🎯 เป้าหมาย
- ออกแบบ prompt ที่มีบทบาท งาน ข้อจำกัด และรูปแบบผลลัพธ์
- เปรียบเทียบ zero-shot กับ few-shot
- ทดลองและวิเคราะห์ผลลัพธ์จำลองในบทเรียน
1. Prompt คืออินเทอร์เฟซของโมเดลภาษา
คำสั่งที่เขียนบอกโมเดลว่าต้องทำอะไร ในบริบทใด และตอบแบบไหน คุณภาพของ prompt ส่งผลต่อคุณภาพและความเสถียรของคำตอบอย่างมาก
2. โครงสร้าง prompt ที่ใช้ได้จริง
- Role — บทบาท (เช่น ครูฟิสิกส์ ม.ปลาย)
- Task — งานชัดเจน
- Constraints — ข้อจำกัด (ความยาว ภาษา ห้ามแต่งข้อมูล)
- Output format — รูปแบบผลลัพธ์ (ตาราง ขั้นตอน ข้อสอบ)
- Examples — ตัวอย่าง few-shot เมื่อจำเป็น
แล็บ A — Prompt อ่อน vs แข็งแรง
Prompt อ่อน:
อธิบายแรงโน้มถ่วง
ผลลัพธ์จำลอง: คำอธิบายทั่วไป อาจยาว ไม่ระบุระดับชั้น อาจมีศัพท์เกินระดับ
Prompt แข็งแรง:
บทบาท: ครูฟิสิกส์ ม.5
งาน: อธิบายแรงโน้มถ่วงนิวตันให้เข้าใจใน 5 ประโยค
ข้อจำกัด: ใช้ภาษาไทย ม.ปลาย ไม่ใช้สูตรแคลคูลัส
รูปแบบ: 1) นิยาม 2) ตัวอย่างในชีวิต 3) ข้อควรระวังความเข้าใจผิด
ผลลัพธ์จำลอง: ได้โครงสร้างชัด ระดับภาษาเหมาะสม และมีจุดกันความเข้าใจผิด — ง่ายต่อการตรวจและนำไปสอนต่อ
แล็บ B — Zero-shot vs Few-shot
Zero-shot:
แปลงประโยคต่อไปนี้เป็นโทนทางการ: "ส่งไฟล์มาเดี๋ยวนี้"
ผลลัพธ์จำลอง: "กรุณาส่งไฟล์ดังกล่าวโดยเร็วที่สุด"
Few-shot:
ตัวอย่าง1: "โทรมาสิ" → "โปรดติดต่อกลับเมื่อสะดวก"
ตัวอย่าง2: "เอางานมา" → "กรุณาส่งงานภายในกำหนด"
แปลง: "ส่งไฟล์มาเดี๋ยวนี้"
ผลลัพธ์จำลอง: โทนสอดคล้องตัวอย่างมากขึ้น เช่น "กรุณาส่งไฟล์โดยเร็วเมื่อเป็นไปได้"
Few-shot ไม่การันตีความถูกต้องของข้อเท็จจริง — มันชี้รูปแบบ ยังต้องตรวจสอบเนื้อหา
ทดลองจริง (ถ้ามีเครื่องมือ AI):
- เขียน prompt อ่อน 1 ข้อ แล้วบันทึกผล
- เขียน prompt แข็งแรงตามโครงสร้าง Role/Task/Constraints/Format
- เปรียบเทียบความชัดเจน ความยาว และการนำไปใช้
อ้างอิง: แนวปฏิบัติ prompting ในเอกสารผู้ใช้ LLM · หลักสูตร AI literacy ระดับมัธยมปลาย
✅ สรุป
- Prompt ที่ดีมีบทบาท งาน ข้อจำกัด และรูปแบบ
- Few-shot ช่วยกำหนดรูปแบบ ไม่แทนการตรวจข้อเท็จจริง
- ทดลองเปรียบเทียบเป็นทักษะสำคัญ
📝 แบบฝึกหัดท้ายบท (5 ข้อ)
1. องค์ประกอบสำคัญของ prompt ที่ดีมีอะไรบ้าง?
2. Zero-shot หมายถึงอะไร?
3. Few-shot ช่วยอะไรเป็นหลัก?
4. ทำไม prompt อ่อนมักได้ผลไม่เสถียร?
5. หลังได้คำตอบจาก LLM ควรทำอะไร?