ประเภทคำขอที่ปัญญาประดิษฐ์รองรับ
อนุกรมวิธานของงานปัญญาประดิษฐ์ ได้แก่ การเขียน การสรุป การตอบคำถาม การเขียนโค้ด และการระดมความคิด
ประเภทคำขอที่ปัญญาประดิษฐ์รองรับ เป็นบทเรียน AI Prompt Engineering ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Prompt Engineering และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน
อนุกรมวิธานงานของปัญญาประดิษฐ์
โมเดลภาษาปัญญาประดิษฐ์มีความสามารถหลากหลายอย่างน่าทึ่ง โมเดลเหล่านี้จัดการงานได้หลายประเภท และการรู้ว่างานของคุณอยู่ในหมวดหมู่ใดจะช่วยให้คุณเขียนคำสั่งได้ดีขึ้น
เราสามารถจัดกลุ่มงานเป็น: การเขียน การสรุป การถาม–ตอบ การเขียนโค้ด การระดมความคิด การแปล การจำแนกประเภท และ การดึงข้อมูล
งานเขียน
การเขียน เป็นหนึ่งในงานปัญญาประดิษฐ์ที่พบบ่อยที่สุด ตัวอย่างได้แก่:
- ร่างอีเมล จดหมายสมัครงาน และบทความบล็อก
- เขียนเรื่องสั้น บท และเนื้อหาสร้างสรรค์
- เรียบเรียงคำบรรยายสำหรับสื่อสังคมออนไลน์
- แก้ไขและเขียนร่างเดิมใหม่
สิ่งสำคัญคือการระบุ รูปแบบ น้ำเสียง ความยาว และ กลุ่มผู้อ่าน ไว้ในคำสั่งของคุณ
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
messages=[{
'role': 'user',
'content': (
'Write a 150-word professional email declining a meeting invitation. '
'Tone: polite and regretful. Suggest rescheduling next week.'
)
}]
)
print(response.content[0].text)งานสรุป
การสรุป ย่อเนื้อหาที่ยาวให้สั้นลงและเข้าใจได้ง่ายขึ้น การใช้งานที่พบบ่อย:
- TL;DR ของบทความหรือรายงานยาว ๆ
- บันทึกการประชุมจากบทถอดเสียง
- บทสรุปสำหรับผู้บริหารของบทความวิจัย
- ประเด็นสำคัญที่ดึงออกมาจากบทหนึ่งของหนังสือ
ระบุความยาวเป้าหมายและระดับรายละเอียดที่คุณต้องการ
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
long_text = (
'Artificial intelligence has transformed industries from healthcare '
'to finance over the past decade. Machine learning models now diagnose '
'diseases, detect fraud, and power recommendation engines. However, '
'concerns about bias, privacy, and job displacement remain significant...'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': f'Summarize the following in exactly 2 sentences:\n\n{long_text}'
}]
)
print(response.choices[0].message.content)งานถามและตอบ
งานถาม–ตอบ ใช้ประโยชน์จากฐานความรู้ที่กว้างขวางของโมเดล ประเภทต่าง ๆ ได้แก่:
- คำถามข้อเท็จจริง ('วัฏจักรเครบส์คืออะไร')
- คำถามเชิงอธิบาย ('เอชทีทีพีเอสทำงานอย่างไร')
- คำถามเชิงเปรียบเทียบ ('RAM แตกต่างจากพื้นที่จัดเก็บข้อมูลอย่างไร')
- การถาม–ตอบเกี่ยวกับเอกสาร — ถามคำถามเกี่ยวกับเอกสารที่วางไว้
สำหรับการถาม–ตอบเกี่ยวกับเอกสาร ให้ใส่เนื้อหาต้นฉบับไว้ในคำสั่งของคุณเสมอ
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
document = 'Our refund policy allows returns within 30 days with receipt...'
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
system='Answer only based on the document provided. If unsure, say so.',
messages=[{
'role': 'user',
'content': f'Document:\n{document}\n\nQuestion: How many days do I have to return an item?'
}]
)
print(response.content[0].text)งานเขียนโค้ด
งานเขียนโค้ด เป็นจุดที่ผู้ช่วยปัญญาประดิษฐ์ทำได้โดดเด่นเป็นพิเศษ คำขอที่พบบ่อย:
- สร้างโค้ดจากคำอธิบาย ('เขียนฟังก์ชันภาษาไพธอนที่...')
- อธิบายว่าโค้ดที่มีอยู่ทำอะไร
- แก้ไขข้อผิดพลาดหรือซ่อมโค้ดที่ทำงานไม่ถูกต้อง
- แปลงโค้ดจากภาษาหนึ่งไปเป็นอีกภาษา
- เขียนการทดสอบหน่วยสำหรับฟังก์ชันที่กำหนด
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[
{
'role': 'system',
'content': 'You are a Python expert. Include type hints and a brief docstring.'
