หลักสูตรที่เน้นลงมือทำจริง สอนเขียนคำสั่งให้ AI (พรอมป์) แบบที่ไม่ผูกกับค่ายไหนค่ายเดียว (model-agnostic) ใช้ได้ทั้ง ChatGPT, Claude และ Gemini แถมสอนวิธีวัดว่าคำสั่งเราดีจริงไหม วิธีกันคนแอบยัดคำสั่งเข้ามาป่วน (prompt injection) และวิธีทำงานกับภาษาไทยแบบมือโปร
ทุกเทคนิคเราเทียบให้ดูทั้ง 3 ค่าย คือ ChatGPT (จาก OpenAI), Claude (จาก Anthropic) และ Gemini (จาก Google) เน้นหลักที่ทุกค่ายเห็นตรงกัน แล้วก็บอกด้วยว่าแต่ละตัวมีนิสัยต่างกันตรงไหน เช่น Claude ชอบให้จัดข้อความด้วยแท็กแบบ XML ส่วน Gemini ชอบให้ใส่ตัวอย่างเยอะ ๆ
เรายึดตามคู่มือทางการล่าสุดของทั้งสามค่ายจริง ๆ ทั้งของ Anthropic, คู่มือเขียนพรอมป์สำหรับ GPT-5 ของ OpenAI และคู่มือออกแบบพรอมป์ของ Google (Gemini/Vertex) ไม่ได้มโนฟีเจอร์ที่ไม่มีจริงขึ้นมาเอง
โมเดลรุ่นใหม่ที่คิดเก่งขึ้นมาก ต้องคุยด้วยคนละแบบ คือบอก "อยากได้ผลลัพธ์แบบไหน" ไปก่อนเลย (outcome-first) แล้วค่อยปรับว่าจะให้มันคิดหนักแค่ไหนด้วยค่า reasoning_effort แทนที่จะเขียนอธิบายยาว ๆ และอย่าสั่งจุกจิกเกินไปกับโมเดลรุ่นแรงสุด (ที่เรียกว่าการสั่งมากเกิน หรือ over-prompting)
ได้ลองใช้เครื่องมือวัดผลจริง เช่น Promptfoo, ให้ AI เป็นกรรมการตรวจงาน (LLM-as-judge), G-Eval, ตั้งกรรมการหลายตัวมาโหวต (panel-of-judges) เก็บพรอมป์แต่ละเวอร์ชันไว้ใน git และตั้งเกณฑ์คะแนนขั้นต่ำ (eval threshold) ให้ระบบตรวจให้อัตโนมัติก่อนปล่อยของจริง
ป้องกันหลายชั้น ด้วยมุมมองที่ว่า "การแอบยัดคำสั่ง (prompt injection) คือภัยตัวใหม่ เหมือนกับที่เว็บสมัยก่อนโดนแอบยิงคำสั่งฐานข้อมูล (SQL injection)" เน้นออกแบบระบบให้ AI มีสิทธิ์เท่าที่จำเป็นจริง ๆ (least-privilege) ระวังการโจมตีที่แอบซ่อนมากับรูปหรือเสียง และให้มีคนคอยตรวจก่อนลงมือทำจริง (human-in-the-loop)
รับมือกับปัญหาที่ภาษาไทยมีข้อมูลให้ AI เรียนน้อยกว่าภาษาอังกฤษ (low-resource) สอนเลือกใช้โมเดลที่เก่งไทยอย่าง Typhoon หรือ SEA-LION เทียบกับโมเดลระดับแนวหน้าของโลก และวัดผลงานภาษาไทยด้วยชุดข้อสอบอย่าง ThaiExam/HELM
เลือกจุดเริ่มที่เหมาะกับคุณ แล้วค่อย ๆ ไต่ระดับขึ้นทีละขั้น
เลิกเดาสุ่มลองไปเรื่อย ๆ มาเขียนพรอมป์แบบมีหลักคิดกัน เน้นเทคนิคแค่ 20% ที่ให้ผลลัพธ์ถึง 80% · 12-15 ชั่วโมง (6 โมดูล)
รู้จักเครื่องมือแต่ละตัวและแพ็กเกจบริการต่าง ๆ (ปี 2025-2026); กฎทองคือ พูดให้ชัด ตรง เจาะจง และบอกเหตุผลด้วย; บอกว่า 'ให้ทำอะไร' ดีกว่าบอกว่า 'อย่าทำอะไร' และการกำหนดบทบาทให้ AI; การให้ตัวอย่างเพื่อสอน AI (few-shot) …
