การเขียนพรอมป์แบบ Chain-of-Thought

ยินดีต้อนรับสู่ การเขียนพรอมต์แบบห่วงโซ่ความคิด! เทคนิคนี้เปรียบเสมือนการสอน LLM หรือโมเดลภาษาขนาดใหญ่ให้ “คิดทีละขั้นตอน” ก่อนตอบ

แทนที่จะขอเพียงคำตอบสุดท้าย คุณสามารถชี้นำให้ LLM แสดงกระบวนการให้เหตุผลได้ วิธีนี้มักช่วยให้ได้ผลลัพธ์ที่แม่นยำและน่าเชื่อถือยิ่งขึ้น โดยเฉพาะกับงานที่ซับซ้อน

เมื่อคุณถามคำถามซับซ้อนกับ LLM โดยตรง LLM อาจประสบปัญหาในการเชื่อมโยงข้อมูลทั้งหมด หรือแม้แต่สร้างข้อมูลขึ้นมาเอง

ตัวอย่างเช่น การถามโจทย์คณิตศาสตร์หลายขั้นตอนหรือปริศนาเชิงตรรกะโดยไม่มีคำชี้แนะ อาจทำให้ได้คำตอบที่ไม่ถูกต้องหรือไม่สมบูรณ์ เพราะ LLM พยายามข้ามไปหาคำตอบทันที

แก่นของการเขียนพรอมต์แบบห่วงโซ่ความคิดนั้นเรียบง่ายอย่างน่าทึ่ง เพียงเพิ่มวลี เช่น “ลองคิดทีละขั้นตอน” หรือ “อธิบายกระบวนการให้เหตุผลของคุณทีละขั้นตอน” ลงในพรอมต์

คำสั่งง่าย ๆ นี้จะกระตุ้นให้ LLM แบ่งปัญหาออกเป็นส่วนย่อยที่จัดการได้ง่ายขึ้น และจำลองกระบวนการคิดของมนุษย์

มาดูตัวอย่างง่าย ๆ ของห่วงโซ่ความคิดกัน

• พรอมต์: “ความเร็วเฉลี่ยของรถยนต์อยู่ที่ 60 ไมล์ต่อชั่วโมง จะใช้เวลาเท่าไรจึงจะเดินทางได้ 180 ไมล์ ลองคิดทีละขั้นตอน”

หากไม่ใช้ห่วงโซ่ความคิด LLM อาจตอบเพียง “3 ชั่วโมง” แต่เมื่อใช้ห่วงโซ่ความคิด คุณอาจได้รับคำตอบประมาณนี้

• ผลลัพธ์ของ LLM (ห่วงโซ่ความคิด):
  1. ระบุค่าที่กำหนด: ระยะทาง = 180 ไมล์, ความเร็ว = 60 ไมล์ต่อชั่วโมง
  2. ทบทวนสูตร: เวลา = ระยะทาง / ความเร็ว
  3. แทนค่าลงในสูตร: เวลา = 180 ไมล์ / 60 ไมล์ต่อชั่วโมง
  4. คำนวณ: เวลา = 3 ชั่วโมง
  ดังนั้น จะใช้เวลา 3 ชั่วโมง

การเขียนพรอมต์แบบห่วงโซ่ความคิดช่วยเพิ่มประสิทธิภาพของ LLM ด้วยเหตุผลสำคัญหลายประการ

• แบ่งความซับซ้อนออกเป็นส่วนย่อย: ปัญหาขนาดใหญ่จะกลายเป็นชุดงานเล็ก ๆ ที่แก้ได้ง่ายขึ้น
• ลดข้อผิดพลาด: สามารถประเมินแต่ละขั้นตอนได้ ทำให้ตรวจพบข้อผิดพลาดได้ง่ายตั้งแต่เนิ่น ๆ
• เพิ่มความโปร่งใส: คุณจะเห็นได้ว่า LLM ได้คำตอบมาอย่างไร ทำให้คำตอบน่าเชื่อถือและตรวจสอบได้มากขึ้น
• เปิดใช้การให้เหตุผล: ช่วยกระตุ้นให้ LLM เข้าถึงและประยุกต์ใช้ความรู้ภายในอย่างเป็นเหตุเป็นผลยิ่งขึ้น

