วิธีเขียนข้อความกระตุ้นสำหรับเครือข่ายประสาทเทียม

โมเดลภาษาขนาดใหญ่เข้าใจภาษาธรรมชาติ (ภาษาอังกฤษ, ภาษาฝรั่งเศส, ภาษาเยอรมัน, เป็นต้น) ดังนั้น การสื่อสารกับแชทบอทจึงคล้ายกับการสื่อสารกับคนจริง คำกระตุ้น (Prompt) คือข้อความคำถาม วลี หรือคำแนะนำโดยละเอียดซึ่งอาจยาวหลายย่อหน้าที่เราส่งไปยังแชทบอท คุณภาพของคำตอบที่ได้รับขึ้นอยู่กับว่าคำถามนั้นถูกเขียนไว้อย่างชัดเจนและเข้าใจได้มากเพียงใด ในเนื้อหาส่วนนี้ เราจะพิจารณาวิธีการต่างๆ ในการเขียนคำกระตุ้น เพื่อให้คุณสามารถโต้ตอบกับแชทบอทบนเว็บไซต์ของเราได้อย่างมีประสิทธิภาพสูงสุด ไม่ว่าจะเป็น GPT, Claude, Gemini และอื่นๆ

โครงสร้างของคำสั่ง

คำสั่งสามารถประกอบด้วยองค์ประกอบต่อไปนี้:

• เป้าหมาย, ภารกิจ
• บริบท, ตัวอย่าง
• รูปแบบผลลัพธ์ (รายการ, ตาราง, ข้อความที่มีความยาวเฉพาะ – เช่น ไม่เกิน 100 คำ)
• ข้อจำกัด (ข้อมูลการตรวจสอบข้อเท็จจริง, การอ้างอิงแหล่งที่มา, เป็นต้น)

เกร็ก บร็อกแมน, ผู้ร่วมก่อตั้งและประธานปัจจุบันของ OpenAI, ได้เผยแพร่ตัวอย่างของคำสั่งที่ดีบนบัญชี X ของเขา:

กายวิภาคของคำสั่ง: เป้าหมาย, รูปแบบการตอบกลับ, คำเตือน, บริบท

ข้อความนี้ประกอบด้วย 4 ส่วนที่เป็นตรรกะ ในตอนเริ่มต้น ผู้เขียนกำหนดเป้าหมายไว้ – ค้นหาเส้นทางเดินป่าที่ไม่ค่อยเป็นที่รู้จักและมีความยาวปานกลาง ซึ่งสามารถเดินทางไปได้ภายใน 2 ชั่วโมงจากซานฟรานซิสโก

จากนั้นรูปแบบการตอบกลับจะถูกระบุไว้: แสดงผลลัพธ์ 3 อันดับแรก ระบุชื่อ เส้นทางเดินป่าแต่ละเส้นทาง ระยะเวลาที่ใช้ จุดเริ่มต้นและจุดสิ้นสุด ลักษณะเด่น เป็นต้น

ในส่วนถัดไป ผู้เขียนขอให้ตรวจสอบข้อมูลอีกครั้งให้แน่ใจว่าเส้นทางนั้นมีอยู่จริง (เนื่องจากโมเดลภาษาขนาดใหญ่มีแนวโน้มที่จะสร้างข้อมูลที่ไม่เป็นจริงขึ้นมาได้ ดังนั้นการตรวจสอบเพิ่มเติมจึงมีความสำคัญ) ชื่อเส้นทางถูกต้อง และสามารถค้นหาได้ในแอป AllTrails โดยใช้ชื่อนี้

ในบล็อกสุดท้าย ผู้เขียนได้เพิ่มบริบท: อธิบายว่าทำไมพวกเขาถึงสนใจเส้นทางที่ไม่ค่อยมีคนรู้จักเป็นพิเศษ – เพราะพวกเขาได้เดินป่าเส้นทางยอดนิยมทั้งหมดแล้ว และได้ระบุเส้นทางเหล่านั้นไว้ ขอบคุณคำชี้แจงเหล่านี้ แชทบอทสามารถเข้าใจสิ่งที่ต้องการได้ดีขึ้นและแนะนำข้อมูลที่เกี่ยวข้องได้ เนื่องจากคำว่า "เส้นทางที่ไม่ค่อยมีคนรู้จัก" นั้นค่อนข้างคลุมเครือ แต่เมื่อมีการชี้แจงเพิ่มเติม งานก็ชัดเจนขึ้น

