Name: Foundation — รากฐานการเขียนพรอมป์ที่ได้ผลจริง · หลักสูตร Prompt Engineering อย่างมืออาชีพ
Author: จักริน นพรุจนธาดา

1.1

โมดูล 1.1

ภาพรวมเครื่องมือและระดับบริการ (2025-2026)

รู้จักเครื่องมือหลักและเลือกให้ถูกงาน

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนตอนจะทำกับข้าว เราต้องรู้ก่อนว่ามีเครื่องครัวอะไรบ้าง หม้อทอด เตาอบ ไมโครเวฟ อย่างไหนเหมาะกับเมนูไหน AI แต่ละตัวก็เหมือนเครื่องครัวคนละแบบที่ถนัดคนละงาน

🎯

ทำไมต้องรู้: ถ้าเลือกเครื่องมือให้ตรงกับงาน เราจะได้งานที่ดีกว่าและเร็วกว่า แทนที่จะฝืนใช้ตัวเดียวกับทุกอย่างแล้วได้ผลลัพธ์ครึ่ง ๆ กลาง ๆ

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

บอกได้ว่า ChatGPT, Claude, Gemini แต่ละตัวเก่งงานแบบไหน แล้วเลือกใช้ให้ตรงกับงานจริง
เข้าใจชื่อแพ็กเกจ (tier) ของแต่ละค่าย และรู้ว่าแบบใช้ทั่วไป (consumer plan) กับแบบต่อเข้าระบบเอง (API) ต่างกันยังไง
รู้ว่าราคาเปลี่ยนบ่อย แต่ชื่อแพ็กเกจค่อนข้างอยู่ตัว เลยต้องเช็กราคาล่าสุดทุกครั้งก่อนเอาไปอ้าง

เนื้อหา

หลักสูตรนี้ตั้งใจสอนแบบไม่ผูกกับ AI ยี่ห้อใดยี่ห้อหนึ่ง (model-agnostic) คือเรียนหลักการครั้งเดียวแล้วเอาไปใช้ข้ามเครื่องมือได้หมด แต่ก่อนอื่นเรามารู้จักตัวหลัก ๆ กันก่อน. ChatGPT (ของ OpenAI) เป็นผู้ช่วยแบบครบเครื่อง ทำได้แทบทุกอย่าง มีทั้งรุ่นที่คิดเป็นขั้นเป็นตอน (reasoning models) มีเครื่องมือเสริม จำเรื่องเก่าได้ มี canvas ทำงานได้หลายรูปแบบทั้งรูปเสียงไฟล์ (multimodal) และยังรันโค้ดได้เอง (code interpreter). Claude (ของ Anthropic) เด่นเรื่องอ่านข้อความยาว ๆ ทีเดียวได้เยอะ (long-context) งานที่ต้องมีโครงสร้างหรือใช้ XML การเขียนโค้ด และงานที่ให้มันไปทำเองหลายขั้น (agentic). Gemini (ของ Google) เด่นเรื่องอ่านยาวได้มากที่สุดและงานวิดีโอ แถมยังต่อกับ Workspace/Vertex ได้ลึก. ชื่อแพ็กเกจ (tier) ที่ควรจำไว้: ChatGPT มี Free/Plus/Pro/Team/Enterprise, Claude มี Free/Pro/Max (มีสองระดับคือ 5x กับ 20x)/Team/Enterprise ส่วน Gemini ปี 2025 เปลี่ยนชื่อแผนเป็น Google AI Pro, Google AI Ultra และ Gemini Enterprise โดยนักพัฒนาเข้าใช้ได้ผ่าน Google AI Studio กับ Vertex AI. ที่อยากย้ำคือ ราคาน่ะเปลี่ยนบ่อย ให้จำ 'ชื่อแพ็กเกจ' ไว้เป็นหลักเพราะค่อนข้างอยู่ตัว แล้วค่อยเช็กราคาจริงก่อนเอาไปเสนอทุกครั้ง.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

model-agnosticหลักการที่ใช้ได้กับ AI ทุกยี่ห้อ ไม่ผูกกับตัวใดตัวหนึ่ง เรียนครั้งเดียวเอาไปใช้ได้หมด

reasoning modelsAI รุ่นที่ 'คิดเป็นขั้นเป็นตอน' ก่อนตอบ เก่งงานที่ต้องใช้ตรรกะหรือคำนวณซับซ้อน

long-contextความสามารถอ่านและจำข้อความยาว ๆ ได้ทีเดียวเยอะมาก เช่น อ่านหนังสือทั้งเล่มแล้วตอบคำถามได้

agenticAI ที่ทำงานแบบตัวแทนได้เอง คือรับเป้าหมายแล้วไปวางแผน ลงมือทำหลายขั้นตอนให้จนจบ

multimodalรับและเข้าใจได้หลายรูปแบบ ไม่ใช่แค่ตัวอักษร แต่รวมถึงรูปภาพ เสียง ไฟล์ต่าง ๆ ด้วย

