คำตอบจาก AI อย่าง ChatGPT, Claude หรือ Gemini บางครั้งกว้างเกินไปหรือไม่ตรงบริบทของบริษัท ซึ่งหลายครั้งแก้ได้ด้วย Prompt Engineering หรือการเขียนคำสั่งให้ AI เข้าใจงานครบ
บทความนี้สรุปหลัก Prompt Engineering จากคู่มือของ Anthropic, OpenAI และ Google เป็นขั้นตอน แม่แบบ และตัวอย่างที่ใช้ได้ทันที
สรุปสั้นสำหรับผู้บริหาร
- หัวใจของ Prompt Engineering: บอกงาน บริบท ผู้อ่าน ตัวอย่าง รูปแบบ และข้อจำกัดให้ครบ
- ไม่ต้องพึ่งลูกเล่น: กับโมเดลรุ่นใหม่ คำสั่งตรงไปตรงมาพร้อมเหตุผลได้ผลกว่าคำเน้นหนัก ๆ
- ใช้แม่แบบร่วมกัน: เก็บ Prompt ที่ทดสอบแล้วเป็นแม่แบบ (Template) ของทีม
- ตรวจก่อนใช้: ผลลัพธ์ของ AI ไม่ตายตัว ต้องตรวจตัวเลขและข้อเท็จจริงเสมอ
- ข้อห้าม: ไม่ใส่รหัสผ่านหรือข้อมูลส่วนบุคคลในเครื่องมือ AI ที่องค์กรไม่ได้อนุมัติ
Prompt Engineering คืออะไร?
Prompt Engineering คือการออกแบบและปรับปรุงคำสั่ง (Prompt) ที่ส่งให้โมเดล AI เพื่อให้ได้ผลตรงความต้องการอย่างสม่ำเสมอ ทั้งการบอกงาน ใส่บริบทและตัวอย่าง กำหนดรูปแบบคำตอบ และทดสอบปรับแก้
OpenAI ระบุว่าผลลัพธ์ของโมเดลไม่ตายตัว (Non-deterministic) Prompt Engineering จึงเป็นทั้งศาสตร์และศิลป์ ส่วนพื้นฐานของโมเดลภาษาอ่านได้ที่ LLM คืออะไร
ทำไม Prompt Engineering ยุคนี้เน้นบริบทมากกว่าลูกเล่น?
Anthropic ระบุว่า Claude รุ่นใหม่ทำตามคำสั่งแม่นยำ คำเน้นอย่าง “CRITICAL: You MUST” ที่เคยใช้กับรุ่นก่อนอาจทำให้รุ่นใหม่ใช้เครื่องมือเกินจำเป็น ส่วน Google แนะนำให้สั่ง Gemini 3 อย่างตรงและกระชับ เลี่ยงถ้อยคำเชิงโน้มน้าวที่ไม่จำเป็น
ที่ได้ผลกว่าคือบริบท Anthropic ให้มองโมเดลเหมือนพนักงานใหม่ที่เก่งแต่ไม่รู้ธรรมเนียมองค์กร ส่วน OpenAI เปรียบโมเดลแบบใช้เหตุผล (Reasoning Model) เป็นรุ่นพี่ที่รับเป้าหมายแล้วจัดการเองได้
Prompt Engineering ทำอย่างไร? 5 ขั้นตอนใช้ได้ทันที
ขั้นตอนที่ 1: บอกงานและเป้าหมาย
ขึ้นต้นด้วยคำกริยาที่ชัดและบอกว่าผลจะเอาไปใช้ทำอะไร เช่น แทน “ช่วยเขียนอีเมลหน่อย” ด้วย “ร่างอีเมลแจ้งลูกค้าว่าสินค้าส่งช้า โดยรักษาความสัมพันธ์”
ขั้นตอนที่ 2: ใส่บริบทและเหตุผล
ใส่ข้อมูลที่ AI ไม่รู้เอง เช่น นโยบายบริษัท และบอกเหตุผลของข้อกำหนด เช่น “ข้อความนี้จะถูกอ่านออกเสียง จึงไม่ใช้จุดไข่ปลา” ซึ่ง Anthropic ระบุว่าโมเดลนำเหตุผลไปปรับใช้กับกรณีอื่นได้เอง
