คุณมีอิสระที่จะคัดลอกและขายบทความนี้ทั้งหมด
ก่อนอื่น ขอพูดถึงสิ่งที่สำคัญที่สุดก่อน
คุณสามารถนำเนื้อหาของบทความนี้ไป คัดลอกทั้งหมด และขายเป็นเนื้อหาของคุณเองได้
ไม่ว่าคุณจะโพสต์ซ้ำบน Note, ขายบน Brain, นำไปรวมในเอกสารคอร์ส หรือแยกย่อยเป็นโพสต์บน SNS ก็ทำได้ทั้งหมด ไม่ต้องขออนุญาตหรือติดต่อใดๆ แม้คุณจะนำเสนอราวกับว่าคุณคิดขึ้นมาเอง ผมก็จะไม่บ่นอะไรเลย มีเทคนิคประมาณ 40 ข้อรวมอยู่ด้วย ดังนั้นแค่ดึงเทคนิคมาหนึ่งข้อต่อโพสต์ คุณก็สามารถสร้างเนื้อหาได้ 40 ชิ้น
ทำไมถึงยอมขนาดนี้? เหตุผลง่ายมาก: ถ้าผมไม่ทำ คนญี่ปุ่นจะไม่ตระหนักถึงคุณค่าของข้อมูลนี้
พูดตามตรง ในหมู่ผู้ใช้ AI ระดับโลกที่เก่งกาจ พรอมต์ภาษาญี่ปุ่นถูกเรียกว่า "ระดับยุคหิน" อย่างเปิดเผย ตอนแรกได้ยิน ผมก็คิดว่า "นี่มันพูดอะไรกัน?" แต่พอได้เห็นพรอมต์ที่พวกเขาใช้จริงในชีวิตประจำวัน ผมก็พูดไม่ออก มันคือความพ่ายแพ้อย่างสิ้นเชิง
อะไรคือความแตกต่าง? 99% ของคนญี่ปุ่นเขียนพรอมต์เป็น "คำสั่ง" "เขียนบล็อกโพสต์" "สรุปข้อความนี้" "ให้ไอเดีย 5 ข้อ" ทั้งหมดนี้เป็นแค่คำสั่ง ในทางกลับกัน มืออาชีพระดับโลกส่ง "กระบวนการคิด" และ "เป้าหมาย" ให้ AI ตั้งแต่บรรทัดแรก นี่คือความแตกต่างระหว่างคำสั่งกับพิมพ์เขียว
และนี่คือความจริงที่โหดร้ายยิ่งกว่า ขณะที่คุณกำลังมองหา "พรอมต์ดีๆ" ผู้เล่นระดับโลกกำลังค้นคว้าพรอมต์ผ่านเอกสารวิชาการ จัดการมันเหมือนโค้ด และปรับให้เหมาะสมโดยอัตโนมัติด้วยอัลกอริทึม งานฝีมือทำมือ vs การปรับอัตโนมัติ การต่อสู้จบลงแล้ว มันโหดร้าย แต่นี่คือจุดที่เราอยู่ในปี 2026
แต่ไม่ต้องกังวล คุณไม่จำเป็นต้องมีพรสวรรค์หรือทักษะภาษาอังกฤษเพื่อเชื่อมช่องว่างนี้ คุณแค่ต้องรู้ "รูปแบบ" เท่านั้นเอง
ในบทความนี้ ผมรวบรวมเทคนิคและความรู้เกี่ยวกับพรอมต์ทั้งหมดที่ผมแนะนำบน Threads ไว้แล้ว ตั้งแต่รูปแบบที่แท้จริงจากงานวิจัย ไปจนถึงเทคนิคที่ใช้ประโยชน์จากโครงสร้างภายในของ AI, ส่วนขยาย MCP, และระบบอัตโนมัติด้วย Claude Code และ Codex — ประมาณ 40 ข้อ จัดเรียงตามบท ทุกข้อมาพร้อมกับพรอมต์ที่ "คัดลอกและวางได้" คุณสามารถลองใช้ไปพร้อมกับอ่านได้
เมื่อคุณอ่านจบ คุณจะตกอยู่ในหนึ่งในสองกลุ่ม: กลุ่มที่นำเครื่องมือ 40 อย่างนี้ไปใช้เป็นอาวุธ หรือกลุ่มที่ยังคงคร่ำครวญขณะเขียนพรอมต์ด้วยมือ คุณจะอยู่ฝั่งไหนขึ้นอยู่กับว่าคุณอ่านจนจบหรือไม่
ผมขอย้ำอีกครั้ง: คุณสามารถคัดลอกและขายได้ ดังนั้น รับไปเลยโดยไม่ลังเล มาเริ่มกันเลย
บทที่ 1: การส่งต่อกระบวนการคิด — การตรวจสอบตนเอง การให้คะแนนตนเอง และการคิดแบบแตกกิ่งก้านสาขา
บทแรก是关于 "การส่งต่อวิธีการคิดให้ AI" พรอมต์ภาษาญี่ปุ่นมักจะหยุดแค่ "การกำหนดบทบาทและเขียนอย่างสุภาพ" แต่มืออาชีพระดับโลกส่ง "วิธีการคิด" ไปให้ ทั้งห้าข้อที่แนะนำที่นี่ล้วนเป็นรูปแบบที่แท้จริงจากงานวิจัย
- Chain-of-Verification (CoVe) — การให้ AI ซักถามคำตอบของตัวเอง
นี่คือรูปแบบเพื่อกำจัดภาพหลอน (ข้อผิดพลาดด้านข้อเท็จจริง) พรอมต์ปกติจะให้ AI ตอบในครั้งเดียว แต่ CoVe สร้างขึ้นบนแนวคิด "การให้ AI ตรวจสอบคำตอบของตัวเอง" คุณให้มันสร้างร่าง แปลงความเสี่ยงในคำตอบนั้นเป็นคำถามตรวจสอบ ตอบแต่ละคำถามตามหลักฐาน และสุดท้ายนำเสนอเวอร์ชันสุดท้ายที่แก้ไขความขัดแย้งแล้ว กระบวนการทั้งหมดนี้เสร็จสิ้นในพรอมต์เดียว
เมื่อใช้สำหรับงานวิจัยหรืองานเขียนบทความ ผลลัพธ์ที่ได้จะแตกต่างไปอย่างสิ้นเชิง ข้อผิดพลาดด้านข้อเท็จจริงลดลงอย่างเห็นได้ชัด ทำให้มีประสิทธิภาพสำหรับงานที่ต้องการความน่าเชื่อถือสูง
พรอมต์สำหรับคัดลอกและวาง
สำหรับหัวข้อต่อไปนี้ โปรดดำเนินการตามขั้นตอนต่อไปนี้ในการตอบกลับครั้งเดียว: (1) ขั้นแรก ให้คำตอบร่าง (2) แปลงความเสี่ยงของข้อผิดพลาดด้านข้อเท็จจริงในคำตอบนั้นเป็นคำถามตรวจสอบ 5 ข้อ (3) ตอบแต่ละคำถามตามหลักฐาน (4) นำเสนอเวอร์ชันสุดท้ายที่แก้ไขความขัดแย้งแล้ว หัวข้อ: [ ]
- Self-Refine — การเล่นบทบาทผู้สร้าง นักวิจารณ์ และผู้แก้ไข
รูปแบบนี้ให้ AI เล่นสามบทบาทตามลำดับภายในพรอมต์เดียว ขั้นแรก ให้เขียนร่างแรกในฐานะผู้สร้าง ถัดไป ให้ให้คะแนนงานของตัวเองในฐานะบรรณาธิการที่เข้มงวด สุดท้าย ให้เขียนเวอร์ชันที่เสร็จสมบูรณ์ในฐานะผู้แก้ไขตามคะแนนนั้น
กุญแจสำคัญคือการระบุเกณฑ์การประเมินที่เป็นรูปธรรม โดยการระบุเกณฑ์ห้าข้อ เช่น "การโน้มน้าวใจ ความเป็นเอกลักษณ์ ตรรกะ ความสามารถในการอ่าน และการละเว้น" การให้คะแนนจะไม่ผ่อนปรน และความแม่นยำของการแก้ไขจะดีขึ้น คุณจะรู้สึกได้ว่าคุณภาพกระโดดขึ้นไปอีกระดับด้วยพรอมต์เดียว
พรอมต์สำหรับคัดลอกและวาง
สำหรับหัวข้อต่อไปนี้ โปรดดำเนินการทั้งสามขั้นตอนในการตอบกลับครั้งเดียว: (1) เขียนร่างแรก (2) ในฐานะบรรณาธิการที่เข้มงวด ให้คะแนนตามเกณฑ์ 5 ข้อ: การโน้มน้าวใจ ความเป็นเอกลักษณ์ ตรรกะ ความสามารถในการอ่าน และการละเว้น (3) เขียนเวอร์ชันที่แก้ไขตามการให้คะแนน หัวข้อ: [ ]
- Tree of Thoughts (ToT) — การแตกกิ่งก้านสาขาคำตอบ
แทนที่จะสร้างคำตอบเป็นเส้นตรง รูปแบบนี้จะพัฒนาแนวทางหลายๆ แนวทางเป็น "กิ่งก้าน" และให้ AI เลือกแนวทางที่ดีที่สุด ลองนึกถึงการนำกระบวนการคิดของมนุษย์ที่มี "มีแผน A, B, และ C..." ไปใส่ในพรอมต์โดยตรง
สิ่งนี้เปลี่ยนมิติของการระดมสมองและการวางแผนเชิงกลยุทธ์ เพราะมันไม่ยึดติดกับทิศทางเดียว มุมมองที่ไม่คาดคิดจึงเกิดขึ้น
พรอมต์สำหรับคัดลอกและวาง
สำหรับหัวข้อต่อไปนี้ โปรดตอบกลับโดยใช้ขั้นตอนเหล่านี้: (1) พัฒนาแนวทางที่แตกต่างกัน 3 แนวทางเป็นกิ่งก้าน (2) ประเมินจุดแข็งและจุดอ่อนของแต่ละกิ่งก้าน (3) เลือกกิ่งก้านที่มีแนวโน้มมากที่สุดและให้คำตอบสุดท้ายโดยเจาะลึกเฉพาะกิ่งก้านนั้น หัวข้อ: [ ]
- Skeleton-of-Thought (SoT) — โครงร่างก่อน เนื้อหาทีหลัง