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

เลือกเครื่องมือให้ถูกงาน

งาน: สรุปสัญญา PDF 300 หน้าเป็นตารางความเสี่ยง พร้อมอ้างอิงหน้า คำถามตัดสินใจ: - ต้อง long-context + งานโครงสร้าง/ตาราง + citation → Claude หรือ Gemini เหมาะกว่า - ต้องรัน code วิเคราะห์ตัวเลขในไฟล์ด้วย → ChatGPT (code interpreter) มีข้อได้เปรียบ - ต้องยาวมากระดับล้าน token → Gemini/Claude context window

✅ ผลลัพธ์ที่ได้

ตารางเปรียบเทียบพร้อมเหตุผลเลือก Claude สำหรับสรุปโครงสร้าง+citation และ ChatGPT เมื่อต้องคำนวณในไฟล์

💡 จุดสอน

เวลาเลือกเครื่องมือให้ดูจากความสามารถจริง ๆ ว่ามันทำอะไรได้ (อ่านยาวได้ไหม จัดโครงสร้างเก่งไหม รันโค้ดได้ไหม ทำวิดีโอได้ไหม) อย่าเลือกตามกระแส และหลักสูตรนี้จะสอนให้เขียนพรอมป์ที่ย้ายไปใช้ข้ามเครื่องมือได้

แบบฝึกหัดท้ายโมดูล

ทำตารางเทียบ 3 เครื่องมือสำหรับงานที่คุณทำประจำ 3 งาน บอกว่างานไหนควรใช้ตัวไหนและเพราะอะไร
ค้นหาและจดชื่อแพ็กเกจปัจจุบันของทั้ง 3 ค่าย พร้อมจดโน้ตเตือนตัวเองว่า 'ราคาต้องเช็กใหม่ก่อนใช้จริง' ทุกครั้ง

1.2

โมดูล 1.2

กฎทอง: ชัด ตรง เจาะจง และบอกเหตุผล

กฎข้อ 1 ที่ทุกค่ายเห็นตรงกัน

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนสั่งงานให้ลูกน้องที่เพิ่งเข้ามาวันแรก เก่งมากแต่ยังไม่รู้ว่าออฟฟิศเราทำงานแบบไหน ถ้าเราสั่งกำกวม เขาก็ทำผิดทาง ต้องบอกให้ชัดว่าทำอะไร ส่งแบบไหน

🎯

ทำไมต้องรู้: พอสั่งชัดตั้งแต่แรก เราไม่ต้องเสียเวลาสั่งซ้ำไปมาหลายรอบ ได้งานตรงใจตั้งแต่ครั้งแรก ประหยัดเวลาสุด ๆ

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้ 'กฎทอง' (golden rule) ของ Anthropic ได้ คือ ถ้าเพื่อนร่วมงานที่ไม่ค่อยรู้เรื่องอ่านแล้วยังงง AI ก็งงเหมือนกัน
บอกให้ครบทุกครั้งว่าจะให้ทำอะไร (task) มีข้อจำกัดอะไร (constraints) อยากได้รูปแบบไหน (format) และทำไปทำไม (เหตุผล/บริบท)
เทียบผลก่อน-หลังได้ ว่าพอสั่งเจาะจงขึ้นและบอกเจตนา (intent) แล้วงานดีขึ้นจริงไหม

เนื้อหา

กฎข้อแรกที่ทุกค่ายเห็นตรงกันคือ 'ชัด ตรง เจาะจง'. Anthropic บอกให้เรามอง AI เหมือน 'พนักงานใหม่ที่เก่งมาก แต่ยังไม่รู้ธรรมเนียม (norm) การทำงานในบริษัทเรา'. กฎทองง่าย ๆ คือ ถ้าเพื่อนร่วมงานที่ยังไม่ค่อยรู้เรื่องอ่านพรอมป์เราแล้วงง AI ก็จะงงเหมือนกัน. พรอมป์ที่ดีต้องบอกให้ครบ 4 อย่าง คือ (1) งานที่ต้องทำ (2) ข้อจำกัดหรือกติกา (3) รูปแบบผลลัพธ์ที่อยากได้ และ (4) เหตุผลว่าทำไปทำไม. พอบอกเหตุผลด้วย AI จะเห็นภาพรวมและปรับให้เองได้ แถมเรายังวัดผลได้ว่ามันดีขึ้นจริง. เพราะจริง ๆ แล้วความกำกวมคลุมเครือ (vagueness) นี่แหละคือสาเหตุอันดับหนึ่งที่ทำให้ผลลัพธ์ออกมาแย่กับทุกค่าย.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

promptคำสั่งหรือข้อความที่เราพิมพ์บอก AI ว่าอยากให้ทำอะไร เหมือนใบสั่งงาน

normธรรมเนียมหรือวิธีทำงานที่คนในองค์กรรู้กันเองโดยไม่ต้องบอก แต่ AI ไม่รู้ ต้องบอกมันด้วย

constraint / ข้อจำกัดกรอบหรือกติกาที่ห้ามเกิน เช่น ห้ามยาวเกิน 3 บรรทัด หรือใช้เฉพาะข้อมูลที่ให้ไป

output formatรูปแบบผลลัพธ์ที่เราอยากได้ เช่น เป็นตาราง เป็นข้อ ๆ หรือเป็นย่อหน้า

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

ก่อน vs หลัง เพิ่มความเจาะจง+เหตุผล

❌ พรอมป์คลุมเครือ: "ช่วยสรุปรายงานนี้ให้หน่อย" ✅ พรอมป์ที่ชัด ตรง เจาะจง + เหตุผล: "สรุปรายงานยอดขายไตรมาสนี้เป็น 3 bullet สำหรับผู้บริหารที่มีเวลาอ่าน 30 วินาที โฟกัสเฉพาะ: (1) ยอดรวมเทียบไตรมาสก่อน (2) สินค้าที่โต/หดผิดปกติ (3) ความเสี่ยงที่ต้องตัดสินใจ เหตุผล: ผมต้องใช้พรีเซนต์ในที่ประชุมบอร์ดพรุ่งนี้ ต้องกระชับและชี้ประเด็นตัดสินใจได้ทันที"

✅ ผลลัพธ์ที่ได้

ได้สรุป 3 ข้อที่ตรงใจผู้บริหาร ชี้ตัวเลขเทียบและประเด็นที่ต้องตัดสินใจ แทนที่จะเป็นสรุปยาว ๆ ลอย ๆ

💡 จุดสอน

พอบอกว่าใครจะอ่าน (audience) อยากได้รูปแบบไหน (format) ให้เน้นตรงไหน (focus) และเหตุผลที่ใช้ AI ก็ปรับเนื้อหาให้ตรงเป้าได้ทันที การบอกเจตนาไม่ใช่พูดเยอะเกินจำเป็น แต่เป็นตัวช่วยที่เห็นผลจริง

แบบฝึกหัดท้ายโมดูล

หยิบพรอมป์ที่เคยใช้แล้วไม่ถูกใจมาเขียนใหม่ ใส่ให้ครบ 4 อย่าง (งาน/ข้อจำกัด/รูปแบบ/เหตุผล) แล้วเทียบผลดู
เขียนพรอมป์เดียวกัน 2 เวอร์ชัน แบบมีและไม่มีประโยคบอกเหตุผล แล้วดูว่าเวอร์ชันไหนตรงเป้ากว่ากัน

1.3

โมดูล 1.3

บอกให้ 'ทำอะไร' ไม่ใช่ 'อย่าทำอะไร' และการตั้งบทบาท

คำสั่งเชิงบวก + persona

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนสอนเด็ก ถ้าบอกว่า 'อย่าวิ่ง' เด็กยังงงว่าจะให้ทำอะไร แต่ถ้าบอก 'เดินช้า ๆ นะ' เด็กทำตามได้ทันที และการบอก AI ว่า 'คุณคือหมอ' ก็เหมือนให้มันสวมบทบาทเพื่อพูดให้เข้าเรื่องนั้นจริง ๆ

