Prompt engineering
คู่มือวิศวกรรมคำสั่งงานของ OpenAI: การควบคุม ChatGPT สำหรับการใช้งานขั้นสูง
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
การทำความเข้าใจวิศวกรรมคำสั่งงาน
วิศวกรรมคำสั่งงาน เป็นศิลปะและวิทยาศาสตร์ของการสร้างคำสั่ง (คำสั่งงาน) เพื่อให้ได้ผลลัพธ์ที่ต้องการจากโมเดล AI เช่น ChatGPT เป็นทักษะที่สำคัญสำหรับการเพิ่มประสิทธิภาพของโมเดลเหล่านี้
ChatGPT ซึ่งสร้างขึ้นบนโครงสร้าง GPT-3 และ GPT-4 ของ OpenAI ได้พัฒนาไปอย่างมาก และกลายเป็นโมเดลที่มีความสามารถในการตอบสนองและเข้าใจบริบทมากขึ้น การทำความเข้าใจวิวัฒนาการของมันคือคำตอบที่สำคัญในการควบคุมวิศวกรรมคำสั่งงาน
เช่นเดียวกับวิธีการที่ผู้ควบคุมวงดนตรีเป็นผู้นำวงดนตรี วิศวกรรมคำสั่งงานช่วยให้เราได้รับคำสั่งจากโมเดลเหล่านี้เพื่อทำงานที่ซับซ้อน ตั้งแต่การสร้างเอกสารทางเทคนิคที่มีรายละเอียดจนถึงการสร้างเนื้อหาที่สร้างสรรค์และน่าสนใจ คู่มือนี้จะพาคุณผ่านกลยุทธ์และยุทธวิธีที่เปลี่ยนแปลงการโต้ตอบของคุณกับ AI จากการแลกเปลี่ยนพื้นฐานไปสู่การแลกเปลี่ยนที่ซับซ้อนและมีความหมาย
พิจารณาส่วนต่างระหว่างการถาม “ฉันจะบวกตัวเลขใน Excel ได้อย่างไร?” และ “ฉันจะบวกคอลัมน์ของจำนวนเงินใน Excel โดยมีผลรวมแสดงทางด้านขวาในคอลัมน์ ‘Total’ ได้อย่างไร?” คำสั่งที่สองที่มีรายละเอียดมากขึ้นจะทำให้ AI ต้องตีความน้อยลง และให้คำตอบที่แม่นยำและเป็นประโยชน์มากขึ้น ในทำนองเดียวกัน การทำความเข้าใจการใช้ตัวละคร ตัวแบ่ง และคำสั่งแบบขั้นตอนสามารถส่งผลกระทบอย่างมากต่อคุณภาพของผลลัพธ์ AI โดยเฉพาะสำหรับงานที่ซับซ้อน
คู่มือนี้จะไม่เพียงแต่ครอบคลุมด้านทฤษฎีเท่านั้น แต่ยังให้ตัวอย่างที่เป็นรูปธรรมและปฏิบัติได้จริง คุณจะได้เรียนรู้วิธีการใช้กลยุทธ์อย่างมีประสิทธิภาพ เช่น การให้ข้อความอ้างอิงเพื่อชี้นำ AI ให้ห่างจากข้อมูลที่ไม่ถูกต้อง หรือการแบ่งงานที่ซับซ้อนออกเป็นงานย่อยๆ เพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้น
1. ความชัดเจนและรายละเอียด
การสร้างคำสั่งที่มีประสิทธิภาพสำหรับโมเดล AI เช่น GPT-4 ต้องใช้ความแม่นยำ ความชัดเจน และบริบทที่เหมาะสม ความแตกต่างระหว่างคำสั่งที่ไม่ได้สร้างอย่างดีและคำสั่งที่คิดมาอย่างดีสามารถเป็นความแตกต่างระหว่างคำตอบที่คลุมเครือและคำตอบที่เฉพาะเจาะจงและเกี่ยวข้อง
ตัวอย่าง 1: การใช้ความเข้าใจภาษาของ ChatGPT สำหรับการซักถามทางเทคนิค
- คำสั่งที่ไม่มีประสิทธิภาพ: “ฉันจะแก้ปัญหาในโค้ดของฉันอย่างไร?”
