AI Prompt Engineering · บทเรียน

คำสั่งที่คลุมเครือเกินไป

ความล้มเหลวของพรอมป์ตอันดับหนึ่ง: ขอ “อะไรดี ๆ” โดยไม่กำหนดว่าคำว่า “ดี” หมายถึงอะไร

คำสั่งที่คลุมเครือเกินไป เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน

กับดักความคลุมเครือ

ข้อผิดพลาดในการเขียนพรอมต์ที่พบบ่อยที่สุดของผู้เริ่มต้นคือความคลุมเครือ นั่นคือการเขียนคำสั่งกว้างเกินไปจนโมเดลไม่สามารถสร้างสิ่งที่ต้องการจริง ๆ ได้อย่างน่าเชื่อถือ

"เขียนบางอย่างดี ๆ เกี่ยวกับปัญญาประดิษฐ์"

พรอมต์นี้ไม่มีข้อมูลเกี่ยวกับรูปแบบ กลุ่มเป้าหมาย ความยาว โทน มุมมอง หรือจุดประสงค์เลย โมเดลจะสร้างบางอย่างออกมา แต่โอกาสที่ตรงกับสิ่งที่คุณคิดไว้นั้นต่ำ พรอมต์ที่คลุมเครือก่อให้เกิดผลลัพธ์ที่ไม่สม่ำเสมอ คาดเดาได้ยาก และต้องแก้ไขด้วยมือจำนวนมาก

อะไรทำให้พรอมต์คลุมเครือ

พรอมต์จะคลุมเครือเมื่อขาดมิติอย่างน้อยหนึ่งด้านที่โมเดลจำเป็นต้องใช้ในการตัดสินใจให้ดี มิติสำคัญมีดังนี้:

What — หัวข้อหรืองานที่เฉพาะเจาะจง
Who — กลุ่มเป้าหมาย
Why — จุดประสงค์หรือเป้าหมาย
How — รูปแบบ โครงสร้าง และสไตล์
How much — ความยาวหรือขอบเขต

ไม่จำเป็นต้องมีครบทั้งห้าเสมอไป แต่ยิ่งขาดมากเท่าไร โมเดลก็ยิ่งต้องเดามากขึ้นเท่านั้น และการเดาย่อมนำมาซึ่งความแปรผัน

วินิจฉัยความคลุมเครือ: คำถามห้าข้อ

ก่อนส่งพรอมต์ ให้ตรวจสอบด้วยคำถามวินิจฉัยห้าข้อนี้:

ต้องการให้ทำอะไรโดยเฉพาะ? (ไม่ใช่แค่ "เขียนเกี่ยวกับ X" — ต้องการผลลัพธ์ประเภทใด?)
กลุ่มเป้าหมายคือใคร? (ผู้เชี่ยวชาญเฉพาะด้าน? ผู้เริ่มต้น? บุคคลใดบุคคลหนึ่ง?)
จะนำผลลัพธ์ไปใช้ทำอะไร?
ผลลัพธ์ต้องอยู่ในรูปแบบใดและมีความยาวเท่าใด?
มีข้อจำกัดหรือสิ่งใดที่ควรหลีกเลี่ยงหรือไม่?

หากตอบคำถามส่วนใหญ่ไม่ได้ แสดงว่าพรอมต์คลุมเครือเกินไป ใช้เวลา 60 วินาทีเพิ่มคำตอบเหล่านี้ก่อนส่ง

คลุมเครือเทียบกับเฉพาะเจาะจง: เปรียบเทียบแบบเคียงข้างกัน

คลุมเครือ: "เล่าเกี่ยวกับการเรียนรู้ของเครื่องให้ฉันฟัง"