เข้าสู่บทเรียน →ยกระดับจากการยิงพรอมป์ทีละอัน มาเป็นการต่อเป็นขั้นตอนงานทั้งชุด (workflow) ที่ควบคุมได้ วัดผลได้ ด้วยการบังคับรูปแบบผลลัพธ์ (structured output), การต่อพรอมป์เป็นทอด ๆ (chaining), การให้ AI ตอบโดยอิงเอกสารจริง (RAG) และการวัดผลเบื้องต้น · 18-22 ชั่วโมง (6 โมดูล)
บังคับรูปแบบผลลัพธ์ (structured output): เลิกขอแบบอ้อน ๆ มากำหนดโครงตายตัว (schema) ไปเลย; ให้ AI คิดเป็นขั้นเป็นตอน (chain-of-thought / step-by-step) สำหรับโมเดลรุ่นที่ยังคิดเองไม่เก่ง; การซอยงานใหญ่เป็นงานย่อย (decomposition) และการต่อพรอมป์เป็นทอด ๆ (prompt chaining); การให้ AI อิงเอกสารจริง (RAG) เพื่อกันไม่ให้มันมั่วข้อมูล (hallucination) …
เข้าสู่บทเรียน →พาพรอมป์ขึ้นไปใช้บนระบบงานจริง ครอบคลุมทั้งโมเดลที่คิดเป็น (reasoning models), การใช้ AI ช่วยเขียนพรอมป์เอง (meta-prompting/DSPy), การตั้งระบบตรวจงานให้อัตโนมัติทุกครั้งที่อัปโค้ด (CI), การกันการโจมตีแบบแอบยัดคำสั่ง (injection), การสร้างผู้ช่วยอัตโนมัติ (agent) และกลยุทธ์เฉพาะสำหรับงานภาษาไทย · 24-30 ชั่วโมง (6 โมดูล)
โมเดลที่คิดเป็น (reasoning/thinking models) กับหลักที่ว่าอย่าสั่งมันเยอะเกินไป; อย่าสั่งจุกจิกกับโมเดลรุ่นแรงสุด สั่งให้น้อยเข้าไว้ (minimal-prompt); การใช้ AI ช่วยเขียนพรอมป์ขั้นสูง (meta-prompting) และ DSPy ที่มองพรอมป์เป็นโปรแกรมชิ้นหนึ่ง; การวัดผลและปรับปรุงวนไปเรื่อย ๆ แบบมืออาชีพ (ตั้งระบบตรวจให้อัตโนมัติทุกครั้งที่อัปโค้ด หรือ eval ใน CI) …
เข้าสู่บทเรียน →คลังแพตเทิร์นพร้อมใช้ หยิบไปปรับกับงานจริงได้ทันที จัดไว้เป็น 6 กลุ่มงาน (สรุปความ, ดึงข้อมูล ฯลฯ)
หน้าเฉพาะทางว่าด้วยการเปลี่ยนวิธีคิดครั้งใหญ่ที่สุดตั้งแต่ปี 2024 นั่นคือโมเดลที่คิดเป็น (reasoning/thinking m
หน้าเฉพาะทางว่าด้วยการกันคนแอบยัดคำสั่ง (prompt injection) และการใช้งานอย่างรับผิดชอบ กรอบคิดหลักปี 20
| ระดับ | กลุ่มเป้าหมาย | ความคาดหวังหลังเรียน |
|---|---|---|
| Foundation (ผู้เริ่มต้น) | คนใช้งานทั่วไป พนักงานออฟฟิศ ครู นักการตลาด นักวิเคราะห์ ที่ใช้ ChatGPT/Claude/Gemini อยู่แล้ว แต่ยังพิมพ์สั่งแบบเดาไปเรื่อย ๆ ไม่ต้องเขียนโค้ดเป็น | เขียนพรอมป์ได้ชัด เจาะจง กำหนดบทบาท/บริบท/ตัวอย่างเป็น และคุมรูปแบบคำตอบได้ ทำงานประจำวันได้เร็วขึ้นและแม่นขึ้นแบบเห็นผลจริง |
| Intermediate (คนที่ใช้จริงจัง / power user) | นักวิเคราะห์ข้อมูล เจ้าของผลิตภัณฑ์ ทีมทำคอนเทนต์ ที่ปรึกษา และคนที่เริ่มเอา AI มาต่อเป็นขั้นตอนงาน (workflow) อยากได้ผลลัพธ์ที่เชื่อถือได้และทำซ้ำได้ พออ่านไฟล์ตั้งค่าหรือ JSON ออกบ้าง | ออกแบบการต่อพรอมป์เป็นทอด ๆ (prompt chain), บังคับรูปแบบผลลัพธ์ (structured output), ให้ AI อิงเอกสารจริง (RAG grounding) และวัดผลด้วยตัวเลข (eval) เป็น ใช้การให้ AI ช่วยเขียนพรอมป์ (meta-prompting) และเครื่องมือทดสอบพรอมป์ได้จริง |