🎯

ทำไมต้องรู้: สั่งเชิงบวกทำให้ AI รู้ทางที่จะไปแทนที่จะเดาเอง และการตั้งบทบาททำให้คำตอบดูมืออาชีพและตรงสายงานมากขึ้นทันที

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

เปลี่ยนคำสั่งแบบห้าม (เชิงลบ) ให้เป็นคำสั่งแบบบอกให้ทำ (เชิงบวก) ที่ AI ทำตามได้ดีกว่า
ตั้งบทบาทให้ AI สวม (role/persona) ในคำสั่งตั้งต้น (system prompt) เพื่อปรับน้ำเสียงและความแม่นยำ
ใช้กรอบ PTCF (Persona, Task, Context, Format) ของ Google เป็นโครงเขียนพรอมป์

เนื้อหา

ไม่ว่าจะ AI ตัวไหน คำสั่งแบบห้าม ('อย่าใช้ bullet') มักได้ผลอ่อนกว่าคำสั่งแบบบอกให้ทำ ('เขียนเป็นย่อหน้าร้อยแก้ว (prose) ที่อ่านลื่น ๆ') เราเลยควรบอกสิ่งที่อยากให้ 'ทำ' เสมอ. การตั้งบทบาทให้ AI สวม (role/persona) แค่ประโยคเดียว เช่น 'คุณคือนักวิเคราะห์ภาษีอาวุโส' ก็เปลี่ยนน้ำเสียงและความแม่นยำได้แล้ว ควรวางไว้ในคำสั่งตั้งต้น (system prompt). Google รวบเรื่องนี้เป็นกรอบ PTCF คือ Persona (บทบาท), Task (งาน), Context (บริบท) และ Format (รูปแบบ) เป็นโครงตั้งต้นที่จำง่ายและครบทุกด้าน.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

คำสั่งเชิงบวก / เชิงลบเชิงบวกคือบอกสิ่งที่ให้ 'ทำ', เชิงลบคือบอกสิ่งที่ 'ห้ามทำ' ซึ่งเชิงบวกได้ผลดีกว่า

role / personaบทบาทที่เราให้ AI สวม เช่น 'คุณคือนักบัญชี' เพื่อให้พูดและคิดในมุมนั้น

system promptคำสั่งตั้งต้นที่กำหนดบทบาทและกฎรวมของทั้งบทสนทนา เหมือนใบบรรยายงานที่ติดไว้ก่อนเริ่มคุย

toneน้ำเสียงหรืออารมณ์ของคำตอบ เช่น เป็นทางการ เป็นกันเอง หรือจริงจัง

proseการเขียนเป็นย่อหน้าร้อยแก้วปกติ ไม่ใช่แบบข้อ ๆ หรือ bullet

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

เชิงลบ→เชิงบวก + PTCF

❌ "อย่าเขียนยาว อย่าใช้ศัพท์เทคนิค อย่าออกนอกเรื่อง" ✅ ใช้กรอบ PTCF: Persona: คุณคือที่ปรึกษาการเงินส่วนบุคคลที่อธิบายให้คนทั่วไปเข้าใจง่าย Task: อธิบายว่ากองทุนรวมดัชนีคืออะไร Context: ผู้อ่านเป็นมือใหม่ อายุ 25 เพิ่งเริ่มลงทุน ไม่มีพื้นการเงิน Format: 4 ประโยค ภาษาชวนคุย ใช้คำง่ายๆ ยกตัวอย่างในชีวิตจริง 1 ตัวอย่าง

✅ ผลลัพธ์ที่ได้

ได้คำอธิบายสั้น เข้าใจง่าย มีตัวอย่างจริง โทนเป็นมิตร ตรงกับกลุ่มมือใหม่พอดี

💡 จุดสอน

แทนที่จะไล่ห้ามเป็นข้อ ๆ ให้บอกชัด ๆ ว่าอยากได้อะไรผ่านกรอบ PTCF AI จะทำตามได้ดีและแม่นกว่าการสั่งห้ามเยอะ

แบบฝึกหัดท้ายโมดูล

หาพรอมป์ที่มีคำว่า 'อย่า/ไม่ต้อง' อย่างน้อย 3 จุด แล้วเขียนใหม่เป็นคำสั่งแบบบอกให้ทำทั้งหมด
เขียนคำสั่งตั้งต้น (system prompt) แบบ PTCF สำหรับผู้ช่วยเฉพาะงานของคุณ (เช่น ผู้ช่วยตอบอีเมลลูกค้า) แล้วลองใช้ดู

1.4

โมดูล 1.4

Few-shot examples: ตัวอย่างที่สอนโมเดล

เครื่องมือชี้นำที่น่าเชื่อถือที่สุด

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนสอนงานลูกน้องด้วยการโชว์ตัวอย่างงานเก่าที่ทำไว้แล้วให้ดู 3-4 ชิ้น เขาเห็นแล้วก็ทำตามสไตล์ได้เลย ดีกว่าอธิบายด้วยปากอย่างเดียว

🎯

ทำไมต้องรู้: ให้ตัวอย่างดี ๆ แค่ไม่กี่อัน AI ก็จับสไตล์และรูปแบบที่เราต้องการได้แม่นกว่าการบรรยายยาว ๆ ช่วยให้งานออกมาสม่ำเสมอ

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใส่ตัวอย่าง 3-5 ชิ้นที่ตรงกับงานจริง (relevant) หลากหลาย (diverse) และจัดเป็นระเบียบ (structured) ตามที่ Anthropic แนะนำ
เลือกตัวอย่างให้ครอบคลุมกรณีแปลก ๆ สุดขอบ (edge case) เพื่อไม่ให้ AI จำรูปแบบผิด ๆ (overfit)
ปรับจำนวนตัวอย่างตาม AI แต่ละตัว (Gemini ชอบ 2-5 ตัวอย่าง และชอบพรอมป์ที่สั้นตรง)

เนื้อหา

การยกตัวอย่างให้ AI ดูก่อนสัก 2-5 อัน (few-shot หรือ multishot) ยังเป็นวิธีชี้แนวทางที่ได้ผลน่าเชื่อถือที่สุด. Anthropic แนะนำ 3-5 ตัวอย่าง โดยตัวอย่างต้องตรงกับงานจริง (relevant) หลากหลายครอบคลุมกรณีสุดขอบด้วย (edge case) เพื่อไม่ให้ AI จับรูปแบบผิด ๆ (overfit) และควรห่อด้วยป้ายกำกับ (tag) เช่น example/examples ให้ดูเป็นระเบียบ. Google ก็บอกชัดว่า 'ควรใส่ตัวอย่างเสมอ' และชอบ 2-5 ตัวอย่าง โดย Gemini หิวตัวอย่างมากกว่าเพื่อน และชอบพรอมป์ที่สั้นตรงกว่า Claude หรือ GPT. ตัวอย่างที่ดีก็เหมือนครูที่ดี คือสอนให้ AI เห็นทั้งเคสปกติและเคสยาก ๆ.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

few-shot / multishotการใส่ตัวอย่างคำตอบให้ AI ดูสัก 2-5 อัน ก่อนให้มันทำงานจริง เพื่อชี้แนวทาง

relevantตัวอย่างที่ตรงกับงานจริง ไม่ใช่ตัวอย่างมั่ว ๆ ที่ไม่เกี่ยว

diverseตัวอย่างที่หลากหลาย ครอบคลุมหลายกรณี เพื่อให้ AI ไม่เข้าใจผิดว่าต้องทำแบบเดียว

edge caseกรณีแปลก ๆ หรือสุดขอบที่ไม่ค่อยเจอ แต่ถ้าไม่เตรียมไว้ AI อาจพลาดตรงนี้

overfitอาการที่ AI จับ 'แพตเทิร์นปลอม' จากตัวอย่างน้อยเกินไป แล้วเลียนแบบผิด ๆ

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

few-shot จัดหมวดรีวิว (มี edge case)

จัดหมวดอารมณ์ของรีวิว เป็น บวก/ลบ/กลาง ตามตัวอย่าง: <examples> <example>รีวิว: "อาหารอร่อยมาก บริการดีเยี่ยม" → บวก</example> <example>รีวิว: "รอนานมาก อาหารเย็นชืด" → ลบ</example> <example>รีวิว: "อาหารโอเค แต่ที่จอดรถหายาก" → กลาง</example> <example>รีวิว: "ไม่แย่หรอก แต่ก็ไม่ได้ว้าว" → กลาง</example> </examples> รีวิว: "ราคาสูงไปนิด แต่รสชาติคุ้มค่า" →

✅ ผลลัพธ์ที่ได้

ตอบว่า 'บวก' (AI เรียนจากเคสก้ำกึ่งอย่าง 'ไม่แย่แต่ไม่ว้าว=กลาง' และ 'สูงแต่คุ้ม=บวก' มาได้ถูก)

