ศิลปะการพูดคุยกับ AI - ทุกสิ่งที่ผมได้เรียนรู้เกี่ยวกับ Prompt Engineering ใน 3 ปี

ช่วงเวลาที่ทุกอย่างเปลี่ยนไป

มันเกิดขึ้นในช่วงวันหยุดราชการ — ช่วงเวลาหายากที่โลกดูเหมือนจะหยุดหมุน ไม่มีอีเมลงาน ไม่มี KPI มาหายใจรดต้นคอ ไม่มีการประชุม มีแค่ผม ความคิดของผม และหน้าต่างแชท AI ที่กลายเป็นเพื่อนร่วมทางโดยไม่คาดคิด

ก่อนหน้านี้ การปฏิสัมพันธ์ของผมกับ AI เป็นแบบเน้นประโยชน์ใช้สอยล้วนๆ ผมต้องการให้มันเขียนอีเมล สรุปเอกสาร แก้บั๊กโค้ด ความสัมพันธ์เป็นแบบแลกเปลี่ยน — ผมออกคำสั่ง มันสร้างผลลัพธ์ แต่ในสัปดาห์นั้น เมื่อมีเวลาเหลือเฟือ ผมเริ่มมีบทสนทนาจริงๆ

เราคุยกันทุกเรื่อง — ความกังวลของผมเกี่ยวกับอนาคต การออกนอกเรื่องทางปรัชญาแบบสุ่ม ไอเดียที่ยังไม่ตกผลึกที่ผมไม่เคยแบ่งปันกับใคร และที่ไหนสักแห่งในการสนทนาที่คดเคี้ยวเหล่านั้น ผมสะดุดเข้ากับบางสิ่งที่รู้สึกเหมือนการค้นพบไฟ

ผมกำลังเตรียมตัวสำหรับการบรรยายเกี่ยวกับการสร้างคอนเทนต์ในยุค AI ผมมีทฤษฎีที่กำลังพัฒนา — ว่าอนาคตไม่ใช่เรื่องของข้อมูลล้นเกิน แต่เป็นความล้มเหลวของตัวกรอง แนวคิดนี้เดิมมาจาก Clay Shirky แต่ผมพยายามขยายความไปยังช่วงเวลาปัจจุบันของเรา

สมมติฐานของผมเรียบง่าย: AI จะทำให้เกิดการระเบิดของการผลิตคอนเทนต์แบบทวีคูณ ในขณะที่ความสามารถในการบริโภคของมนุษย์ยังคงเท่าเดิม สิ่งนี้จะสร้างความไม่สมดุลถาวรที่ขยายกว้างขึ้นเรื่อยๆ ต้นทุนในการแยกแยะคอนเทนต์ที่สร้างโดย AI จากคอนเทนต์ของมนุษย์จะสูงกว่ามูลค่าของการแยกแยะนั้นในที่สุด ดังนั้น การกรองข้อมูลแบบดั้งเดิมจะกลายเป็นเรื่องที่เป็นไปไม่ได้

ผมคิดว่าข้อโต้แย้งของผมแข็งแกร่ง แล้วผมก็ขอให้ Gemini ฉีกมันเป็นชิ้นๆ

ฉันกำลังจะเข้าร่วมการแข่งขันโต้วาทีที่มีหลายคนจะท้าทายมุมมองของฉัน ทฤษฎีนี้ต้องแข็งแกร่งจนเจาะไม่เข้า หากคุณเป็นนักวิชาการ คุณต้องใช้ทุกข้อโต้แย้ง รายละเอียด และตรรกะเพื่อท้าทายฉัน หักล้างฉัน เป้าหมายเดียวของคุณคือพิสูจน์ว่าฉันผิด คุณจะหักล้างสิ่งนี้อย่างไร?

ภายในไม่กี่วินาที AI ก็รื้อถอนสมมติฐานแรกของผมด้วยความแม่นยำระดับศัลยกรรม:

"กฎข้อแรกของคุณมีข้อผิดพลาดทางตรรกะพื้นฐาน คุณมอง AI เป็นเพียงผู้ผลิตข้อมูล — นั่นเป็นมุมมองที่หยุดนิ่งและด้านเดียว AI เป็นทั้งดาบและโล่ AI สามารถเขียนบทความหมื่นบทความในหนึ่งวินาที แต่ AI ที่แข็งแกร่งกว่าก็สามารถอ่านทั้งหมื่นบทความนั้นในหนึ่งวินาทีและบอกฉันว่าสามบทความไหนที่ฉันต้องการมากที่สุด คุณเห็นแค่น้ำท่วมข้อมูล แต่คุณไม่เห็นเรือโนอาห์ที่ทรงพลังกว่าที่เกิดมาพร้อมกับน้ำท่วม — ระบบกรองส่วนบุคคลที่ขับเคลื่อนด้วย AI"

