AI Prompt Engineering · บทเรียน

การเขียนพรอมป์ตติดตามผลอย่างมีประสิทธิภาพ

วิธีปรับทิศทาง: “ทำให้สั้นลง” “ระบุเกี่ยวกับ X ให้เฉพาะเจาะจงยิ่งขึ้น”

การเขียนพรอมป์ตติดตามผลอย่างมีประสิทธิภาพ 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

ศิลปะแห่งการปรับทิศทาง

พรอมป์ติดตามผลไม่ใช่การร้องเรียน แต่เป็นสัญญาณแก้ไขที่นำทางโมเดลไปสู่ผลลัพธ์ที่ดีขึ้น

พรอมป์ติดตามผลที่มีประสิทธิภาพจะระบุอย่างชัดเจนว่าส่วนใดผิดพลาดและคุณต้องการสิ่งใดแทน พรอมป์ติดตามผลที่คลุมเครือ เช่น "ลองอีกครั้ง" หรือ "ยังไม่ค่อยถูกต้อง" ไม่ได้ให้ข้อมูลที่เป็นประโยชน์แก่โมเดลในการทำงาน

การเรียนรู้รูปแบบการปรับทิศทางจำนวนเล็กน้อยจะช่วยให้คุณแก้ไขปัญหาผลลัพธ์ได้แทบทุกประเภทอย่างรวดเร็ว

รูปแบบที่ 1: ทำให้สั้นลง

เมื่อคำตอบยาวเกินไป ใช้ถ้อยคำมากเกินไป หรือมีเนื้อหาที่ยืดเยื้อ ให้ใช้รูปแบบการลดความยาวดังต่อไปนี้

"ทำให้สั้นลง โดยตั้งเป้าไว้ที่ 100 คำ"
"ลบย่อหน้าเกริ่นนำและประโยคที่ไม่จำเป็นออก"
"สรุปเนื้อหาข้างต้นเป็นสามประโยค"
"ลดเนื้อหานี้ลงครึ่งหนึ่งโดยไม่ตัดประเด็นสำคัญ points ออก"

การระบุให้ชัดเจนช่วยได้ การบอกจำนวนคำเป้าหมายหรือสิ่งที่ต้องการลบโดยเฉพาะมีประสิทธิภาพมากกว่าการบอกเพียงว่า "ให้สั้นลง"

รูปแบบที่ 2: ระบุรายละเอียดเกี่ยวกับ X ให้มากขึ้น

เมื่อคำตอบกว้างเกินไปหรืออยู่ในระดับภาพรวม ให้ใช้รูปแบบการเพิ่มความเฉพาะเจาะจงดังต่อไปนี้

"ระบุรายละเอียดเกี่ยวกับรูปแบบการกำหนดราคาให้มากขึ้น"
"ให้ตัวเลขที่เป็นรูปธรรม ไม่ใช่เปอร์เซ็นต์"
"เน้นกรณีที่ผู้ใช้เป็นเจ้าของธุรกิจขนาดเล็ก ไม่ใช่องค์กรขนาดใหญ่"
"คำแนะนำเกี่ยวกับความปลอดภัยยังคลุมเครือเกินไป โปรดระบุช่องโหว่ที่เฉพาะเจาะจงและวิธีแก้ไข"

รูปแบบเหล่านี้ช่วยจำกัดจุดสนใจของโมเดลให้แคบลงไปยังมิติที่คุณต้องการรายละเอียดเพิ่มเติม

รูปแบบที่ 3: ลบส่วนที่เกี่ยวกับ Y ออก

เมื่อคำตอบมีเนื้อหาที่คุณไม่ต้องการ ให้ใช้รูปแบบการลบดังต่อไปนี้

"ลบส่วนที่เกี่ยวกับบริบททางประวัติศาสตร์ออก ฉันต้องการเฉพาะสถานการณ์ปัจจุบัน"
"ลบหัวข้อย่อยสองข้อสุดท้ายออก เพราะไม่เกี่ยวข้องกับประเด็น"
"เขียนใหม่โดยไม่มีย่อหน้าข้อจำกัดความรับผิดชอบในตอนท้าย"
"ตัดทุกอย่างหลังประเด็นที่สาม แล้วจบเนื้อหาไว้ตรงนั้น"

ให้ระบุส่วนที่ต้องการลบอย่างเจาะจง การพูดว่า "ลบส่วนที่ไม่เกี่ยวข้องออก" นั้นกำกวม เพราะโมเดลอาจไม่เห็นตรงกันว่าส่วนใดไม่เกี่ยวข้อง