},
{
'role': 'user',
'content': (
'Write a function that takes a list of integers and returns '
'the second largest unique value, or None if it does not exist.'
)
}
]
)
print(response.choices[0].message.content)งานระดมความคิด
การระดมความคิด ใช้ปัญญาประดิษฐ์เพื่อสร้างแนวคิดจำนวนมากได้อย่างรวดเร็ว ใช้สำหรับ:
- สร้างชื่อผลิตภัณฑ์
- จัดทำรายการหัวข้อบทความบล็อก
- คิดแนวคิดฟีเจอร์สำหรับแอป
- คิดมุมมองสำหรับแคมเปญการตลาด
- คิดทางเลือกในการแก้ปัญหา
ขอแนวคิดตามจำนวนที่ต้องการอย่างเฉพาะเจาะจง และบอกโมเดลให้จัดลำดับความหลากหลายเหนือการทำซ้ำ
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Generate 10 unique app name ideas for a habit-tracking app targeting busy professionals. '
'Each name should be one or two words. Prioritize variety — avoid similar-sounding names. '
'After each name, add a 5-word tagline.'
)
}]
)
print(response.content[0].text)งานแปล
การแปลมีความหมายมากกว่าการแปลงคำต่อคำ โมเดลปัญญาประดิษฐ์จัดการสิ่งต่อไปนี้ได้:
- การแปลภาษา (อังกฤษ → สเปน ฝรั่งเศส → ญี่ปุ่น)
- การแปลระดับภาษา (ศัพท์เทคนิค → ภาษาทั่วไป)
- การแปลน้ำเสียง (เป็นทางการ → ไม่เป็นทางการ)
- การแปลรูปแบบ (ย่อหน้า → จุดรายการ)
ระบุว่าคุณต้องการการแปลตรงตัวหรือการแปลที่เป็นธรรมชาติและใช้สำนวนเหมาะสม
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
text_en = 'Please ensure the deliverables are submitted prior to the agreed deadline.'
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
f'Translate the following into natural, idiomatic Spanish '
f'suitable for a casual work chat message:\n\n{text_en}'
)
}]
)
print(response.choices[0].message.content)งานจำแนกประเภท
การจำแนกประเภท จัดข้อมูลเข้าให้อยู่ในหมวดหมู่ที่กำหนดไว้ล่วงหน้า ตัวอย่าง:
- การวิเคราะห์ความรู้สึก (เชิงบวก / เชิงลบ / เป็นกลาง)
- การจัดหมวดหมู่หัวข้อ (กีฬา / การเมือง / เทคโนโลยี)
- การตรวจจับเจตนา (ข้อร้องเรียน / คำถาม / คำชม)
- สแปมหรือไม่ใช่สแปม
ระบุรายการหมวดหมู่ที่ใช้ได้ทั้งหมดไว้ในคำสั่งเสมอ เพื่อให้โมเดลรู้ว่าต้องเลือกจากตัวเลือกใด
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
reviews = [
'The product broke after one day. Terrible quality!',
'Shipping was fast and the item is exactly as described.',
'It is okay, nothing special but does the job.'
]
for review in reviews:
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=16,
messages=[{
'role': 'user',
'content': (
f'Classify this review as exactly one of: POSITIVE, NEGATIVE, NEUTRAL.\n'
f'Reply with only the label.\n\nReview: {review}'
)
}]
)
label = response.content[0].text.strip()
print(f'{label}: {review[:40]}...')งานดึงข้อมูล
การดึงข้อมูล ดึงข้อมูลที่มีโครงสร้างออกจากข้อความที่ไม่มีโครงสร้าง การใช้งานที่พบบ่อย:
- ดึงชื่อ วันที่ และจำนวนเงินจากใบแจ้งหนี้
- ดึงข้อเท็จจริงสำคัญจากบทความข่าว
- แยกวิเคราะห์ข้อมูลติดต่อจากอีเมล
- ดึงข้อมูลจำเพาะของผลิตภัณฑ์จากคำอธิบาย
ขอผลลัพธ์เป็นเจสัน เพื่อให้สามารถนำข้อมูลที่ดึงมาใช้ด้วยโปรแกรมได้ง่าย
import openai
import json
client = openai.OpenAI(api_key='sk-your-key-here')
email_text = (
'Hi, I am Sarah Johnson from Acme Corp. '
'Please send the invoice for $4,250 to billing@acmecorp.com by June 15th.'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract the following fields from the email below and output valid JSON:\n'
'name, company, email, amount, deadline\n\nEmail:\n' + email_text
)
}]
)
raw = response.choices[0].message.content
data = json.loads(raw)
print(data)การรวมประเภทงาน
คำสั่งในโลกจริงมักรวมงานหลายประเภทไว้ในคำขอเดียว ตัวอย่างเช่น:
- ดึงข้ออ้างสำคัญจากบทความ แล้ว จำแนกประเภท แต่ละข้อว่าเป็นข้อเท็จจริงหรือความคิดเห็น
- สรุปเอกสาร แล้ว แปลบทสรุปเป็นภาษาฝรั่งเศส
- ระดมความคิด แล้ว เขียนข้อเสนอแบบสั้นสำหรับแนวคิดที่ดีที่สุด
การเชื่อมประเภทงานไว้ในคำสั่งเดียวมีพลังมาก เพียงระบุแต่ละขั้นตอนให้ชัดเจน
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Do the following in order:\n'
'1. Brainstorm 5 blog post titles about remote work productivity.\n'
'2. Pick the most compelling title.\n'
'3. Write a 3-sentence intro paragraph for that post.\n'
'Format your output with clear numbered sections.'
