Prompt ไม่ใช่คาถา แต่คือสัญญาณให้ AI คิดอย่างที่เราต้องการ
Prompt engineering คือศิลปะของการออกแบบคำสั่งสั้นๆ ให้โมเดลภาษาขนาดใหญ่เข้าใจบทบาท เป้าหมาย และขอบเขตงานอย่างชัดเจน จนสามารถให้คำตอบที่ตรงโจทย์ ลดการเดา ลดการแต่งเรื่อง และเพิ่มโอกาสได้ผลลัพธ์ที่สม่ำเสมอ โดยไม่จำเป็นต้องมีพื้นฐานเทคนิคเชิงลึกก็ทำได้หากรู้ว่าจะแก้คำสั่งตรงไหนให้ชัดขึ้นหรือเบาลงในจุดที่เหมาะสม.
มุมมองสำคัญคือ การเปลี่ยนเพียง “หนึ่งบรรทัด” ใน prompt สามารถทำให้ ChatGPT, Claude หรือ Gemini เปลี่ยนพฤติกรรมไปคนละแบบทันที เราไม่ได้ต่อสู้กับความฉลาดของโมเดล แต่กำลังต่อสู้กับสมมติฐานเงียบๆ ที่มันเติมให้เราเมื่อคำสั่งไม่ชัดเจน ยิ่งเราเข้าใจว่ามันคิดอย่างไรกับโครงสร้างคำสั่งแบบต่างๆ ก็ยิ่งปรับปรุง AI output ให้เด่นกว่าคนอื่นได้แบบที่เห็นผลทันที.
ประโยคทองหนึ่งบรรทัด: บังคับ AI ถามให้ครบ ก่อนจะตอบมั่ว
ปัญหาใหญ่ของหลายคนคือให้ prompt กว้าง แล้วปล่อยให้โมเดล “เติมช่องว่าง” เอง เช่นขอแผนเที่ยวแต่ไม่ได้ระบุงบ เวลา หรือสไตล์การเดินทาง ผลคือคำตอบดูสวยแต่ไม่ตรงใจ เพราะ AI กำลังเดาความต้องการแทนเรา.
ทริกง่ายที่เปลี่ยนเกมคือเพิ่มบรรทัดนี้ลงท้าย prompt: “ก่อนตอบ ให้ประเมินระดับความไม่แน่ใจของคำตอบ ถ้ามากกว่า 0.1 ให้ถามคำถามชี้แจงจนกว่าความไม่แน่ใจจะต่ำกว่า 0.1” ประโยคเดียวนี้บอกโมเดลชัดๆ ว่า ถ้าไม่มั่นใจให้ถาม ไม่ใช่แต่งให้ครบหน้ากระดาษ เมื่อมีการทดสอบกับงานวางแผนท่องเที่ยว โมเดลประเมินความไม่แน่ใจราว 0.5 แล้วตั้งคำถามกลับถึง 7 ข้อก่อนจึงค่อยสร้าง itinerary นี่คือการแปลงความกำกวมให้กลายเป็นบทสนทนาร่วมกัน และเป็นตัวอย่าง ChatGPT prompt optimization ที่ใช้ได้กับโมเดลอื่นอย่าง Claude และ Gemini ด้วย.
เลิกเขียน prompt แบบยุคเก่า: โมเดล reasoning ไม่ต้องให้สอนคิดซ้ำ
ความเข้าใจผิดที่พบบ่อยที่สุดในการทำ AI model prompting คือเชื่อว่า “คำสั่งยิ่งเยอะยิ่งดี” จึงใส่ประโยคอย่าง “คิดทีละขั้น”, “ตรวจคำตอบซ้ำ”, “อย่าพลาดเด็ดขาด”, “จงกระชับ” เต็ม prompt ด้วยฟอร์แมตบังคับสารพัด. แต่สำหรับ reasoning models รุ่นใหม่ซึ่งมีการ verify ขั้นตอนด้วยตัวเองอยู่แล้ว การสั่งให้ตรวจงานซ้ำไปมาไม่ได้เพิ่มความปลอดภัย กลับเพิ่มงานให้โมเดลต้องต่อรองกับคำสั่งที่ซ้ำซ้อน แถมเปลืองโทเคนโดยไม่จำเป็น.
แนวทางที่ดีกว่าคือ “ลีนคำสั่ง” เหลือเฉพาะสิ่งที่โมเดลยังเดาไม่ได้ ได้แก่ effort (ระดับความลึก), scope (ขอบเขตงาน), length (ความยาวคำตอบ), และ autonomy (ระดับอิสระในการตัดสินใจ). มีคำแนะนำให้เขียน prompt แบบ 2026 template: ระบุ Role, Objective, Success criteria, Constraints, Output format และ Stopping rules จากนั้นตัดคำสั่งขั้นตอนยิบย่อยออก แล้วบอกเพียงผลลัพธ์ที่ต้องการ พร้อมกำหนดความยาวอย่างชัดเจน เช่น “ตอบเป็น 3 bullet” หรือ “ไม่เกินหนึ่งย่อหน้า” เพื่อให้ ChatGPT prompt optimization ให้ผลลัพธ์ที่แม่นชัดและสั้นอย่างที่ต้องการ.