💡 จุดสอน

ตัวอย่างที่หลากหลายและครอบคลุมกรณีก้ำกึ่งช่วยกันการตัดสินผิดพลาด ส่วนการห่อด้วยป้ายกำกับก็ทำให้ AI แยกออกว่าอันไหนคือตัวอย่าง อันไหนคือโจทย์จริง

แบบฝึกหัดท้ายโมดูล

สร้างตัวอย่าง (few-shot) 4 อันสำหรับงานจัดหมวดของคุณ โดยต้องมีเคสก้ำกึ่งสุดขอบ (edge case) อย่างน้อย 2 เคส
ลองรันพรอมป์เดียวกันบน Gemini กับ Claude แล้วเทียบว่าจำนวนและความยาวตัวอย่างที่เหมาะต่างกันยังไง

1.5

โมดูล 1.5

Delimiters และการจัดโครงสร้างพรอมป์

แยกคำสั่ง บริบท ข้อมูล ตัวอย่างให้ชัด

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนจัดของใส่กล่องแล้วติดป้ายชื่อทุกกล่อง กล่องคำสั่ง กล่องข้อมูล กล่องตัวอย่าง พอแยกชัดแบบนี้ คนหยิบก็ไม่สับสน AI ก็เช่นกัน

🎯

ทำไมต้องรู้: พอแยกส่วนให้ชัด AI จะไม่เอาคำสั่งไปปนกับข้อมูล ทำให้ตอบตรงและผิดพลาดน้อยลงมาก โดยเฉพาะงานยาว ๆ ซับซ้อน

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ใช้เครื่องหมายแบ่งส่วน (delimiter) ที่สม่ำเสมอและสื่อความหมาย เพื่อขีดเส้นแยกส่วนต่าง ๆ ในพรอมป์
เลือกใช้ป้ายกำกับแบบ XML (XML tags) กับ Claude และใช้ Markdown หรือ ### กับ GPT/Gemini ได้เหมาะกับแต่ละตัว
เข้าใจว่า 'ความสม่ำเสมอ' สำคัญกว่าว่าจะเลือกใช้เครื่องหมายแบ่งส่วนแบบไหน

เนื้อหา

พรอมป์ที่ดีต้องแยกส่วนต่าง ๆ ให้ชัด ทั้งส่วนคำสั่ง (instructions), บริบท (context), ข้อมูล (data) และตัวอย่าง (examples). Claude ชอบป้ายกำกับแบบ XML (XML tags) เป็นพิเศษ (เช่น instructions, context, document, example) โดย Anthropic บอกว่าพอจัดโครงสร้างด้วย XML แล้ว ผลลัพธ์สม่ำเสมอกว่าการโยนข้อความรวด ๆ ที่ไม่มีการแบ่งอย่างเห็นได้ชัด. ส่วน GPT กับ Gemini ก็รับ XML ได้เหมือนกัน แต่ก็ทำงานเข้ากันดีกับหัวข้อแบบ Markdown และการคั่นด้วย triple-quotes หรือ ###. สรุปแบบใช้ได้กับทุกค่าย (model-agnostic) คือ ขอแค่ใช้เครื่องหมายแบ่งส่วนที่ 'สม่ำเสมอและสื่อความหมาย' ก็พอ จะเลือกแบบไหนไม่สำคัญเท่ากับความสม่ำเสมอ.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

delimiterเครื่องหมายหรือป้ายที่ใช้ขีดเส้นแบ่งส่วนต่าง ๆ ในคำสั่ง ให้ AI รู้ว่าตรงไหนคือส่วนอะไร

XML tagsป้ายกำกับแบบมีวงเล็บมุม เช่น <คำสั่ง>...</คำสั่ง> ใช้ห่อข้อความเพื่อบอกว่าก้อนนี้คืออะไร

instructionsส่วนที่เป็นคำสั่งบอกว่าให้ AI ทำอะไร

contextข้อมูลพื้นหลังหรือบริบทที่ AI ควรรู้ก่อนทำงาน

structured / unstructuredstructured คือจัดเป็นระเบียบมีป้ายกำกับ, unstructured คือข้อความยาวรวด ๆ ไม่มีการแบ่ง

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

จัดโครงสร้างด้วย XML (สไตล์ Claude)