คำแนะนำสำหรับการสร้างคำกระตุ้น

การสร้างคำกระตุ้นเป็นศาสตร์ครึ่งหนึ่ง วิทยาศาสตร์อีกครึ่งหนึ่ง ลองปรึกษาผู้เชี่ยวชาญจากมหาวิทยาลัยฮาร์วาร์ด เทคโนโลยีสารสนเทศ (HUIT) ซึ่งได้สรุปหลักการพื้นฐานในการสร้างคำกระตุ้นไว้ดังนี้:

• จงเจาะจง รายละเอียดที่สำคัญจะช่วยลดโอกาสที่คำตอบจะไม่ถูกต้อง แทนที่จะบอกบอทว่า "เขียนเรื่องราว" ให้บอกบอทว่าเรื่องราวควรเป็นแบบไหน ไม่ว่าจะเป็นเรื่องราวสำหรับเด็กหรือผู้ใหญ่ แนวไหน และอื่นๆ
• กำหนดบทบาท การขอให้บอทรับบทบาทและดำเนินการตามบทบาทนั้น (เช่น "ทำตัวราวกับว่าคุณเป็นเทรนเนอร์ส่วนตัวของฉัน") เป็นวิธีง่ายๆ ที่จะทำให้ได้ผลลัพธ์ที่ดีขึ้นอย่างน่าประหลาดใจ
• เลือกประเภทของผลลัพธ์: เรื่องราว รายงาน สรุป บทสนทนา โค้ด ฯลฯ
• ใช้ตัวอย่างและการอ้างอิง เช่น คัดลอกและวางย่อหน้า แล้วบอกให้บอทเลียนแบบสไตล์ โทน และโครงสร้าง
• บอกบอทไม่เพียงแต่สิ่งที่ควรทำ แต่ยังรวมถึงสิ่งที่ไม่ควรทำด้วย: "สร้างแผนการรับประทานอาหาร แต่อย่าใส่อาหารทะเลลงไป เพราะฉันแพ้อาหารทะเล"
• ต่อยอดบทสนทนา แก้ไขข้อผิดพลาด และให้ข้อเสนอแนะ ปฏิบัติต่อแชทบอทเสมือนเพื่อนร่วมงานหรือเพื่อนร่วมทีม คุณสามารถเริ่มต้นด้วยคำถามพื้นฐาน จากนั้นจึงเพิ่มบริบทและความเฉพาะเจาะจงเพิ่มเติม

ให้ชัดเจนและเฉพาะเจาะจง ให้บริบท ทดลองกับคำเตือนที่แตกต่างกัน ใช้คำสำคัญที่เกี่ยวข้อง ปรับปรุงคำเตือนหากจำเป็น

ไม่แน่ใจว่าจะสร้างคำกระตุ้นที่ดีได้อย่างไร? ลองขอความช่วยเหลือจากแชทบอทดูสิ! เริ่มต้นด้วยแนวคิดพื้นฐานเกี่ยวกับสิ่งที่คุณต้องการ แล้วขอให้ AI ขยายความให้ เช่น "ฉันควรขอให้คุณช่วยเขียนบล็อกโพสต์เกี่ยวกับ AI อะไรบ้าง" แค่เติม "บอกฉันหน่อยว่าคุณต้องการอะไรอีก" ไว้ท้ายคำกระตุ้น ก็สามารถช่วยเติมเต็มช่องว่างที่จะช่วยให้ AI สร้างผลลัพธ์ที่ดีขึ้นได้