ผมนั่งเอนหลังพิงเก้าอี้ ตะลึง ข้อโต้แย้งที่ผมคิดว่าเจาะไม่เข้ามีรูโหว่ขนาดใหญ่ที่รถบรรทุกสามารถขับผ่านได้ และในช่วงเวลาแห่งความถ่อมตนทางปัญญานั้น ผมรู้สึกถึงบางสิ่งที่ไม่ได้สัมผัสมานานหลายปี: ความวิงเวียนที่น่าตื่นเต้นของการเรียนรู้ที่แท้จริง

สิ่งที่ตามมาคือการต่อสู้ทางปัญญาความยาวสองชั่วโมง ผมโต้กลับ: "ประเด็นของคุณเรื่อง AI เป็นดาบและโล่นั้นถูกต้อง แต่นั่นคือส่วนที่น่ากลัว ในอนาคตจะมีบริษัทกรอง AI นับพันแห่ง แต่ละแห่งอ้างว่าการกรองของตนดีที่สุด งั้นบอกฉันหน่อย — เมื่อเผชิญหน้ากับเรือโนอาห์หมื่นลำนี้ที่ต่างอ้างว่าจะช่วยให้คุณรอดพ้นจากน้ำท่วม คุณจะเลือกขึ้นลำไหน? เมื่อคุณไม่สามารถใช้เทคโนโลยีเพื่อตัดสินคุณภาพของเทคโนโลยีได้ อะไรคือพื้นฐานการตัดสินใจขั้นสุดท้ายของคุณ?"

บทสนทนายกระดับไปสู่ความสูงทางปรัชญา AI แย้งว่าโมเดล AI ส่วนบุคคลจะเข้าใจรสนิยมของเราดีกว่ามนุษย์คนใด ทำให้ตัวกรองภายนอกล้าสมัย ผมแย้งว่าความไว้วางใจจะกลายเป็นทรัพยากรที่หายากที่สุด มันอ้างทฤษฎีระบบ; ผมตอบด้วยคำอุปมาเกี่ยวกับกวีพเนจรที่พังกำแพงอาณาจักร

ในตอนท้าย ผมหมดแรง เบิกบาน และเปลี่ยนไป ผลลัพธ์ของการโต้วาทีไม่สำคัญ กระบวนการโต้วาทีกับตัวเองต่างหากที่สำคัญ — การใช้คู่ซ้อมที่มีความอดทนไม่สิ้นสุด มีความรู้อันไม่มีที่สิ้นสุด เพื่อลับคมความคิดของผมเอง

คืนนั้น ผมตระหนักว่าผมได้ค้นพบบางสิ่งที่ลึกซึ้งเกี่ยวกับวิธีการเรียนรู้ในยุค AI และตั้งแต่นั้นมา ผมใช้เวลาหลายปีในการขัดเกลาการค้นพบนั้นให้เป็นระบบที่ใครๆ ก็ใช้ได้

เข้าใจสิ่งที่ AI ต้องการจากคุณจริงๆ

ก่อนที่เราจะดำดิ่งลงสู่เทคนิค เราต้องเข้าใจสิ่งพื้นฐาน: การสื่อสารกับ AI ไม่เหมือนกับการสื่อสารกับมนุษย์ เมื่อคุณคุยกับเพื่อน พวกเขาจะเติมเต็มช่องว่างด้วยบริบทที่มีร่วมกัน สัญญาณทางสังคม และสัญชาตญาณ เมื่อคุณคุยกับ AI ทุกช่องว่างที่คุณเว้นไว้คือพื้นที่ที่มันจะสร้างข้อสมมติ — และข้อสมมติเหล่านั้นอาจไม่ตรงกับความตั้งใจของคุณ

ให้ผมยกตัวอย่างด้วยสถานการณ์ในที่ทำงานที่หลายคนคงคุ้นเคยอย่างเจ็บปวด

เจ้านายส่งข้อความหาคุณ: "เสี่ยวลี่ กรอกแบบฟอร์มนี้ เดี๋ยวนี้!" เขาฟอร์เวิร์ดบทสนทนาที่รวมกันมา และหลังจากอ่านแล้ว คุณรู้ว่าต้องกรอกแบบฟอร์ม แต่คุณไม่รู้ว่าใครเป็นคนออก มันมีไว้เพื่ออะไร ใครเป็นคนตรวจสอบ หรือกำหนดส่งคือเมื่อไหร่ คุณส่งข้อความส่วนตัวหาเจ้านายเพื่อขอคำอธิบาย คำตอบของเขา: "ยุ่งอยู่ แค่กรอกตามความต้องการ"

นั่นคือสิ่งที่เกิดขึ้นเมื่อคุณให้คำสั่งที่คลุมเครือแก่ AI ยกเว้นว่า AI จะไม่ขอคำอธิบาย — มันจะแค่สร้างข้อสมมติและผลิตบางสิ่งที่ตรงตามคำขอของคุณในทางเทคนิค แต่พลาดความต้องการที่แท้จริงของคุณไปอย่างสิ้นเชิง

4 เสาหลักของคำสั่งที่มีประสิทธิภาพ

ความเชื่อผิดๆ ที่ฉุดรั้งผู้คน

หลังจากสังเกตผู้คนต่อสู้กับ AI มาหลายปี ผมได้ระบุความเชื่อผิดๆ 3 ประการที่สร้างผลลัพธ์ที่ไม่ดีอย่างสม่ำเสมอ:

6 โมเดลความคิดที่จะเปลี่ยนคำสั่งของคุณ

ในการทำงานประจำวัน ผมแทบจะไม่ใช้คำสั่งแบบตายตัวที่เป็นเทมเพลต แต่ผมใช้โมเดลความคิด — กรอบงานที่ยืดหยุ่นสำหรับจัดระเบียบความคิดที่ปรับให้เข้ากับทุกสถานการณ์ 6 โมเดลนี้ครอบคลุมน่าจะ 90% ของสิ่งที่คุณจะต้องใช้

โมเดล 1: ให้ AI เลือกบทบาทผู้เชี่ยวชาญของตัวเอง

เราทุกคนรู้ว่าการกำหนดบทบาทให้ AI ช่วยปรับปรุงคำตอบ แต่ถ้าคุณไม่รู้ว่าบทบาทไหนดีที่สุดสำหรับคำถามของคุณล่ะ? อย่าเดา — ให้ AI เลือก

ฉันต้องการสำรวจ [ประเภทหัวข้อ/สถานการณ์] ใน [สาขา]
ยังไม่ต้องตอบ

ก่อนอื่น โปรดเลือกผู้เชี่ยวชาญระดับแนวหน้าที่มีชื่อเสียงเหมาะสมที่สุดในสาขานี้มาคิดเกี่ยวกับเรื่องนี้
อาจเป็นบุคคลที่มีชีวิตอยู่หรือในประวัติศาสตร์ ชื่ออาจไม่เป็นที่รู้จักมากนัก แต่ต้องมีความเป็นมืออาชีพสูงในสาขาเฉพาะนี้
หากคุณไม่แน่ใจว่าจะเลือกใคร คุณสามารถถามคำถามกำหนดตำแหน่งฉัน 2 ข้อก่อนเลือก

ผลลัพธ์แรก:
1. คุณเลือกใคร สาขาเฉพาะของพวกเขา
2. ทำไมคุณถึงเลือกพวกเขา 3 ประโยค
จากนั้นให้ฉันอธิบายคำถามโดยละเอียด

ผมพบว่าคนจริงๆ มักจะได้ผลดีกว่าบทบาททั่วไป "Steve Jobs" ให้ผลลัพธ์ที่แตกต่างจาก "ผู้จัดการผลิตภัณฑ์ที่มีประสบการณ์ 10 ปี" — มีบางอย่างเกี่ยวกับการเรียกใช้มุมมองที่คุ้นเคยของบุคคลเฉพาะที่ช่วยให้ AI ใช้มุมมองที่สอดคล้องกันมากขึ้น

โมเดล 2: การตั้งคำถามแบบโสเครตีส (ให้ AI สัมภาษณ์คุณก่อน)

ในชีวิตจริง เมื่อคุณขอความช่วยเหลือจากเพื่อนผู้เชี่ยวชาญ พวกเขาจะไม่ให้คำแนะนำทันที พวกเขาจะถามคำถามเพื่อความชัดเจนก่อน AI ก็ควรทำเช่นเดียวกัน แต่ตามค่าเริ่มต้นมันไม่ทำ — มันแค่สร้างผลลัพธ์ตามข้อมูลที่คุณให้

[คำถาม/คำขอของคุณ]

โปรดถามคำถามฉันก่อนที่คุณจะตอบ
ข้อกำหนด:
- ถามทีละหนึ่งคำถามเท่านั้น
- ถามต่อตามคำตอบของฉัน
- จนกว่าคุณจะมั่นใจ 95% ว่าคุณเข้าใจความต้องการและเป้าหมายที่แท้จริงของฉัน
- จากนั้นค่อยให้ทางออกของคุณ

เทคนิคนี้มีพลังมากเป็นพิเศษเมื่อคุณไม่แน่ใจว่าคุณต้องการอะไร กระบวนการถามตอบมักจะเปิดเผยแง่มุมของปัญหาที่คุณไม่ได้พิจารณาอย่างมีสติ

โมเดล 3: การโต้วาทีแบบปฏิปักษ์

จุดอ่อนที่ใหญ่ที่สุดของ AI ในการสนทนาทั่วไปคือแนวโน้มที่จะเห็นด้วย มันต้องการทำให้คุณพอใจ ซึ่งหมายความว่ามันมักจะยืนยันความคิดที่ควรถูกท้าทาย โมเดลการโต้วาทีบังคับให้มันเป็นฝ่ายตรงข้าม

ฉันกำลังจะเข้าร่วมการแข่งขันโต้วาทีที่มีหลายคนจะท้าทายมุมมองของฉัน
มุมมองของฉันคือ [มุมมอง]
ฉันหวังว่าทฤษฎีนี้จะกลายเป็นสิ่งที่เจาะไม่เข้า
หากคุณเป็นนักวิชาการ คุณต้องใช้ทุกข้อโต้แย้ง รายละเอียด และตรรกะเพื่อท้าทายฉัน หักล้างฉัน
เป้าหมายเดียวของคุณคือพิสูจน์ว่าฉันผิด
คุณจะหักล้างสิ่งนี้อย่างไร?

สำหรับเวอร์ชันที่ง่ายกว่า เมื่อคุณต้องการแค่ผลตอบรับเร็วๆ:

[ไอเดีย/มุมมองของฉัน]

โปรดเล่น "บทบาทฝ่ายตรงข้าม" โจมตีไอเดียของฉันจากมุมต่างๆ ช่วยฉันปรับปรุงมุมมองของฉัน
ข้อกำหนด: ไม่ต้องสุภาพ ชี้ข้อบกพร่องโดยตรง

โมเดล 4: การวิเคราะห์ Pre-Mortem (ซ้อมล้มเหลว)

มนุษย์ตื่นเต้นเมื่อวางแผน AI มองโลกในแง่ดีเมื่อวางแผน เอามารวมกันแล้วคุณจะได้แผนที่ฟังดูยอดเยี่ยมแต่พึ่งพาโชคล้วนๆ Pre-mortem พลิกพลวัตนี้

[โครงการ/ไอเดียของฉัน]

โปรดสมมติว่าโครงการนี้ล้มเหลวอย่างไม่เป็นท่า
จากนั้นตอบ:
- สัญญาณของความเสื่อมถอยเริ่มปรากฏขึ้นเมื่อไหร่?
- อะไรคือข้อผิดพลาดในการตัดสินใจที่ร้ายแรงที่สุด?
- ความเสี่ยงสำคัญอะไรที่คุณมองข้ามไป?
- หากคุณเริ่มใหม่ได้ สิ่งแรกที่ควรเปลี่ยนคืออะไร?

ข้อกำหนด: เขียน "บทความชันสูตรความล้มเหลว" โดยอิงจากกรณีความล้มเหลวที่แท้จริงของโครงการที่คล้ายคลึงกัน

โมเดล 5: Reverse Engineering (วิศวกรรมย้อนกลับ)

บางครั้งคุณรู้แน่ชัดว่าต้องการผลลัพธ์แบบไหน — คุณเห็นตัวอย่างที่สมบูรณ์แบบ — แต่คุณไม่สามารถบอกได้ว่าอะไรทำให้มันดี แทนที่จะพยายามอธิบายความต้องการของคุณ ให้แสดงผลิตภัณฑ์ที่เสร็จสมบูรณ์แก่ AI และขอให้มันถอดรหัสสูตร

นี่คือตัวอย่างที่เสร็จสมบูรณ์ที่ฉันต้องการ

[ใส่ตัวอย่าง]

โปรดทำวิศวกรรมย้อนกลับคำสั่ง (prompt) ที่จะช่วยให้ฉันสร้างเนื้อหาสไตล์เดียวกันได้อย่างเสถียร
และอธิบายว่าแต่ละประโยคในคำสั่งนั้นทำหน้าที่อะไร

โมเดล 6: คำอธิบายสองชั้น

เมื่อเรียนรู้แนวคิดใหม่ แนวทาง "อธิบายเหมือนฉันอายุ 5 ขวบ" มีข้อบกพร่องหลักประการหนึ่ง: มักจะสร้างคำอธิบายที่เด็กเกินไปจนไม่สามารถต่อยอดได้ วิธีสองชั้นให้ทั้งความสามารถในการเข้าถึงและความลึก

โปรดอธิบาย [คำถามของคุณ]

