ใช้ตัวแปรใน Prompt

ใช้รูปแบบ {variable} เพื่อสร้าง Prompt ที่นำกลับมาใช้ซ้ำได้ง่าย
ตัวอย่าง:

VARIABLE
{city} = "Amsterdam"
Prompt: You are a travel guide. Tell me a fact about the city: {city}

Figure: Using variables in prompts → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

7. ทดลองเปลี่ยนสไตล์และโครงสร้าง Prompt

คำถาม: “What made the Sega Dreamcast revolutionary?”
คำสั่ง: “Write a paragraph about Sega Dreamcast”
ข้อความบรรยาย: “The Sega Dreamcast was a sixth-gen console…”

การทดลองใช้รูปแบบที่หลากหลายจะช่วยให้ได้ผลลัพธ์ที่เหมาะสมที่สุด

8. สลับลำดับคำตอบตัวอย่างใน Few-shot Prompting

เพื่อป้องกันไม่ให้โมเดล “จดจำแค่ตำแหน่งคำตอบ”
ควรสลับตัวอย่าง POSITIVE, NEGATIVE, NEUTRAL ไปเรื่อย ๆ

9. อัปเดต Prompt ตามเวอร์ชันของโมเดลใหม่

แต่ละเวอร์ชัน AI อาจตีความ Prompt แตกต่างกัน
ใช้เครื่องมืออย่าง Vertex AI Studio หรือ Tool อื่นๆ เพื่อเก็บเวอร์ชันและบันทึกผลลัพธ์

10. ใช้ JSON เป็นรูปแบบผลลัพธ์ (Output Format)

ข้อดีของ JSON:
- โครงสร้างชัดเจน
- นำไปใช้ต่อในโปรแกรมได้ง่าย
- ลดโอกาสที่ AI จะตอบผิดหรือตอบนอกประเด็น
- สามารถจัดเรียงข้อมูลและระบุประเภทข้อมูลได้
ข้อเสีย:
- ใช้ token จำนวนมาก → อาจทำให้คำตอบไม่สมบูรณ์
- เคล็ดลับ: ใช้ไลบรารี json-repair ใน Python เพื่อแก้ไข JSON ที่ไม่สมบูรณ์

11. ใช้ Schema สำหรับ Input

นอกจากการกำหนด output แบบ JSON เราสามารถป้อน input แบบมีโครงสร้างให้ AI เข้าใจได้ดีขึ้น เช่น:

{
"name": "Wireless Headphones",
"category": "Electronics",
"price": 99.99,
"features": ["Bluetooth 5.0", "Noise cancellation"],
"release_date": "2023-10-27"
}

การใช้ schema ช่วยให้ AI เข้าใจ field ต่างๆ อย่างแม่นยำ

12. ทำงานร่วมกับคนอื่นในการเขียน Prompt

ให้หลายคนช่วยลองเขียน Prompt แบบเดียวกัน
เปรียบเทียบผลลัพธ์และเลือกแบบที่ดีที่สุด

13. CoT (Chain of Thought) Best Practices

ให้ AI แสดงเหตุผลก่อน → แล้วค่อยสรุปคำตอบ
ตั้ง temperature = 0 เพื่อให้ได้คำตอบแม่นยำ
แยกส่วน Reasoning กับ Final Answer อย่างชัดเจน

14. บันทึก Prompt ทุกเวอร์ชัน

เปรียบเทียบว่าแบบไหนได้ผลดี/ไม่ได้ผล
บันทึกการเปลี่ยนแปลง เช่น คำที่เปลี่ยน การสลับลำดับ ฯลฯ

เพื่อให้สามารถกลับมาใช้งานหรือปรับปรุงในอนาคตได้สะดวก ควรใช้ตารางดังนี้:

Figure: A template for documenting prompts → Photo from https://drive.google.com/file/d/1AbaBYbEa%5FEbPelsT40-vj64L-2IwUJHy/view

เคล็ดลับ:

ใช้ Google Sheets หรือระบบเอกสารภายในเก็บไว้
ถ้าใช้ Vertex AI Studio → แนบลิงก์ของ Prompt ที่บันทึกไว้ในระบบ
หากใช้กับ RAG (Retrieval-Augmented Generation) → เก็บข้อมูลเรื่อง query, chunking ฯลฯ ด้วย

8. กระบวนการพัฒนา Prompt ที่มีประสิทธิภาพ: ไม่ใช่แค่เขียน แต่ต้อง “ลอง-ปรับ-บันทึก”

“Prompt ที่ดีไม่ใช่เขียนครั้งเดียวแล้วเวิร์กเลย”

Prompt Engineering คือการลองผิดลองถูกอย่างเป็นระบบ:

เขียน
ทดลอง
วิเคราะห์ผล
ปรับปรุง
บันทึก
ทำซ้ำจนได้ผลลัพธ์ที่ดี

8. สรุปภาพรวม “Prompt Techniques” ทั้งหมด

“Prompt ที่ดีไม่ใช่แค่เขียนสวย แต่ต้องผ่านการทดลอง วิเคราะห์ ปรับปรุง และบันทึก”

Prompt Engineering เป็นทักษะที่ต้องฝึกต่อเนื่อง ไม่ใช่การท่องสูตรตายตัว แต่คือ “กระบวนการสร้างสรรค์ที่อิงกับผลลัพธ์” ขอให้สนุกกับการสำรวจโลกของ Prompt Engineering และปลดล็อกศักยภาพของ AI อย่างเต็มที่ ^__^

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)