รูปแบบที่ 4: เพิ่มตัวอย่างสำหรับแต่ละประเด็น

เมื่อคำตอบถูกต้องแต่เป็นนามธรรม ให้ใช้รูปแบบการเพิ่มตัวอย่างดังต่อไปนี้

"เพิ่มตัวอย่างที่เป็นรูปธรรมหลังหัวข้อย่อยแต่ละข้อ"
"ยกสถานการณ์ในโลกจริงเพื่ออธิบายประเด็นที่สาม"
"ให้ข้อมูลโค้ดก่อนและหลังอย่างละหนึ่งชุดสำหรับแนวปฏิบัติที่ดีที่สุดแต่ละข้อ"
"เพิ่มตัวอย่างโต้แย้งที่แสดงสิ่งที่ไม่ควรทำโดยคงคำว่า NOT ไว้ สำหรับคำแนะนำแต่ละข้อ"

ตัวอย่างช่วยเปลี่ยนคำแนะนำเชิงนามธรรมให้ลงมือทำได้ รูปแบบนี้มีประโยชน์อย่างยิ่งสำหรับเนื้อหาเชิงการสอนและคู่มือวิธีการ

รูปแบบที่ 5: เขียนใหม่เป็นหัวข้อย่อย

เมื่อคำตอบมีเนื้อหาที่ถูกต้องแต่มีโครงสร้างไม่เหมาะสม ให้ใช้รูปแบบการจัดรูปแบบใหม่ดังต่อไปนี้

"เขียนเนื้อหานี้ใหม่เป็นรายการหัวข้อย่อย"
"เปลี่ยนเนื้อหานี้เป็นคู่มือแบบลำดับขั้นตอนที่มีหมายเลขกำกับ"
"แบ่งเนื้อหานี้เป็นส่วน ๆ โดยใช้หัวข้อ H2"
"จัดรูปแบบนี้เป็นตารางเปรียบเทียบ: คุณลักษณะ | ตัวเลือก A | ตัวเลือก B"

พรอมป์ติดตามผลเพื่อจัดรูปแบบใหม่จะคงเนื้อหาเดิมไว้และเปลี่ยนเฉพาะวิธีนำเสนอเท่านั้น จึงมีความเสี่ยงต่ำ เพราะสาระสำคัญนั้นดีอยู่แล้ว

การรวมหลายรูปแบบไว้ในพรอมป์ติดตามผลเดียว

คุณสามารถรวมรูปแบบการแก้ไขหลายรูปแบบไว้ในพรอมป์ติดตามผลเดียวได้

"เขียนคำตอบข้างต้นใหม่เป็นหัวข้อย่อย ลบส่วนภูมิหลังทางประวัติศาสตร์ออก และเพิ่มตัวอย่างโค้ดสำหรับแต่ละประเด็น โดยให้มีความยาวไม่เกิน 300 คำ"

วิธีนี้มีประสิทธิภาพมากกว่าการส่งข้อความติดตามผลแยกกันสี่ข้อความ อย่างไรก็ตาม พรอมป์ติดตามผลที่รวมกันต้องชัดเจนและอ่านง่าย หากเริ่มซับซ้อน ให้แบ่งเป็นพรอมป์ติดตามผลสองรายการแทนการเขียนรวมกันจนสับสน

รูปแบบพรอมป์ติดตามผลในโค้ด

คุณสามารถทำให้การแก้ไขด้วยพรอมป์ติดตามผลในกระบวนการประมวลผล Python เป็นอัตโนมัติได้ โดยใช้ append คำสั่งแก้ไขต่อท้ายประวัติการสนทนา

import openai

client = openai.OpenAI(api_key='sk-...')

def apply_correction(conversation_history, correction_pattern):
    # Append the follow-up prompt to the existing conversation
    updated_history = conversation_history + [
        {'role': 'user', 'content': correction_pattern}
    ]

    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=updated_history
    )

    assistant_reply = response.choices[0].message.content

    # Return updated history for chaining
    updated_history.append({'role': 'assistant', 'content': assistant_reply})
    return assistant_reply, updated_history

# Example usage
history = [{'role': 'user', 'content': 'Explain REST APIs.'},
           {'role': 'assistant', 'content': '... (long explanation) ...'}]

corrected, history = apply_correction(history, 'Make it shorter — 3 bullet points only.')
print(corrected)

ยึดพรอมป์ติดตามผลกับคำตอบ

พรอมป์ติดตามผลที่มีประสิทธิภาพมากที่สุดจะยึดโยงกับส่วนที่เฉพาะเจาะจงของคำตอบก่อนหน้า วิธีนี้ช่วยขจัดความกำกวม

แบบไม่ชัดเจน: "ช่วยปรับปรุงส่วนที่สองได้ไหม"
แบบชัดเจน: "ในส่วนที่มีชื่อว่า 'ข้อควรพิจารณาด้านความปลอดภัย' คำแนะนำยังเป็นภาพรวมเกินไป โปรดเขียนส่วนนั้นใหม่โดยเพิ่มกฎไฟร์วอลล์ที่เฉพาะเจาะจงสามข้อ"

การยึดโยงด้วยการยกข้อความหรือระบุชื่อส่วน ประโยค หรือประเด็นที่เฉพาะเจาะจง จะบังคับให้โมเดลมุ่งความสนใจไปยังสิ่งที่คุณหมายถึงอย่างแน่นอน

เมื่อพรอมป์ติดตามผลไม่ช่วยให้ดีขึ้น

บางครั้งรูปแบบพรอมป์ติดตามผลก็ไม่ทำให้เกิดการปรับปรุงตามที่คุณต้องการ สัญญาณของบทสนทนาที่ติดขัด ได้แก่

โมเดลกลับไปใช้โครงสร้างเดิมหลังจากแก้ไขสองครั้ง
โมเดลรับทราบการแก้ไขของคุณ แต่ยังทำผิดแบบเดิม
การแก้ไขแต่ละครั้งสร้างปัญหาใหม่ขึ้นขณะกำลังแก้ปัญหาเดิม

เมื่อถึงจุดนี้ การเริ่มต้นใหม่ด้วยการเขียนพรอมป์ต้นฉบับเสียใหม่มักเร็วกว่าการแก้ไขต่อไป เราจะกล่าวถึงการตัดสินใจนี้ในบทเรียนภายหลัง

การสร้างคลังพรอมป์ติดตามผลส่วนตัว

เนื่องจากรูปแบบการแก้ไขสามารถนำกลับมาใช้ซ้ำได้ การเก็บคลังวลีพรอมป์ติดตามผลส่วนตัวขนาดเล็กที่คุณใช้บ่อยจึงคุ้มค่า

"ทำให้สั้นลง โดยตั้งเป้าไว้ที่ X คำ"
"เพิ่มตัวอย่างที่เป็นรูปธรรมสำหรับแต่ละประเด็น"
"เขียนใหม่เป็นหัวข้อย่อย โดยมีบทสรุปหนึ่งบรรทัดอยู่ด้านบน"
"ลบข้อจำกัดความรับผิดชอบ / ภูมิหลังทางประวัติศาสตร์ / เนื้อหาเกริ่นนำที่ยืดเยื้อออก"
"ระบุรายละเอียดเกี่ยวกับ [X] ให้มากขึ้น โดยให้ตัวเลข / ขั้นตอน / โค้ดจริง"

การจัดเก็บสิ่งเหล่านี้ไว้ในไฟล์ข้อความหรือแอปจดบันทึกช่วยประหยัดเวลาในการใช้งานครั้งต่อ ๆ ไป

ตรวจสอบความรู้: รูปแบบการแก้ไข

คุณขอให้โมเดลเขียนคำอธิบายผลิตภัณฑ์สำหรับแอปจัดการโครงการ โมเดลตอบกลับมาเป็นเรียงความความยาว 600 คำ ซึ่งครอบคลุมประวัติ ปรัชญา คุณลักษณะหลัก ราคา และการเปรียบเทียบกับคู่แข่งของแอป แต่คุณต้องการเพียงคำอธิบายคุณลักษณะหลักความยาว 100 คำสำหรับส่วนภาพนำบนเว็บไซต์

พรอมป์ติดตามผลใดมีประสิทธิภาพมากที่สุด

สรุปทบทวน: การเขียนพรอมป์ติดตามผลที่มีประสิทธิภาพ

พรอมป์ติดตามผลเป็นสัญญาณแก้ไข ไม่ใช่การร้องเรียน รูปแบบหลักทั้งห้า ได้แก่ ทำให้สั้นลง ระบุรายละเอียด ลบ เพิ่มตัวอย่าง และจัดรูปแบบใหม่ ครอบคลุมปัญหาผลลัพธ์ส่วนใหญ่ที่คุณจะพบ

หลักการสำคัญคือ ระบุให้ชัดเจนว่าส่วนใดผิดพลาด ยึดโยงกับส่วนที่เกี่ยวข้อง และรวมหลายรูปแบบเข้าด้วยกันเมื่อจำเป็น เมื่อพรอมป์ติดตามผลไม่ช่วยให้ดีขึ้น ให้พิจารณาเริ่มต้นใหม่

ในบทเรียนถัดไป คุณจะได้ฝึกสนทนาหลายรอบที่ต่อยอดจากคำตอบก่อนหน้า แทนการแก้ไขคำตอบเหล่านั้น

คำถามที่พบบ่อย

บทเรียน “การเขียนพรอมป์ตติดตามผลอย่างมีประสิทธิภาพ” ฟรีหรือไม่

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

คุณจะเรียนรู้อะไรในบทเรียน “การเขียนพรอมป์ตติดตามผลอย่างมีประสิทธิภาพ”

วิธีปรับทิศทาง: “ทำให้สั้นลง” “ระบุเกี่ยวกับ X ให้เฉพาะเจาะจงยิ่งขึ้น” 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 “การเขียนพรอมป์ตติดตามผลอย่างมีประสิทธิภาพ” 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

การอ่านและประเมินผลลัพธ์ของปัญญาประดิษฐ์
การเขียนพรอมป์ตติดตามผลอย่างมีประสิทธิภาพ
การต่อยอดจากคำตอบก่อนหน้า
เมื่อใดควรปรับปรุงหรือเริ่มใหม่

← กลับไปที่ AI Prompt Engineering