เจอโพสต์ของ Ihtesham Ali ใน X พูดถึงบทความชื่อ The Prompt…
แก่นของบทความคือ ปัญหาส่วนใหญ่ไม่ใช่โมเดลไม่เก่ง แต่คำสั่งเราไม่ชัด เราชอบพิมพ์แบบคุยเพื่อน “ช่วยหน่อย” แล้วหวังให้ได้งานระดับโปร ถ้างานง่ายยังพอไหว แต่ถ้าต้องการความสม่ำเสมอ คุณภาพ หรือรันซ้ำเป็นร้อยรอบ มันพังทันที
เขาเลยสรุป 11 แพตเทิร์นที่ใช้ได้กับทุก LLM ไม่ว่าจะ GPT, Claude, Gemini หรือเจ้าอื่นในปี 2026
1.Few-shot Learning
ให้ตัวอย่าง input → output 2-3 อันก่อนสั่งจริง เหมาะกับงานจัดหมวดหมู่ แปลงข้อมูล หรือเลียนแบบสไตล์
2.ตั้งบทบาท (Role / Persona)
บอกให้ AI เป็นอะไร เช่น Senior DevOps, ทนาย, นักการตลาด จะได้โทนและความลึกตรงสาย
3.ใส่ข้อจำกัดชัดๆ (Constraint)
กำหนดความยาว คำที่ต้องมี คำที่ห้ามใช้ ก่อนบอกงาน ช่วยลดคำตอบหลุดโจทย์
4.บังคับโครงสร้าง (Structured Output)
สั่งให้ตอบเป็น JSON หรือตาราง และบอกให้ส่งเฉพาะโครงสร้างนี้ เหมาะกับงานที่ต้องต่อเข้าระบบ
5. แยกเป็นขั้นตอน (Step-by-step)
แตกงานใหญ่เป็นข้อๆ ให้ทำทีละขั้น ลดความมั่ว
6. ให้คิดเป็นลำดับเหตุผล (Chain-of-thought)
เหมาะกับคณิตศาสตร์ ตรรกะ หรืองานที่มีหลายเงื่อนไข
7.ใส่บริบทก่อน (Context Priming)
บอกว่าเขียนให้ใครอ่าน เรื่องอะไร โทนแบบไหน จะได้ไม่ตอบกว้างเกินไป
8. กันมั่ว (Anti-hallucination)
บอกชัดว่าไม่แน่ใจให้พูดว่าไม่แน่ใจ ห้ามเดา เหมาะกับงานวิจัย กฎหมาย หรือข้อมูลจริงจัง
9.ให้เช็คงานตัวเอง (Verification Loop)
ให้ AI ทดสอบหรือรีวิวคำตอบตัวเองก่อนส่ง ลดบั๊กและความผิดพลาด
10. บังคับให้เลือก (Comparative Analysis)
เวลาให้เทียบเครื่องมือหรือทางเลือก ให้เลือกหนึ่งและอธิบายเหตุผล ไม่ตอบกลางๆ
11. ทำหลายรอบ (Iterative Refinement)
รอบแรกเอาโครง รอบสองขยาย รอบสามเขียนเต็ม งานยาวจะดีกว่ายิงทีเดียว
แต่ที่ผมว่าลึกกว่านั้นคือ “หลักคิดใหญ่” ที่ครอบทั้งหมด
หนึ่ง ปัญหาส่วนใหญ่คือ instruction failure ไม่ใช่ model failure เราให้โจทย์ไม่ชัดเอง
สอง Prompt คือการควบคุมความอิสระของโมเดล ยิ่งเปิดกว้าง ผลลัพธ์ยิ่งแกว่ง ยิ่งกำหนด Context, Constraint, Structure ชัด ความแปรปรวนยิ่งลด
สาม ใช้แพตเทิร์นแทนการพิมพ์ตามอารมณ์ ถ้าจะเอาไปใช้ในทีม หรือทำ automation ต้องมีโครงสร้างที่รันซ้ำได้
สี่ ข้ามโมเดลให้เป็น บางงานใช้ GPT ช่วยร่าง prompt แล้วเอาไปยิง Claude เพราะแต่ละตัวถนัดต่างกัน อันนี้เรียกว่า cross-model prompting
ห้า ทำเป็นรอบดีกว่ายิงทีเดียว งานยาวหรือซับซ้อน ถ้าแบ่งทำหลายรอบ คุณภาพจะนิ่งกว่า
หก โฟกัสที่ความสม่ำเสมอมากกว่าความว้าว ในโลกงานจริง โดยเฉพาะทีมใหญ่ ความนิ่งสำคัญกว่าความเก่งครั้งเดียว
สรุปแบบง่ายที่สุดเลยคือ อย่าถาม AI แบบหวังปาฏิหาริย์ ให้สั่งงานมันเหมือนออกแบบระบบงาน ยิ่งคิดเป็นระบบ คำตอบก็ยิ่งเป็นระบบ และยิ่งคาดเดาได้มากขึ้น
อ่านแล้วผมรู้สึกเลยว่า Prompting ไม่ใช่ศิลปะล้วนๆ แต่มันคือวิศวกรรมการกำหนดกรอบความคิดของโมเดล ใครทำงานกับ AI ทุกวัน น่าจะได้อะไรจากกรอบนี้เยอะมาก
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac