การต่อยอดจากคำตอบก่อนหน้า
การสนทนาหลายรอบ: อ้างอิงผลลัพธ์ก่อนหน้าในพรอมป์ตติดตามผล
การต่อยอดจากคำตอบก่อนหน้า เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน
บทสนทนาหลายรอบ
บทสนทนาหลายรอบกับโมเดลปัญญาประดิษฐ์คือการสร้างร่วมกัน โดยแต่ละการแลกเปลี่ยนจะเพิ่มสิ่งใหม่ แทนที่จะแทนที่สิ่งที่เกิดขึ้นก่อนหน้า
สิ่งนี้แตกต่างจากการเขียนพรอมป์ติดตามผลเพื่อแก้ไขข้อผิดพลาด การต่อยอดจากคำตอบก่อนหน้าหมายถึงการใช้ผลลัพธ์ก่อนหน้าของโมเดลเป็นวัตถุดิบ ไม่ว่าจะเป็นการขยายความ การเลือกบางส่วน การนำมาผสมผสานใหม่ หรือการใช้มุมมองใหม่พิจารณา
การเชี่ยวชาญรูปแบบนี้ช่วยให้คุณสร้างผลลัพธ์ที่ซับซ้อนและมีหลายชั้น ซึ่งไม่สามารถทำได้ด้วยพรอมป์เดียว
การอ้างอิงผลลัพธ์ก่อนหน้า
รูปแบบการสร้างที่ง่ายที่สุดคือการอ้างอิงสิ่งที่โมเดลเพิ่งเขียน:
- "จากสิ่งที่คุณเขียนไว้ข้างต้น ความเสี่ยงสามประการที่ใหญ่ที่สุดคืออะไร"
- "นำกรอบการทำงานที่คุณอธิบายไว้ไปใช้กับบริบทด้านสาธารณสุข"
- "ใช้น้ำเสียงจากคำตอบล่าสุดของคุณเขียนย่อหน้าใหม่นี้อีกครั้ง"
- "จากรายการที่คุณสร้างขึ้น รายการใดที่คุณจะจัดลำดับความสำคัญเป็นอันดับแรก และเพราะเหตุใด"
การอ้างอิงเหล่านี้ช่วยให้โมเดลยึดโยงอยู่กับงานก่อนหน้าของตนเอง ทำให้เกิดความต่อเนื่องตลอดแต่ละรอบ
การเลือกและการขยายความ
เมื่อโมเดลสร้างรายการหรือชุดตัวเลือก คุณสามารถเลือกหนึ่งรายการแล้วขอให้ขยายความได้:
- "นำตัวเลือกที่สองจากรายการของคุณมาขยายเป็นแผนงานฉบับสมบูรณ์"
- "ฉันชอบแนวทางที่สามที่สุด เขียนคู่มือการนำไปใช้งานความยาว 300 คำสำหรับแนวทางนี้"
- "ตัวเลือก B ใกล้เคียงกับสิ่งที่ฉันต้องการมากที่สุด พัฒนาต่อโดยระบุขั้นตอนและกรอบเวลาที่ชัดเจน"
รูปแบบนี้มีประสิทธิภาพอย่างมากสำหรับกระบวนการระดมแนวคิด: สร้างตัวเลือกในรอบหนึ่ง แล้วเลือกและพัฒนาต่อในรอบถัดไป
การใช้โครงสร้างจากคำตอบก่อนหน้า
คุณสามารถขอให้โมเดลนำโครงสร้างจากคำตอบหนึ่งไปใช้กับเนื้อหาใหม่ได้:
- "ใช้โครงสร้างเดียวกับคำตอบล่าสุดของคุณเพื่อวิเคราะห์คู่แข่ง B"
- "นำรูปแบบห้าส่วนเดิมมาใช้กับผลิตภัณฑ์ใหม่นี้"
- "ทำตามโครงร่างที่คุณสร้างไว้ข้างต้น แต่ปรับเนื้อหาให้เหมาะกับกลุ่มผู้อ่านแบบ B2B แทน B2C"
วิธีนี้มีประโยชน์อย่างยิ่งสำหรับการสร้างเอกสารที่มีความสอดคล้องและโครงสร้างคู่ขนาน เช่น รายงาน การเปรียบเทียบ และการวิเคราะห์ที่ต้องใช้แม่แบบเดียวกันกับหลายหัวข้อ
ความลึกแบบวนซ้ำ: เจาะลึกขึ้นทีละรอบ
การสนทนาหลายรอบช่วยให้คุณเพิ่มระดับความลึกได้ทีละน้อย:
- รอบที่ 1: "ให้ภาพรวมระดับสูงเกี่ยวกับกระบวนการประมวลผลการเรียนรู้ของเครื่องแก่ฉัน"
- รอบที่ 2: "เจาะลึกขั้นตอนการประมวลผลข้อมูลเบื้องต้น"
- รอบที่ 3: "ให้ตัวอย่างโค้ดภาษาไพทอนสำหรับจัดการค่าที่หายไปในขั้นตอนการประมวลผลข้อมูลเบื้องต้นนั้น"
- รอบที่ 4: "ตอนนี้เพิ่มการจัดการข้อผิดพลาดและการบันทึกข้อมูลลงในตัวอย่างโค้ดนั้น"
แต่ละรอบจะเจาะลึกลงไปอีกหนึ่งระดับ วิธีนี้ควบคุมได้ดีกว่าการขอทุกอย่างพร้อมกันในพรอมต์ซับซ้อนเพียงรายการเดียว
การอ้างอิงข้ามรอบก่อนหน้าหลายรอบ
ในการสนทนาที่ยาวขึ้น คุณสามารถนำองค์ประกอบจากหลายรอบก่อนหน้ามารวมกันได้:
- "รวมบุคลิกของผู้ใช้จากรอบที่ 2 เข้ากับคุณลักษณะของผลิตภัณฑ์จากรอบที่ 4 เพื่อเขียนข้อเสนอการขายที่ตรงกลุ่มสำหรับผู้ใช้แต่ละบุคลิก"
- "นำความเสี่ยงที่คุณระบุไว้ก่อนหน้านี้และกลยุทธ์ลดผลกระทบจากคำตอบล่าสุดของคุณมาสร้างตารางความเสี่ยง"
วิธีนี้ทำงานได้ดีที่สุดเมื่อแต่ละรอบก่อนหน้าสร้างเนื้อหาที่แยกจากกันและมีป้ายกำกับชัดเจน รอบก่อนหน้าที่ไม่เป็นระเบียบจะทำให้การอ้างอิงข้ามรอบสร้างความสับสนทั้งแก่คุณและโมเดล
ข้อจำกัดของหน้าต่างบริบท
การสนทนาหลายรอบมีข้อจำกัดในทางปฏิบัติ นั่นคือ หน้าต่างบริบท ของโมเดล ทุกข้อความ—ทั้งของคุณและของโมเดล—จะถูกรวมอยู่ในบริบทที่ส่งไปยังเอพีไอ เมื่อการสนทนายาวขึ้น ข้อความที่เก่ากว่าอาจถูกตัดทอน
กลยุทธ์ที่ใช้ได้จริง:
- สรุปและย่อรอบก่อนหน้าเมื่อไม่จำเป็นต้องใช้รายละเอียดทั้งหมดอีกต่อไป
- เริ่มการสนทนาใหม่เมื่อหัวข้อเปลี่ยนไปโดยพื้นฐาน
- ทำให้คำตอบแต่ละรอบกระชับ เพื่อเพิ่มระยะที่โมเดลมองย้อนกลับไปได้
การจัดการบริบทหลายรอบในโค้ด
ในแอปพลิเคชันภาษาไพทอน คุณจะรักษาบริบทหลายรอบไว้โดยใช้ append เพื่อเพิ่มคู่ข้อความแต่ละคู่ลงในรายการประวัติการสนทนา:
import openai
client = openai.OpenAI(api_key='sk-...')
conversation = []
def chat(user_message):
conversation.append({'role': 'user', 'content': user_message})
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=conversation
)
reply = response.choices[0].message.content
conversation.append({'role': 'assistant', 'content': reply})
return reply
# Turn 1: Generate options
print(chat('Give me 3 app name ideas for a meditation app.'))
# Turn 2: Select and expand
print(chat('Take the second option and write a tagline and a 50-word app description for it.'))