<instructions> สรุปเอกสารด้านล่างเป็น 5 bullet โดยยึดเฉพาะข้อมูลในเอกสารเท่านั้น </instructions> <context> ผู้อ่านคือทีมกฎหมายที่ต้องประเมินความเสี่ยงสัญญา </context> <document> {{วางเนื้อหาสัญญาเต็มตรงนี้}} </document> <output_format> 5 bullet แต่ละข้อขึ้นต้นด้วยหมวดความเสี่ยง แล้วตามด้วยคำอธิบาย 1 ประโยค </output_format>

✅ ผลลัพธ์ที่ได้

ได้สรุป 5 ข้อ ที่แยกคำสั่ง บริบท เอกสาร และรูปแบบชัดเจน AI ไม่สับสนว่าส่วนไหนคือคำสั่ง ส่วนไหนคือข้อมูล

💡 จุดสอน

การห่อแต่ละส่วนด้วยป้ายกำกับที่ตั้งชื่อให้สื่อความหมาย ช่วยให้ AI อ้างอิงและทำตามได้แม่นขึ้น โดยเฉพาะกับ Claude ส่วน GPT/Gemini จะใช้ ### หรือหัวข้อแบบ Markdown ก็ได้ผลใกล้เคียงกัน

แบบฝึกหัดท้ายโมดูล

เอาพรอมป์ยาว ๆ ที่ทุกอย่างปนกันของคุณ มาจัดใหม่ให้มี 4 ส่วนชัด ๆ (คำสั่ง/บริบท/ข้อมูล/รูปแบบ) ด้วย XML
ลองพรอมป์เดียวกันสองแบบ คือ XML บน Claude กับ Markdown ### บน GPT แล้วเทียบว่าผลออกมาสม่ำเสมอต่างกันไหม

1.6

โมดูล 1.6

คุม tone, ความยาว, รูปแบบ และ output contract

กำหนด 'สัญญาผลลัพธ์' ให้ชัด

👋 สำหรับผู้เริ่มต้น — อ่านตรงนี้ก่อน

💡

เปรียบง่าย ๆ: เหมือนสั่งตัดชุดกับช่าง ต้องบอกให้ครบว่าเอาแบบไหน ยาวเท่าไหร่ มีกี่ชิ้น ไม่งั้นได้ชุดที่ไม่ตรงใจ การกำหนดผลลัพธ์ให้ AI ก็เหมือนใบสั่งตัดชุดที่ละเอียด

🎯

ทำไมต้องรู้: พอกำหนดชัดว่าอยากได้ส่วนไหน ยาวแค่ไหน AI จะส่งมาพอดี ไม่ขาดไม่เกิน เอาไปใช้ต่อได้เลยโดยไม่ต้องมานั่งตัดทอน

🎯 สิ่งที่คุณจะทำได้หลังเรียนโมดูลนี้

ออกแบบข้อตกลงรูปแบบผลลัพธ์ (output contract) ที่บอกชัดว่าต้องมีส่วนไหน เรียงยังไง ยาวแค่ไหน
จับคู่ 'สไตล์ของพรอมป์' ให้เข้ากับ 'สไตล์ผลลัพธ์' ที่อยากได้
คุมความสั้น-ยาวของคำตอบ (verbosity) ให้ชัดเจนสำหรับ AI รุ่นใหม่

เนื้อหา

การคุมผลลัพธ์ก็คือการทำ 'ข้อตกลงรูปแบบผลลัพธ์' (output contract) หรือสัญญาว่าจะได้อะไรกลับมา คือบอกให้ชัดว่าต้องมีส่วนไหนบ้าง (section) เรียงลำดับยังไง และยาวแค่ไหน. แนวทางของ OpenAI สำหรับ AI รุ่นใหม่ก็เน้นให้คุมความเยอะของคำ (verbosity) ให้ชัด และ 'ส่งกลับมาเฉพาะส่วนที่ขอ ไม่ขาดไม่เกิน'. เคล็ดลับสำคัญคือจับคู่สไตล์ของพรอมป์ให้เข้ากับผลลัพธ์ที่อยากได้ เช่น ถ้าพรอมป์เราใส่ Markdown เยอะ มันก็มักตอบกลับมาเป็น Markdown เยอะตาม ถ้าอยากได้เป็นย่อหน้าร้อยแก้ว (prose) ล้วน ๆ ก็ลด Markdown ในพรอมป์ลง.

