เทคนิค Scratchpad: การคิดเชิงโครงสร้างด้วย AI

เทคนิค Scratchpad เปลี่ยนแปลงวิธีการโต้ตอบกับโมเดลภาษาขนาดใหญ่ (LLM) อย่างพื้นฐาน ไม่เหมือนกับการส่งคำถามแบบดั้งเดิมที่เราสามารถระบุคำขอและหวังว่าจะได้คำตอบที่ดีที่สุด เทคนิค Scratchpad สร้างกระบวนการคิดเชิงโครงสร้างที่ทั้งคุณและ LLM สามารถทำตามได้

พิจารณาสถานการณ์ทั่วไปนี้: เมื่อขอให้ LLM วิเคราะห์รูปแบบการซื้อของลูกค้า คำขอแบบดั้งเดิมอาจขอให้วิเคราะห์โดยตรง ผลลัพธ์ที่ได้คือคำตอบที่เร่งรีบหรือไม่สอดคล้องกันซึ่งพลาดข้อพิจารณาที่สำคัญ นี่คือจุดที่เทคนิค Scratchpad เป็นเครื่องมือที่เปลี่ยนแปลง

แทนที่จะเข้าสู่คำตอบโดยตรง เทคนิค Scratchpad นำเสนอระยะการวางแผนขั้นตอนสำคัญ โดยใช้แท็ก <scratchpad> คุณสร้างพื้นที่ที่ LLM สามารถ:

• วางแผนแนวทางของตนเองก่อนการดำเนินการ
• แบ่งปัญหาที่ซับซ้อนออกเป็นส่วนประกอบที่จัดการได้
• ระบุจุดอ่อนที่อาจเกิดขึ้นในระยะแรก
• ช่วยให้คุณสามารถเปลี่ยนแนวทางก่อนที่จะลงทุนเวลาไปในทางที่ผิด

พลังที่แท้จริงอยู่ที่ความโปร่งใส เมื่อคุณสามารถเห็นได้ว่า LLM วางแผนจะตอบคำถามของคุณอย่างไร คุณสามารถจับข้อเข้าใจผิดได้ทันทีและชี้นำมันไปสู่ผลลัพธ์ที่คุณต้องการ

การสร้าง Scratchpad แรกของคุณ

โครงสร้างพื้นฐานของคำขอ Scratchpad ประกอบด้วยสามองค์ประกอบหลัก:

1. คำขอแรก: นำเสนองานของคุณอย่างชัดเจน แต่ไม่ต้องหยุดเพียงเท่านั้น รวมบริบทเกี่ยวกับเป้าหมายและข้อกำหนดเฉพาะใดๆ
2. คำสั่ง Scratchpad: กำหนดให้ LLM วางแผนแนวทางโดยใช้แท็ก <scratchpad> ระบุอย่างชัดเจนว่าคุณต้องการเห็นอะไรในระยะการวางแผน
3. วงจรการตรวจสอบ: ตรวจสอบแนวทางที่เสนอและปรับปรุงตามความจำเป็นก่อนที่จะดำเนินการต่อด้วยคำตอบเต็ม

มาทำการวิเคราะห์เชิงปฏิบัติแทนการขอวิเคราะห์โดยตรง นี่คือวิธีการสร้างโครงสร้าง:

คำตอบ Scratchpad พื้นฐานจะดูเหมือนนี้:

ระยะการวางนนี้เปิดเผยจุดสนใจที่ LLM ตั้งใจจะตอบสนอง หากคุณสังเกตเห็นว่ามันพลาดองค์ประกอบสำคัญ – เช่นนวัตกรรมเทคโนโลยีแบตเตอรี่หรือการเป็นพันธมิตรโครงสร้างพื้นฐานในการชาร์จ – คุณสามารถเปลี่ยนแนวทางก่อนที่จะได้รับการวิเคราะห์ที่สมบูรณ์แต่ไม่ถูกต้อง

ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยง

1. คำสั่งวางแผนไม่ชัดเจน: ไม่ควรขอให้ LLM “วางแผนแนวทาง” โดยไม่ชี้แจง ระบุองค์ประกอบเฉพาะที่คุณต้องการเห็นใน Scratchpad เช่น วิธีการ องค์ประกอบข้อมูล หรือกรอบการวิเคราะห์
2. การข้ามขั้นตอนการตรวจสอบ: Scratchpad ไม่ใช่เพียงสำหรับการแสดงผล – มันเป็นโอกาสของคุณในการเปลี่ยนแนวทาง ใช้เวลาในการประเมินว่าแนวทางที่เสนอสอดคล้องกับความต้องการของคุณหรือไม่
3. บริบทที่ไม่เพียงพอ: แม้ว่า Scratchpad จะช่วยจัดระเบียบความคิด แต่ก็ไม่สามารถชดเชยข้อกำหนดเริ่มต้นที่ไม่ชัดเจนได้ ระบุความต้องการของคุณ ผู้ชม และวัตถุประสงค์ของข้อมูลอย่างชัดเจน

ขั้นตอนพื้นฐาน

เมื่อทำงานกับโครงการ LLM การสร้างคำขอแรกที่เหมาะสมมีความสำคัญ

นี่คือไอเดียคำขอสำหรับความท้าทายหลายชั้น ระลึกไว้ว่าควรรวมบริบทในรูปแบบเอกสารหรือข้อความที่แนบมาด้วย:

คำขอแผนการเปิดตัวผลิตภัณฑ์:

• “ฉันต้องการพัฒนาแผนการเปิดตัวผลิตภัณฑ์ที่ครอบคลุม โดยใช้แท็ก <scratchpad> แบ่งแนวทางของคุณในการวิเคราะห์ตำแหน่งตลาด ภูมิทัศน์แข่งขัน และการวางแผนการเข้าสู่ตลาด พิจารณาช่องว่างข้อมูลและความสัมพันธ์ระหว่างองค์ประกอบเหล่านี้ก่อนที่จะให้คำแนะนำใดๆ”

คำขอการวางแผนงบประมาณ:

• “ช่วยฉันสร้างงบประมาณประจำภาคสำหรับปีหน้า ก่อนที่จะให้ตัวเลข ใช้แท็ก <scratchpad> เพื่อสรุปวิธีการพิจารณาข้อมูลในอดีต การคาดการณ์เติบโต และการกระจายทรัพยากร ระบุสมมติฐานที่คุณจะต้องทำในกระบวนการนี้”

คำขอการประเมินความเสี่ยงโครงการ:

• “เรากำลังเปิดตัวระบบซอฟต์แวร์องค์กรใหม่ ก่อนที่จะแสดงรายการความเสี่ยงที่อาจเกิดขึ้น ใช้แท็ก <scratchpad> เพื่อสร้างแผนการระบุความเสี่ยงในด้านเทคนิค การดำเนินงาน และธุรกิจ รวมกรอบการทำงานสำหรับการจัดลำดับความสำคัญของความเสี่ยงเหล่านี้”

คำขอทั้งหมดนี้:

• ระบุเป้าหมายสุดท้ายได้ชัดเจน
• ขอองค์ประกอบการวางแผนเฉพาะ
• ระบุพื้นที่สำคัญที่ต้องคำนึงถึง
• ส่งเสริมการคิดเชิงระบบก่อนการสร้างคำตอบ

หมายเหตุ: คำขอเหล่านี้เป็นตัวอย่างที่ค่อนข้างง่าย คุณสามารถทำให้มันละเอียดและซับซ้อนขึ้นได้ตามกรณีการใช้งาน

กุญแจสำคัญคือการระบุอย่างชัดเจนว่าคุณต้องการเห็นกระบวนการวางแผนก่อนที่จะได้คำตอบ นี่จะป้องกันไม่ให้ได้คำตอบที่เร่งรีบและรับประกันว่าทุกปัจจัยที่เกี่ยวข้องได้รับการพิจารณาอย่างละเอียด

ตามที่กล่าวไว้ คำขอเหล่านี้สามารถปรับแต่งได้โดย:

• เพิ่มบริบทอุตสาหกรรมเฉพาะ
• รวมข้อจำกัดที่ทราบ
• ระบุผลลัพธ์ที่ต้องการ
• กล่าวถึงวิธีการเฉพาะที่คุณต้องการให้พิจารณา

จำไว้ว่า: ยิ่งงานที่ซับซ้อนมากเท่าไหร่ การเห็นแนวทางที่วางแผนไว้ก่อนที่ LLM จะสร้างคำตอบจึงมีความสำคัญมากขึ้น

เทคนิค Scratchpad ช่วยให้เราทำให้การโต้ตอบระหว่างมนุษย์และ LLM มีความเปลี่ยนแปลง โดยการนำแนวทางนี้ไปใช้ องค์กรและผู้เชี่ยวชาญสามารถพัฒนาตัวตนไปไกลกว่ารูปแบบคำถามและคำตอบที่เรียบง่าย เพื่อให้ได้ผลลัพธ์ที่ซับซ้อนและเชื่อถือได้มากขึ้น วิธีการนี้มีคุณค่าอย่างยิ่งในสภาพแวดล้อมที่ความแม่นยำ ความสอดคล้อง และการให้เหตุผลที่โปร่งใสมีความสำคัญต่อกระบวนการตัดสินใจ