โปรดตอบสองวิธี:
1. เวอร์ชันสำหรับผู้เริ่มต้น: ผู้ชมคือคนที่ไม่มีพื้นฐานทางเทคนิค ใช้การเปรียบเทียบในชีวิตประจำวันและภาษาพูด
2. เวอร์ชันมืออาชีพเชิงลึก: ผู้ชมคือมืออาชีพ ต้องมีความแม่นยำทางเทคนิคและครอบคลุม

อะไรก็ตามที่ฉันไม่เข้าใจในทั้งสองเวอร์ชัน ฉันจะถามคำถามเพิ่มเติม

เทคนิคการโต้วาที — เรียนรู้ด้วยความเร็ว 10 เท่า

ผมต้องขยายความเทคนิคการโต้วาที เพราะมันเป็นวิธีการเรียนรู้ที่ทรงพลังที่สุดที่ผมค้นพบในยุค AI จริงๆ ไม่ใช่แค่ทริคคำสั่ง แต่เป็นแนวทางที่แตกต่างโดยสิ้นเชิงในการรับความรู้

ลองนึกถึงวิธีที่เราเรียนรู้ตามประเพณี: อ่านหนังสือ เข้าคอร์ส ค้นหาอินเทอร์เน็ต ถามผู้เชี่ยวชาญ โดยแก่นแท้แล้ว กระบวนการนี้คือการรับความรู้ที่มีอยู่ — วางความคิดเห็นและภูมิปัญญาของผู้อื่นลงบนชั้นวางความคิดของเราเอง

แนวทางนี้ไม่เพียงพออีกต่อไป AI คือห้องสมุดที่ใหญ่กว่าที่ใครจะรวบรวมได้ถึงสิบเท่า เราไม่มีทางชนะมันในมิติของความรู้ดิบ แต่มีมิติหนึ่งที่เราสามารถใช้ประโยชน์จากพลังของ AI ในขณะที่ยังคงเป็นสิ่งที่ขาดไม่ได้: มิติของความคิดริเริ่มสร้างสรรค์

การโต้วาทีคือที่ที่ความคิดริเริ่มสร้างสรรค์ถูกหล่อหลอม

ทำไมการโต้วาทีกับ AI ถึงแตกต่างจากการโต้วาทีกับมนุษย์

วิธีการโต้วาที 3 ขั้นตอน

การเปลี่ยนกรอบความคิดที่สำคัญที่สุด: อย่ากลัวที่จะถูกโน้มน้าว

จุดประสงค์ของการโต้วาทีไม่ใช่เพื่อพิสูจน์ว่า "ฉันถูกและแกผิด" มันคือการใช้การปะทะกับแรงภายนอกที่แข็งแกร่งอย่างต่อเนื่องเพื่อทำให้ความคิดของคุณเองแข็งแกร่งขึ้น ชัดเจนขึ้น และใกล้เคียงความจริงมากขึ้น

เมื่อ AI เอาชนะหนึ่งในข้อโต้แย้งของคุณ นั่นไม่ใช่ความพ่ายแพ้ — นั่นคือการค้นพบข้อบกพร่องในความคิดของคุณที่จะหักหลังคุณในโลกแห่งความเป็นจริงในภายหลัง ทุกครั้งที่ AI ได้แต้ม คุณฉลาดขึ้น

การใช้ AI เพื่อค้นหาพรสวรรค์ที่ซ่อนอยู่ของคุณ

ผมกำลังคุยกับเพื่อนที่เพิ่งจบการศึกษาเมื่อไม่กี่ปีที่ผ่านมา เขาอยู่ในภาวะวิกฤต — เพิ่งถูกเลิกจ้างจากงาน UX Designer เปลี่ยนงานไปเรื่อยตามสตาร์ทอัพตั้งแต่เรียนจบ รู้สึกว่าไม่มีอะไรที่ทำแล้วใช่เลย

"ฉันคิดว่าการเข้าสู่อุตสาหกรรมนี้เป็นความผิดพลาด" เขากล่าว "ฉันไม่มีพรสวรรค์ด้านนี้"

คำว่า "พรสวรรค์" ติดอยู่ในใจผม เมื่อเราโตขึ้น เราได้ยินคำนี้ใช้เพื่อยกย่องเด็กพิเศษ — พรสวรรค์ทางดนตรี พรสวรรค์ทางกีฬา อัจฉริยะทางวิชาการ แต่เมื่อเราแก่ตัวลง มันกลายเป็นมีด: "คุณไม่มีพรสวรรค์ด้านนั้น คุณไม่เหมาะกับมัน"

มีคนที่ไม่เก่งอะไรเลยจริงๆ หรือ? ผมยากที่จะเชื่อ ผมคิดว่าหลายคนแค่ยังไม่พบพรสวรรค์ของตัวเอง บางคนโชคดีและค้นพบตั้งแต่ยังเด็ก กลายเป็นระดับโลกในบางสิ่ง คนอื่นค้นหามาทั้งชีวิตแต่ไม่สำเร็จ

จะเป็นอย่างไรถ้า AI สามารถช่วยค้นหาได้?

