AI Prompt Engineering · บทเรียน

การเขียนพรอมป์ด้วยข้อมูลภายนอก

เรียนรู้เทคนิคการใส่ข้อมูลที่ผู้ใช้ให้มาหรือข้อมูลที่ดึงมาแบบไดนามิกลงในพรอมป์โดยตรง

การเขียนพรอมป์ด้วยข้อมูลภายนอก เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 3 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน

บทนำ: ข้อมูลภายนอก

ยินดีต้อนรับ ในบทเรียนนี้ เราจะเรียนรู้วิธีทำให้พรอมต์ LLM ของเราฉลาดยิ่งขึ้นด้วยการใส่ข้อมูลภายนอกลงไป ซึ่งหมายถึงการป้อนข้อมูลที่ไม่ได้เป็นส่วนหนึ่งของข้อมูลฝึกของ LLM แต่เกี่ยวข้องกับงานเฉพาะของคุณ

ลองนึกภาพว่าเป็นการให้ LLM ได้เห็นสิ่งใหม่ ๆ หรือได้รับเบาะแสตามบริบทสำหรับสถานการณ์ใดสถานการณ์หนึ่ง

เหตุใดข้อมูลภายนอกจึงสำคัญ

การนำข้อมูลภายนอกมาใช้มีประโยชน์สำคัญหลายประการ:

ความแม่นยำ: ให้ข้อเท็จจริงที่เป็นปัจจุบันหรือเฉพาะเจาะจง ซึ่ง LLM อาจไม่ทราบ
การปรับให้เหมาะกับบุคคล: ปรับคำตอบให้เหมาะกับผู้ใช้หรือสถานการณ์แต่ละราย
ความเกี่ยวข้อง: ทำให้ LLM มุ่งเน้นข้อมูลที่คุณสนใจโดยตรง
ลดการแต่งข้อมูลขึ้นเอง: ทำให้ LLM อ้างอิงข้อมูลจริง จึงมีโอกาสสร้างข้อมูลขึ้นเองน้อยลง

แหล่งข้อมูลทั่วไป

ข้อมูลภายนอกอาจมาจากหลายแหล่ง ต่อไปนี้คือตัวอย่างที่พบได้ทั่วไป:

ข้อมูลที่ผู้ใช้ป้อน: ข้อความที่ผู้ใช้พิมพ์ ความต้องการ หรือรายละเอียดโปรไฟล์
ฐานข้อมูล/ส่วนเชื่อมต่อโปรแกรมประยุกต์: แค็ตตาล็อกสินค้า ประวัติลูกค้า ข้อมูลสภาพอากาศ และฟีดข่าว
ไฟล์: เอกสาร ตารางคำนวณ บันทึกการทำงาน หรือข้อมูลอื่น ๆ ที่จัดเก็บไว้
เซนเซอร์: ข้อมูลแบบเรียลไทม์จากอุปกรณ์ เช่น อุณหภูมิหรือตำแหน่ง

การแทรกข้อมูลขั้นพื้นฐาน

วิธีที่ง่ายที่สุดในการใส่ข้อมูลภายนอกคือการแทรกข้อมูลนั้นลงในสตริงพรอมต์โดยตรง ซึ่งมักทำโดยใช้การจัดรูปแบบสตริงหรือการนำสตริงมาต่อกัน

โปรดระบุป้ายกำกับของข้อมูลที่กำลังแทรกอย่างชัดเจนเสมอ เพื่อช่วยให้ LLM เข้าใจบทบาทของข้อมูลนั้น

ลองเรียกใช้ตัวอย่างนี้:

user_name = "Alice"
product_name = "Smartwatch"

prompt = f"User: {user_name}\n" \
         f"Product: {product_name}\n" \
         f"Please write a short, friendly product review for the {product_name}."

print(prompt)

การจัดโครงสร้างข้อมูลภายนอก

สำหรับข้อมูลที่ซับซ้อนมากขึ้น การจัดข้อมูลให้อยู่ในรูปแบบที่มีโครงสร้างเป็นสิ่งสำคัญอย่างยิ่ง ซึ่งช่วยให้ LLM แยกวิเคราะห์และทำความเข้าใจข้อมูลได้อย่างน่าเชื่อถือยิ่งขึ้น

วิธีจัดโครงสร้างข้อมูลที่พบได้ทั่วไปมีดังนี้:

ตัวคั่น: ใช้อักขระพิเศษ เช่น --- และ ### เพื่อแยกส่วนต่าง ๆ
คู่คีย์-ค่า: ระบุชื่อช่องข้อมูลอย่างชัดเจน เช่น "Name": "Alice"
เจสัน/เอ็กซ์เอ็มแอล: ใช้รูปแบบมาตรฐานสำหรับแลกเปลี่ยนข้อมูลของวัตถุที่ซับซ้อน

หัวใจสำคัญคือความสม่ำเสมอและความชัดเจน

การปรับให้เหมาะกับบุคคลด้วยข้อมูล

มาดูกันว่าเราจะปรับข้อความให้เหมาะกับบุคคลโดยใช้ข้อมูลผู้ใช้ที่มีโครงสร้างได้อย่างไร เราจะใช้รูปแบบคู่คีย์-ค่าอย่างง่ายภายในพรอมต์