)
}]
)
print(response.content[0].text)การเลือกกรอบงานที่เหมาะสม
คำขอพื้นฐานเดียวกันสามารถจัดกรอบเป็นงานประเภทต่าง ๆ ได้ และกรอบงานนั้นจะเปลี่ยนผลลัพธ์อย่างมาก
เป้าหมายตัวอย่าง: ทำความเข้าใจหน้าราคาของบริษัท
- กรอบถาม–ตอบ: 'มีระดับราคาใดบ้าง'
- กรอบสรุป: 'สรุปหน้าราคาเป็นจุดรายการ 3 ข้อ'
- กรอบดึงข้อมูล: 'ดึงชื่อแผนและราคาออกมาเป็นเจสัน'
- กรอบเปรียบเทียบ: 'สร้างตารางเปรียบเทียบแผนทั้งหมด'
เลือกกรอบงานให้ตรงกับวิธีที่คุณจะนำผลลัพธ์ไปใช้
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
pricing_text = (
'Starter: $9/month - 1 user, 5GB storage. '
'Pro: $29/month - 10 users, 50GB storage. '
'Enterprise: custom pricing - unlimited users.'
)
# Extraction frame
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract plan names and monthly prices as a JSON array. '
'Use null for custom pricing.\n\n' + pricing_text
)
}]
)
print(response.choices[0].message.content)ตรวจสอบความรู้
คุณได้เรียนรู้หมวดหมู่หลักของประเภทงานปัญญาประดิษฐ์แล้ว มาดูกันว่าคุณสามารถระบุประเภทที่เหมาะสมได้หรือไม่
นักพัฒนาวางอีเมลจากฝ่ายสนับสนุนลูกค้าความยาว 500 คำไว้ในคำสั่ง และถามปัญญาประดิษฐ์ว่า 'ดึงชื่อลูกค้า หมายเลขคำสั่งซื้อ และประเภทปัญหาออกมา — ให้ผลลัพธ์เป็นเจสัน'
นี่คืองานประเภทใด
ทบทวนอนุกรมวิธานงาน
ตอนนี้คุณสามารถระบุและจัดกรอบคำขอปัญญาประดิษฐ์ให้เป็นหนึ่งในประเภทงานหลักได้แล้ว:
- การเขียน — สร้างเนื้อหาข้อความต้นฉบับ
- การสรุป — ย่อเนื้อหาที่ยาว
- การถาม–ตอบ — ตอบคำถามจากความรู้หรือเอกสาร
- การเขียนโค้ด — สร้าง อธิบาย หรือแก้ไขข้อผิดพลาดของโค้ด
- การระดมความคิด — สร้างแนวคิดที่หลากหลายจำนวนมาก
- การแปล — แปลงระหว่างภาษาหรือระดับภาษา
- การจำแนกประเภท — จัดข้อมูลเข้าให้อยู่ในหมวดหมู่ที่กำหนดไว้ล่วงหน้า
- การดึงข้อมูล — ดึงข้อมูลที่มีโครงสร้างออกจากข้อความที่ไม่มีโครงสร้าง
ระบุประเภทงานก่อน แล้วจึงเขียนคำสั่งให้สอดคล้องกับประเภทนั้น
คำถามที่พบบ่อย
บทเรียน “ประเภทคำขอที่ปัญญาประดิษฐ์รองรับ” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “ประเภทคำขอที่ปัญญาประดิษฐ์รองรับ” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Prompt Engineering ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Prompt Engineering มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “ประเภทคำขอที่ปัญญาประดิษฐ์รองรับ”
อนุกรมวิธานของงานปัญญาประดิษฐ์ ได้แก่ การเขียน การสรุป การตอบคำถาม การเขียนโค้ด และการระดมความคิด 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 2 จากทั้งหมด 4 บทเรียน
บทเรียน “ประเภทคำขอที่ปัญญาประดิษฐ์รองรับ” 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
- ทำความเข้าใจส่วนติดต่อการสนทนา
- ประเภทคำขอที่ปัญญาประดิษฐ์รองรับ
- ปัญญาประดิษฐ์สร้างคำตอบอย่างไร
- สิ่งที่ปัญญาประดิษฐ์ทำไม่ได้