📖 คำศัพท์ในโมดูลนี้ (อธิบายง่าย ๆ)

output contractข้อตกลงเรื่องรูปแบบผลลัพธ์ ว่าต้องมีส่วนอะไร เรียงยังไง ยาวแค่ไหน เหมือนสัญญาที่ AI ต้องส่งตามนั้น

sectionหัวข้อย่อยหรือส่วนต่าง ๆ ของคำตอบ เช่น ส่วนสรุป ส่วนรายละเอียด

verbosityระดับความเยอะของคำพูด คุมได้ว่าจะให้ตอบสั้นกระชับหรือยาวละเอียด

Markdownรูปแบบการจัดข้อความง่าย ๆ ที่ทำหัวข้อ ตัวหนา ข้อ ๆ ได้ ถ้าเขียนคำสั่งด้วยแบบนี้ AI มักตอบแบบนี้กลับมา

🧪 ตัวอย่างจริง + ผลลัพธ์ที่ได้

ออกแบบ output contract

เขียนอีเมลตอบลูกค้าที่ร้องเรียนสินค้าชำรุด โดยคืนผลลัพธ์ตามสัญญานี้เป๊ะๆ: [หัวข้ออีเมล] — 1 บรรทัด ไม่เกิน 12 คำ [ย่อหน้าเปิด] — ขอโทษและสรุปว่าเข้าใจปัญหา 2 ประโยค [แนวทางแก้ไข] — 3 bullet เป็นขั้นตอนที่ลูกค้าจะได้รับ [ปิดท้าย] — 1 ประโยค ให้ช่องทางติดต่อกลับ โทน: สุภาพแบบธุรกิจไทย เป็นทางการแต่อบอุ่น ห้ามใช้ศัพท์กฎหมาย

✅ ผลลัพธ์ที่ได้

ได้อีเมลที่มีครบ 4 ส่วนตามลำดับ ความยาวตรงตามที่กำหนด โทนตรงตามที่สั่ง

💡 จุดสอน

พอกำหนดส่วน ลำดับ ความยาว และโทนไว้เป็นข้อตกลงชัด ๆ ผลลัพธ์ก็จะสม่ำเสมอและเอาไปใช้ต่อได้เลย ไม่ต้องมานั่งแก้ซ้ำ

แบบฝึกหัดท้ายโมดูล

ออกแบบข้อตกลงรูปแบบผลลัพธ์ (output contract) สำหรับงานที่คุณทำซ้ำบ่อย (เช่น สรุปประชุม) ให้บอกครบว่ามีส่วนไหนและยาวแค่ไหน
ลองใส่หรือลด Markdown ในพรอมป์ แล้วสังเกตว่าผลลัพธ์เปลี่ยนสไตล์ตามหรือเปล่า

🎯 Mini-project: ชุดพรอมป์งานประจำวัน 3 ชิ้น

เลือกงานจริงที่คุณทำบ่อย 3 งาน (เช่น สรุปประชุม, ตอบอีเมลลูกค้า, จัดหมวดคำถาม)
เขียนพรอมป์แต่ละงานให้ครบทุกอย่างที่เรียนมา คือ กฎทอง (ชัด/ตรง/เจาะจง/บอกเหตุผล) + คำสั่งแบบบอกให้ทำ + กรอบ PTCF + ยกตัวอย่าง 3-5 อัน + จัดโครงสร้างด้วยเครื่องหมายแบ่งส่วน + ข้อตกลงรูปแบบผลลัพธ์
ลองพรอมป์เดียวกันบนอย่างน้อย 2 เครื่องมือ (เช่น ChatGPT + Claude หรือ Gemini) แล้วจดว่าต่างกันตรงไหน
ทำเป็นเอกสารพรอมป์ที่เอากลับมาใช้ซ้ำได้ (ใส่ช่องว่าง {{...}} ไว้แทนข้อมูลที่ต้องเปลี่ยนทุกครั้ง) ให้เพื่อนร่วมทีมหยิบไปใช้ต่อได้เลย
ประเมินตัวเอง ว่าก่อนกับหลังใช้เวลาลดลงเท่าไร แล้วผลลัพธ์ต้องมานั่งแก้ซ้ำน้อยลงไหม

ก้าวต่อไป

Intermediate — พรอมป์ที่น่าเชื่อถือและทำซ้ำได้

ไปต่อ →