- คำตอบของ AI: “ในการแก้ปัญหาในโค้ดของคุณ คุณต้องระบุปัญหา เข้าใจว่าทำไมจึงเกิดขึ้น และแก้ไขโค้ดให้ถูกต้อง”
- คำสั่งทางเทคนิคที่มีประสิทธิภาพ: “ฉันเขียนโค้ดใน Python และพบปัญหา ‘KeyError’ เมื่อพยายามเข้าถึงพจนานุกรม โค้ดของฉันคือ [โค้ดตัวอย่าง] อะไรคือสาเหตุของปัญหานี้ และฉันจะแก้ไขมันได้อย่างไร?”
- คำตอบของ AI: “ปัญหา ‘KeyError’ ในโค้ด Python ของคุณอาจเกิดจากการที่คุณพยายามเข้าถึงคีย์ที่ไม่มีอยู่ในพจนานุกรม วิธีแก้ไขคือ [โค้ดที่แก้ไขแล้วพร้อมคำอธิบาย]”
ตัวอย่าง 2: การเขียนสร้างสรรค์ด้วยการเลียนแบบสไตล์
- คำสั่งที่ไม่มีประสิทธิภาพ: “เขียนเรื่องสั้น”
- คำตอบของ AI: “เมื่อครั้งหนึ่ง ในดินแดนไกล ๆ มีราชอาณาจักรที่เผชิญกับอันตรายครั้งใหญ่…”
- คำสั่งเลียนแบบสไตล์ที่มีประสิทธิภาพ: “เขียนเรื่องสั้นในแบบของเออร์เนสต์ เฮมิงเวย์ โดยเน้นเรื่องราวของมิตรภาพระหว่างเพื่อนสองคนซึ่งพบกันอีกครั้งโดยไม่คาดคิด”
- คำตอบของ AI: “ดวงอาทิตย์照ลงบนถนนฝุ่น และจอห์นและทอม สองเพื่อนที่พบกันอีกครั้งหลังจากผ่านไปหลายปี ‘มันผ่านมาหลายปี’ จอห์นพูดด้วยเสียงที่แห้งแล้ง ‘หลายปีตั้งแต่สงคราม’ ทอมตอบ [เรื่องราวดำเนินต่อไปในแบบสไตล์เฮมิงเวย์]”
ตัวอย่าง 3: คำแนะนำในการเดินทาง
- คำสั่งที่ไม่มีประสิทธิภาพ: “ฉันควรทำอะไรในกรุงปารีส?”
- คำตอบของ AI: “ในกรุงปารีส คุณสามารถเยี่ยมชมสถานที่สำคัญเช่น หอไอเฟล พิพิธภัณฑ์ลูฟวร์ และโบสถ์น็อทร์-ดาม”
- คำสั่งที่มีประสิทธิภาพ: “ฉันจะไปกรุงปารีสเป็นเวลา 3 วันในช่วงฤดูร้อน โดยมุ่งเน้นไปที่ศิลปะและประวัติศาสตร์ คุณสามารถแนะนำตารางการเดินทางที่มีรายละเอียดให้ฉันได้หรือไม่?”
- คำตอบของ AI: “วันที่ 1: เยี่ยมชมพิพิธภัณฑ์ลูฟวร์ในช่วงเช้า จากนั้นเดินไปที่โบสถ์น็อทร์-ดาม [ตารางการเดินทางที่มีรายละเอียดต่อไป]”
ข้อคิดสำหรับการสร้างคำสั่งที่ดีขึ้น
- ความเฉพาะเจาะจง: ให้คำสั่งที่เฉพาะเจาะจงมากที่สุดเท่าที่จะเป็นไปได้
- ข้อมูลบริบท: รวมข้อมูลบริบทที่เกี่ยวข้องทั้งหมด
- วัตถุประสงค์ที่ชัดเจน: ระบุวัตถุประสงค์ของคำสั่งของคุณอย่างชัดเจน
- หลีกเลี่ยงความคลุมเครือ: หลีกเลี่ยงการสร้างคำสั่งที่คลุมเครือ
- ใช้รูปแบบที่ทราบ: หากเหมาะสม ให้ขอข้อมูลในรูปแบบเฉพาะ เช่น รายการ หรือขั้นตอน
2. การเพิ่มประสิทธิภาพของ AI ด้วยการอ้างอิง
การใช้ข้อความอ้างอิงในงานวิศวกรรมคำสั่งสามารถเพิ่มคุณภาพและความแม่นยำของคำตอบจากโมเดล AI เช่น GPT-4 ได้อย่างมาก โดยการให้ข้อมูลที่เชื่อถือได้และเกี่ยวข้องพร้อมกับคำสั่งของคุณ คุณสามารถชี้นำ AI ให้สร้างคำตอบที่มีฐานะและแม่นยำยิ่งขึ้น
ตัวอย่าง 1: อธิบายทางวิทยาศาสตร์
- คำสั่งแบบเดิม: “รูดำเกิดขึ้นอย่างไร?”
- คำตอบของ AI: “รูดำเกิดขึ้นเมื่อดาวฤกษ์ที่มีขนาดใหญ่มากเสียชีวิตในซูเปอร์โนวา และแกนกลางของมันพังทลายลงสู่รูดำ”
- คำสั่งที่เพิ่มประสิทธิภาพด้วยข้อความอ้างอิง: “โดยใช้ข้อมูลจากเอกสารทางวิทยาศาสตร์เกี่ยวกับการพัฒนาดาวฤกษ์และรูดำ อธิบายกระบวนการเกิดรูดำ”
- คำตอบของ AI: “ตามเอกสารทางวิทยาศาสตร์ที่ให้มา รูดำเกิดขึ้นเมื่อดาวฤกษ์ที่มีขนาดใหญ่มากเสียชีวิตและแกนกลางพังทลายลงสู่รูดำ โดยกระบวนการนี้อธิบายไว้ใน [ส่วนของเอกสารที่เกี่ยวข้อง]”
ตัวอย่าง 2: การตีความกฎหมาย
- คำสั่งแบบเดิม: “ผลทางกฎหมายของการขโมยทรัพย์สินทางปัญญาคืออะไร?”
- คำตอบของ AI: “การขโมยทรัพย์สินทางปัญญาสามารถนำไปสู่ผลทางกฎหมาย เช่น การฟ้องร้อง การปรับ และในกรณีที่รุนแรง อาจถึงขั้นจำคุก”
- คำสั่งที่เพิ่มประสิทธิภาพด้วยข้อความอ้างอิง: “โดยอ้างอิงจากบทความทางกฎหมายเกี่ยวกับทรัพย์สินทางปัญญา อธิบายผลทางกฎหมายของการขโมยทรัพย์สินทางปัญญา”
- คำตอบของ AI: “ตามบทความทางกฎหมายที่ให้มา การขโมยทรัพย์สินทางปัญญาสามารถนำไปสู่การดำเนินคดีทางแพ่ง การปรับ และในกรณีที่รุนแรง อาจถึงขั้นการดำเนินคดีอาญา โดยบทความระบุว่า [ส่วนของบทความที่เกี่ยวข้อง]”
ข้อคิดสำหรับการใช้ข้อความอ้างอิงในคำสั่ง
- เลือกข้อความที่เกี่ยวข้อง: เลือกข้อความอ้างอิงที่เกี่ยวข้องและเชื่อถือได้
- ระบุคำสั่งให้ชัดเจน: ระบุให้ชัดเจนว่าคุณต้องการให้ AI ใช้ข้อความอ้างอิงในการตอบคำถาม
- การอ้างอิง: ขอให้ AI อ้างอิงส่วนของข้อความอ้างอิงที่เกี่ยวข้องในคำตอบ
- การรับมือกับข้อมูลที่ไม่เพียงพอ: ระบุให้ AI ระบุว่าหากข้อความอ้างอิงไม่มีข้อมูลที่จำเป็นในการตอบคำถาม
3. การทำให้งานที่ซับซ้อนง่ายขึ้นด้วยการแบ่งงานย่อย
การแบ่งงานที่ซับซ้อนออกเป็นงานย่อยๆ เป็นกุญแจสำคัญในการจัดการงานที่ซับซ้อนโดยใช้โมเดล AI เช่น GPT-4 วิธีนี้ไม่เพียงแต่ทำให้กระบวนการง่ายขึ้น แต่ยังช่วยเพิ่มความแม่นยำและความเกี่ยวข้องของคำตอบจาก AI อีกด้วย
ตัวอย่าง 1: การซักถามด้านการบริการลูกค้า
- วิธีการที่ไม่มีประสิทธิภาพ: “ฉันมีปัญหากับบัญชีของฉัน”
- คำตอบของ AI: “คุณสามารถอธิบายปัญหาได้หรือไม่?”
- วิธีการที่มีประสิทธิภาพ: “ฉันมีปัญหากับการเข้าถึงบัญชีของฉัน คุณสามารถช่วยฉันในการจัดการกับปัญหานี้ได้หรือไม่?”
- คำตอบของ AI: “ฉันเข้าใจว่าคุณกำลังเผชิญกับปัญหาในการเข้าถึงบัญชีของคุณ ฉันสามารถช่วยคุณในการแก้ไขปัญหาได้โดยการ [ขั้นตอนการแก้ไข]”
ตัวอย่าง 2: การสรุปเอกสารขนาดยาว
- วิธีการที่ไม่มีประสิทธิภาพ: “สรุปเอกสารขนาด 300 หน้านี้ให้ฉัน”
- คำตอบของ AI: “ฉันไม่สามารถประมวลผลเอกสารขนาดใหญ่เกินขีดจำกัดของฉัน”
- วิธีการที่มีประสิทธิภาพ: “สรุปแต่ละบทของเอกสารแล้วสร้างสรุปของสรุปโดยการดำเนินการแบบเรียกซ้ำ”
- คำตอบของ AI: “ฉันสามารถสรุปแต่ละบทได้ จากนั้นสร้างสรุปของสรุปโดยการรวมสรุปของแต่ละบทเข้าด้วยกัน”
ประโยชน์ของการแบ่งงานย่อยและการออกแบบคำสั่งตามบริบท
- ความแม่นยำที่เพิ่มขึ้น: การแบ่งงานออกเป็นงานย่อยๆ ช่วยให้ AI ให้คำตอบที่แม่นยำและเกี่ยวข้องมากขึ้น
- ประสิทธิภาพที่ดีขึ้น: การแบ่งงานออกเป็นงานย่อยๆ ทำให้งานที่ซับซ้อนกลายเป็นงานที่จัดการได้ง่ายขึ้นและลดความเสี่ยงของข้อผิดพลาด
- ประสบการณ์ของผู้ใช้ที่ดีขึ้น: ผู้ใช้รับคำตอบที่เฉพาะเจาะจงและเป็นขั้นตอน ทำให้พวกเขามีประสบการณ์ที่ดีขึ้น
- ความคุ้มค่า: การแบ่งงานออกเป็นงานย่อยๆ อาจช่วยลดต้นทุนโดยการลดจำนวนคำสั่งที่ต้องใช้
4. การให้เวลา GPT เพื่อคิด
การให้เวลาโมเดล AI เช่น GPT-4 เพื่อ “คิด” และการแบ่งงานที่ซับซ้อนออกเป็นงานย่อยๆ สามารถช่วยเพิ่มคุณภาพของคำตอบจาก AI ได้อย่างมาก
ตัวอย่าง 1: การประเมินปัญหาทางคณิตศาสตร์
- วิธีการที่ไม่มีประสิทธิภาพ: “นักเรียนตอบปัญหาได้ถูกต้องหรือไม่?”