ถ้าแนบเอกสารยาว ให้วางเอกสารไว้ต้นและคำถามไว้ท้าย ตามที่ Anthropic และ Google แนะนำ โดย Anthropic ระบุว่าช่วยให้คุณภาพคำตอบดีขึ้นได้สูงสุด 30% ในการทดสอบ
ขั้นตอนที่ 3: ระบุผู้อ่านและตัวอย่าง
บอกว่าใครจะอ่านและต้องการโทนใด การกำหนดบทบาท (Role) สั้น ๆ ก็ช่วยได้ ส่วนตัวอย่างช่วยคุมรูปแบบและโทนได้ดี Anthropic แนะนำ 3-5 ตัวอย่างที่ตรงงานจริงและหลากหลาย
ขั้นตอนที่ 4: กำหนดรูปแบบและข้อจำกัด
ระบุความยาว โครงสร้าง และภาษา พร้อมข้อจำกัดอย่าง “ใช้เฉพาะข้อมูลที่แนบ” โดยบอกสิ่งที่ต้องการแทนสิ่งที่ห้าม และใช้แท็กอย่าง <ข้อมูล> แยกคำสั่งออกจากข้อมูล
ขั้นตอนที่ 5: ทดสอบและปรับทีละจุด
ตั้งเกณฑ์ความสำเร็จและวิธีทดสอบก่อนตามที่ Anthropic แนะนำ เช่น “ตัวเลขตรงกับไฟล์ต้นฉบับ” ถ้าไม่ผ่านให้แก้ทีละจุด โดย Google แนะนำให้ลองเปลี่ยนถ้อยคำ สลับลำดับ หรือแตกเป็นหลายคำสั่ง
แม่แบบ Prompt สำหรับพนักงาน
เติมส่วนในวงเล็บเหลี่ยม และตัดส่วนที่ไม่เกี่ยวข้องออก
- งาน: ช่วย[สรุป/ร่าง/วิเคราะห์] [เรื่อง] เพื่อ[เป้าหมาย]
- บริบท: [สถานการณ์ และเหตุผลของข้อกำหนด]
- ผู้อ่าน: [ใคร ระดับความรู้ และโทน]
- ตัวอย่าง:
<ตัวอย่าง>[งานที่ต้องการ]</ตัวอย่าง> - รูปแบบ: [ความยาว โครงสร้าง และภาษา]
- ข้อจำกัด: ใช้เฉพาะข้อมูลที่ให้ ถ้าไม่พอให้บอกว่าขาดอะไร
- ข้อมูล:
<ข้อมูล>[เอกสาร]</ข้อมูล>ถ้ายาวให้ย้ายไปไว้ต้น Prompt
โครงนี้ตรงกับที่ OpenAI แนะนำให้แบ่ง Prompt เป็นบทบาท คำสั่ง ตัวอย่าง และบริบท และแม่แบบที่ทดสอบแล้วคือผลงาน Prompt Engineering ที่ทั้งทีมใช้ซ้ำได้
ตัวอย่าง Prompt งานธุรกิจไทยมีอะไรบ้าง?
ตัวอย่างที่ 1: สรุปการประชุม
“สรุปบันทึกประชุมด้านล่างให้ผู้บริหาร เฉพาะข้อตัดสินใจ งาน ผู้รับผิดชอบ และกำหนดส่ง เป็นหัวข้อย่อยไม่เกินครึ่งหน้า ถ้าไม่มีผู้รับผิดชอบให้เขียนว่า ‘ยังไม่ระบุ’”
ตัวอย่างที่ 2: ตอบอีเมลลูกค้า
“ในฐานะฝ่ายบริการลูกค้า ร่างอีเมลตอบคำร้องเรียนเรื่องส่งช้าที่แนบมา ของจะถึงวันศุกร์นี้ ใช้ภาษาสุภาพ ไม่เกิน 150 คำ และสัญญาเฉพาะข้อเท็จจริงนี้”
ตัวอย่างที่ 3: วิเคราะห์ยอดขาย
“ข้อมูลที่แนบคือยอดขายรายเดือนแยกสาขา หา 3 สาขาที่โตและลดลงมากที่สุดพร้อมตัวเลข และเสนอสาเหตุโดยแยกข้อเท็จจริงออกจากการคาดการณ์”
ตัวอย่างที่ 4: ร่างนโยบายภายใน
“ร่างนโยบายทำงานนอกสถานที่ให้ฝ่ายบุคคล ครอบคลุมผู้มีสิทธิ์ ขั้นตอนอนุมัติ และการดูแลข้อมูลบริษัท ใช้ภาษาเข้าใจง่าย และใส่ [ต้องตรวจสอบ] ทุกจุดที่เกี่ยวกับกฎหมาย”