ห่วงโซ่ความคิดมีประโยชน์เป็นพิเศษกับคำถามที่ต้องพิจารณาหลายประเด็นหรือหลายเงื่อนไข เช่น การวิเคราะห์สถานการณ์ที่มีกฎหลายข้อขัดแย้งกัน

การชี้นำให้ LLM ประเมินแต่ละเงื่อนไขตามลำดับ จะช่วยลดโอกาสที่ LLM จะพลาดรายละเอียดหรือให้ความสำคัญกับข้อมูลที่ไม่ถูกต้อง ส่งผลให้ข้อสรุปสุดท้ายมีความละเอียดรอบด้านและแม่นยำยิ่งขึ้น

ห่วงโซ่ความคิดมีประสิทธิภาพมากที่สุดกับงานที่เกี่ยวข้องกับสิ่งต่อไปนี้

• การคำนวณและโจทย์คณิตศาสตร์แบบข้อความ: ดังที่เห็นในตัวอย่างของเรา
• การให้เหตุผลเชิงตรรกะ: ปริศนา งานที่ต้องอนุมาน และข้อความเงื่อนไข
• คำสั่งหลายขั้นตอน: การสร้างแผนหรือลำดับการดำเนินการ
• การสังเคราะห์ข้อมูลซับซ้อน: การรวมข้อมูลหลายส่วนเพื่อสร้างข้อสรุป

เทคนิคนี้ไม่จำเป็นมากนักสำหรับการเรียกคืนข้อเท็จจริงง่าย ๆ

เพื่อใช้ประโยชน์จากห่วงโซ่ความคิดให้ได้สูงสุด

• ระบุให้ชัดเจน: เขียนให้ชัดว่า “ลองคิดทีละขั้นตอน”
• ให้ตัวอย่าง (ห่วงโซ่ความคิดแบบใช้ตัวอย่างไม่กี่ตัวอย่าง): สำหรับปัญหาที่ยากขึ้น ให้แสดงตัวอย่างโจทย์และวิธีแก้ทีละขั้นตอนก่อนถามคำถามของคุณ (เราจะพูดถึงเรื่องนี้เพิ่มเติมในบทเรียนถัดไป)
• ใช้ภาษาที่ชัดเจน: ตรวจสอบให้แน่ใจว่าคำอธิบายโจทย์เริ่มต้นไม่มีความกำกวม
• ทดลอง: วลีที่แตกต่างกันอาจให้ผลดีกว่า ทั้งนี้ขึ้นอยู่กับ LLM และงานที่ทำ

ข้อใดต่อไปนี้คือประโยชน์สำคัญของการเขียนพรอมต์แบบห่วงโซ่ความคิด

คุณเข้าใจพื้นฐานของการเขียนพรอมต์แบบห่วงโซ่ความคิดแล้ว

• ห่วงโซ่ความคิดช่วยชี้นำให้ LLM แสดงขั้นตอนการให้เหตุผล
• วลีง่าย ๆ อย่าง “ลองคิดทีละขั้นตอน” สามารถเปิดใช้การให้เหตุผลที่ลึกซึ้งยิ่งขึ้น
• เทคนิคนี้มีประโยชน์มากกับงานคณิตศาสตร์ ตรรกะ และงานหลายขั้นตอนที่ซับซ้อน
• ประโยชน์สำคัญ ได้แก่ ความแม่นยำที่เพิ่มขึ้น ข้อผิดพลาดที่ลดลง และความโปร่งใสที่มากขึ้น

ฝึกใช้เทคนิคนี้ต่อไป เพื่อให้ได้รับคำตอบจาก LLM ที่ฉลาดและน่าเชื่อถือยิ่งขึ้น