- คำตอบของ AI: “คำตอบของนักเรียนดูเหมือนจะถูกต้อง/ไม่ถูกต้อง”
- วิธีการที่มีประสิทธิภาพ: “ก่อนอื่นให้คำตอบปัญหาแล้ว比較กับคำตอบของนักเรียน”
- คำตอบของ AI: “คำตอบของฉันคือ [คำตอบที่ถูกต้อง] เมื่อเปรียบเทียบกับคำตอบของนักเรียน ฉันพบว่า [ส่วนของคำตอบที่ไม่ถูกต้อง]”
ตัวอย่าง 2: การวิเคราะห์เอกสาร
- วิธีการที่ไม่มีประสิทธิภาพ: “สรุปเอกสารทั้งหมดให้ฉัน”
- คำตอบของ AI: “ฉันไม่สามารถประมวลผลเอกสารทั้งหมดได้เนื่องจากขนาดของมัน”
- วิธีการที่มีประสิทธิภาพ: “อ่านส่วนสำคัญของเอกสารแล้วสรุปส่วนสำคัญๆ ของเอกสาร”
- คำตอบของ AI: “ฉันสามารถอ่านและสรุปส่วนสำคัญๆ ของเอกสารได้ โดยจะให้ข้อมูลที่เกี่ยวข้องและสำคัญที่สุด”
ประโยชน์และข้อคิด
- ความลึกของการวิเคราะห์: การให้เวลา AI เพื่อ “คิด” ช่วยให้ได้คำตอบที่ลึกซึ้งและแม่นยำยิ่งขึ้น
- การเรียนรู้ที่มีคำแนะนำ: ในสถานการณ์การสอน การใช้การคิดภายในและคำแนะนำช่วยให้นักเรียนสามารถค้นหาวิธีแก้ปัญหาได้ด้วยตนเอง
- การครอบคลุมอย่างครอบคลุม: สำหรับการวิเคราะห์เอกสาร การใช้วิธีการแบบเรียกซ้ำช่วยให้แน่ใจว่าได้ครอบคลุมทุกส่วนสำคัญของเอกสาร
- การหลีกเลี่ยงความเอนเอียง: การให้ AI สร้างคำตอบของตนเองก่อนจะช่วยหลีกเลี่ยงความเอนเอียงที่อาจเกิดขึ้นเมื่อประเมินคำตอบที่ให้มา
5. การใช้เครื่องมือภายนอก
การรวมเครื่องมือและทรัพยากรภายนอกเข้ากับการโต้ตอบกับ AI สามารถเพิ่มความแม่นยำและความเกี่ยวข้องของคำตอบจากโมเดล AI เช่น GPT-4 ได้อย่างมาก
ตัวอย่าง 1: การคำนวณที่แม่นยำด้วยการรันโค้ด
- ไม่ใช้การรันโค้ด: “คำนวณรากที่สองของ 529”
- คำตอบของ AI: “รากที่สองของ 529 คือประมาณ 23”
- ใช้การรันโค้ด: “คำนวณรากที่สองของ 529 โดยใช้โค้ด Python”
- คำตอบของ AI: “โดยใช้โค้ด Python `math.sqrt(529)` รากที่สองของ 529 คือ 23”
ตัวอย่าง 2: การใช้ API สำหรับการโต้ตอบแบบไดนามิก
- ไม่ใช้ API: “ส่งคำเตือนถึงเพื่อนของฉันเกี่ยวกับการประชุมวันพรุ่งนี้”
- คำตอบของ AI: “ฉันไม่สามารถส่งคำเตือนได้ แต่คุณสามารถส่งเองได้”
- ใช้ API: “ใช้ API ของแพลตฟอร์มส่งข้อความเพื่อส่งคำเตือนถึงเพื่อนของฉัน”
- คำตอบของ AI: “โดยใช้ API ของแพลตฟอร์มส่งข้อความ ฉันสามารถส่งคำเตือนถึงเพื่อนของคุณได้ โดยใช้โค้ด `message.write(to=’John’, message=’อย่าลืมการประชุมพรุ่งนี้!’)`”
ประโยชน์และข้อคิด