นี่คือวิธีการคิดที่คุณจะแสดง "โครงร่าง" ในระดับหัวข้อก่อน แล้วจึงเติมรายละเอียดในแต่ละส่วน เมื่อเขียนข้อความยาว หากเขียนตั้งแต่ต้น ส่วนหลังมักจะหมดแรงหรือโครงสร้างพังทลาย หากคุณทำให้โครงร่างแข็งแรงก่อน โอกาสพังทลายนั้นจะน้อยลง
สิ่งนี้เปลี่ยนแปลงการสร้างบทความยาวหรือการเขียนข้อเสนอ เนื่องจากมี "พิมพ์เขียว" ของโครงร่างอยู่ก่อน คุณจะไม่หลงทางในระหว่างกระบวนการเติมรายละเอียด
พรอมต์สำหรับคัดลอกและวาง
สำหรับหัวข้อต่อไปนี้ โปรดทำตามขั้นตอนเหล่านี้: (1) แสดงโครงร่างหัวข้อบทความ 5 หัวข้อแบบขนาน (2) เติมรายละเอียดแต่ละหัวข้อเป็นงานแยกอิสระ (3) สุดท้าย รวมทุกอย่างเป็นชิ้นงานที่สอดคล้องกัน หัวข้อ: [ ]
- Meta-Prompting — การให้ AI พัฒนาพรอมต์ด้วยตัวเอง
นี่เป็นขั้นสูงหน่อย แทนที่จะปรับปรุงเนื้อหาของพรอมต์ คุณขอให้ AI "พัฒนาพรอมต์นี้ด้วยตัวเอง" คุณให้มันสร้างเวอร์ชันที่ปรับปรุงแล้วหลายเวอร์ชัน เขียนเจตนาและ "เหตุผลที่มันได้ผล" สำหรับแต่ละเวอร์ชัน และสุดท้ายเลือกเวอร์ชันที่แข็งแกร่งที่สุด
แค่ใช้สิ่งนี้เดือนละครั้งกับพรอมต์หลักที่คุณใช้บ่อย สินทรัพย์พรอมต์ของคุณก็จะเติบโตได้เอง ลองนึกถึงระบบที่ช่วยให้พรอมต์ที่เก็บไว้ของคุณไม่ล้าสมัย
พรอมต์สำหรับคัดลอกและวาง
โปรดสร้างพรอมต์เวอร์ชันที่ปรับปรุงแล้ว 5 เวอร์ชันจากพรอมต์ต่อไปนี้ โดยเพิ่มประสิทธิภาพอย่างมีนัยสำคัญ สำหรับแต่ละเวอร์ชัน ให้เขียน "เจตนา" และเหตุผลที่ "มันได้ผล" สุดท้าย เลือกเวอร์ชันที่แข็งแกร่งที่สุดเพียงเวอร์ชันเดียวและระบุเหตุผลในการเลือก พรอมต์เป้าหมาย: [ ]
สิ่งที่ทั้งห้าข้อนี้มีเหมือนกันคือ การส่ง "ขั้นตอนการคิด" มากกว่า "คำสั่ง" การตรวจสอบตนเอง การให้คะแนนตนเอง การแตกกิ่งก้าน การทำโครงร่างแบบขนาน และการวิวัฒนาการตนเอง การที่คุณสามารถใส่สิ่งเหล่านี้ลงในบรรทัดเดียวได้หรือไม่นั้น จะกำหนดว่า AI เป็นเพียงเครื่องมือที่สะดวก หรือเป็น "นักวิจัยอิสระ"
บทที่ 2: การออกแบบย้อนกลับ — การออกแบบโดยเริ่มจากผลลัพธ์
ถ้าบทที่ 1 เกี่ยวกับ "วิธีทำให้มันคิด" บทที่ 2 เกี่ยวกับแนวคิดในการตัดสินใจก่อนว่า "อะไรคือชัยชนะ" คนญี่ปุ่นใช้สมองกับ "จะใส่อะไรลงไป" ในขณะที่มืออาชีพระดับโลกเขียนจาก "เป้าหมาย" นี่คือพรอมต์การออกแบบย้อนกลับห้าข้อจากเอกสารทางการ
- การระบุผลลัพธ์ก่อน — การกำหนดเทมเพลตสุดท้ายก่อน
คนส่วนใหญ่พูดว่า "เขียนบล็อกโพสต์" แต่สิ่งนี้ทำให้ผลลัพธ์ไม่สอดคล้องกัน ในการออกแบบย้อนกลับ คุณสร้างเทมเพลตผลลัพธ์สุดท้ายก่อนและให้ AI เติมข้อมูลในช่องว่าง คุณกำหนดกรอบก่อน: ชื่อเรื่องกี่ตัวอักษร, บทนำควรมีอะไร, เนื้อหามีกี่หัวข้อ และอื่นๆ
ความแปรปรวนของผลลัพธ์ลดลงอย่างรวดเร็ว และคุณภาพคงที่ ความเสถียรนี้มีประสิทธิภาพโดยเฉพาะเมื่อเขียนหลายชิ้นในหัวข้อเดียวกัน
พรอมต์สำหรับคัดลอกและวาง
โปรดกรอกเทมเพลตต่อไปนี้ให้สมบูรณ์แบบ ชื่อเรื่อง: [ภายใน 40 ตัวอักษร รวมตัวเลข] / บทนำ: [3 จุดเจ็บปวดของผู้อ่าน บรรทัดละ 1 ประโยค] / เนื้อหา: [3 หัวข้อ H2 + อย่างละ 300 ตัวอักษร] / บทสรุป: [1 ข้อเสนอการดำเนินการ] / CTA: [ภายใน 15 ตัวอักษร] หัวข้อ: [ ]
- การเติมล่วงหน้า — การระบุจุดเริ่มต้นของการตอบสนองของ AI
นี่คือรูปแบบที่คุณระบุ "ประโยคเปิด" ของการตอบสนองของ AI Claude ถูกบังคับให้เขียนต่อจากนั้น ทำให้ทิศทางของผลลัพธ์ถูกล็อค คำทักทายเปิดและเนื้อหาที่ไม่จำเป็นหายไป และการเบี่ยงเบนรูปแบบแทบจะหมดไป
มันละเอียดอ่อนแต่ได้ผล มันป้องกันการตอบสนองที่ทำให้คุณอยากจะพูดว่า "แล้วสรุปคืออะไร?"
พรอมต์สำหรับคัดลอกและวาง
การตอบสนองของคุณต้องเริ่มต้นด้วยประโยคต่อไปนี้: "ด้านล่างนี้ ผมจะให้คำตอบที่มีโครงสร้างตามข้อกำหนด ประการแรก ประเด็นที่สำคัญที่สุดคือ..."
- ข้อจำกัดเชิงลบ — การระบุ "สิ่งที่ห้ามทำ" อย่างเป็นรูปธรรม
ถ้าคุณเขียน "อย่าทำแบบนี้" อย่างคลุมเครือ AI จะไม่ทำตาม ข้อห้ามที่คลุมเครือเช่น "ทำให้เป็นธรรมชาติ" นั้นบังคับใช้ได้ยาก แต่ถ้าคุณระบุอย่างเป็นรูปธรรม มันจะทำตาม ห้ามใช้คำสุภาพ ห้ามใช้คำทักทายเปิด ห้ามใช้วลีเฉพาะ... ระบุเป็นหัวข้อย่อย
รูปแบบที่เหมือน AI ทั่วไปจะลดลงอย่างมาก นี่คือสิ่งจำเป็นเมื่อคุณต้องการลบความรู้สึก "ถูกสร้างขึ้นอย่างชัดเจน" ออกจากข้อความ
พรอมต์สำหรับคัดลอกและวาง
โปรดสร้างสิ่งต่อไปนี้ อย่างไรก็ตาม ให้ปฏิบัติตามข้อห้ามเหล่านี้อย่างเคร่งครัด: (1) ห้ามใช้คำสุภาพ (2) ห้ามใช้คำประสม 3 ตัวอักษรซ้ำๆ (3) ห้ามใช้สำนวนเช่น "เกี่ยวกับ..." หรือ "สิ่งสำคัญคือ..." (4) ห้ามใช้คำทักทายเปิด (5) ห้ามใช้รายการหัวข้อย่อยธรรมดา หากละเมิด ให้เขียนใหม่ทั้งหมด เป้าหมาย: [ ]
- การติดแท็กโครงสร้าง XML — การแยกข้อมูลด้วยแท็ก
การแยกข้อมูลด้วยแท็กช่วยเพิ่มความแม่นยำในการอ่านของ AI เป้าหมาย, ภูมิหลัง, ข้อจำกัด, ตัวอย่างอ้างอิง, รูปแบบผลลัพธ์ แทนที่จะโยนสิ่งเหล่านี้เป็นก้อนข้อความ ให้แบ่งส่วนด้วยแท็ก มืออาชีพไม่โยนข้อความ พวกเขาโยนพิมพ์เขียว
พรอมต์สำหรับคัดลอกและวาง
ผมจะจัดโครงสร้างพรอมต์ดังต่อไปนี้ โปรดตอบกลับตามเนื้อหาภายในแต่ละแท็ก <goal>เป้าหมายที่ต้องการบรรลุ</goal> <context>ข้อมูลภูมิหลัง</context> <constraints>ข้อห้าม</constraints> <examples>ตัวอย่างอ้างอิง</examples> <output_format>กรอบรูปแบบผลลัพธ์</output_format>
- การซ้อนบุคลิก — การซ้อนบทบาท 3 ระดับ
คนส่วนใหญ่หยุดแค่ "คุณคือนักเขียนคำโฆษณา" มืออาชีพซ้อนบทบาทเป็นสามระดับ ไม่ใช่แค่ระดับเดียว บทบาทนักเขียน, บทบาทบรรณาธิการ, และบทบาทผู้อ่านเป้าหมาย โดยการให้ AI หนึ่งตัวมีบุคลิกทั้งสามนี้พร้อมกัน คุณจะดำเนินวงจรการเขียน → การแก้ไข → การแก้ไขซ้ำจากมุมมองของผู้อ่านในครั้งเดียว
เนื่องจากมีหลายมุมมองทำงานพร้อมกัน ความสามารถในการโน้มน้าวใจจึงเพิ่มขึ้น อย่างไรก็ตาม มีข้อควรระวังเกี่ยวกับแนวทาง "บุคลิก" นี้ ซึ่งเราจะกล่าวถึงในบทที่ 10
พรอมต์สำหรับคัดลอกและวาง
