LLM ใช้ดี ชีวิตดีขึ้นจริงไหม?
หรือบางทีเราแค่ “คุยกับมันไม่เป็น”
คำถามคือ…มันต่างกันที่โมเดล
หรือมันต่างกันที่ “วิธีใช้”
จากงานวิจัยหลายสาย ตั้งแต่เรื่อง Prompt Engineering, Constitutional AI ไปจนถึงประสบการณ์ของ community ที่ลองผิดลองถูกกันมาหนักมาก
มีการสรุป 5 วิธีเขียน Prompt ที่ทำให้ LLM ทำงานได้ใกล้คำว่า “ผู้ช่วย” มากกว่า “เครื่องเดาสุ่ม”
และที่สำคัญ
มันไม่ใช่เทคนิคเวทมนตร์
แต่มันคือการสื่อสารให้ชัด
1) Constitutional AI Prompting – เขียนให้ชัดว่า “ห้ามทำอะไร”
คนส่วนใหญ่สั่งแบบนี้
“ช่วยเขียนบทความแบบมืออาชีพ”
“ช่วยสรุปให้ดีๆ”
ปัญหาคือคำว่า “ดี” ของคุณ
กับคำว่า “ดี” ของโมเดล มันคนละโลก
งานวิจัยด้าน Constitutional AI พยายามฝึกให้โมเดลมี “หลักการภายใน” ว่าอะไรควรทำ ไม่ควรทำ
แต่ในระดับผู้ใช้ เราก็สร้างแนวทางของเราเองได้
แทนที่จะบอกว่าอยากได้อะไรอย่างเดียว
ลองบอกว่า “ห้ามทำอะไร”
เช่น
ห้ามใช้ศัพท์เทคนิคโดยไม่อธิบาย
ห้ามเขียนประโยคยาวเกิน 20 คำ
ห้ามสมมติว่าคนอ่านมีพื้นฐานด้าน AI
ทันทีที่คุณกำหนดขอบเขตชัด
โมเดลจะ “เพ้อ” น้อยลง
มีการทดลองสั่งเขียนบทความแบบไม่ใส่ข้อห้าม
ผลคือได้งานที่ดูฉลาด แต่ลอย
พอใส่ข้อห้ามแบบชัดเจน เด็ดขาดลงไป
งานกระชับขึ้น และใกล้สิ่งที่ผมต้องการมากกว่าเดิมอย่างเห็นได้ชัด
LLM ไม่ได้เก่งเพราะมันรู้ทุกอย่าง
มันเก่งเพราะมันตอบในกรอบที่คุณสร้าง
คุณสร้างกรอบชัดแค่ไหน
คุณภาพงานก็ชัดแค่นั้น
2) Chain-of-Thought Forcing – บังคับให้คิดทีละขั้น
ปกติเราชอบถามสั้น ๆ แล้วรอคำตอบสั้น ๆ
แต่โมเดลเองก็มีแนวโน้ม “รีบตอบให้จบ”
โดยที่กระบวนการคิดอาจจะกระโดดข้ามขั้น
ในงานวิจัยเรื่อง Chain-of-Thought พบว่า
ถ้าให้โมเดล “คิดเป็นขั้นตอนก่อน”
ความแม่นยำจะดีขึ้น โดยเฉพาะโจทย์ที่ซับซ้อน
วิธีง่ายมาก
สั่ง Prompt ให้ LLM ก่อนตอบ “ ให้เขียนวิธีคิดทีละขั้น” → แล้วค่อยสรุปคำตอบ
สิ่งที่เกิดขึ้นไม่ใช่แค่คำตอบดีขึ้น
แต่คุณได้เห็น “เส้นทางความคิด” ของมันด้วย
เราสามารถอ่าน Reasoning Promptที่เค้าแสดงวิธีคิดออกมาได้ก่อน
ดูว่ามันตีโจทย์ถูกไหม เข้าใจเงื่อนไขครบไหม
มันเหมือนเราไม่ได้จ้างเด็กฝึกงานให้ส่งคำตอบอย่างเดียว
แต่ให้เขาเล่าให้ฟังว่าเขาคิดยังไง
คุณจะเริ่มเห็นจุดที่มันพลาด
และจุดที่มันคิดได้ดี
AI ไม่ได้กลายเป็นกล่องดำอีกต่อไป
ถ้าเราบังคับให้มันอธิบายตัวเอง
3) Structured Output – บังคับฟอร์แมตให้ชัด