เปลี่ยนโครงสร้าง prompt เปลี่ยนลายเซ็นการคิดของโมเดล
โมเดล reasoning จะตอบสนองต่อโครงสร้าง prompt ต่างกันแบบสังเกตได้ชัด เมื่อเราเปลี่ยนจากคำสั่งกำกวมเป็นคำสั่งที่เน้นบทบาทและผลลัพธ์ พฤติกรรมของมันจะเปลี่ยนทั้งรูปแบบคำตอบและวิธีคิดภายใน เช่น prompt แย่แบบ “คิดให้ลึกมาก ระวังให้ดีเสมอ ตรวจงานทุกครั้ง ห้ามข้ามการตรวจ และตอบให้กระชับ จากนั้นช่วย refactor payment module” ถูกเปรียบเทียบกับ prompt ใหม่ที่เขียนว่า “Role: วิศวกร backend อาวุโสดูแลการ refactor payment module … Objective: แยก retry logic ออกจาก PaymentGateway … Constraints, Output format, Stopping rules, Effort: medium” ผลคือโมเดลเข้าใจขอบเขตและจุดหยุดได้คมกว่า.
เคล็ดลับสำคัญคือกำหนดขอบเขตงานและอิสระของโมเดล: ให้ทำเพียง “inspect and report” หรืออนุญาตให้ “ดำเนินการโดยไม่ต้องถามทุกขั้น” สำหรับงานที่ไม่เสี่ยง. บทเรียนจากการทดลองภายในชี้ว่า การตัดคำสั่งซ้ำๆ ตัวอย่างที่ไม่เกี่ยวข้อง และคำอธิบายเครื่องมือที่ไม่จำเป็นออก ทำให้คะแนนประเมินดีขึ้น 10–15% และลดโทเคนลง 41–66% พร้อมลดต้นทุนได้ถึง 67% ในระบบภายในบางชุด. นี่คือ prompt engineering tips ที่เน้น “ตัดส่วนเกิน” แทนการ “สั่งเพิ่ม” ให้โมเดล.
ระวัง JSON บังคับตอบ: เมื่อ schema บีบให้ AI แต่งเรื่อง
อีกกับดักหนึ่งของการปรับปรุง AI output คือการใช้ JSON schema ที่บังคับทุกช่องต้องมีค่า แม้ความจริงคือ “ตอบไม่ได้” ก็ตาม ในงาน production ส่วนใหญ่ เราให้โมเดลตอบเป็นโหมด JSON, function calling หรือ extraction schema มากกว่าข้อความเปล่า. เมื่อออกแบบให้ไม่มีช่องสำหรับคำตอบแบบ “ข้อมูลไม่พอ” โมเดลส่วนมากจะเลือกแต่งข้อมูลขึ้นมาโดยอัตโนมัติ มากถึง 100% ของครั้งที่ทดสอบในโมเดลจำนวนมาก.
มีการตั้งโจทย์ที่ไม่มีทางมีคำตอบ เช่นโพสต์ไวรัลที่มีเพียงจำนวน likes และ replies แต่ไม่มีข้อความตอบกลับ แล้วถามว่า “คนพูดอะไรกัน” จากนั้นลองสามแบบ: ตอบด้วยข้อความอิสระ, JSON ที่มีค่า escape อย่าง “insufficient_evidence” และ JSON ที่ทุกฟิลด์ต้องมีค่าพร้อม enum sentiment และ array minimum 3 items. ผลคือ เมื่อไม่มีช่อง “ไม่รู้” โมเดลจะระบุ sentiment, themes และ representative quote ทั้งที่ไม่มีข้อมูลจริงอยู่เลย และแม้เพิ่ม escape value แล้ว โมเดลเปิดบางตัวก็ยังไม่เลือกใช้ในช่องที่เป็นต้นเหตุการแต่งข้อมูล. นี่คือบทพิสูจน์ว่า AI model prompting ต้องออกแบบ schema ให้รองรับ “ไม่รู้” อย่างจริงจัง ไม่ใช่แค่เชื่อว่าโมเดลจะสุจริตเอง.
เข้าใจสมองแต่ละโมเดล แล้วเลือกคำสั่งให้ตรงจุด
การจะได้ผลลัพธ์ที่สม่ำเสมอจากโมเดลต่างตระกูล เราต้องเข้าใจว่ามันถูกฝึกให้คิดและหยุดตรงไหน โมเดลรุ่นเก่าต้องสั่งให้ตรวจงาน ชะลอความคิด และจับประเด็น แต่ reasoning models รุ่นใหม่อย่าง GPT-5.6 หรือ Opus 5 มีการตรวจสอบภายในและกำหนดระดับความลึกของตัวเองอยู่แล้ว. Prompt ที่เขียนเผื่อโมเดลปีที่แล้วจึงกลายเป็น prompt ที่ซ้ำคำสั่งกับสิ่งที่โมเดลทำเองอยู่แล้ว และสร้าง noise ให้มันต้องหลบเลี่ยงมากกว่าจะช่วยงาน.
แนวทางที่คุ้มค่าที่สุดคือถามตัวเอง 4 ข้อก่อนส่ง prompt: งานนี้ต้องการ effort ระดับไหน, scope อยู่แค่ไหน, length ควรยาวเท่าไร, และให้ autonomy แค่ไหน. จากนั้นเพิ่มเพียงหนึ่งบรรทัดจัดการความไม่แน่ใจ เพื่อให้โมเดลถามกลับก่อนแต่งเรื่องเอง. ในโลกที่โมเดลแต่ละรุ่นยังตอบสนองต่อ schema ไม่เหมือนกัน บางรุ่นเล็กปฏิเสธ schema ที่เป็นไปไม่ได้ ขณะที่รุ่นกลางกลับแต่งเรื่องถึง 90% ของครั้งที่ทดสอบ การเข้าใจลักษณะ reasoning ของแต่ละโมเดลจึงไม่ใช่เรื่องหรูหรา แต่คือฐานของ ChatGPT prompt optimization และ AI model prompting ที่ใช้ได้จริงในงานทุกวัน.