ประเภทของคำกระตุ้นและรูปแบบคำกระตุ้นที่พบบ่อย

MIT Sloan School of Management แบ่งประเภทของคำกระตุ้นออกเป็นประเภทต่างๆ ดังต่อไปนี้:

ภาควิชาวิทยาการคอมพิวเตอร์ มหาวิทยาลัยแวนเดอร์บิลต์ รัฐเทนเนสซี แบ่งประเภทของรูปแบบพรอมต์ออกเป็นดังนี้:

• ความหมายของอินพุต
• การปรับแต่งเอาต์พุต
• การระบุข้อผิดพลาด
• การปรับปรุงพรอมต์
• การควบคุมบริบท

ความหมายของอินพุต หมายถึง วิธีที่โมเดลภาษาขนาดใหญ่ตีความและประมวลผลอินพุตของผู้ใช้ แล้วแปลงข้อมูลนั้นให้อยู่ในรูปแบบที่มีโครงสร้าง ซึ่งโมเดลสามารถใช้สร้างคำตอบได้ วิธีการนี้เกี่ยวข้องกับการสร้าง "ภาษา" ที่กำหนดเองหรือสัญลักษณ์ชวเลขเฉพาะที่ปรับแต่งให้เหมาะกับงานเฉพาะ เช่น การอธิบายกราฟ การกำหนดสเตตแมชชีน หรือการสร้างคำสั่งอัตโนมัติ ซึ่งทำให้ผู้ใช้สามารถถ่ายทอดแนวคิดที่ซับซ้อนได้ง่ายขึ้นเมื่อวิธีการป้อนข้อมูลมาตรฐานไม่มีประสิทธิภาพ การสอนโมเดลให้รู้จักและใช้กฎที่กำหนดไว้ล่วงหน้า จะช่วยให้ผู้ใช้สามารถลดความซับซ้อนของไวยากรณ์ ลดการทำซ้ำ และประหยัดเวลาได้ ตัวอย่างเช่น ผู้ใช้อาจสั่งให้โมเดลจดจำว่าสัญลักษณ์หรือรูปแบบบางอย่างมีความหมายเฉพาะเจาะจง ซึ่งช่วยให้สามารถขยายอินพุตที่กระชับให้เป็นคำสั่งโดยละเอียดภายในได้

ตัวอย่าง: “จากนี้ไป ทุกครั้งที่ฉันเขียนชื่อในรูปแบบ City1 >> City2 ฉันจะตีความว่าเป็นคำขอให้สร้างแผนการเดินทางระหว่างสองเมืองนั้น ซึ่งรวมถึงตัวเลือกการขนส่ง เวลาโดยประมาณ และสถานที่ท่องเที่ยวสำคัญ”

การปรับแต่งผลลัพธ์คือกระบวนการกำหนดและควบคุมรูปแบบ โครงสร้าง สไตล์ และมุมมองของคำตอบที่สร้างขึ้นโดยแบบจำลองภาษาขนาดใหญ่ วิธีนี้ช่วยให้ผู้ใช้สามารถปรับแต่งผลลัพธ์ของแบบจำลองให้ตรงกับความต้องการเฉพาะ เช่น การรับเอาบุคลิกเฉพาะตัว การปฏิบัติตามเทมเพลตที่กำหนดไว้ล่วงหน้า หรือการยึดถือลำดับขั้นตอน เพื่อให้มั่นใจว่าเนื้อหาที่สร้างขึ้นมีความสอดคล้อง ตรงประเด็น และนำไปปฏิบัติได้จริง ด้วยการสั่งให้แบบจำลองรับบทบาทบางอย่างหรือใช้ข้อจำกัดเฉพาะ ผู้ใช้สามารถกำหนดจุดเน้น น้ำเสียง และความลึกของคำตอบ ทำให้เหมาะสมกับบริบททางวิชาชีพ การศึกษา หรือเฉพาะทาง