โปรดสวมบทบาทบุคลิกทั้ง 3 ต่อไปนี้พร้อมกัน: (1) นักเขียนคำโฆษณาระดับท็อป (ผู้เขียน) (2) บรรณาธิการใหญ่ที่เข้มงวด (บรรณาธิการ) (3) ผู้อ่านเป้าหมาย พนักงานออฟฟิศวัย 30 ปี (ผู้รับ) ดำเนินการเขียน → แก้ไข → แก้ไขซ้ำจากมุมมองของผู้อ่านทั้งหมดในการตอบกลับครั้งเดียว หัวข้อ: [ ]
สาระสำคัญของการออกแบบย้อนกลับนั้นง่ายมาก ถ้าบรรทัดแรกไม่มี "เป้าหมาย" "ข้อห้าม" และ "กรอบรูปแบบ" AI ก็หลงทางแล้ว มันคือความแตกต่างระหว่างการเขียนจากทางเข้าหรือทางออก
บทที่ 3: การใช้งาน AI เป็น "กองทัพ" — การดำเนินการแบบหลายเอเจนต์
จากนี้ไป แนวคิดจะเปลี่ยนไป แทนที่จะใช้งาน AI ตัวเดียวจนหมดแรง คุณกำหนดบทบาทหลายบทบาทให้ AI และดำเนินการเป็น "กองทัพ" การสู้ด้วยตัวเดียวนั้นเหมือนกับการเข้าสนามรบด้วยอาวุธเดียว มืออาชีพระดับโลกเข้าสู่ช่วงของการบัญชาการจากกองบัญชาการทหารสูงสุดแล้ว
โปรดทราบว่าคุณไม่จำเป็นต้องตั้งค่าบัญชี AI หลายบัญชีสำหรับรูปแบบเหล่านี้ คุณสามารถจำลองมันได้เพียงแค่ "สลับบทบาท" ภายในแชทเดียว
- รูปแบบการจัดเส้นทาง — การวางตัวคัดแยก
นี่คือองค์กรแบบทหารที่ AI "ตัวจำแนกประเภท" จะรับข้อมูลก่อนและจัดเส้นทางไปยัง "ผู้เชี่ยวชาญ" ที่เหมาะสม คนส่วนใหญ่โยนทุกอย่างให้ AI ตัวเดียวและได้คำตอบที่ mediocre มืออาชีพวางพนักงานต้อนรับเพื่อส่งต่องานให้ผู้เชี่ยวชาญ
ความแม่นยำจะดีขึ้นเมื่อคุณเปลี่ยนไปใช้ความเชี่ยวชาญเฉพาะด้าน แทนที่จะให้ AI ตัวเดียวแสร้งทำเป็นรอบรู้ทุกอย่าง
พรอมต์สำหรับคัดลอกและวาง
คุณคือ "ผู้ประสานงานการจัดเส้นทาง" อ่านคำขอต่อไปนี้และจำแนกเป็น: (1) การวิจัย, (2) การเขียน, (3) การวิเคราะห์, หรือ (4) โค้ด สร้างพรอมต์ระบบ 5 บรรทัดที่ปรับให้เหมาะสมสำหรับการจำแนกนั้น และดำเนินการตามคำขออีกครั้งโดยใช้มัน คำขอ: [ ]
- การทำแบบขนาน — การแก้ปัญหาเดียวกันแบบขนานเพื่อใช้เสียงข้างมาก
รูปแบบนี้เกี่ยวข้องกับการแก้ไขงานเดียวกันจากหลายมุมมองแบบขนานและตัดสินข้อสรุปโดยใช้เสียงข้างมาก แทนที่จะถามผู้เชี่ยวชาญคนเดียว ให้ผู้เชี่ยวชาญห้าคนตอบด้วยแนวทางที่แตกต่างกัน และใช้ข้อสรุปที่ได้รับการสนับสนุนมากที่สุด นั่นคือแนวคิด
ภาพหลอนลดลง เมื่อคุณต้องการให้ AI ตัดสินใจเรื่องสำคัญ ความรู้สึกปลอดภัยจะแตกต่างอย่างสิ้นเชิง
พรอมต์สำหรับคัดลอกและวาง
สำหรับคำถามต่อไปนี้ ขั้นแรก ให้คำตอบอย่างละหนึ่งคำตอบจากมุมมองของผู้เชี่ยวชาญอิสระ 5 คนโดยใช้แนวทางที่แตกต่างกัน ถัดไป เปรียบเทียบ 5 แผน ใช้ข้อสรุปที่ได้รับการสนับสนุนจากมุมมองมากที่สุดเป็นคำตอบสุดท้าย และระบุเหตุผลในการเลือก คำถาม: [ ]
- ผู้ประเมิน-ผู้ปรับให้เหมาะสม — การแยกผู้สร้างและผู้ประเมินอย่างสมบูรณ์
การประเมินตนเองโดยคนคนเดียวย่อมผ่อนปรนอย่างหลีกเลี่ยงไม่ได้ ถ้าคุณแยกผู้กระทำและผู้ตัดสิน การตัดสินจะเข้มงวด คุณจำลองสิ่งนี้ภายในพรอมต์เดียว สร้างคำตอบที่ดีที่สุดในฐานะผู้สร้าง สลับบุคลิกไปเป็นผู้ประเมินที่เข้มงวดเพื่อให้คะแนน จากนั้นกลับมาเป็นผู้สร้างเพื่อสร้างเวอร์ชันสุดท้าย
คล้ายกับ Self-Refine ในบทที่ 1 แต่ประเด็นที่นี่คือการระบุอย่างชัดเจนว่า "สลับบุคลิกอย่างสมบูรณ์"
พรอมต์สำหรับคัดลอกและวาง
สำหรับหัวข้อต่อไปนี้ ขั้นแรก สร้างคำตอบที่ดีที่สุดในฐานะ "AI ผู้สร้าง" ถัดไป สลับบุคลิกอย่างสมบูรณ์และในฐานะ "AI ผู้ประเมินที่เข้มงวด" ให้คะแนนคำตอบนั้นเต็ม 100 และระบุ 5 เหตุผลสำหรับการหักคะแนน สุดท้าย กลับไปยังบทบาทผู้สร้างและสร้างเวอร์ชันสุดท้ายตามการประเมิน หัวข้อ: [ ]
- การโต้วาทีแบบหลายเอเจนต์ — การโต้วาทีกับผู้สนับสนุน ฝ่ายตรงข้าม และผู้ดำเนินรายการ
นี่คือรูปแบบที่ AI หลายตัวโต้วาทีก่อนที่ผู้รวบรวมจะได้ข้อสรุป ผู้สนับสนุนและฝ่ายตรงข้ามปะทะกัน และผู้ดำเนินรายการที่เป็นกลางจะสรุปประเด็นของพวกเขา ความสุดโต่งและการหยุดคิดจะหายไป ส่งผลให้ได้ข้อสรุปที่สมดุล
สิ่งนี้แสดงจุดแข็งโดยเฉพาะใน "คำถามที่ตัดสินใจได้ยาก" เช่น การวางแผนเชิงกลยุทธ์หรือการตัดสินใจ
พรอมต์สำหรับคัดลอกและวาง
สำหรับหัวข้อต่อไปนี้ โปรดทำหน้าที่เป็น: (1) AI ผู้สนับสนุน, (2) AI ฝ่ายตรงข้าม, และ (3) AI ผู้ดำเนินรายการที่เป็นกลาง ให้ (1) และ (2) โต้วาทีกันคนละ 3 รอบ จากนั้นให้ (3) รวบรวมประเด็นของพวกเขาเพื่อให้ข้อสรุปและเหตุผลสุดท้าย หัวข้อ: [ ]
- การตรวจสอบผลลัพธ์ด้วยตนเอง — การซักถามตัวเองก่อนส่งออก
นี่คือรูปแบบที่ผู้สร้าง "ซักถาม" ผลลัพธ์ของตัวเองในฐานะบุคลิกอื่นก่อนส่งขั้นสุดท้าย เนื่องจากการเห็นข้อบกพร่องในงานเขียนของตัวเองเป็นเรื่องยาก คุณจึงบังคับให้เปลี่ยนมุมมอง คุณสลับผ่านบุคลิกสามแบบ—มืออาชีพคู่แข่งระดับโลก, ผู้อ่านเป้าหมาย, และเจ้านายที่เข้มงวด—และให้แต่ละคนระบุปัญหา
โมเดล AI ล่าสุดกำลังพัฒนาไปสู่ "การรายงานหลังจากตรวจสอบผลลัพธ์ด้วยตัวเอง" ลองนึกถึงสิ่งนี้เป็นรูปแบบที่คาดการณ์การเคลื่อนไหวนั้นจากฝั่งพรอมต์
พรอมต์สำหรับคัดลอกและวาง
โปรดอ่านผลลัพธ์ต่อไปนี้อีกครั้งในฐานะบุคลิกที่แตกต่างอย่างสิ้นเชิง สลับผ่านบทบาทของ (1) มืออาชีพคู่แข่งระดับโลก, (2) ผู้อ่านเป้าหมาย, และ (3) เจ้านายที่เข้มงวดตามลำดับ ระบุปัญหาอย่างละ 3 ข้อจากแต่ละมุมมอง และสุดท้ายนำเสนอเวอร์ชันที่ปรับปรุงแล้วที่แข็งแกร่งที่สุดหนึ่งเวอร์ชัน ผลลัพธ์: [ ]
สาระสำคัญของการดำเนินการแบบกองทัพคือการที่คุณสามารถยืนอยู่บนสมมติฐานที่ว่า "AI ไม่ใช่สิ่งที่ควรใช้เป็นหน่วยเดียว" กำหนดบทบาทและบัญชาการ แค่นั้นก็เปลี่ยนผลลัพธ์ที่มาจาก AI ตัวเดียวกัน
บทที่ 4: การออกแบบบริบทเป็น "สภาพแวดล้อม" — การคิดแบบ 4 ชั้น
จนถึงตอนนี้ เราได้พูดถึง "เนื้อหาของพรอมต์" แต่ในโลกของนักออกแบบ AI ระดับโลก พรอมต์ถูกปฏิบัติเป็น "ชั้นล่างสุด" ของโครงสร้างที่ใหญ่กว่ามาก: พรอมต์ → บริบท → เจตนา → ข้อกำหนด คนส่วนใหญ่ยังคงติดอยู่ที่ชั้นแรก บทนี้เกี่ยวกับห้าวิธีในการปีนขึ้นไปยังชั้นที่สูงขึ้น
- การวางแบบคั่นหนังสือ — การวางข้อจำกัดสำคัญทั้งตอนต้นและตอนท้าย