เฉพาะเจาะจง: "เขียนคำอธิบายความยาว 200 คำเกี่ยวกับการเรียนรู้ของเครื่องสำหรับเจ้าของธุรกิจขนาดเล็กที่ไม่ใช่ผู้เชี่ยวชาญด้านเทคนิคและกำลังพิจารณาว่าจะใช้เครื่องมือปัญญาประดิษฐ์สำหรับบริการลูกค้าหรือไม่ ใช้ภาษาที่ใช้ในชีวิตประจำวันและไม่ใช้ศัพท์เทคนิค เน้นสิ่งที่การเรียนรู้ของเครื่องทำได้ ไม่ใช่วิธีการทำงานภายใน"

เวอร์ชันที่เฉพาะเจาะจงให้ข้อมูลทุกอย่างที่โมเดลต้องการ ได้แก่ หัวข้อ กลุ่มเป้าหมาย ความยาว ระดับคำศัพท์ และประเด็นที่เน้น ผลลัพธ์ที่ได้ตั้งแต่ครั้งแรกจะมีประโยชน์กว่ามาก

ปัญหางานที่ระบุรายละเอียดไม่เพียงพอ

พรอมต์ที่คลุมเครือจำนวนมากมีปัญหางานที่ระบุรายละเอียดไม่เพียงพอ กล่าวคือไม่ชัดเจนว่าต้องการผลลัพธ์ประเภทใด "เขียนเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศ" อาจหมายถึง:

บทความอธิบายข้อเท็จจริง
เรียงความโน้มน้าวใจ
บทกวี
โพสต์โซเชียลมีเดีย
การวิเคราะห์ความเสี่ยงทางธุรกิจ
เรื่องสำหรับเด็ก

ผลลัพธ์ทั้งหมดนี้ล้วนใช้ได้กับพรอมต์ดังกล่าว เมื่อไม่ได้ระบุประเภทงาน โมเดลจะใช้รูปแบบที่พบบ่อยที่สุดในข้อมูลฝึกสอน ซึ่งโดยทั่วไปคือเรียงความให้ข้อมูลแบบทั่วไป และอาจไม่ใช่สิ่งที่คุณต้องการ

ปัญหาการไม่ระบุกลุ่มเป้าหมาย

กลุ่มเป้าหมายเป็นหนึ่งในมิติที่ส่งผลต่อพรอมต์มากที่สุด หัวข้อเดียวกันควรอธิบายแตกต่างกันอย่างสิ้นเชิงสำหรับกลุ่มเป้าหมายที่ต่างกัน:

"อธิบายโครงข่ายประสาทเทียมให้วิศวกรการเรียนรู้ของเครื่องฟัง" → มีความลึกทางเทคนิค ใช้ศัพท์เฉพาะ และมีตัวอย่างโค้ด
"อธิบายโครงข่ายประสาทเทียมให้เด็กอายุ 12 ปีฟัง" → ใช้การเปรียบเทียบเป็นหลัก ไม่ใช้สมการ และมีตัวอย่างที่เป็นรูปธรรม
"อธิบายโครงข่ายประสาทเทียมให้ผู้บริหารฝ่ายการตลาดฟัง" → เน้นผลกระทบทางธุรกิจ ไม่เน้นกลไกการทำงาน และมุ่งเน้น ROI

หากไม่ระบุกลุ่มเป้าหมาย โมเดลจะเลือกขึ้นมาเองแบบสุ่ม และตัวเลือกนั้นมักไม่เหมาะกับกรณีใช้งานจริงของคุณ

แก้ความคลุมเครืออย่างเป็นระบบ

แนวทางอย่างเป็นระบบในการเปลี่ยนพรอมต์ที่คลุมเครือให้เป็นพรอมต์ที่เฉพาะเจาะจง คือใช้กรอบการทำงาน WHO-WHAT-FOR-HOW-HOW-MUCH เพื่อขยายรายละเอียดของแต่ละมิติ:

VAGUE_PROMPT = 'Write something about productivity.'

# Expand each dimension:
who = 'remote software engineers who struggle with context-switching between tasks'
what = 'a practical guide to the Pomodoro Technique'
for_what = 'a company internal newsletter'
how = 'numbered steps, conversational tone, include one counterintuitive tip'
how_much = '250 words'

SPECIFIC_PROMPT = (
    f'Write {what} for {who}. '
    f'This will appear in {for_what}. '
    f'Format: {how}. '
    f'Length: {how_much}.'
)

print(SPECIFIC_PROMPT)
# Output: Write a practical guide to the Pomodoro Technique for remote software engineers
# who struggle with context-switching between tasks. This will appear in a company internal
# newsletter. Format: numbered steps, conversational tone, include one counterintuitive tip.
# Length: 250 words.

คำคลุมเครือที่พบบ่อยซึ่งควรระวัง

คำบางคำในพรอมต์มักคลุมเครือและควรกระตุ้นให้ตรวจสอบความเฉพาะเจาะจง:

ดี — ดีตามมาตรฐานใด? ใครเป็นผู้ตัดสินว่าดี?
ดีกว่า — ดีกว่าอะไร?
เหมาะสม — เหมาะสมกับบริบทหรือกลุ่มเป้าหมายใด?
เป็นมืออาชีพ — เป็นมืออาชีพในอุตสาหกรรมใด? อยู่ในระดับความเป็นทางการใด?
ปรับปรุง — ปรับปรุงในมิติใด? ความชัดเจน? ความยาว? ความถูกต้อง?
น่าสนใจ — น่าสนใจสำหรับใคร?

เมื่อพบคำเหล่านี้ในพรอมต์ของตนเอง ให้ถามคำถามต่อเนื่องที่คำนั้นชวนให้ถาม คำตอบจะกลายเป็นคำสั่งที่เฉพาะเจาะจง

ระดับความเฉพาะเจาะจง

ความเฉพาะเจาะจงมีหลายระดับ — ไม่จำเป็นต้องระบุรายละเอียดสูงสุดเสมอไป ระดับที่เหมาะสมขึ้นอยู่กับงาน:

การสำรวจเชิงสร้างสรรค์ — ความเฉพาะเจาะจงต่ำลงเป็นสิ่งที่ตั้งใจ พรอมต์ที่คลุมเครือสร้างความหลากหลายที่คาดไม่ถึง
การผลิตตามงานประจำ — ต้องการความเฉพาะเจาะจงสูงเพื่อให้เกิดความสม่ำเสมอและนำกลับมาใช้ซ้ำได้
การดึงข้อมูลข้อเท็จจริง — ความเฉพาะเจาะจงสูงช่วยให้โมเดลมุ่งเน้นไปยังแง่มุมที่ถูกต้อง
การระดมความคิด — ใช้ความเฉพาะเจาะจงระดับกลาง กำหนดขอบเขตด้านเนื้อหาไว้ แต่เปิดกว้างทางความคิด

ความคลุมเครือเป็นข้อผิดพลาดเมื่อคุณต้องการผลลัพธ์ที่เฉพาะเจาะจง แต่เป็นข้อดีเมื่อคุณต้องการเปิดกว้างทางความคิดสร้างสรรค์

ใช้ตัวอย่างผลลัพธ์แทนคำสั่งที่คลุมเครือ

บางครั้งวิธีแก้พรอมต์ที่คลุมเครือซึ่งมีประสิทธิภาพที่สุดคือการเพิ่มตัวอย่างผลลัพธ์ที่ต้องการ แทนการพยายามอธิบายด้วยคำพูด:

"เขียนสโลแกนผลิตภัณฑ์ในรูปแบบนี้: 'ทำได้มากขึ้นด้วยทรัพยากรที่น้อยลง' 'คิดต่าง' 'ลงมือทำเลย'"

ตัวอย่างเหล่านี้ทำให้ไม่จำเป็นต้องนิยามคำว่า 'กระชับ' 'มีพลัง' 'น้ำเสียงของแบรนด์' และ 'น่าจดจำ' เป็นคำอธิบายเชิงนามธรรม โมเดลดึงรูปแบบจากตัวอย่างได้อย่างน่าเชื่อถือกว่าการอนุมานจากคำบรรยาย ตัวอย่างมักเป็นวิธีเพิ่มความเฉพาะเจาะจงที่มีประสิทธิภาพที่สุดที่มีอยู่

ปรับระดับความเฉพาะเจาะจง: ไม่มากหรือน้อยเกินไป

การระบุรายละเอียดมากเกินไปเป็นข้อผิดพลาดที่ตรงข้ามกับความคลุมเครือ พรอมต์ที่มีข้อจำกัดเฉพาะเจาะจง 15 ข้ออาจสร้างผลลัพธ์ที่ตรงตามข้อจำกัดทั้งหมดในทางเทคนิค แต่ให้ความรู้สึกแข็งทื่อและไม่ถูกต้อง

ปรับระดับโดยถามว่า: "หากมอบพรอมต์นี้ให้คนที่ไม่เคยทำงานร่วมกับฉัน เขาจะสร้างอะไรออกมา?" หากบุคคลที่มีความสามารถสามารถสร้างสิ่งที่คุณต้องการได้จากพรอมต์ แสดงว่าพรอมต์มีความเฉพาะเจาะจงเพียงพอแล้ว หากเขาต้องถามคำถามเพื่อขอความชัดเจน ให้เพิ่มคำตอบลงในพรอมต์ หากเขารู้สึกว่าถูกจำกัดมากเกินไป ให้ลบข้อจำกัดบางส่วนออก

ตรวจความรู้: การระบุความคลุมเครือ

จัดลำดับพรอมต์สี่ข้อนี้จากคลุมเครือที่สุดไปเฉพาะเจาะจงที่สุด:

(A) "เขียนเกี่ยวกับภาวะผู้นำ"

(B) "เขียนบทความความยาว 300 คำเกี่ยวกับภาวะผู้นำแบบผู้รับใช้สำหรับผู้จัดการมือใหม่ในสตาร์ตอัปด้านเทคโนโลยี โดยมุ่งเน้นพฤติกรรมเฉพาะสามอย่างที่พวกเขาสามารถนำไปปฏิบัติได้ใน 30 วันแรก"

(D) "เขียนบทความเกี่ยวกับรูปแบบภาวะผู้นำสำหรับผู้จัดการ"

ทบทวน: คำสั่งที่คลุมเครือเกินไป

ความคลุมเครือเป็นข้อผิดพลาดในการเขียนพรอมต์ที่พบบ่อยที่สุด เพราะสามารถเขียนพรอมต์คลุมเครือได้อย่างรวดเร็ว ผลที่ตามมาคือผลลัพธ์ไม่สม่ำเสมอ คาดเดาไม่ได้ และต้องแก้ไขด้วยมือจำนวนมาก

วิธีแก้คือการระบุอย่างเป็นระบบ ได้แก่ WHO (กลุ่มเป้าหมาย), WHAT (ประเภทงาน), FOR (จุดประสงค์), HOW (รูปแบบและสไตล์) และ HOW MUCH (ความยาว) ระวังคำคลุมเครือที่พบบ่อย เช่น ดี ดีกว่า เหมาะสม และเป็นมืออาชีพ แล้วแทนที่ด้วยคำตอบที่เฉพาะเจาะจงสำหรับคำถามที่คำเหล่านั้นสื่อถึง เมื่อการอธิบายไม่ได้ผล ให้ใช้ตัวอย่าง

ในบทเรียนถัดไป คุณจะจัดการกับข้อกำหนดที่ขัดแย้งกัน ซึ่งเป็นปัญหาที่ตรงข้ามกับความคลุมเครือ

คำถามที่พบบ่อย

บทเรียน “คำสั่งที่คลุมเครือเกินไป” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “คำสั่งที่คลุมเครือเกินไป” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “คำสั่งที่คลุมเครือเกินไป”

ความล้มเหลวของพรอมป์ตอันดับหนึ่ง: ขอ “อะไรดี ๆ” โดยไม่กำหนดว่าคำว่า “ดี” หมายถึงอะไร 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 1 จากทั้งหมด 4 บทเรียน

บทเรียน “คำสั่งที่คลุมเครือเกินไป” 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

← กลับไปที่ AI Prompt Engineering