Page 13 - Guide to Applying AI Technology in Teaching and Learning

10

2. เทคนิค Prompting ขั้นพื้นฐาน (Basic Techniques)

เทคนิคเหล่านี้เน้นความชัดเจนและโครงสร้างเพื่อควบคุมการตอบสนองของ LLM
2.1 Zero-Shot Prompting (การสั่งแบบศูนย์ตัวอย่าง)

เป็นเทคนิคพื้นฐานที่สุด โดยผู้ใช้เพียงแค่ป้อนคำถามหรือคำสั่งโดยตรงโดยไม่มีตัวอย่างประกอบ

• เทคนิค ใช้ Prompt ที่ระบุหน้าที่ (Task) อย่างชัดเจน
• ตัวอย่าง "จงอธิบายกฎของอุณหพลศาสตร์ข้อที่หนึ่งให้คนที่ไม่ใช่นักวิทยาศาสตร์เข้าใจ"

• ประโยชน์ รวดเร็ว เหมาะสำหรับงานที่ไม่ซับซ้อน
2.2 Few-Shot Prompting (การสั่งแบบมีตัวอย่างประกอบ)

เป็นการเพิ่มตัวอย่างคู่ (Input-Output Example) เข้าไปใน Prompt เพื่อสอน LLM ถึงรูปแบบการ

ตอบสนองที่ต้องการ
• เทคนิค LLM จะเรียนรู้รูปแบบจากตัวอย่างที่ให้มา แล้วสร้างคำตอบสำหรับอินพุตใหม่

• ตัวอย่าง
o ตัวอย่าง 1 "Input มะม่วง. Output ผลไม้."

o ตัวอย่าง 2 "Input ปลาวาฬ. Output สัตว์เลี้ยงลูกด้วยนม."

o Input ใหม่ "Input ผักโขม. Output ?"
• ประโยชน์ ช่วยให้ LLM สร้างผลลัพธ์ที่สอดคล้องกับรูปแบบที่ซับซ้อนหรือเฉพาะเจาะจงได้ดีขึ้น

มาก

2.3 Instruction Prompting (การสั่งแบบใช้คำสั่งโดยตรง)
เน้นการใช้คำสั่งที่ชัดเจนและใช้เครื่องหมายวรรคตอนเพื่อแยกส่วนประกอบ

• เทคนิค ใช้เครื่องหมาย เช่น เครื่องหมายคำพูดสามอัน ("""..."""), วงเล็บเหลี่ยม ([]), หรือ
เครื่องหมายขีดคั่น (---) เพื่อแยกคำสั่งออกจากข้อมูลอินพุต

• ตัวอย่าง "สรุปข้อความต่อไปนี้โดยเน้นเพียงประเด็นหลัก 3 ประเด็นเท่านั้น ข้อความ [ใส่

ข้อความที่ต้องการสรุป]"
• ประโยชน์ ช่วยลดความกำกวมและมั่นใจได้ว่า LLM จะประมวลผลข้อมูลที่กำหนด

3. เทคนิค Prompting ขั้นสูง (Advanced Techniques)

เทคนิคเหล่านี้มุ่งเน้นการปรับปรุงกระบวนการคิด (Reasoning) ภายในของ LLM เพื่อเพิ่มคุณภาพ

ของผลลัพธ์สำหรับงานที่ต้องใช้ตรรกะหรือการแก้ปัญหาที่ซับซ้อน
3.1 Chain-of-Thought Prompting (CoT) เป็นเทคนิคสำคัญที่ใช้เพื่อยกระดับความสามารถใน

การให้เหตุผลของ LLM โดยเฉพาะในงานที่ต้องใช้คณิตศาสตร์ ตรรกะ หรือการคิดวิเคราะห์

• เทคนิค เพิ่มคำสั่งให้ LLM แสดงขั้นตอนการคิด (Internal Monologue) ก่อนที่จะให้คำตอบ
สุดท้าย

• คำสั่งสำคัญ "คิดอย่างเป็นขั้นตอนก่อนที่จะสรุปคำตอบ" หรือ "Let's think step by step."