สังเกตว่า LLM ได้รับข้อมูล 'โปรไฟล์ผู้ใช้' อย่างชัดเจนเพื่อใช้ในการทำงาน

ลองเรียกใช้ตัวอย่างนี้:

user_profile = {
    "name": "Bob",
    "membership_level": "Gold",
    "last_purchase_date": "2023-10-26"
}

prompt = f"User Profile:\n" \
         f"Name: {user_profile['name']}\n" \
         f"Membership: {user_profile['membership_level']}\n" \
         f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
         f"Write a personalized welcome back message for Bob, " \
         f"mentioning his Gold status and recent activity."

print(prompt)

ข้อมูลแบบไดนามิกและบริบท

ข้อมูลภายนอกยังสามารถให้บริบทแบบไดนามิกหรือแบบ "เรียลไทม์" ได้ ลองนึกภาพการดึงราคาหุ้นหรือข้อมูลสภาพอากาศปัจจุบัน แล้วป้อนข้อมูลนั้นเข้าสู่พรอมต์ของคุณโดยตรง

วิธีนี้ทำให้คำตอบของ LLM เกี่ยวข้องและทันต่อเหตุการณ์มากยิ่งขึ้น

ลองเรียกใช้ตัวอย่างนี้:

current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"

prompt = f"Current Market Data:\n" \
         f"Company: {company_name}\n" \
         f"Price: {current_stock_price}\n" \
         f"Status: {market_status}\n\n" \
         f"Summarize TechCo's current market performance for an investor."

print(prompt)

การตรวจสอบข้อมูลและความปลอดภัย

เมื่อนำข้อมูลภายนอกมาใช้ โดยเฉพาะข้อมูลที่ผู้ใช้ป้อน สิ่งสำคัญอย่างยิ่งคือต้องคำนึงถึงการตรวจสอบข้อมูลและความปลอดภัย

ทำความสะอาดข้อมูลเข้า: ลบหรือทำให้อักขระที่อาจเป็นอันตรายไม่มีผล เพื่อป้องกันการโจมตีด้วยการแทรกคำสั่งในพรอมต์
ตรวจสอบชนิดข้อมูล: ตรวจสอบให้แน่ใจว่าตัวเลขเป็นตัวเลข วันที่เป็นวันที่ และอื่น ๆ
จำกัดขนาด: ป้องกันไม่ให้ข้อมูลเข้าที่ยาวเกินไปใช้โทเคนจำนวนมากหรือทำให้เกิดข้อผิดพลาด
ความเป็นส่วนตัว: ระมัดระวังข้อมูลที่ละเอียดอ่อน และหลีกเลี่ยงการส่งข้อมูลดังกล่าวให้ LLM หากไม่จำเป็น

ตรวจสอบอย่างรวดเร็ว: ข้อมูลภายนอก

คุณกำลังสร้างพรอมต์เพื่อสร้างคำอธิบายสินค้า คุณมีพจนานุกรมที่มีรายละเอียดสินค้า: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}

วิธีใดนำข้อมูลนี้ไปใส่ในพรอมต์ได้ดีที่สุด เพื่อให้ LLM ทำความเข้าใจได้อย่างชัดเจน

ทบทวนและขั้นตอนถัดไป

ทำได้ดีมาก คุณได้เรียนรู้วิธีผสานข้อมูลภายนอกเข้ากับพรอมต์เพื่อปรับปรุงคำตอบของ LLM แล้ว

ข้อมูลภายนอกช่วยเพิ่มความแม่นยำ การปรับให้เหมาะกับบุคคล และความเกี่ยวข้อง
ข้อมูลอาจมาจากข้อมูลที่ผู้ใช้ป้อน ฐานข้อมูล ส่วนเชื่อมต่อโปรแกรมประยุกต์ และแหล่งอื่น ๆ
การจัดโครงสร้างที่ชัดเจน เช่น คู่คีย์-ค่าหรือเจสัน มีความสำคัญอย่างยิ่งสำหรับข้อมูลที่ซับซ้อน
คำนึงถึงการตรวจสอบข้อมูลและความปลอดภัยเสมอเมื่อใช้แหล่งข้อมูลภายนอก

ถัดไป เราจะเจาะลึกเรื่องการสร้างแบบเสริมด้วยการเรียกคืนข้อมูล (RAG) ซึ่งต่อยอดจากแนวคิดเหล่านี้เพื่อดึงและใช้ความรู้ภายนอกที่ครอบคลุมยิ่งขึ้น

คำถามที่พบบ่อย

บทเรียน “การเขียนพรอมป์ด้วยข้อมูลภายนอก” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การเขียนพรอมป์ด้วยข้อมูลภายนอก” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การเขียนพรอมป์ด้วยข้อมูลภายนอก”

เรียนรู้เทคนิคการใส่ข้อมูลที่ผู้ใช้ให้มาหรือข้อมูลที่ดึงมาแบบไดนามิกลงในพรอมป์โดยตรง 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 3 บทเรียน

บทเรียน “การเขียนพรอมป์ด้วยข้อมูลภายนอก” 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