เมื่อคุณส่งข้อความยาวให้ AI ข้อมูลที่วางไว้ตรงกลางมักจะถูกลดความสนใจ นี่คือปรากฏการณ์ "ตรงกลางคือจุดบอด" ดังนั้น ให้วางข้อจำกัดสำคัญในสองที่เสมอ: ตอนต้นและตอนท้าย ลองนึกถึงการวางของสำคัญไว้ที่ปลายทั้งสองข้างเหมือน "ที่คั่นหนังสือ"
สิ่งนี้มีประสิทธิภาพสำหรับคนที่เขียนพรอมต์ยาว ความล้มเหลวทั่วไปคือการมีคำแนะนำยาวที่ระบุข้อจำกัดเพียงครั้งเดียวตรงกลาง
พรอมต์สำหรับคัดลอกและวาง
ในคำขอต่อไปนี้ โปรดระบุข้อจำกัดสำคัญซ้ำในสองที่—"ตอนต้น" และ "ตอนท้าย" ของพรอมต์—ก่อนดำเนินการ โครงสร้างโดยมีสมมติฐานว่าข้อมูลตรงกลางบริบทมีแนวโน้มที่จะถูกรบกวน คำขอ: [ ]
- ระดับความสูง Goldilocks — ระดับความสูงที่ "พอดี" สำหรับพรอมต์ระบบ
พรอมต์ระบบมี "ระดับความสูง" ที่เหมาะสมที่สุด ต่ำเกินไป (ผูกมัดด้วยตรรกะ if-else ที่ละเอียด) ทำให้แข็งทื่อ สูงเกินไป (ปรัชญานามธรรมเท่านั้น) ไม่ได้ตัดสินอะไรเลย มุ่งสู่ระดับความสูงที่อยู่ระหว่างกลาง นี่คือแนวคิด "เขต Goldilocks" ที่ประยุกต์ใช้กับพรอมต์
เคล็ดลับคือการออกแบบเป็นสามชั้น: หลักการที่ไม่เคยเปลี่ยนแปลง, กรอบงานสำหรับการตัดสินตามสถานการณ์, และอิสระสำหรับงานแต่ละชิ้น การเขียนโดยคำนึงถึงสามสิ่งนี้จะหลีกเลี่ยงทั้งความแข็งทื่อและความเป็นนามธรรม
พรอมต์สำหรับคัดลอกและวาง
ผมจะกำหนดคำแนะนำให้คุณใน 3 ชั้นดังต่อไปนี้: (1) หลักการที่ไม่เปลี่ยนแปลง (ทำไม/ไม่เปลี่ยนแปลง) (2) กรอบงานสำหรับการตัดสินตามสถานการณ์ (เมื่อใด/กฎการแตกกิ่งตามกรณี) (3) อิสระสำหรับงานแต่ละชิ้น (อะไร/ปล่อยให้คุณตัดสินใจ) ออกแบบที่ระดับความสูงที่ "พอดี" หลีกเลี่ยงทั้งความแข็งทื่อและความเป็นนามธรรม
- การฉีดบริบทแบบทันเวลา — การส่งเฉพาะสิ่งที่จำเป็นเมื่อจำเป็น
เพียงเพราะหน้าต่างบริบทมีขนาดใหญ่ ไม่ได้หมายความว่าการยัดวัสดุทั้งหมดลงไปนั้นดี มันอาจลดความแม่นยำลงได้ มืออาชีพจะส่งเฉพาะ "สารบัญ บทสรุป และดัชนี" ก่อน และให้ AI ดึงบทที่จำเป็นตามต้องการ ลองนึกถึงการไม่วางหนังสือทั้งหมดจากห้องสมุดบนโต๊ะ แต่ไปยืมเฉพาะหนังสือที่คุณต้องการเล่มเดียว
วิธีที่ถูกต้องในการจัดการวัสดุขนาดใหญ่คือ "การเรียกแบบไดนามิก" ไม่ใช่ "การยัดทุกอย่าง"
พรอมต์สำหรับคัดลอกและวาง
ผมจะไม่ป้อนวัสดุจำนวนมากต่อไปนี้ทั้งหมดในครั้งเดียว ในขั้นแรก โปรดอ่านเฉพาะ "สารบัญ" "บทสรุป 100 ตัวอักษรของแต่ละบท" และ "ดัชนี" หากมีบทที่ต้องการรายละเอียด โปรดขออย่างชัดเจนจากผมหาก่อนที่จะดึงมา และเพิ่มเฉพาะบทนั้นลงในบริบทสำหรับการทำงาน
- การเข้ารหัสเจตนา — การระบุเกณฑ์การตัดสินก่อน
แทนที่จะอธิบาย "ค่านิยม ลำดับความสำคัญ และเกณฑ์การตัดสินใจแลกเปลี่ยน" ขององค์กรหรือตัวคุณเองตั้งแต่เริ่มต้นทุกครั้ง ให้ระบุเพียงครั้งเดียวและส่งต่อ แค่วางสิ่งนี้ไว้ตอนต้น AI ก็เริ่มเคลื่อนไหวในฐานะ "เอเจนต์ของคุณ" มันกลายเป็น AI ที่ไม่เพียงแค่รอคำสั่ง แต่สามารถเอนเอียงไปในทิศทางที่ถูกต้องได้ด้วยตัวเองเมื่อหลงทาง
พรอมต์สำหรับคัดลอกและวาง
เพื่อเป็นสมมติฐานสำหรับงานต่อไปนี้ ผมจะระบุเกณฑ์การตัดสินของผม: (1) ลำดับความสำคัญ [A > B > C] (2) สิ่งที่ห้ามเด็ดขาด [X, Y, Z] (3) การตัดสินเริ่มต้นในกรณีคลุมเครือ [D] เมื่อหลงทางในการตัดสิน ให้กลับไปที่เกณฑ์เหล่านี้เสมอก่อนตัดสินใจ
- ชั้นข้อกำหนด — การยืนอยู่ฝั่งของการสร้าง "ข้อกำหนด"
จุดสูงสุดของ 4 ชั้นคือ "ข้อกำหนด" นี้ กำหนดมาตรฐานคุณภาพและกฎทางธุรกิจเป็นข้อความที่มีโครงสร้าง (ข้อกำหนด) และทำให้เป็นจุดเริ่มต้นของบริบททุกครั้ง จากคนที่เขียนพรอมต์ สู่คนที่สร้างข้อกำหนด ช่วงเวลาที่คุณยืนอยู่ตรงนี้ ความสามารถในการทำซ้ำของงานจะเพิ่มขึ้นทันที
พรอมต์สำหรับคัดลอกและวาง
งานในอนาคตจะอ้างอิง "ข้อกำหนด (รูปแบบที่มีโครงสร้าง Markdown)" ต่อไปนี้เป็นจุดเริ่มต้นสำหรับทุกเซสชัน หากต้องการการตัดสินนอกเหนือข้อกำหนด อย่าเดา ให้ตรวจสอบกับผมเสมอ [วางข้อกำหนดของคุณที่นี่]
แนวคิดของบทนี้คือการเปลี่ยนผ่านจาก "การแข่งขันด้วยพรอมต์บรรทัดเดียว" ไปสู่ "การออกแบบบริบททั้งหมดเป็นสภาพแวดล้อมเดียว" มันคือความแตกต่างระหว่างการต่อสู้บนชั้นเดียวหรือสี่ชั้น
บทที่ 5: การจัดแนวกับกลไกภายในของ AI — การออกแบบโครงสร้างสำหรับ KV Cache
บทนี้ค่อนข้างจะ geek หน่อย แต่การรู้สิ่งนี้จะเปลี่ยน "ความเร็ว" "ต้นทุน" และ "วิธีที่ขีดจำกัดการใช้งานลดลง" ของ AI
ภายใน AI มีกลไกที่เรียกว่า "KV Cache" ทำงานอยู่ พูดง่ายๆ คือ AI จะเก็บเนื้อหาที่ประมวลผลแล้วไว้ภายใน และเมื่อมีเนื้อหาเดียวกันเข้ามาอีก มันสามารถนำกลับมาใช้ใหม่ได้ ในทางกลับกัน ถ้าคุณใช้ในลักษณะที่การนำกลับมาใช้ใหม่ไม่ได้ผล มันจะคำนวณใหม่ตั้งแต่ต้นทุกครั้ง
"ถึงขีดจำกัดการใช้งานเร็ว" "การตอบสนองช้าลงเมื่อการสนทนายาวขึ้น" หรือ "ค่าใช้จ่าย API สูงกว่าที่คาดไว้" สาเหตุของปัญหาเหล่านี้มักไม่ใช่เนื้อหาของพรอมต์ แต่เป็น "การวางตำแหน่ง" ที่ไม่สอดคล้องกับกลไกภายในของ AI
- คงที่นำหน้าตอนต้น — การแก้ไขสิ่งคงที่ไว้ตอนต้น
Cache ทำงาน "เฉพาะส่วนที่ตรงกันอย่างสมบูรณ์ตั้งแต่ต้น" ดังนั้น ให้แก้ไขสิ่งที่ไม่เปลี่ยนแปลง (สมมติฐาน วัสดุอ้างอิง กฎ) ไว้ตอนต้น และวางสิ่งที่เปลี่ยนแปลงทุกครั้ง (คำถามของวันนี้) ไว้ตอนท้าย แค่ใส่สมมติฐานเดียวกันไว้ตอนต้นทุกครั้ง Cache ก็เริ่มทำงาน
พรอมต์สำหรับคัดลอกและวาง
ผมจะกำหนดสมมติฐานสำหรับงานต่อๆ ไป: (1) อุตสาหกรรมของผม = [A] (2) เป้าหมาย = [B] (3) ข้อห้าม = [C] (4) รูปแบบผลลัพธ์ = [D] โปรดประกาศสิ่งนี้อีกครั้งตอนต้นของทุกเซสชันก่อนเข้าสู่หัวข้อหลัก
- รูปแบบเอกสารจุดยึด — การโยนวัสดุเพียงครั้งเดียวตอนเริ่มต้น
คุณกำลังวางวัสดุอ้างอิงหรือแนวทางขนาดใหญ่ซ้ำทุกครั้งหรือไม่? นั่นคือการสิ้นเปลือง โยนวัสดุเพียงครั้งเดียวตอนเริ่มต้นเป็น "จุดยึด" และทำให้คำถามต่อๆ ไปอ้างอิงถึงวัสดุเหล่านั้นเท่านั้น