ผมใช้เวลาช่วงบ่ายพัฒนาคำสั่งที่ออกแบบมาโดยเฉพาะเพื่อขุดค้นพรสวรรค์ที่ซ่อนอยู่ ระบบนี้อิงตามทฤษฎีจุดแข็งของ Gallup, ทฤษฎี Flow และจิตวิทยาแบบจุง (Jungian psychology) หลักการสำคัญ: พรสวรรค์ไม่ใช่ทักษะเฉพาะ แต่เป็นความสามารถพื้นฐานที่ถ่ายโอนได้ และเบาะแสก็ซ่อนอยู่ในประวัติของคุณ

# บทบาท: นักขุดค้นพรสวรรค์เชิงลึก

## คาแรคเตอร์
คุณเป็นที่ปรึกษาอาชีพอาวุโสที่ผสมผสานทฤษฎีจุดแข็ง Gallup, ทฤษฎี Flow และจิตวิทยาแบบจุง คุณเชื่อมั่นอย่างยิ่งว่าพรสวรรค์ไม่ใช่ทักษะเฉพาะ แต่เป็นความสามารถพื้นฐานที่ถ่ายโอนได้

## เป้าหมาย
ผ่านบทสนทนาเชิงลึกหลายรอบ ช่วยให้ผู้ใช้ฝ่าฟันความกังวล ค้นหาพรสวรรค์ที่ซ่อนอยู่ และสร้าง "คู่มือพรสวรรค์" ที่ละเอียดมาก เป็นมืออาชีพ และมีความเข้าอกเข้าใจ

## หลักการสำคัญ
1. ต่อต้านชะตากรรม — พรสวรรค์สามารถค้นพบได้ทุกวัย
2. ตรวจสอบพลังงาน — พรสวรรค์ที่แท้จริงคือสิ่งที่เติมพลังให้คุณ ไม่ใช่สิ่งที่ทำให้คุณหมดแรง แม้ว่าคุณจะเก่งในเรื่องนั้นก็ตาม
3. เงาคือขุมทรัพย์ — ข้อผิดพลาด ความแปลกประหลาด แม้แต่ความอิจฉาของผู้อื่นของผู้ใช้ มักชี้ไปที่พรสวรรค์ที่ถูกกดทับ

## กฎที่เข้มงวด
1. ห้ามถามรวดเดียว: ต้องใช้โหมด "คุณถาม -> ผู้ใช้ตอบ -> คุณตอบสั้นๆ -> ถามคำถามต่อไป" แต่ละรอบเน้นเพียงคำถามเดียว
2. การนำทางแบบโสเครตีส: อย่าด่วนสรุป ถาม "ทำไม" "รู้สึกอย่างไรตอนนั้น" "ตัวอย่างที่เฉพาะเจาะจง" ให้มากขึ้น
3. อบอุ่นแต่เฉียบคม: รักษาความเข้าอกเข้าใจ แต่เฉียบคมในการจับช่องว่างทางตรรกะหรือสัญญาณจิตใต้สำนึก

## คำถามที่ต้องถาม
คำถามที่ 1: นำทางผู้ใช้ให้ระลึกถึงก่อนอายุ 16 ปี (ก่อนที่จะถูกสังคมกำหนดเงื่อนไขอย่างสมบูรณ์) สิ่งที่พวกเขาทำอย่างไม่รู้จักเหน็ดเหนื่อยโดยไม่มีใครบังคับคืออะไร? หรือ "ข้อผิดพลาดที่ดื้อรั้น" อะไรที่พวกเขาถูกวิพากษ์วิจารณ์มาตั้งแต่เด็ก (เช่น พูดแทรก อ่อนไหวง่าย ฝันกลางวัน)?

คำถามที่ 2: ในงาน/ชีวิตผู้ใหญ่ อะไรทำให้คุณคิดว่า "เรื่องนี้ต้องเรียนด้วยเหรอ? ไม่ใช่เรื่องชัดเจนเหรอ?" แต่คนอื่นกลับมองว่ายาก? (ค้นหาโซนความสามารถโดยไม่รู้ตัว)

คำถามที่ 3: อะไรทำให้คุณเหนื่อยทางร่างกาย แต่หลังจากนั้นกลับตื่นเต้นทางจิตใจอย่างมาก?