| Advanced (มืออาชีพ / ทีมวิศวกรรม) | วิศวกรด้าน AI, prompt engineer, ทีม ML/แพลตฟอร์ม ที่เอาพรอมป์ขึ้นระบบใช้งานจริง (production) ต้องดูแลผู้ช่วยอัตโนมัติ (agent) ความปลอดภัย การตั้งระบบตรวจงานอัตโนมัติ (CI) และการย้ายไปใช้โมเดลตัวใหม่ | วางระบบพรอมป์แบบวิศวกร: ใช้ DSPy/ตัวช่วยจูนพรอมป์ (optimizer), ตั้งระบบตรวจงานอัตโนมัติ (eval ใน CI), จำลองการโจมตีเพื่อกันคนแอบยัดคำสั่ง (red-team / injection), ออกแบบให้ผู้ช่วยอัตโนมัติมีสิทธิ์เท่าที่จำเป็น (least-privilege) และวางกลยุทธ์เฉพาะสำหรับงานภาษาไทย |
เขียนพรอมป์ที่ชัดเจน เจาะจง และบอกที่มาที่ไปให้ AI ด้วย (บริบทและสิ่งที่ต้องการ หรือ context/intent) ได้อย่างเป็นระบบ ตามหลักที่ Anthropic, OpenAI และ Google เห็นตรงกัน
หยิบเทคนิคหลัก 14 ข้อ มาผสมกันให้เหมาะกับงานได้ (เช่น การพูดให้ชัด, การให้ตัวอย่าง (few-shot), การใช้เครื่องหมายคั่นข้อความ (delimiters), การให้ AI คิดเป็นขั้นเป็นตอน (chain-of-thought), การบังคับรูปแบบผลลัพธ์ (structured output), การซอยงานเป็นชิ้นเล็ก (decomposition), การให้ตอบหลายรอบแล้วโหวต (self-consistency), การให้ AI คิดสลับกับลงมือทำ (ReAct), การให้ตอบโดยอิงเอกสารจริง (RAG grounding), การรับมือข้อความยาว ๆ (long-context) ฯลฯ)
ใช้โมเดลที่คิดเป็น (reasoning/thinking models) ได้ถูกวิธี รู้ว่าเมื่อไรควรบอก "อยากได้ผลลัพธ์แบบไหน" ไปก่อน (outcome-first) และเมื่อไรที่ไม่ควรไปเขียนขั้นตอนการคิด (chain-of-thought) ให้มันเอง รวมถึงเลี่ยงการสั่งเยอะจนโมเดลคิดมากเกินไป (over-prompting)
ทำให้คำตอบของ AI ออกมาในรูปแบบที่เราคุมได้ ด้วยฟีเจอร์บังคับโครงสร้างในตัว (structured-output / JSON schema) แทนที่จะขอแบบอ้อน ๆ เป็นข้อความยาว ๆ และกำหนดข้อตกลงเรื่องรูปแบบผลลัพธ์ (output contract) ให้ชัดเจน
ตั้งชุดข้อสอบไว้ทดสอบ (eval set) แล้ววัดผลพรอมป์แบบมีเกณฑ์ให้ตรวจจริง ด้วย Promptfoo หรือให้ AI มาเป็นกรรมการตรวจงาน (LLM-as-judge) เก็บพรอมป์แต่ละเวอร์ชันไว้เหมือนที่เก็บโค้ด และตั้งเกณฑ์มาตรฐานใหม่ทุกครั้งที่เปลี่ยนไปใช้โมเดลตัวอื่น
ออกแบบระบบกันคนแอบยัดคำสั่ง (prompt injection) แบบหลายชั้น โดยให้ AI มีสิทธิ์เท่าที่จำเป็นจริง ๆ (least-privilege) และมีคนคอยตรวจก่อนลงมือทำจริง (human-in-the-loop) เข้าใจว่านี่คือความเสี่ยงที่ต้องคอยดูแลบริหารไปเรื่อย ๆ ไม่ใช่บั๊กที่แก้ทีเดียวแล้วจบ
ทำงานกับภาษาไทยได้แบบมือโปร รู้ว่าภาษาไทยมีข้อจำกัดตรงที่มีข้อมูลให้ AI เรียนน้อย (low-resource) เลือกใช้โมเดลที่เก่งไทยโดยเฉพาะ (Typhoon, SEA-LION) เป็น และแยกวัดผลงานภาษาไทยออกจากงานภาษาอังกฤษ