หลายๆคนจะชอบสั่งว่า “ในคำถามนี้ให้สร้างคำตอบเป็นข้อ ๆ”
มันคลุมเครือเกินไป
โมเดลอาจตอบเป็นข้อ
แต่แถมบทความยาวอีกสามย่อหน้า
ทำให้เปลือง Token มาก
เทคนิคอันนี้ Advance มากแต่ได้ผลดี
คือการนำข้อมูลที่ต้องการเข้าโค้ดให้เป็นภาษาคอมพิวเตอร์
คุณต้องกำหนดโครงสร้างชัดเจน
เช่นให้ตอบอยู่ในแท็กที่กำหนดเท่านั้น
และห้ามเขียนนอกแท็ก
ตัวอย่าง
ตอบกลับในฟอร์แมตนี้เท่านั้น:
<answer>
<main_point>ประเด็นหลัก 1 ประโยค</main_point>
<evidence>เหตุผลหรือข้อมูลรองรับ</evidence>
<conclusion>ข้อสรุปหรือข้อแนะนำ</conclusion>
</answer>
สิ่งที่ผมสังเกตคือ
ยิ่งโครงสร้างชัด โมเดลยิ่งนิ่ง
LLM ไม่ได้ดื้อ
มันแค่ตีความตามพื้นที่ว่างที่คุณเปิดไว้
ถ้าคุณเปิดพื้นที่กว้าง
มันก็เติมทุกอย่างที่คิดว่าน่าจะช่วย
ถ้าคุณกำหนดกรอบแคบ
มันจะอยู่ในกรอบนั้น
นี่คือทักษะการเขียน Prompt ที่ช่วยในคนทำระบบ Automation
เพราะความ “สวยงามทางภาษา” ไม่สำคัญเท่าความ “เสถียร”
4) Few-Shot + Reasoning – ให้ตัวอย่างพร้อม “วิธีคิด”
หลายคนทำ Few-shot แบบให้ตัวอย่าง Input → Output
ซึ่งก็ช่วยได้แต่ยังไม่สุด
แบบที่แรงกว่าคือ
Input → Reasoning → Output
เมื่อคุณให้หลายตัวอย่างที่เผย “วิธีคิด”
โมเดลจะเริ่มเลียนแบบกระบวนการ ไม่ใช่แค่โทน
ตัวอย่างการทำ Chatbot ตอบลูกค้า
จากเดิมที่ได้คำตอบสุภาพแต่แบน ๆ
ตัวอย่าง 1 – ใช้แอปไม่เป็น
INPUT:
“สมัครแอปแล้ว แต่ใช้งานครั้งแรกไม่เป็น งงมากครับ”
REASONING:
1) ข้อความลูกค้าที่ทักมาเป็นข้อความขอความเห็นใจ
2) ขั้นตอนในการตอบกลับ
– Step 1 อัปเดตแอป
– Step 2 กดปุ่มเข้าสู่ระบบ และใส่อีเมล/รหัสผ่าน
– Step 3 ถ้ามี error ให้ส่งรูปหน้าจอมา
3) ทางเลือกเพิ่ม: เสนอลิงก์วิดีโอ หรือเจ้าหน้าที่ช่วยทีละขั้น
OUTPUT:
“ขอบคุณที่ทักมานะครับ เข้าใจเลยว่าการใช้งานครั้งแรกอาจจะงงได้ เดี๋ยวลองตามนี้ก่อนครับ
1) เช็กว่าแอปเป็นเวอร์ชันล่าสุดแล้ว
2) เปิดแอป กดปุ่ม ‘เข้าสู่ระบบ’ มุมขวาล่าง แล้วใส่อีเมลและรหัสผ่านที่ใช้สมัคร
3) ถ้าขึ้นข้อความผิดพลาด แคปหน้าจอส่งมาทางแชตนี้ได้เลยครับ
ถ้ายังติดอยู่ ผมส่งวิดีโอสอนให้ได้ หรือให้เจ้าหน้าที่โทรไปช่วยทีละขั้นก็ได้ครับ”
ตัวอย่าง 2 – ของส่งช้า
INPUT:
“ของสั่งไปเป็นอาทิตย์ ทำไมยังไม่ถึง แย่มาก”
REASONING:
1) ข้อความที่ลูกค้าถามมาเป็นคำต่อว่า ให้ตอบกลับในแนว ยอมรับว่าลูกค้าหงุดหงิด และขอโทษ
2) ขั้นตอน:
– Step 1 ขอเลขออเดอร์
– Step 2 ตรวจสถานะและบอกให้ลูกค้ารู้
– Step 3 บอกว่าจะเร่งประสานขนส่ง
3) ทางเลือกเพิ่ม: เลือกระหว่างรอพร้อมส่วนลด หรือยกเลิก/คืนเงิน
OUTPUT:
“ขอโทษจริง ๆ ครับที่ทำให้ต้องรอนานจนไม่สบายใจ ขอบคุณที่แจ้งให้เราทราบนะครับ
รบกวนขอเลขออเดอร์หรือเบอร์โทรที่ใช้สั่งซื้อ เดี๋ยวผมเช็กสถานะให้ทันที และประสานบริษัทขนส่งให้เร่งจัดส่งอีกทางครับ
ถ้าไม่สะดวกจะรอต่อ เรามีให้เลือกสองแบบ
1) ยกเลิกออเดอร์และคืนเงินเต็มจำนวน
2) รอรับของตามสถานะปัจจุบัน พร้อมคูปองส่วนลดใช้รอบถัดไป
แจ้งได้เลยครับว่าต้องการแบบไหน เราจะจัดการให้เร็วที่สุดครับ”
พอใส่ตัวอย่าง reasoning เพิ่มเข้าไปเช่น
ต้องเริ่มจากความเห็นใจ
ต้องอธิบายเป็นขั้นตอน
ต้องเสนอทางเลือกเพิ่ม
คำตอบที่ได้มีโครงชัดขึ้นทันที
มันไม่ใช่เรื่องมหัศจรรย์
มันคือการสอนผ่านตัวอย่าง
LLM ไม่ได้อ่านใจคุณ
แต่มันอ่าน pattern ได้เก่งมาก
คำถามคือ
คุณให้ pattern ที่ดีพอหรือยัง
5) System Prompt Separation – แยก “กติกา” ออกจาก “งาน”
หลายคนพิมพ์ทุกอย่างยัดในย่อหน้าเดียว
บทบาทก็อยู่ตรงนั้น
งานก็อยู่ตรงนั้น
ข้อห้ามก็ปนกันหมด
ผลคือพฤติกรรมโมเดลไม่นิ่ง
ถ้าคุณแยกชัดว่า
นี่คือกติกา
นี่คืองาน
โมเดลจะรักษาบุคลิกและข้อจำกัดได้เสถียรกว่า
ตัวอย่าง
คุณคือที่ปรึกษาด้าน AI
– พูดตรง ประเมินตามหลักฐาน
– ไม่ให้คำแนะนำด้านการแพทย์/กฎหมายเชิงลึก
นี่คืองานที่อยากให้ช่วย:
1) สรุปข่าว …
2) ชี้ผลกระทบกับธุรกิจ SME ไทย
ในระดับองค์กร เรื่องนี้สำคัญมาก
เพราะมันช่วยกัน prompt injection ได้ระดับหนึ่ง
และทำให้การใช้งานซ้ำ ๆ มีมาตรฐานเดียวกัน
มันคือการออกแบบ “สภาพแวดล้อมการทำงาน” ให้ AI
ไม่ต่างจากการออกแบบองค์กรให้คนทำงาน
สุดท้ายแล้ว
LLM ไม่ได้ฉลาดหรือโง่ในตัวมันเอง
มันสะท้อน “คุณภาพการสื่อสาร” ของเรา
ถ้าเรายังสั่งงานแบบกว้าง ๆ
หวังผลลัพธ์ระดับมืออาชีพ
เรากำลังโทษเครื่องมือ
ทั้งที่ปัญหาอยู่ที่วิธีคิดของเราเอง
คำถามที่ผมอยากชวนคุณคิดคือ
คุณกำลังใช้ AI แบบ “ถามเอาคำตอบ”
หรือกำลัง “ออกแบบวิธีคิดร่วมกับมัน” อยู่กันแน่?
genaispace.net : A Space to learn Generative AI Together
รับเทรนนิ่งองค์กรเกี่ยวกับการใช้ Generative AI เพื่อพัฒนาทักษะของพนักงาน เป็นองค์กร,บริษัท,กลุ่ม,เดี่ยว ด้วยประสบการณ์กว่า 3 ปี ผ่านองค์กรใหญ่ๆมากกว่า 50 แห่งและพนักงานกว่า 2,000 คน
สนใจ Inbox ข้อความเพื่อขอรายละเอียดได้ครับ