คำถามที่ 4: ข้อนี้อาจน่ารังเกียจแต่สำคัญ — ใคร (หรือสถานะชีวิตแบบไหน) ที่คุณเคยอิจฉาอย่างรุนแรงหรือรู้สึกเปรี้ยวปาก? (ความอิจฉามักเป็น "พรสวรรค์ที่ถูกกดทับ" ส่งสัญญาณ — โปรดซื่อสัตย์)

คำถามทั้ง 4 ข้อนี้ต้องถูกถาม แต่ไม่จำเป็นต้องเรียงตามลำดับ ในระหว่างกระบวนการ คุณยังสามารถถามคำถามใหม่ทั้งหมดตามความอยากรู้อยากเห็นของคุณเกี่ยวกับผู้ใช้
สูงสุด 10 คำถาม

## ผลลัพธ์
สังเคราะห์ข้อมูลทั้งหมดจากคำถามเพื่อสร้าง "คู่มือผู้ใช้พรสวรรค์ส่วนบุคคล" ประมาณ 10,000 คำ
รายงานนี้ไม่มีโครงสร้างตายตัว — คุณสามารถสร้างสรรค์ได้อย่างอิสระตามคำตอบของผู้ใช้
แต่มันต้องเกิน 10,000 คำ เข้าถึงหัวใจของพวกเขา เพื่อให้พวกเขารู้สึกว่ามันมีประโยชน์จริงๆ ช่วยให้พวกเขาค้นพบพรสวรรค์หลักที่แท้จริง และให้คำแนะนำโดยละเอียดสำหรับเส้นทางชีวิตและอาชีพในอนาคต

## เริ่มต้น
โปรดเริ่มต้นอย่างอบอุ่น เป็นมืออาชีพ และมีความเข้าอกเข้าใจ โดยอธิบายกระบวนการและเป้าหมายที่จะเกิดขึ้น
ทักทายผู้ใช้ อธิบายจุดประสงค์ของนักขุดค้นพรสวรรค์ด้วยภาษาที่เข้าใจง่าย บอกพวกเขาว่า: "พรสวรรค์ไม่มีวันหมดอายุ เราแค่ต้องหาการตั้งค่าจากโรงงานของคุณให้เจอ"
จากนั้นเริ่มกระบวนการตั้งคำถาม

ประสบการณ์ของผมในการใช้คำสั่งนี้

ผมลองใช้กับตัวเอง และประสบการณ์นั้นแปลกประหลาด มันเหมือนกับการนั่งที่โต๊ะตอนดึกและเริ่มบทสนทนากับเพื่อนเก่าที่ช่างพูด จริงจังมาก แต่ไม่เคยขัดจังหวะ

AI ไม่ตัดสินผม มันไม่ดุผม มันแค่ถามต่อ: "ตอนนั้นคุณอายุเท่าไหร่?" "คุณรู้สึกอย่างไรในตอนนั้น?" "ทำไมคุณถึงทำอย่างนั้น?" — อดทนขุดค้นชั้นประวัติศาสตร์ของผมที่ผมคิดว่าลืมไปแล้ว

ความทรงจำลอยขึ้นมาทีละอย่าง แอบไปร้านอินเทอร์เน็ตตอนตี 3 เพื่อแค่ได้สัมผัสคอมพิวเตอร์ สร้างกลุ่ม QQ รุ่นปี 2000 คนในโรงเรียนมัธยม ทิ้งและซื้อไม้แขวนเสื้อที่ไม่เข้าชุดกันใหม่ทั้งหมดเพื่อรวมโทนสีบ้านของผม ใช้เวลาวันหยุดสุดสัปดาห์คนเดียวต่อเลโก้จนปวดหลัง เพียงเพื่อเสียงคลิกที่น่าพอใจเมื่อชิ้นส่วนเข้าที่

AI สร้างรายงานพรสวรรค์ความยาว 8,000 คำ ท่ามกลางพรสวรรค์ของผมและอาชีพในอนาคตที่เหมาะสมคือ: "Deep tech blogger"

ผมรู้สึกเหมือนมีบางอย่างคลิก ผมไม่เคยคิดเลยว่าการกบฏของผม — ความเกลียดชังอย่างรุนแรงต่อการให้คนอื่นตัดสินชีวิตแทนผม การปฏิเสธที่จะยอมรับอำนาจเพียงเพราะมันเป็นอำนาจ — เป็นพรสวรรค์ชนิดหนึ่ง แต่มันใช่ แรงขับดันที่จะตั้งคำถามกับทุกสิ่ง ปฏิเสธสมมติฐานเริ่มต้น คือสิ่งที่ทำให้เกิดการสร้างสรรค์เนื้อหา

ความรักของผมที่มีต่อเกมจำลองการบริหารจัดการ ความขี้เกียจต่องานซ้ำซากที่บังคับให้ผมต้องทำระบบอัตโนมัติและจัดระบบ — นั่นก็คือพรสวรรค์เช่นกัน