ตัวอย่าง: "จากนี้ไป เมื่อฉันขอให้รีวิวผลิตภัณฑ์ จงทำตัวเหมือนนักวิจารณ์เทคโนโลยีมืออาชีพ แบ่งคำตอบของคุณออกเป็นสามส่วน: ข้อดี ข้อเสีย และคำตัดสิน ใช้โทนเสียงที่เป็นกลางและเน้นที่ประสิทธิภาพ การออกแบบ และความคุ้มค่า"

การระบุข้อผิดพลาดมุ่งเน้นไปที่การระบุและแก้ไขข้อผิดพลาดในผลลัพธ์ที่สร้างขึ้นโดยแบบจำลอง วิธีนี้ช่วยให้ผู้ใช้ตรวจสอบความน่าเชื่อถือของเนื้อหาที่สร้างขึ้น เปิดเผยอคติหรือข้อผิดพลาดที่ซ่อนอยู่ และปรับแต่งแบบสอบถามเพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้น ซึ่งสำคัญอย่างยิ่งเมื่อพิจารณาจากแนวโน้มของแชทบอทที่มักจะให้ข้อมูลที่น่าเชื่อถือแต่ไม่ถูกต้อง

ตัวอย่าง: "เมื่ออธิบายอาการทางการแพทย์ ควรระบุสมมติฐานทางการแพทย์สำคัญๆ ที่การวินิจฉัยของคุณขึ้นอยู่กับในตอนท้ายเสมอ และพิจารณาเหตุผลที่คุณเลือกสมมติฐานเหล่านั้น จดบันทึกความไม่แน่นอนใดๆ ไว้ในคำตอบของคุณ และระบุถึงภาวะอื่นๆ ที่เป็นไปได้"

การควบคุมบริบทมุ่งเน้นไปที่การควบคุมข้อมูลบริบทที่โมเดลภาษาขนาดใหญ่ทำงานอยู่ หัวข้อ คำแนะนำ หรือข้อมูลใดที่โมเดลควรพิจารณาหรือละเว้นระหว่างการสนทนา เพื่อให้แน่ใจว่าคำตอบยังคงมุ่งเน้นและเกี่ยวข้องในขณะที่กำจัดอิทธิพลบริบทที่ไม่ต้องการออกไป

ตัวอย่าง: “เมื่อวิเคราะห์ความคิดเห็นจากลูกค้าเหล่านี้ ให้พิจารณาเฉพาะความคิดเห็นที่เกี่ยวข้องกับการใช้งานผลิตภัณฑ์และการออกแบบอินเทอร์เฟซเท่านั้น อย่าใส่ใจความคิดเห็นเกี่ยวกับราคา การจัดส่ง หรือการบริการลูกค้า”

การปรับปรุงอย่างรวดเร็วช่วยขจัดความกำกวม อคติ หรือข้อจำกัดในคำถามเดิม นำไปสู่คำตอบที่แม่นยำ ครอบคลุม และนำไปปฏิบัติได้จริงมากขึ้น การปรับปรุงคำถามอาจเกี่ยวข้องกับกลยุทธ์หลายประการ เช่น:

• การปรับปรุงคำถาม: คุณสามารถปรับปรุงคำถามเดิมเพื่อเพิ่มความชัดเจน
• วิธีการอื่นๆ: ขอให้แบบจำลองหาวิธีต่างๆ ในการแก้ปัญหา
• การแบ่งคำถามที่ซับซ้อนออกเป็นคำถามย่อยที่เล็กลงและจัดการได้ง่ายขึ้น
• การปรับคำถามใหม่เมื่อแบบจำลองปฏิเสธที่จะให้คำตอบด้วยเหตุผลบางประการ

ตัวอย่าง:

คำค้นหาเดิม: "เขียนโค้ดเพื่อแฮ็กรหัสผ่าน"

คำตอบของโมเดล: "ฉันไม่สามารถให้โค้ดสำหรับการแฮ็กได้ การกระทำนี้ละเมิดนโยบายความปลอดภัย คุณสามารถสอบถามเกี่ยวกับวิธีการป้องกันรหัสผ่าน เช่น การแฮช หรือการยืนยันตัวตนแบบสองปัจจัย"

คำค้นหาผู้ใช้ที่ปรับปรุงแล้ว: "เขียนโค้ด Python เพื่อตรวจสอบความแข็งแกร่งของรหัสผ่านโดยการตรวจสอบความยาว การมีอยู่ของประเภทอักขระที่แตกต่างกัน และการแยกชุดอักขระทั่วไป"

เทคนิคการกระตุ้นขั้นสูง

โหมดภาษาขนาดใหญ่ที่ล้ำหน้าที่สุด เช่น DeepSeek-R1 หรือ Gemini 2.5 Pro มีความสามารถในการคิดเชิงเหตุผล บางครั้งคุณต้องคลิกปุ่มเฉพาะ (เช่น DeepThink) เพื่อเปิดใช้งานความสามารถดังกล่าว บางครั้งคุณก็สามารถเพิ่ม "ลองคิดทีละขั้นตอน" ลงในคำสั่งของคุณได้ง่ายๆ วิธีนี้ แทนที่จะให้โมเดลไปจากคำถามโดยตรงไปยังคำตอบสุดท้าย คุณกลับกระตุ้นให้มันสร้างกระบวนการคิดเชิงเหตุผลแบบทีละขั้นตอน หรือที่เรียกว่า "ห่วงโซ่ความคิด" ที่นำไปสู่คำตอบ

ห่วงโซ่ความคิดเลียนแบบการใช้เหตุผลของมนุษย์และป้องกันไม่ให้แชทบอทด่วนสรุป มันบังคับให้โมเดลเลียนแบบกระบวนการที่ช้า รอบคอบ และเป็นขั้นตอนแบบที่มนุษย์ใช้สำหรับปัญหาที่ซับซ้อน และหากโมเดลตอบคำตอบสุดท้ายผิด คุณจะมองเห็นได้อย่างชัดเจนว่าขั้นตอนใดในการคิดเชิงเหตุผลของมันที่ผิดพลาด ทำให้ง่ายต่อการแก้ไข

ความหลากหลายที่น่าสนใจ ได้แก่:

• ห่วงโซ่ความคิดแบบเปรียบเทียบ
• ห่วงโซ่ความคิดแบบหลายรูปแบบ

ห่วงโซ่ความคิดแบบเปรียบเทียบช่วยเพิ่มความสามารถในการใช้เหตุผลของแบบจำลองภาษาขนาดใหญ่ โดยการนำเสนอตัวอย่างทั้งที่ถูกต้องและไม่ถูกต้องของวิธีแก้ปัญหา

ห่วงโซ่แห่งความคิดที่ขัดแย้งกัน

การวิเคราะห์แบบ Contrastive Chain of Thought แสดงให้เห็นว่าสามารถเพิ่มประสิทธิภาพในการวัดผลการใช้เหตุผลต่างๆ ได้อย่างมีนัยสำคัญ โดยแสดงให้เห็นอย่างชัดเจนว่าควรหลีกเลี่ยงข้อผิดพลาดใดบ้างในแบบจำลอง ยกตัวอย่างเช่น ในเกณฑ์มาตรฐาน GSM8K สำหรับการใช้เหตุผลเชิงเลขคณิต การวิเคราะห์แบบ Contrastive Chain of Thought แสดงให้เห็นถึงความแม่นยำที่เพิ่มขึ้นอย่างเห็นได้ชัดเมื่อเทียบกับการวิเคราะห์แบบ Chain of Thought มาตรฐาน

การวิเคราะห์แบบ Multimodal Chain of Thought ผสานรวมข้อความและภาพเข้าไว้ในกรอบการทำงานสองขั้นตอน ข้อความแจ้งเตือนอาจมีลักษณะดังนี้: "ดูแผนภูมิยอดขาย อธิบายขั้นตอนของคุณ: คุณเห็นอะไรบนแกน X และ Y? แนวโน้มตรงนี้คืออะไร? คุณสามารถสรุปผลได้อย่างไร?" แบบจำลองจะอธิบายข้อมูลภาพก่อน จากนั้นจึงสรุปผลทีละขั้นตอนโดยอ้างอิงจากข้อมูลดังกล่าว

ห่วงโซ่แห่งความคิดแบบหลายรูปแบบ

ในภาพด้านบน แบบจำลองจะถูกขอให้เลือกคุณสมบัติที่วัตถุทั้งสองมีร่วมกัน: ทั้งสอง A) นุ่ม หรือ B) เค็ม?

