ภาพนี้แสดง "เทคนิคการเขียน PROMPT" หรือ Prompt Engineering Techniques ซึ่งเป็นวิธีการต่างๆ ที่ใช้ในการสร้างคำสั่ง (Prompt) เพื่อสื่อสารกับ AI (ปัญญาประดิษฐ์) ให้ได้ผลลัพธ์ที่ต้องการอย่างมีประสิทธิภาพและแม่นยำยิ่งขึ้น คำอธิบายโดยละเอียดของแต่ละเทคนิคมีดังนี้:

1. Zero-shot:

   • คำอธิบายในภาพ: คำสั่งตรงๆ โดยไม่มีตัวอย่าง
   • คำอธิบายเพิ่มเติม: เป็นการสั่งงาน AI โดยตรง โดยไม่ให้ตัวอย่างใดๆ ใน Prompt เลย อาศัยความสามารถพื้นฐานที่ AI ได้เรียนรู้มาจากการฝึกฝน (Training) เหมาะสำหรับงานทั่วไปที่ AI เข้าใจได้อยู่แล้ว หรือเพื่อทดสอบความสามารถพื้นฐานของ AI

2. System Prompting:

   • คำอธิบายในภาพ: ระบุโครงสร้างผลลัพธ์ที่ต้องการ เช่น JSON
   • คำอธิบายเพิ่มเติม: เป็นการกำหนดคำสั่งพื้นฐาน กฎเกณฑ์ หรือบทบาทให้กับ AI ก่อนที่จะเริ่มการสนทนาหรือรับคำสั่งหลัก มักใช้เพื่อควบคุมรูปแบบผลลัพธ์ (เช่น ให้ตอบเป็น JSON, XML) กำหนดบุคลิกภาพ หรือข้อจำกัดต่างๆ ให้ AI ปฏิบัติตามตลอดการสนทนา

3. Contextual Prompting:

   • คำอธิบายในภาพ: เพิ่มบริบทเพื่อให้เข้าใจภารกิจได้ดีขึ้น
   • คำอธิบายเพิ่มเติม: การให้ข้อมูลพื้นหลัง รายละเอียด หรือสถานการณ์แวดล้อมที่เกี่ยวข้องกับคำสั่ง เพื่อให้ AI เข้าใจบริบทของคำถามหรือภารกิจได้ชัดเจนยิ่งขึ้น ทำให้สามารถตอบสนองได้ตรงประเด็นและเหมาะสมกับสถานการณ์นั้นๆ มากขึ้น

4. Chain of Thought (CoT):

   • คำอธิบายในภาพ: กระตุ้นการคิดทีละขั้นเพื่อความแม่นยำ
   • คำอธิบายเพิ่มเติม: เป็นเทคนิคที่กระตุ้นให้ AI แสดงกระบวนการคิด หรือ "คิดทีละขั้นตอน" (step-by-step) ก่อนที่จะให้คำตอบสุดท้าย ช่วยเพิ่มความแม่นยำในการแก้ปัญหาที่ซับซ้อน หรือโจทย์ที่ต้องใช้เหตุผลหลายขั้นตอน มักใช้กับงานคำนวณ หรือการใช้เหตุผลเชิงตรรกะ

5. Tree of Thoughts (ToT):

   • คำอธิบายในภาพ: แตกความคิดออกเป็นกิ่งก้านเพื่อการเลือก
   • คำอธิบายเพิ่มเติม: เป็นเทคนิคขั้นสูงที่ต่อยอดจาก CoT โดยให้ AI สำรวจแนวทางการแก้ปัญหาที่เป็นไปได้หลายๆ ทาง (เหมือนกิ่งก้านของต้นไม้) ประเมินทางเลือกเหล่านั้น แล้วเลือกเส้นทางที่ดีที่สุด แทนที่จะคิดเป็นเส้นตรงเพียงเส้นทางเดียว เหมาะสำหรับปัญหาที่ซับซ้อนมากและมีทางเลือกหลากหลาย

6. One-shot / Few-shot:

   • คำอธิบายในภาพ: ให้ตัวอย่าง 1 หรือหลายตัวอย่างเพื่อการเรียนรู้
   • คำอธิบายเพิ่มเติม: เป็นการให้ตัวอย่าง (Example) ของรูปแบบคำถาม-คำตอบ หรือรูปแบบงานที่ต้องการ ให้ AI ดูก่อนที่จะถามคำถามจริง
     • One-shot: ให้ตัวอย่าง 1 ตัวอย่าง
     • Few-shot: ให้ตัวอย่าง 2-3 ตัวอย่างขึ้นไป
   • เทคนิคนี้ช่วยให้ AI เข้าใจรูปแบบงานที่เฉพาะเจาะจง หรือปรับสไตล์การตอบให้ตรงตามตัวอย่างที่ให้มาได้ดีขึ้น

7. Role Prompting:

   • คำอธิบายในภาพ: กำหนดบทบาทให้กับโมเดลเพื่อบริบท
   • คำอธิบายเพิ่มเติม: การสั่งให้ AI สวมบทบาทเป็นบุคคลหรือผู้เชี่ยวชาญในด้านต่างๆ เช่น "จงทำตัวเป็นนักประวัติศาสตร์", "คุณคือนักการตลาดผู้เชี่ยวชาญ" เพื่อให้ AI ตอบคำถามโดยใช้ความรู้ ทัศนคติ หรือสไตล์การพูดให้สอดคล้องกับบทบาทนั้นๆ

8. Step-back Prompting:

   • คำอธิบายในภาพ: เริ่มด้วยคำถามทั่วไปก่อนที่จะเจาะจง
   • คำอธิบายเพิ่มเติม: เป็นเทคนิคที่กระตุ้นให้ AI ถอยกลับไปคิดถึงหลักการหรือแนวคิดทั่วไปที่เกี่ยวข้องกับคำถามเฉพาะเจาะจงก่อน แล้วจึงค่อยตอบคำถามนั้นๆ ช่วยให้ AI สร้างคำตอบที่มีพื้นฐานมาจากความเข้าใจที่กว้างขึ้นและอาจนำไปสู่คำตอบที่ดีกว่า

9. Self-Consistency:

   • คำอธิบายในภาพ: คิดซ้ำเพื่อหาคำตอบที่พบบ่อยที่สุด
   • คำอธิบายเพิ่มเติม: เป็นเทคนิคที่ใช้ร่วมกับ CoT โดยการให้ AI สร้างกระบวนการคิดและคำตอบสำหรับคำถามเดิมหลายๆ ครั้ง (อาจมีการปรับเปลี่ยน Prompt เล็กน้อย หรือใช้ค่า Temperature ที่ต่างกัน) แล้วเลือกคำตอบที่ปรากฏบ่อยที่สุดจากผลลัพธ์ทั้งหมด ช่วยเพิ่มความน่าเชื่อถือและความแม่นยำของคำตอบ โดยเฉพาะในงานที่ต้องใช้เหตุผลซับซ้อน

10. ReAct (Reasoning and Acting):

    • คำอธิบายในภาพ: รวมการคิดและการกระทำ เช่น การค้นหาข้อมูลออนไลน์
    • คำอธิบายเพิ่มเติม: เป็นเฟรมเวิร์กที่ให้ AI สามารถสลับระหว่างการใช้เหตุผล (Reasoning - การคิดวางแผนว่าจะทำอะไรต่อ) และการกระทำ (Acting - การใช้เครื่องมือ เช่น การค้นหาข้อมูลในเว็บ, การเรียกใช้ API) เพื่อรวบรวมข้อมูลจากภายนอกมาช่วยในการตอบคำถาม ทำให้ AI สามารถตอบคำถามที่ต้องการข้อมูลล่าสุด หรือต้องมีการโต้ตอบกับระบบภายนอกได้

โดยสรุป เทคนิคเหล่านี้เป็นเครื่องมือที่ช่วยให้ผู้ใช้สามารถสื่อสารและควบคุมการทำงานของ AI ได้อย่างมีประสิทธิภาพมากขึ้น เพื่อให้ได้ผลลัพธ์ที่ตรงตามความต้องการ มีความแม่นยำ และน่าเชื่อถือยิ่งขึ้น การเลือกใช้เทคนิคใดขึ้นอยู่กับความซับซ้อนของงานและลักษณะของ AI ที่ใช้งาน