พรอมต์สำหรับคัดลอกและวาง
ฉันจะใช้เนื้อหาต่อไปนี้เป็นหลักยึดสำหรับเซสชันนี้: [ป้อนเอกสารอ้างอิงจำนวนมากที่นี่] ต่อจากนี้ไป โปรดตอบคำถามทั้งหมดของฉันโดยอ้างอิงจากเอกสารเหล่านี้ ไม่จำเป็นต้องนำเสนอเนื้อหาซ้ำ
- ความต่อเนื่องของเซสชัน — การทำงานที่เกี่ยวข้องกันต่อในเธรดเดียว
ทุกครั้งที่คุณเปิดแชทใหม่ AI จะสร้างแคชภายในขึ้นมาใหม่ตั้งแต่ต้น การเปิดแชทใหม่ 10 ครั้งต่อวัน เทียบกับการทำงานต่อในเซสชันยาวๆ วันละครั้ง จะเปลี่ยนวิธีการลดขีดจำกัดการใช้งานและคุณภาพของผลลัพธ์ การเปิดแชทใหม่บ่อยๆ เป็นสาเหตุส่วนหนึ่งที่ทำให้ "ถึงขีดจำกัดอย่างรวดเร็ว"
แนวทางปฏิบัติ:
ให้ทำงานในหัวข้อเดียวกันต่อในเธรดเดียวเสมอ หากเธรดยาวเกินไป ให้สร้าง "สรุปสิ่งที่เกิดขึ้นจนถึงตอนนี้" ไว้ตอนต้น และใช้สรุปนั้นเป็นหลักยึดต่อไป
- รูปแบบการแก้ไขแบบ Differential — การสั่งเฉพาะส่วนที่แตกต่างเมื่อต้องการแก้ไข
เมื่อคุณต้องการปรับปรุงผลลัพธ์ การวางข้อความทั้งหมดซ้ำอีกครั้งเป็นสิ่งที่ไม่ควรทำ การวางข้อความทั้งหมดซ้ำจะล้างแคชอันมีค่าและคำนวณใหม่ตั้งแต่ต้น ให้สั่งเฉพาะส่วนที่แตกต่าง: "เฉพาะส่วนนี้" "เปลี่ยนส่วนนี้เป็นสิ่งนั้น"
พรอมต์สำหรับคัดลอกและวาง
เมื่อฉันต้องการแก้ไขผลลัพธ์ก่อนหน้านี้ ฉันจะไม่วางข้อความทั้งหมดซ้ำอีกครั้ง ฉันจะสั่งเฉพาะส่วนที่แตกต่าง เช่น "เฉพาะส่วน [ ]" หรือ "เปลี่ยน [ ] เป็น [ ]" ฉันจะไม่นำเสนอสมมติฐานหรือเอกสารอ้างอิงซ้ำอีกเลย
- การออกแบบ Sub-agent ที่คำนึงถึงแคช — การจัดตำแหน่งจุดเริ่มต้นของ Sub-agent
แม้ในขณะดำเนินการแบบกองทัพ (legion operations) ดังในบทที่ 3 การจัดตำแหน่ง "ส่วนเริ่มต้น" (คำจำกัดความบทบาท สมมติฐาน กฎเกณฑ์) ของพรอมต์ระบบของแต่ละเอเยนต์ให้ตรงกัน จะทำให้แคชถูกเข้าถึงได้ง่ายขึ้น ให้เปลี่ยนเฉพาะเนื้อหาของงานทีละตัวที่ส่วนท้ายเท่านั้น แค่นี้ก็ช่วยเพิ่มประสิทธิภาพของการดำเนินการแบบกองทัพได้
พรอมต์สำหรับคัดลอกและวาง
เมื่อดำเนินการแบบหลายเอเยนต์ ให้รวมส่วนเริ่มต้น (คำจำกัดความบทบาท สมมติฐาน กฎเกณฑ์) ของพรอมต์ระบบของเอเยนต์ทั้งหมดให้เหมือนกันทุกประการ ให้เปลี่ยนเฉพาะเนื้อหาของงานทีละตัวที่ส่วนท้ายเท่านั้น
สาระสำคัญของบทนี้คือ "การแข่งขันด้วยโครงสร้าง ไม่ใช่แค่เนื้อหา" ตำแหน่งที่คุณวางสิ่งต่างๆ มีความสำคัญพอๆ กับสิ่งที่คุณเขียน
บทที่ 6: การสร้าง "ภายนอก" ของพรอมต์ — Harnesses และ Agents
เมื่อเข้าสู่ปี 2026 นักพัฒนา AI ทั่วโลกหยุดแข่งขันกันที่ "เนื้อหาของพรอมต์" และเริ่มออกแบบ "ภายนอกของพรอมต์" สิ่งภายนอกนั้นเรียกว่า "harness" ก่อนอื่น มาทำความเข้าใจภาพรวมกันก่อน
"Harness Agent" คืออะไรกันแน่?
ChatGPT หรือ Claude ที่คุณใช้ตามปกติจริงๆ แล้วไม่ใช่ "AI agent" มันเป็นเพียง "หน่วยสมอง" เท่านั้น AI agent หมายถึงสถานะที่มีส่วนประกอบต่างๆ ติดอยู่กับสมองนั้นเพื่อเปลี่ยนให้เป็น "เครื่องจักรที่ทำงานได้ด้วยตัวเอง"
เอเยนต์ประกอบด้วยองค์ประกอบหลักๆ ดังนี้:
- Model (ตัวร่างกาย): "ความฉลาด" ของเอเยนต์ ตัว LLM เอง การมีแค่สมองทำให้สามารถตัดสินใจได้แต่ไม่สามารถลงมือทำได้
- Harness: ชุดคำสั่ง (system prompt) และราวกั้น (สิ่งที่ไม่ควรทำ) ที่ให้กับโมเดล ตัวอย่างเช่น วาล์วนิรภัยอย่าง "ต้องขออนุมัติจากมนุษย์ก่อนเสมอสำหรับการชำระเงินที่เกินจำนวนที่กำหนด" ให้คิดว่ามันเป็นชั้นที่กำหนด "บุคลิกภาพ" และ "เกณฑ์การตัดสินใจ" ของเอเยนต์
- Tools (มือและเท้า): อินเทอร์เฟซของเอเยนต์ในการสัมผัสโลกแห่งความจริง เช่น การส่งอีเมล การจัดการปฏิทิน การอ่าน/เขียนไฟล์ และการค้นหาเว็บ หากไม่มีเครื่องมือ AI สามารถอ่านใบเสร็จได้แต่ไม่สามารถส่งขอเบิกค่าใช้จ่ายได้
- Environment: "สถานที่" ที่เอเยนต์เคลื่อนที่ แม้จะเป็น AI เดียวกัน สิ่งที่ทำได้ก็เปลี่ยนแปลงไปอย่างมากตามสภาพแวดล้อมที่มันเคลื่อนที่
- Agent Loop (วงจรการทำงานด้วยตัวเอง): สิ่งเหล่านี้ทั้งหมดทำงานร่วมกันเพื่อให้วงจร Plan → Act → Observe Result → Adjust → Repeat ดำเนินต่อไป มันจะหยุดหากต้องการการยืนยันจากมนุษย์ ความแตกต่างที่ชี้ขาดระหว่างแชทบอทแบบถาม-ตอบครั้งเดียวกับเอเยนต์ที่ทำงานด้วยตัวเองอยู่ตรงนี้
องค์ประกอบทั้งห้านี้รวมกันคือ "รูปแบบที่สมบูรณ์ของเอเยนต์" จากนี้ไป ฉันจะแนะนำเทคนิคห้าประการสำหรับการออกแบบภายนอก = harness อย่างมีประสิทธิภาพสูง
- Execution Loop — การรวมวงจรของการสังเกต การคิด การวิจารณ์ตนเอง และการลงมือทำ
นี่คือหัวใจของ harness เมื่อดำเนินการงาน ให้สั่งให้มันทำตามวงจร "การสังเกต → การคิด → การวิจารณ์ตนเอง → การลงมือทำ" อย่างชัดเจนในทุกขั้นตอน มันเคลื่อนที่ในมิติที่แตกต่างจาก "คำขอ" แบบครั้งเดียว
พรอมต์สำหรับคัดลอกและวาง
เมื่อดำเนินการงานต่อไปนี้ โปรดเขียน 4 ขั้นตอนต่อไปนี้ตามลำดับในทุกขั้นตอนก่อนดำเนินการเสมอ: (1) การสังเกต: อธิบายสถานะปัจจุบันใน 3 บรรทัด (2) การคิด: ขั้นตอนต่อไปที่จำเป็นและเหตุผล (3) การวิจารณ์ตนเอง: จุดบอดหนึ่งจุดของขั้นตอนนั้น (4) การลงมือทำ: การดำเนินการสุดท้ายหลังจากแก้ไขแล้ว งาน: [ ]
- Context Compaction — การบีบอัดการสนทนาที่ยาวเป็นขั้นตอน
เมื่อการสนทนายาวขึ้น บริบทจะพังทลาย เพื่อป้องกันสิ่งนี้ ให้บีบอัดปฏิสัมพันธ์ในอดีตให้อยู่ในรูปแบบที่ตายตัวทุกๆ จำนวนรอบที่กำหนด นี่คือการออกแบบที่จำเป็นเพื่อป้องกันไม่ให้บริบท "เน่าเสีย" ในงานที่ยาว
พรอมต์สำหรับคัดลอกและวาง
ต่อจากนี้ไป ทุกครั้งที่การสนทนาเกิน 10 รอบ ให้บีบอัดปฏิสัมพันธ์ในอดีตให้อยู่ในรูปแบบ "ข้อเท็จจริงที่ยืนยันแล้ว 3 ข้อ + งานที่ค้างอยู่ 2 งาน + การดำเนินการที่สำคัญที่สุดถัดไป 1 อย่าง" และดำเนินการตามคำสั่งใหม่โดยเริ่มจากเวอร์ชันที่บีบอัดนั้น
- Playbook Memory — การสะสม "รูปแบบ" ที่นำกลับมาใช้ใหม่ได้
นี่คือการออกแบบเพื่อสะสมกลยุทธ์เป็น "รูปแบบ (playbooks)" ที่นำกลับมาใช้ใหม่ได้ แทนที่จะสร้างขึ้นมาใหม่ทุกครั้ง ปฏิสัมพันธ์แต่ละครั้งจะกลายเป็น "สินทรัพย์"
พรอมต์สำหรับคัดลอกและวาง
หลังจากดำเนินการงานต่อไปนี้แล้ว ให้แสดง "กฎทั่วไป 3 ข้อจากครั้งนี้" ในรูปแบบรายการสัญลักษณ์แสดงหัวข้อย่อย Markdown เสมอ ครั้งต่อไป ฉันจะนำเสนอกฎเหล่านี้ตอนเริ่มต้น ดังนั้นโปรดอ่านเป็น playbook ก่อนทำงาน
- Self-Modification Loop — การให้ AI เขียนคู่มือการใช้งานของตัวเองใหม่
นี่คือรูปแบบที่เอเยนต์เขียน "เทมเพลตคำสั่งด้วยตนเอง" เพื่อให้ทำงานได้ดีขึ้นในครั้งต่อไป คุณสามารถสร้างสถานะที่ AI อัปเดตคู่มือการใช้งานของตัวเองทุกครั้งที่ใช้งาน
พรอมต์สำหรับคัดลอกและวาง
หลังจากดำเนินการงานต่อไปนี้แล้ว โปรดแสดง "เทมเพลตคำสั่งด้วยตนเอง (เวอร์ชันปรับปรุง)" สำหรับตัวคุณเองเพื่อให้ดำเนินการได้แม่นยำยิ่งขึ้นในครั้งต่อไป พร้อมทั้งระบุเจตนาและเป้าหมายของการปรับปรุง ฉันจะใช้เทมเพลตนั้นตั้งแต่ครั้งต่อไป
- Auto-Harness Optimization — การปรับปรุงกลไกทั้งหมดแบบวนซ้ำ
คล้ายกับ Meta-Prompting ในบทที่ 1 แต่เป้าหมายคือ "โครงสร้างพรอมต์เอง" แค่รันสิ่งนี้สัปดาห์ละครั้ง สินทรัพย์พรอมต์ของคุณก็จะพัฒนาแบบทบต้น
พรอมต์สำหรับคัดลอกและวาง
โปรดเสนอแผนการที่เป็นรูปธรรม 5 แผนเพื่อปรับปรุงโครงสร้างพรอมต์ปัจจุบันของฉันขึ้นไปอีกระดับ เขียนเป้าหมาย ผลการปรับปรุงที่คาดหวัง และความเสี่ยงที่คาดไว้สำหรับแต่ละแผน และสุดท้ายให้เลือกแผนที่แข็งแกร่งที่สุด พร้อมระบุเหตุผลในการนำไปใช้และตัวอย่างการใช้งานครั้งต่อไป
การขัดเกลาเนื้อหาพรอมต์ทีละบรรทัดเป็นสิ่งสำคัญ แต่ยังมีโลกที่ใหญ่กว่ามาก "ภายนอก" สิ่งนั้น การมีมุมมองของ harness หรือไม่นั้นจะเปลี่ยนวิธีการใช้ AI ของคุณไปอีกขั้น
บทที่ 7: 5 พรอมต์ลับที่ไม่มีใครรู้
บทนี้รวบรวมรูปแบบเฉพาะทางที่หาได้ยากในหนังสือพรอมต์มาตรฐาน บางส่วนมาจากงานวิจัย บางส่วนประยุกต์ใช้วิทยาศาสตร์การรู้คิด สิ่งเหล่านี้เป็นมุมมองที่ไม่ค่อยมีการแบ่งปันในญี่ปุ่น
- Question Reframing — การให้มันจัดกรอบใหม่เป็นคำถามที่เป็นกลางก่อนตอบ
AI มีนิสัย "เอาใจผู้ใช้ (over-conforming)" มันคาดการณ์ว่าจะเห็นด้วยหรือไม่เห็นด้วยกับข้อความของคุณและส่งคืนคำตอบที่ประจบสอพลอ เพื่อระงับสิ่งนี้ มีรายงานว่าการให้มันจัดกรอบข้อความของคุณเป็น "คำถามที่เป็นกลาง" ก่อนตอบนั้นมีประสิทธิภาพมากกว่าการสั่งโดยตรงว่า "อย่าประจบสอพลอ"
ลองใช้สิ่งนี้เมื่อคุณต้องการความคิดเห็น แต่ได้เพียง "มันเป็นอย่างที่คุณพูดเลย"
พรอมต์สำหรับคัดลอกและวาง
ก่อนตอบข้อความต่อไปนี้ของฉัน โปรดจัดกรอบข้อความของฉันเป็น "รูปแบบคำถามที่เป็นกลาง" ก่อนเสมอ หลังจากปฏิเสธที่จะแสดงความเห็นด้วยหรือไม่เห็นด้วยกับข้อความเดิมแล้ว โปรดตอบอย่างมีตรรกะ ข้อความ: [ ]
- Verbalized Sampling — การให้มันแสดงแผนหลายแผนพร้อมความน่าจะเป็น
AI มีแนวโน้มที่จะให้คำตอบที่คล้ายกันทุกครั้งที่คุณถามคำถามเดียวกัน (ปรากฏการณ์ที่ความหลากหลายของผลลัพธ์ลดลง) มาตรการรับมือคือรูปแบบที่ให้มันแสดงแผนคำตอบหลายแผนพร้อม "ความน่าจะเป็นที่ควรเลือก" การเลือกแผนหนึ่งจากกระจายความน่าจะเป็นสามารถดึงไอเดียที่ไม่เกิดขึ้นกับพรอมต์ปกติออกมาได้
พรอมต์สำหรับคัดลอกและวาง
สำหรับหัวข้อต่อไปนี้ โปรดสร้างแผนคำตอบที่แตกต่างกัน 5 แผน พร้อม "ความน่าจะเป็นที่จะถูกเลือก (%)" ของแต่ละแผน ความน่าจะเป็นรวมต้องเป็น 100% สุดท้าย ให้เลือกและนำเสนอหนึ่งแผนจากการกระจายนั้นตามความน่าจะเป็น หัวข้อ: [ ]
- Counterfactual Anchoring — การให้มันแสดงคำตอบตรงกันข้ามก่อน
นี่คือรูปแบบที่ประยุกต์ใช้ "เอฟเฟกต์การยึดติด (anchoring effect)" จากจิตวิทยาการรู้คิด โดยการให้ AI แสดง "คำตอบที่ตรงกันข้ามอย่างสิ้นเชิง" กับคำตอบที่มันต้องการจะให้โดยสัญชาตญาณก่อน คุณจะทำลายความเฉื่อยที่มีต่อคำตอบแบบธรรมดา คำตอบที่คาดเดาได้จะกลายเป็นสิ่งที่ลึกซึ้งในทันที
หมายเหตุ: "Counterfactual Anchoring" เป็นคำที่ฉันบัญญัติขึ้น หลักการพื้นฐาน (anchoring effect) เป็นวิทยาศาสตร์การรู้คิดที่แท้จริง แต่รูปแบบเฉพาะนี้เป็นการประยุกต์ใช้
พรอมต์สำหรับคัดลอกและวาง
ก่อนตอบคำถามต่อไปนี้ ให้สร้าง "คำตอบที่ตรงกันข้ามอย่างสิ้นเชิง" กับคำตอบที่คุณตั้งใจจะให้โดยสัญชาตญาณก่อนหนึ่งคำตอบ เขียนเหตุผล 5 ข้อว่าเหตุใดแผนที่ตรงกันข้ามนั้นอาจจะถูกต้อง สุดท้าย ให้คำตอบสุดท้ายหลังจากผ่านการตรวจสอบนั้นแล้ว คำถาม: [ ]
- Self Pre-Mortem — การระบุสาเหตุของความล้มเหลวก่อน
"Pre-Mortem" เป็นวิธีการคิดที่มีชื่อเสียง โดยคุณคิดว่า "หากโครงการนี้ล้มเหลว สาเหตุจะเป็นอะไร" ก่อนเริ่มต้น เราประยุกต์ใช้สิ่งนี้กับการดำเนินงานของ AI ให้มันระบุรูปแบบความล้มเหลวก่อนดำเนินการ และให้มันดำเนินการในลักษณะที่หลีกเลี่ยงสิ่งเหล่านั้น มีประสิทธิภาพสำหรับงานที่ยาว
หมายเหตุ: วิธีการ Pre-Mortem ดั้งเดิมเป็นของจริง แต่การประยุกต์ใช้กับ AI เป็นการใช้งานของฉันเอง
พรอมต์สำหรับคัดลอกและวาง
ก่อนดำเนินการงานต่อไปนี้ ให้ระบุ "สาเหตุที่สันนิษฐาน 5 ประการหากงานนี้จบลงด้วยคุณภาพต่ำที่สุด" ก่อน เขียนมาตรการหลีกเลี่ยงหนึ่งบรรทัดสำหรับแต่ละสาเหตุ และดำเนินการงานโดยปฏิบัติตามมาตรการหลีกเลี่ยงทั้งหมดนั้นอย่างเคร่งครัด งาน: [ ]
- Calibrated Confidence Prompting — การให้มันระบุระดับความเชื่อมั่น
จุดอ่อนที่ใหญ่ที่สุดของ AI คือ "การพูดอย่างมั่นใจเต็มที่แม้จะผิด" เพื่อหยุดสิ่งนี้ ให้ใช้รูปแบบที่มันต้องแนบ "ระดับความเชื่อมั่น (0-100%)" ไปกับแต่ละข้อความ ภาพหลอน (hallucinations) จะมองเห็นได้ ทำให้การตัดสินความน่าเชื่อถือของข้อมูลง่ายขึ้นมาก
พรอมต์สำหรับคัดลอกและวาง
เมื่อตอบคำถามต่อไปนี้ โปรดแนบ "ระดับความเชื่อมั่น 0-100%" ไปกับแต่ละข้อความ ติดป้ายกำกับน้อยกว่า 50% ว่า "การเดา" และเฉพาะ 70% ขึ้นไปว่า "ข้อเท็จจริง" นอกจากนี้ ให้ระบุพื้นฐานหนึ่งบรรทัดสำหรับแต่ละระดับความเชื่อมั่น คำถาม: [ ]
ไม่ว่าคุณจะศึกษาสิ่งเหล่านี้เป็นเทคนิคมาตรฐานหรือใช้งานเป็นเคล็ดลับลับจากเอกสารและหลักการ แหล่งข้อมูลส่วนใหญ่สามารถเข้าถึงได้ฟรี ช่องว่างจะกว้างขึ้นเริ่มจากผู้ที่สังเกตเห็น
บทที่ 8: การให้ "มือและเท้า" แก่ AI — MCP ที่คุณควรติดตั้ง
จนถึงตอนนี้ เราได้พูดถึงพรอมต์แล้ว บทนี้是关于การให้ "มือและเท้า" แก่ AI
MCP (Model Context Protocol) เป็นมาตรฐานเปิดทั่วไปสำหรับเชื่อมต่อ AI เข้ากับบริการภายนอกและข้อมูล พูดง่ายๆ คือเป็นกลไกในการเพิ่ม "หน้าต่างเพื่อสัมผัสโลกแห่งความจริง" ให้กับ AI การติดตั้งสิ่งนี้จะเปลี่ยน Claude จากแชทบอทเป็น "เอเยนต์ที่มีมือและเท้า"
เนื่องจาก MCP เป็นมาตรฐานเปิด เมื่อคุณตั้งค่าใน Claude Code หรือ Codex แล้ว สภาพแวดล้อมเดียวกันก็สามารถถ่ายโอนได้ ที่นี่ ฉันได้เลือกสี่อย่างที่มีประโยชน์อย่างแท้จริงสำหรับผู้สร้างเนื้อหา
- Supadata MCP — การดึงบทบรรยายจากวิดีโอในครั้งเดียว
นี่คือ MCP ที่สามารถดึงบทบรรยายจากวิดีโอ YouTube, TikTok, Instagram และ X (เดิมคือ Twitter) ได้ในครั้งเดียว การวิจัยเนื้อหาต่างประเทศ การวิเคราะห์วิดีโอคู่แข่ง และการจับแนวโน้มจะเร็วขึ้นมาก แม้แต่วิดีโอที่ไม่มีคำบรรยาย ก็สามารถครอบคลุมได้ด้วยฟังก์ชันถอดความอัตโนมัติ
ตัวอย่างการใช้งาน:
ดึงบทบรรยายจาก URL วิดีโอ YouTube/TikTok/X ต่อไปนี้และสรุปเป็น 5 ประเด็นสำคัญ URL: [ ]
คุณสามารถเลิกทำงานที่ใช้เวลานานในการดูวิดีโอไวรัลต่างประเทศจนจบได้
- Firecrawl MCP — การแปลงเว็บไซต์เป็น Markdown ที่สะอาด
นี่คือ MCP ที่แปลงเว็บไซต์ใดๆ ก็ตามเป็น Markdown ที่สะอาดซึ่ง AI สามารถอ่านได้ง่าย มันสามารถประมวลผลหน้าเว็บที่เรนเดอร์ด้วย JavaScript ได้ด้วย การให้ AI อ่านบทความคู่แข่ง หน้า Landing Page หรือเว็บไซต์ข่าวเพื่อวิเคราะห์โครงสร้างหรือข้อเสนอแนะในการปรับปรุงจะเร็วขึ้น
ตัวอย่างการใช้งาน:
แปลง URL ต่อไปนี้เป็น Markdown ด้วย Firecrawl และวิเคราะห์โครงสร้างและจุดอ่อนของการดึงดูดในบทความนั้น URL: [ ]
คนที่คัดลอกและวางด้วยมือทุกครั้งสามารถประหยัดเวลาได้ที่นี่
- Google Knowledge Graph MCP — การเข้าถึงข้อมูลเอนทิตีโดยตรง
นี่คือ MCP ที่ AI สามารถเข้าถึงแหล่งข้อมูลของ "แผงข้อมูล" ที่ปรากฏทางด้านขวาของการค้นหาของ Google ได้โดยตรง คุณสามารถดึงข้อมูลที่มีโครงสร้างเกี่ยวกับบุคคลจริง สถานที่ องค์กร และแนวคิด ความแม่นยำเปลี่ยนแปลงไปในการตรวจสอบข้อเท็จจริงและการยืนยันข้อมูลบุคคล/องค์กร มันกลายเป็นเส้นชีวิตสำหรับผู้เผยแพร่ข้อมูล
ตัวอย่างการใช้งาน:
รับข้อมูลเกี่ยวกับ "[ชื่อบุคคล/องค์กร]" ด้วย Google Knowledge Graph จากนั้นตรวจสอบความสัมพันธ์เชิงข้อเท็จจริงในบทความของฉัน
- Memory MCP — การให้ความจำถาวรแก่ AI
AI มีจุดอ่อนที่ "ประวัติการสนทนาถูกรีเซ็ตทุกครั้ง" Memory MCP แก้ปัญหานี้ การตัดสินใจโครงการ ความชอบของคุณ และกฎเกณฑ์ที่เรียนรู้จากปฏิสัมพันธ์ในอดีตจะยังคงอยู่แม้เซสชันจะสิ้นสุดลง
ตัวอย่างการใช้งาน:
ลงทะเบียนความชอบ สมมติฐาน และข้อมูลโครงการที่กำลังดำเนินการต่อไปนี้เป็นความจำถาวรใน Memory MCP ครั้งต่อไป ให้อ้างอิงเนื้อหานี้ก่อนทำงานเสมอ
ยิ่งคุณวางสมมติฐานเดิมซ้ำในทุกเซสชันมากเท่าไหร่ คุณก็จะยิ่งรู้สึกถึงผลกระทบมากขึ้นเท่านั้น Claude จะเติบโตเป็น "คู่หูที่เข้าใจคุณ" เมื่อเซสชันเกิดขึ้นซ้ำๆ
ด้วยสี่อย่างนี้ คุณมีทั้ง "อินพุต (วิดีโอ เว็บ ข้อมูลเอนทิตี)" และ "ความจำ" สะสมข้อมูลที่รวบรวมได้ด้วยสามอย่างแรกเข้าไปใน AI โดยใช้ Memory MCP ผลกระทบเมื่อทั้งสี่ทำงานร่วมกันนั้นมากกว่าการใช้ทีละอย่าง
บทที่ 9: การทำงานอัตโนมัติด้วย Claude Code & Codex — 5 ประเด็นและข้อผิดพลาด
หากคุณกำลังใช้งานระบบอัตโนมัติกับ Claude Code หรือ Codex "แบบขอไปที" คุณกำลังเสียเปรียบอยู่พอสมควร บทนี้แนะนำห้าประเด็นสำหรับการได้รับผลลัพธ์จากระบบอัตโนมัติ พร้อมกับข้อผิดพลาดที่เกี่ยวข้อง
- ใส่ Plan Mode เสมอ
เส้นชีวิตของระบบอัตโนมัติคือการไม่ปล่อยให้มันทำงานทันที ใน Plan Mode ให้มันระบุชื่อไฟล์ ชื่อฟังก์ชัน และลำดับขั้นตอนที่จะแก้ไขให้เป็นรูปธรรมก่อนที่คุณจะอนุมัติ ใส่สิ่งนี้เสมอ
ข้อผิดพลาด: การข้าม Plan Mode และกระโดดไปทำงานแบบขนาน การทำงานแบบขนานโดยไม่มีประตูวางแผนเพียงแค่ผลิตผลงานที่ผิดพลาดจำนวนมากด้วยความเร็วสูง ความเร็วจะมีค่าก็ต่อเมื่อทิศทางถูกต้องเท่านั้น
- กฎถาวรในไฟล์กำหนดค่า คำสั่งเฉพาะครั้งในพรอมต์
เป็นข้อผิดพลาดทั่วไปของผู้เริ่มต้นที่จะยัดเยียด "กฎถาวรที่ต้องการให้ปฏิบัติตามทุกครั้ง" ลงในทุกพรอมต์ เขียนกฎถาวรในไฟล์กำหนดค่า (AGENTS.md สำหรับ Codex, CLAUDE.md สำหรับ Claude Code) และใส่เฉพาะ "คำสั่งสำหรับครั้งนี้" ในพรอมต์
ข้อผิดพลาด: การทำให้ไฟล์กำหนดค่าใหญ่เกินไป หากเกินขีดจำกัดขนาด เนื้อหาจะถูกตัด หากไฟล์มีขนาดใหญ่ แนวทางปฏิบัติมาตรฐานคือการแยกตามลำดับชั้นไดเรกทอรี
- Sub-agent ควรเป็น "เฉพาะทาง + สิทธิ์ที่จำกัด"
กำหนด "1 ฟังก์ชัน = 1 บทบาทเฉพาะทาง" ให้กับ sub-agent และให้เครื่องมือที่จำเป็นขั้นต่ำเท่านั้น
ข้อผิดพลาด: Sub-agent สืบทอดสิทธิ์เครื่องมือทั้งหมดของพาเรนต์โดยค่าเริ่มต้น เนื่องจากเริ่มต้นด้วยสิทธิ์เต็ม จึงอาจนำไปสู่อุบัติเหตุได้หากคุณไม่จำกัดอย่างชัดเจน นอกจากนี้ sub-agent ยังใช้โทเคนมากขึ้นเนื่องจากรันหลายโมเดลและเครื่องมือ เนื่องจากการทำงานแบบขนาน = ต้นทุนที่เพิ่มขึ้นเป็นสิ่งที่หลีกเลี่ยงไม่ได้ในเชิงโครงสร้าง ให้จำกัดเฉพาะงานที่คุ้มค่าต่อการรันเท่านั้น
- "อย่าใส่มากเกินไป" คือคำตอบที่ถูกต้องสำหรับ MCP
ฉันแนะนำ MCP ในบทที่ 8 แต่การทำมากเกินไปเป็นสิ่งต้องห้าม ยิ่งคุณเพิ่ม MCP มากเท่าไหร่ บริบทของแต่ละข้อความก็จะบวมมากขึ้นเท่านั้น ทำให้ขีดจำกัดการใช้งานตึงตัว ปิดการใช้งาน MCP ที่คุณไม่ได้ใช้ นี่คือพื้นฐาน
ข้อผิดพลาด: การทำให้ทุกอย่างเป็น MCP และเสียบ 10 หรือ 20 ตัว นอกจากจะบีบพื้นที่บริบทแล้ว ความเสี่ยงด้านความปลอดภัยก็เพิ่มขึ้นด้วย ปลอดภัยที่จะจำกัดให้เหลือ 3-5 ตัวที่คุณใช้จริงทุกวัน
- แพ็คเกจงานที่ทำซ้ำเป็น "Skills"
สำหรับเวิร์กโฟลว์ที่คุณใช้ซ้ำๆ อย่าคัดลอกและวางพรอมต์ทุกครั้ง ให้แพ็คเกจเป็น Skill ทั้ง Claude Code และ Codex มีกลไกในการสรุปงานที่ทำซ้ำเป็นไฟล์นิยามและเรียกใช้อย่างสม่ำเสมอ
ข้อผิดพลาด: การทำงานโดยคัดลอกและวางพรอมต์ทุกครั้งโดยไม่สร้าง Skill ความแปรปรวนสะสม และภาระทางจิตใจก็เพิ่มขึ้นเรื่อยๆ เวิร์กโฟลว์ใดๆ ที่มีตัวอย่างการใช้งานที่เป็นรูปธรรม 2-3 ตัวอย่างก็พร้อมที่จะสร้างเป็น Skill แล้ว การเขียนโดยมีสมมติฐานว่าจะใช้ Skill เดียวกันทั้งใน Claude Code และ Codex จะช่วยให้ไม่มีต้นทุนแม้คุณจะเปลี่ยนเครื่องมือ
สาระสำคัญของระบบอัตโนมัติคือความแตกต่างระหว่างการ "ทุ่มทุกอย่าง" ให้ AI หรือ "จัดระบบ" มัน ใส่ Plan Mode จัดระเบียบไฟล์กำหนดค่า จำกัดสิทธิ์ ลด MCP ให้เหลือน้อยที่สุด และสร้าง Skill สำหรับงานที่ทำซ้ำ ตั้งค่ากลไกทั้งห้านี้ก่อนรัน แค่นั้นก็เป็นตัวกำหนดว่าระบบอัตโนมัติจะกลายเป็น "การเร่งความเร็ว" หรือ "การหลุดการควบคุม"
บทที่ 10: มันล้าสมัยแล้ว — นิสัยพรอมต์ที่คุณควรหยุด
บทสุดท้าย是关于การลบ ไม่ใช่การเพิ่ม ฉันจะกล่าวถึงสามนิสัยที่ถูกมองว่า "ถูกต้อง" มานานในญี่ปุ่น แต่กำลังถูก reconsidered ในงานวิจัยและข้อมูลจำเพาะล่าสุด
- การแนบ "คุณเป็นผู้เชี่ยวชาญด้าน..." กับทุกอย่าง
พรอมต์ที่กำหนดบุคลิกเป็นเทคนิคคลาสสิก อย่างไรก็ตาม งานวิจัยล่าสุดชี้ให้เห็นว่ามัน "ไม่ใช่สิ่งมหัศจรรย์" แม้ว่าบุคลิกผู้เชี่ยวชาญจะมีประสิทธิภาพสำหรับงานด้านความปลอดภัยและการกลั่นกรอง แต่มีรายงานว่ามันมีแนวโน้มที่จะลดความแม่นยำในการรับรู้ข้อเท็จจริงและการใช้เหตุผล
กล่าวอีกนัยหนึ่ง บุคลิกไม่ใช่ "เทมเพลตสากล" แต่เป็น "เทคนิคเฉพาะจุดที่ใช้โดยเลือกการประยุกต์ใช้" การแนบมันเข้ากับการตัดสินด้านความปลอดภัย การตัดสินทางจริยธรรม หรือการกลั่นกรองนั้นใช้ได้ แต่สำหรับการค้นหาข้อเท็จจริง การวิเคราะห์ การสร้างโค้ด หรืองานใช้เหตุผล อย่าแนบมันโดยไม่จำเป็น แค่การตระหนักถึงความแตกต่างนี้ ความแม่นยำก็เพิ่มขึ้นอีกระดับ
- การแนบ "คิดทีละขั้นตอน" อย่างกลไก
"คิดทีละขั้นตอน" และ "มาคิดทีละขั้นตอนกันเถอะ" ก็ถูกมองว่าเป็นพรอมต์ที่แข็งแกร่งที่สุดมานานเช่นกัน อย่างไรก็ตาม โมเดลล่าสุดกำลังพัฒนาไปสู่การที่ตัวโมเดลเองตัดสินว่าเมื่อใดและเท่าใดที่จะคิด ความจำเป็นทางเทคนิคในการเขียน "คิด" ทุกครั้งกำลังจางหายไป
การดำเนินการในอนาคตควรมุ่งเน้นไปที่การระบุวัตถุประสงค์ของงาน ข้อจำกัด และรูปแบบที่คาดหวัง มากกว่าการแนบคำสั่งให้คิดอย่างกลไก และสำหรับงานที่ซับซ้อนซึ่งต้องใช้การใช้เหตุผล ให้เปิดฟังก์ชันการคิดของโมเดลเองและปล่อยให้ AI เป็นผู้ตัดสิน สิ่งนี้เข้ากันได้ดีกว่ากับโมเดลรุ่นใหม่
- การเขียนพรอมต์ด้วยมือและปรับแต่งตามสัญชาตญาณ
นี่อาจเป็นประเด็นที่ใหญ่ที่สุด คนญี่ปุ่นจำนวนมากเขียนพรอมต์ด้วยมือเป็น "งานศิลปะ" และปรับแต่งด้วยการเลือกคำและสัญชาตญาณ ในขณะเดียวกัน มืออาชีพทั่วโลกปฏิบัติต่อพรอมต์เป็น "โค้ด" พวกเขาออกแบบ ควบคุมเวอร์ชัน ทดสอบ และปรับให้เหมาะสมพร้อมกับให้คะแนนตามเกณฑ์การประเมิน (eval)
ทำไมถึงแตกต่างกันมาก? เหตุผลนั้นง่าย สัญชาตญาณที่เขียนด้วยมือไม่สามารถตรวจจับ "10% ของกรณีที่พรอมต์ซึ่งใช้ได้กับ 90% ของอินพุตล้มเหลวอย่างร้ายแรง" ดังนั้น พวกเขาจึงสร้างสกอร์การ์ดสำหรับ "สิ่งที่ถือเป็นคำตอบที่ถูกต้อง" ก่อน และวัดพรอมต์กับมัน
ขั้นตอนแรกสู่ "การคิดแบบ eval" ที่คุณทำได้วันนี้:
(1) รันพรอมต์เดียวกัน 5 ครั้งและสังเกตความแปรปรวนของผลลัพธ์ (2) เขียนเงื่อนไข 3 ข้อที่เหมือนกันในผลลัพธ์ที่ดี (นี่คือ eval อย่างง่าย) (3) สร้างพรอมต์หลายเวอร์ชันในระดับคำและเปรียบเทียบจนกว่าจะเป็นไปตามเงื่อนไข 3 ข้อนั้น
อย่างไรก็ตาม แม้แต่คำที่มีความหมายเหมือนกัน ผลลัพธ์ก็เปลี่ยนไป ปฏิกิริยาของ AI แตกต่างกันเล็กน้อยระหว่าง "Calculate" และ "Compute" สัญชาตญาณที่เขียนด้วยมือไม่สามารถควบคุมความแตกต่างระดับคำนี้ได้ นั่นคือเหตุผลที่มีคุณค่าในการเปลี่ยนสมองของคุณเป็น "วัดและปรับปรุง"
ฉันได้แนะนำเทคนิคมากมายให้เพิ่มในบทที่ 1 ถึง 9 แต่ผู้ที่เติบโตก็ตัดสินใจว่าจะ "หยุด" อะไรเช่นกัน
บทสรุป — พรอมต์กลายเป็น "พิมพ์เขียวสำหรับความคิด"
จนถึงตอนนี้ ฉันได้แนะนำเทคนิคและความรู้ประมาณ 40 อย่างอย่างรวดเร็ว สุดท้ายนี้ ฉันจะสรุปสิ่งที่ฉันต้องการสื่อในบทความนี้เป็นสิ่งเดียว
พรอมต์ไม่ใช่ "คำสั่ง" อีกต่อไป พวกมันคือ "พิมพ์เขียวสำหรับความคิด"
ในบทที่ 1 เราผ่านวิธีการคิดเอง ในบทที่ 2 เราทำงานย้อนกลับจากจุดสิ้นสุด ในบทที่ 3 เราดำเนินการ AI เป็นกองทัพ ในบทที่ 4 ถึง 6 เราออกแบบภายนอกของพรอมต์ = บริบท โครงสร้างภายใน และ harness ในบทที่ 7 เราใช้เคล็ดลับลับ ในบทที่ 8 เราให้มือและเท้าแก่ AI ด้วย MCP ในบทที่ 9 เราตั้งค่ากลไกอัตโนมัติ และในบทที่ 10 เราปล่อยวางนิสัยเก่า
สิ่งที่พวกเขามีเหมือนกันคือพวกเขาเขียน "วิธีทำให้มันคิดและเคลื่อนไหว" ไม่ใช่ "สิ่งที่จะส่งออก" คำสั่ง vs. พิมพ์เขียว ความแตกต่างนั้นเป็นตัวกำหนดว่า AI จะยังคงเป็น "แค่เครื่องมือที่สะดวก" หรือกลายเป็น "คู่หูที่ทำงานด้วยตัวเอง"
เทคนิคที่แนะนำที่นี่ไม่ต้องการพรสวรรค์หรือทักษะภาษาอังกฤษ สิ่งที่คุณต้องการคือลองเขียนพรอมต์ของคุณหนึ่งบรรทัดจากวันนี้ด้วยโครงสร้างที่แตกต่างกันเล็กน้อย คัดลอกและวางหนึ่งรูปแบบที่สะดุดตาแล้วลองใช้ นั่นจะเป็นก้าวแรกของคุณ
ขอบคุณที่อ่านจนจบ ฉันหวังว่าบทความนี้จะเป็นตัวเร่งให้ยกระดับความสัมพันธ์ของคุณกับ AI ขึ้นไปอีกขั้น
ปรึกษาเกี่ยวกับ AI ได้ที่นี่ 👇