# Turn 3: Apply structure to another item
print(chat('Now do the same for the first option: tagline and 50-word description.'))การยึดโยงการอ้างอิงให้ชัดเจน
เมื่ออ้างอิงผลลัพธ์ก่อนหน้า โปรดระบุให้ชัดเจนว่าคุณหมายถึงอะไร การอ้างอิงที่คลุมเครือทำให้โมเดลต้องคาดเดา:
- คลุมเครือ: "ขยายความสิ่งที่คุณพูดไว้ก่อนหน้านี้"
- ชัดเจน: "ขยายความหัวข้อย่อยข้อที่สามในคำตอบก่อนหน้าของคุณ ซึ่งเป็นหัวข้อเกี่ยวกับอุปสรรคในการเริ่มต้นใช้งาน"
หากคำตอบก่อนหน้ามีหลายส่วน ให้ระบุชื่อส่วน หากเป็นรายการ ให้ระบุหมายเลขรายการ ยิ่งคุณยึดโยงการอ้างอิงได้แม่นยำมากเท่าใด โมเดลก็จะทำตามได้อย่างน่าเชื่อถือมากขึ้นเท่านั้น
การสร้างเอกสารเป็นขั้นตอน
การสร้างแบบหลายรอบเหมาะอย่างยิ่งสำหรับการสร้างเอกสารที่มีโครงสร้าง เช่น รายงาน แผนงาน หรือข้อเสนอ:
- รอบที่ 1: สร้างโครงร่าง
- รอบที่ 2: เขียนส่วนที่ 1
- รอบที่ 3: เขียนส่วนที่ 2 โดยรักษาน้ำเสียงจากส่วนที่ 1
- รอบที่ 4: เขียนบทสรุปสำหรับผู้บริหารโดยอ้างอิงจากส่วนที่ 1 และ 2
แนวทางแบบแบ่งเป็นขั้นตอนนี้ช่วยให้คุณควบคุมแต่ละส่วนได้ก่อนดำเนินการส่วนถัดไป และช่วยให้คุณปรับทิศทางระหว่างสร้างเอกสารได้โดยไม่สูญเสียทุกอย่าง
เมื่อการสร้างล้มเหลว: บริบทขาดตอน
การสร้างแบบหลายรอบอาจผิดพลาดได้เมื่อโมเดลหลุดจากบริบทก่อนหน้า สัญญาณของการหลุดจากบริบทมีดังนี้:
- โมเดลขัดแย้งกับสิ่งที่ตนเองพูดไว้เมื่อสองรอบก่อน
- โมเดลเพิกเฉยต่อข้อจำกัดที่กำหนดไว้ตั้งแต่ต้นการสนทนา
- โมเดลกลับไปให้คำแนะนำทั่วไปแทนที่จะใช้กรอบการทำงานเฉพาะที่คุณสร้างไว้
วิธีแก้: ระบุบริบทสำคัญซ้ำอย่างชัดเจนในข้อความถัดไป แทนที่จะคิดว่าโมเดลจะจำได้ "ตามที่เราได้กำหนดไว้ กลุ่มผู้อ่านคือผู้บริหารที่ไม่ใช่สายเทคนิค เมื่อคำนึงถึงเรื่องนี้แล้ว..."
ตรวจสอบความรู้: การสร้างหลายรอบ
คุณมีการสนทนาสามรอบ รอบที่ 1 สร้างโครงร่างห้าส่วนสำหรับรายงานธุรกิจ รอบที่ 2 สร้างเนื้อหาฉบับเต็มของส่วนที่ 1 (การวิเคราะห์ตลาด) ตอนนี้คุณต้องการให้ส่วนที่ 2 (ภูมิทัศน์การแข่งขัน) มีโครงสร้างและน้ำเสียงเหมือนกับส่วนที่ 1
พรอมต์ของรอบที่ 3 แบบใดมีประสิทธิภาพมากที่สุด
สรุป: การต่อยอดจากคำตอบก่อนหน้า
การสนทนาหลายรอบเป็นวิธีที่มีประสิทธิภาพในการสร้างผลลัพธ์ที่ซับซ้อนอย่างต่อเนื่อง เทคนิคสำคัญ ได้แก่ การอ้างอิงผลลัพธ์ก่อนหน้าด้วยชื่อหรือหมายเลข การเลือกและขยายความรายการเฉพาะ การนำโครงสร้างจากคำตอบหนึ่งไปใช้กับเนื้อหาใหม่ และการเพิ่มระดับความลึกทีละรอบ
การยึดโยงอย่างแม่นยำและการตระหนักถึงข้อจำกัดของหน้าต่างบริบทเป็นทักษะหลักที่ช่วยป้องกันไม่ให้การสนทนาหลายรอบขาดความต่อเนื่อง
ในบทเรียนถัดไป คุณจะเรียนรู้ว่าเมื่อใดควรยุติการสนทนาและเริ่มใหม่ แทนที่จะสร้างต่อไป
คำถามที่พบบ่อย
บทเรียน “การต่อยอดจากคำตอบก่อนหน้า” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การต่อยอดจากคำตอบก่อนหน้า” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การต่อยอดจากคำตอบก่อนหน้า”
การสนทนาหลายรอบ: อ้างอิงผลลัพธ์ก่อนหน้าในพรอมป์ตติดตามผล คุณปฏิบัติ AI Prompt Engineering ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Prompt Engineering หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Prompt Engineering บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน
บทเรียน “การต่อยอดจากคำตอบก่อนหน้า” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Prompt Engineering นี้ได้ไหม
ได้ บทเรียน AI Prompt Engineering ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- การอ่านและประเมินผลลัพธ์ของปัญญาประดิษฐ์
- การเขียนพรอมป์ตติดตามผลอย่างมีประสิทธิภาพ
- การต่อยอดจากคำตอบก่อนหน้า
- เมื่อใดควรปรับปรุงหรือเริ่มใหม่