- ฐานความรู้ที่ขยายใหญ่ขึ้น: การใช้เครื่องมือภายนอกช่วยให้ AI สามารถเข้าถึงและรวมข้อมูลที่หลากหลายและทันสมัยได้
- ความแม่นยำในการคำนวณ: การใช้การรันโค้ดช่วยให้ AI สามารถทำการคำนวณที่แม่นยำได้ ซึ่งสำคัญมากในบริบททางเทคนิคหรือวิทยาศาสตร์
- ความสามารถในการโต้ตอบ: การใช้ API ช่วยให้ AI สามารถโต้ตอบกับระบบภายนอกได้ ทำให้สามารถดำเนินการในโลกแห่งความเป็นจริงได้
6. การทดสอบแบบระบบ
การทดสอบแบบระบบหรือการประเมินผลเป็นกระบวนการที่สำคัญในการกำหนดประสิทธิภาพของการเปลี่ยนแปลงในระบบ AI การทดสอบนี้เกี่ยวข้องกับการเปรียบเทียบผลลัพธ์ของโมเดลกับคำตอบที่ถูกต้องหรือ “คำตอบมาตรฐาน” เพื่อประเมินความแม่นยำ
ตัวอย่าง 1: การระบุความขัดแย้งในคำตอบ
- สถานการณ์ทดสอบ: ตรวจหาความขัดแย้งระหว่างคำตอบของ AI และคำตอบจากผู้เชี่ยวชาญ
- คำตอบของ AI: “นีล อาร์มสตรองเป็นคนแรกที่เดินบนดวงจันทร์”
- การประเมิน: ระบบตรวจสอบความสอดคล้องกับคำตอบของผู้เชี่ยวชาญที่ระบุว่านีล อาร์มสตรองเป็นคนแรกที่เดินบนดวงจันทร์ และพบว่าคำตอบของ AI ไม่ขัดแย้ง
ตัวอย่าง 2: การเปรียบเทียบระดับรายละเอียดในคำตอบ
- สถานการณ์ทดสอบ: ประเมินว่าคำตอบของ AI มีรายละเอียดมากน้อยเพียงใดเมื่อเปรียบเทียบกับคำตอบของผู้เชี่ยวชาญ
- คำตอบของ AI: “นีล อาร์มสตรองเดินบนดวงจันทร์เมื่อวันที่ 21 กรกฎาคม 1969”
- การประเมิน: ระบบประเมินว่าคำตอบของ AI มีรายละเอียดมากพอที่จะตอบคำถามหรือไม่ และพบว่าคำตอบมีรายละเอียดที่เหมาะสม
ประโยชน์และข้อคิด
- ความแม่นยำและความน่าเชื่อถือ: การทดสอบแบบระบบช่วยให้แน่ใจว่าคำตอบของ AI มีความแม่นยำและน่าเชื่อถือ
- การตรวจหาข้อผิดพลาด: การทดสอบช่วยระบุข้อผิดพลาดหรือความไม่สอดคล้องกันในคำตอบของ AI
- การรับรองคุณภาพ: การทดสอบแบบระบบเป็นสิ่งจำเป็นสำหรับการรับรองคุณภาพของเนื้อหาที่สร้างโดย AI โดยเฉพาะในบริบทที่ต้องการความแม่นยำสูง
สรุปและข้อความสำคัญ
ผ่านตัวอย่างและกลยุทธ์ที่อภิปรายมา เราได้เห็นแล้วว่าความชัดเจนและรายละเอียดในคำสั่งสามารถเปลี่ยนแปลงผลลัพธ์ของ AI ได้อย่างมาก และการแบ่งงานที่ซับซ้อนออกเป็นงานย่อยๆ สามารถทำให้การทำงานที่ยากกลายเป็นงานที่จัดการได้ เราได้สำรวจพลังของเครื่องมือภายนอกในการเพิ่มความสามารถของ AI และความสำคัญของการทดสอบแบบระบบในการรับรองความแม่นยำและความน่าเชื่อถือของคำตอบจาก AI