เทคนิคการกระตุ้นขั้นสูงอื่นๆ ที่ควรกล่าวถึง:

• ความสอดคล้องในตนเอง: แทนที่จะใช้ "ห่วงโซ่ความคิด" เพียงสายเดียว แบบจำลองจะสร้างเส้นทางการให้เหตุผลหลายเส้นทาง แล้วจึงเลือกคำตอบที่สอดคล้องและบ่อยที่สุด
• ต้นไม้แห่งความคิด: แบบจำลองจะสำรวจเส้นทางการแก้ปัญหาที่เป็นไปได้หลายเส้นทาง (เหมือนกิ่งก้านของต้นไม้) ประเมินความเป็นไปได้ของแต่ละเส้นทาง และเจาะลึกลงไปในเส้นทางที่มีแนวโน้มมากที่สุด
• การกระตุ้นแบบย้อนกลับ: แบบจำลองจะกำหนดหลักการทั่วไปหรือแนวคิดเชิงนามธรรมที่เกี่ยวข้องกับคำถาม ("ถอยกลับหนึ่งก้าว") ก่อน แล้วจึงนำไปใช้เพื่อหาคำตอบที่แม่นยำ

คุณสามารถเรียนรู้เพิ่มเติมเกี่ยวกับเทคนิคเหล่านี้และเทคนิคอื่นๆ ได้ที่นี่

แหล่งที่มา: promptingguide.ai

คุณยังจะพบลิงก์ไปยังการศึกษาทางวิทยาศาสตร์เกี่ยวกับเทคนิคเหล่านี้ด้วย

จะหาคำแนะนำดีๆ ได้ที่ไหน

มีเว็บไซต์มากมายที่คุณสามารถค้นหาคำแนะนำสำเร็จรูป ทั้งแบบเสียเงินและฟรี เว็บไซต์เหล่านี้เรียกว่า "prompt libraries" นี่คือตัวอย่างบางส่วน:

• Snack Prompt โซลูชันการสร้างเนื้อหาแบบคลิกเดียว และคำแนะนำแบบหลายขั้นตอนอันทรงพลังสำหรับกรณีการใช้งานขั้นสูง แต่ละคำแนะนำได้รับการประเมินโดยสมาชิกชุมชน
• Prompt Library ของ Anthropic ออกแบบมาเพื่อผู้ใช้และนักพัฒนาของ Claude
• God of Prompt คลังคำแนะนำขนาดใหญ่ในหัวข้อต่างๆ เช่น การเงิน การศึกษา ประสิทธิภาพการทำงาน การเขียน ฯลฯ
• PromptBase ข้อความพร้อมท์สำเร็จรูปมากกว่า 230,000 รายการสำหรับ GPT, Claude, Gemini, DeepSeek และเครือข่ายประสาทอื่นๆ

Prompt libraries

นอกจากนี้ยังมีบริการต่างๆ เช่น PromptPerfect ที่ช่วยให้คุณปรับแต่งพรอมต์ของคุณเองสำหรับโมเดลต่างๆ ได้

ดังนั้น ด้วยการใช้เทคนิคและคำแนะนำในการสร้างพรอมต์ที่อธิบายไว้ในบทความนี้ และใช้ไลบรารีโซลูชันสำเร็จรูป คุณสามารถสร้างหรือค้นหาพรอมต์สำหรับการแก้ปัญหางานใดๆ ก็ได้

นอกจากนี้ อย่าลืมว่าเว็บไซต์ของเรามีโมเดลภาษาที่หลากหลาย ดังนั้นจึงเป็นประโยชน์ในการสลับใช้และทดลองใช้เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด