ความสอดคล้องในตนเองและการทบทวน
นำกลยุทธ์ที่ให้ LLM สร้างคำตอบหลายแบบแล้วเลือกคำตอบที่สอดคล้องกันที่สุด หรือทบทวนผลลัพธ์ของตนเองมาใช้
ความสอดคล้องในตนเองและการทบทวน เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 3 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน
ก้าวไปไกลกว่าคำตอบแบบลองครั้งเดียว
คุณเคยอยากให้ปัญญาประดิษฐ์ตรวจสอบงานของตัวเองหรือไม่ หรือแม้แต่ลองใช้แนวทางหลายแบบก่อนตอบคำถาม สิ่งนี้คือหัวใจของ ความสอดคล้องในตัวเอง และ การทบทวน
เทคนิคขั้นสูงเหล่านี้ช่วยให้โมเดลภาษาขนาดใหญ่ หรือ LLM สร้างผลลัพธ์ที่น่าเชื่อถือและแม่นยำยิ่งขึ้น
เหตุใด LLM จึงต้องตรวจสอบอีกครั้ง
LLM มีประสิทธิภาพสูง แต่ยังอาจทำผิดพลาด สร้างข้อเท็จจริงขึ้นมาเอง หรือติดอยู่กับการให้เหตุผลเพียงแนวทางเดียวได้ เทคนิคเหล่านี้ช่วยจัดการกับข้อจำกัดทั่วไปของ LLM
- การสร้างข้อมูลขึ้นเอง: การสร้างข้อมูลเท็จหรือไร้เหตุผล
- ข้อผิดพลาดในการให้เหตุผล: ตรรกะที่บกพร่องในการแก้ปัญหาซับซ้อน
- ขาดความแข็งแกร่ง: ไวต่อการเปลี่ยนแปลงเล็กน้อยของถ้อยคำในพรอมต์
ความสอดคล้องในตัวเองและการทบทวนช่วยเพิ่มคุณภาพโดยรวมและความน่าเชื่อถือของเนื้อหาที่สร้างโดยปัญญาประดิษฐ์
ความสอดคล้องในตัวเองคืออะไร
ความสอดคล้องในตัวเอง คือเทคนิคการเขียนพรอมต์ที่สั่งให้ LLM สร้าง คำตอบหลายแบบที่แตกต่างกันสำหรับคำถามเดียวกัน หลังจากสร้างตัวเลือกหลายแบบแล้ว คุณจะเลือกคำตอบที่พบมากที่สุดหรือสอดคล้องกันที่สุด
ลองนึกภาพว่าคุณขอความคิดเห็นจากเพื่อนที่ฉลาดหลายคนเกี่ยวกับปัญหาซับซ้อน แล้วเลือกตามฉันทามติของเสียงส่วนใหญ่ วิธีนี้ช่วยลดโอกาสที่ข้อผิดพลาดเพียงครั้งเดียวจะส่งผลต่อคำตอบได้อย่างมาก
ความสอดคล้องในตัวเองในการใช้งาน
สมมติว่าคุณถามโจทย์คณิตศาสตร์แบบข้อความที่ซับซ้อนหรือปริศนาเชิงตรรกะกับ LLM แทนที่จะให้ LLM ลองเพียงครั้งเดียว ความสอดคล้องในตัวเองจะสั่งให้ LLM ลองหลายครั้ง
- ความพยายามที่ 1: ให้เส้นทางการให้เหตุผลและคำตอบหนึ่งแบบ
- ความพยายามที่ 2: ให้เส้นทางการให้เหตุผลและคำตอบที่แตกต่างออกไปเล็กน้อย
- ความพยายามที่ 3: ให้เส้นทางอีกแบบหนึ่ง
หากความพยายาม 3 จาก 5 ครั้งให้คำตอบเดียวกัน คำตอบนั้นจะถือว่ามีความน่าเชื่อถือกว่าและมีแนวโน้มถูกต้องมากกว่า
การเขียนพรอมต์เพื่อให้เกิดความสอดคล้องในตัวเอง
หากต้องการใช้ความสอดคล้องในตัวเอง พรอมต์ของคุณต้องสั่งให้ LLM สร้างคำตอบหลายแบบอย่างชัดเจน คุณสามารถระบุจำนวนครั้งที่ต้องลองและวิธีนำเสนอคำตอบได้
โครงสร้างพื้นฐานมีดังนี้
Generate 3 distinct answers to the following question. For each answer, show your step-by-step reasoning.
Question: If a train leaves station A at 9:00 AM traveling at 60 mph, and another train leaves station B at 9:30 AM traveling at 70 mph towards station A, and the stations are 300 miles apart, what time do they meet?
Answer 1:
[LLM's reasoning and answer]
Answer 2:
[LLM's reasoning and answer]
Answer 3:
[LLM's reasoning and answer]การทบทวนคืออะไร
การทบทวน คือการที่ LLM ประเมินผลลัพธ์ก่อนหน้าของตนเองอย่างมีวิจารณญาณ โดยทำหน้าที่เป็นกลไกแก้ไขตนเอง ระบุข้อบกพร่อง อคติ หรือจุดที่ควรปรับปรุง แล้วสร้างคำตอบฉบับแก้ไขหรือปรับปรุงใหม่
กระบวนการนี้คล้ายกับการตรวจทานงานของตัวเองก่อนส่ง การจับข้อผิดพลาด และการขัดเกลาความคิด เพื่อสร้างคำตอบสุดท้ายที่มีคุณภาพสูงขึ้น
การทบทวนในการใช้งาน
ลองนึกภาพว่าคุณขอให้ LLM เขียนเรื่องสั้น หลังจาก LLM สร้างร่างแรกแล้ว คุณอาจเขียนพรอมต์ต่อว่า “ตรวจสอบเรื่องนี้เพื่อหาช่องโหว่ของเนื้อเรื่องและความสอดคล้องของตัวละคร” หรือ “ปรับปรุงภาษาบรรยายให้ดีขึ้น”
จากนั้น LLM จะทำหน้าที่เป็นบรรณาธิการของตัวเอง โดยสวมบทบาทเป็นผู้วิจารณ์เพื่อปรับปรุงผลงานเริ่มต้น กระบวนการทำซ้ำเป็นรอบ ๆ นี้ช่วยให้ได้เนื้อหาที่ดีขึ้นมาก
การนำพรอมต์เพื่อการทบทวนไปใช้
การทบทวนมักประกอบด้วยกระบวนการเขียนพรอมต์หลายขั้นตอน
- ขั้นที่ 1: พรอมต์สำหรับสร้างเนื้อหาเบื้องต้น เช่น “เขียนย่อหน้าเกี่ยวกับ X”
- ขั้นที่ 2: พรอมต์ติดตามผลที่รวมผลลัพธ์ก่อนหน้าของ LLM ไว้ และขอให้ LLM วิจารณ์หรือปรับปรุงผลลัพธ์นั้น
ตัวอย่างโครงสร้างของพรอมต์ติดตามผลมีดังนี้
Initial Prompt: 'Write a short paragraph describing a futuristic city.'
Follow-up Prompt:
'Here is your previous description:
---
[LLM's initial generated paragraph]
---
Review this description for vividness and suggest 2 specific improvements to make it more engaging. Then, rewrite the paragraph incorporating these improvements.'พลังร่วม: ความสอดคล้องในตัวเอง + การทบทวน
สามารถนำเทคนิคเหล่านี้มารวมกันเพื่อให้ได้ผลลัพธ์ที่แข็งแกร่งยิ่งขึ้น โดยเฉพาะกับงานซับซ้อน คุณสามารถทำสิ่งต่อไปนี้
- สร้างคำตอบหลายแบบโดยใช้ความสอดคล้องในตัวเอง
- จากนั้นใช้การทบทวนกับคำตอบแต่ละแบบเพื่อปรับปรุงคำตอบเหล่านั้น
- สุดท้ายเลือกคำตอบที่ดีที่สุด สอดคล้องกันที่สุด และผ่านการปรับปรุงแล้วจากชุดคำตอบทั้งหมด
วิธีนี้จะสร้างวงจรป้อนกลับที่ทรงพลัง และเพิ่มความน่าเชื่อถือกับความแม่นยำของ LLM ได้อย่างมาก
ทดสอบความเข้าใจของคุณ
ลองพิจารณาสถานการณ์ที่ LLM ได้รับคำสั่งให้สร้างบทสรุปข้อเท็จจริงของงานวิจัยที่ซับซ้อน ประโยชน์ใดต่อไปนี้เกี่ยวข้องเป็นหลักกับเทคนิค ความสอดคล้องในตนเอง
ทบทวน: ผลลัพธ์จาก LLM ที่ชาญฉลาดยิ่งขึ้น
ในบทเรียนนี้ เราได้สำรวจเทคนิคการเขียนพรอมต์ขั้นสูงที่ทรงพลังสองแบบ เพื่อทำให้ผลลัพธ์จาก LLM น่าเชื่อถือและแม่นยำยิ่งขึ้น:
- ความสอดคล้องในตนเอง: สร้างคำตอบหลายคำตอบ แล้วเลือกคำตอบที่พบได้บ่อยที่สุดหรือมีความทนทานที่สุด เพื่อลดข้อผิดพลาดจากจุดเดียว
- การไตร่ตรอง: ชี้นำ LLM ให้ตรวจวิจารณ์และปรับปรุงผลลัพธ์ของตนเองผ่านการแก้ไขตนเองซ้ำเป็นรอบ ๆ
เมื่อใช้กลยุทธ์เหล่านี้ คุณจะยกระดับคุณภาพ ความทนทาน และความน่าไว้วางใจของเนื้อหาที่สร้างโดยปัญญาประดิษฐ์ได้อย่างมาก
เรียนรู้ AI Prompt Engineering ด้วย AI tutor — ฟรี
เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป
- คอร์ส
- 53
- บทเรียน
- 199
คำถามที่พบบ่อย
บทเรียน “ความสอดคล้องในตนเองและการทบทวน” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “ความสอดคล้องในตนเองและการทบทวน” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 3 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “ความสอดคล้องในตนเองและการทบทวน”
นำกลยุทธ์ที่ให้ LLM สร้างคำตอบหลายแบบแล้วเลือกคำตอบที่สอดคล้องกันที่สุด หรือทบทวนผลลัพธ์ของตนเองมาใช้ 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 3 บทเรียน
บทเรียน “ความสอดคล้องในตนเองและการทบทวน” 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
- การเขียนพรอมป์แบบ Chain-of-Thought
- การเขียนพรอมป์แบบ Tree-of-Thought
- ความสอดคล้องในตนเองและการทบทวน