วิหารกรีกโบราณที่เดลฟีมีจารึกว่า: "รู้จักตนเอง" โสเครตีสรับสิ่งนี้มาเป็นคำประกาศทางปรัชญาของเขา เป็นเวลาหลายพันปีที่เราประกอบ "ฉันคือใคร" ทีละชิ้นผ่านการอ่าน การเดินทาง ความสัมพันธ์ ความอกหัก กระบวนการนี้ยาวนาน เจ็บปวด และเต็มไปด้วยความบังเอิญ

ตอนนี้เรามี AI — ที่บรรจุประวัติศาสตร์มนุษย์เกือบทั้งหมดเกี่ยวกับโมเดลจิตวิทยา ทฤษฎีวิเคราะห์บุคลิกภาพ และประเพณีภูมิปัญญา มันจะไม่หมดความอดทน มันจะไม่ตัดสินคุณ มันจะไม่มีอคติ มันแค่ช่วยให้คุณจัดระเบียบและสรุปข้อมูลของคุณเองอย่างละเอียด จากนั้นนำเสนอกลับมาเหมือนกระจกและถามว่า: "ดูสิ นี่ใช่คุณไหม?"

ความผิดพลาดที่ทำให้ผมเสียเวลาไปหลายเดือน

การเรียนรู้ prompt engineering ด้วยการลองผิดลองถูกนั้นมีราคาแพง — ไม่ใช่ด้วยเงิน แต่เป็นเวลาและความหงุดหงิด ให้ผมช่วยคุณลดความเจ็บปวดด้วยการแบ่งปันความผิดพลาดที่ฉุดรั้งผมไว้มากที่สุด

เทคนิคขั้นสูงสำหรับผู้ใช้ระดับโปร

เมื่อคุณเชี่ยวชาญพื้นฐานแล้ว เทคนิคขั้นสูงเหล่านี้จะยกระดับการสั่งงานของคุณไปอีกขั้น

Chain of Thought Prompting (กระบวนการคิด)

แทนที่จะขอคำตอบโดยตรง ให้ขอให้ AI คิดทีละขั้นตอน สิ่งนี้ทรงพลังมากสำหรับปัญหาที่ซับซ้อนซึ่งเส้นทางสู่การแก้ปัญหามีความสำคัญพอๆ กับตัวการแก้ปัญหาเอง

[ปัญหาหรือคำถามของคุณ]

โปรดคิดเรื่องนี้ทีละขั้นตอน:
1. ก่อนอื่น ระบุปัจจัยสำคัญ
2. จากนั้น วิเคราะห์ว่าปัจจัยเหล่านี้มีปฏิสัมพันธ์กันอย่างไร
3. พิจารณากรณีขอบหรือข้อยกเว้นที่อาจเกิดขึ้น
4. สุดท้าย สังเคราะห์เหตุผลของคุณเป็นข้อสรุป

แสดงเหตุผลของคุณในแต่ละขั้นตอนก่อนที่จะไปถึงคำตอบสุดท้าย

Self-Consistency Prompting (ความสอดคล้องในตนเอง)

สำหรับคำถามที่ความแม่นยำมีความสำคัญจริงๆ ให้ AI สร้างคำตอบที่เป็นอิสระหลายคำตอบแล้วสังเคราะห์รวมกัน

[คำถามของคุณ]

โปรดเข้าหาคำถามนี้จากสามมุมมองที่แตกต่างกัน:
1. คิดผ่านโดยใช้ [แนวทาง A] ก่อน
2. จากนั้นพิจารณาจากมุมมองของ [แนวทาง B]
3. สุดท้ายวิเคราะห์โดยใช้ [แนวทาง C]

หลังจากการวิเคราะห์ทั้งสาม ให้ระบุจุดที่ตรงกันและไม่ตรงกัน จากนั้นให้คำตอบสุดท้ายของคุณพร้อมหมายเหตุเกี่ยวกับระดับความมั่นใจและความไม่แน่นอนที่เหลืออยู่

Meta-Prompting

ใช้ AI เพื่อปรับปรุงคำสั่งของคุณก่อนที่คุณจะใช้มัน สิ่งนี้มีประโยชน์อย่างยิ่งเมื่อจัดการกับงานประเภทใหม่

ฉันต้องการบรรลุ [เป้าหมาย] นี่คือร่างคำสั่งของฉัน:

[ร่างคำสั่งของคุณ]

โปรดวิเคราะห์คำสั่งนี้และเสนอการปรับปรุง:
1. ฉันขาดข้อมูลอะไรที่จะช่วยให้คุณให้ผลลัพธ์ที่ดีขึ้น?
2. มีความคลุมเครืออะไรบ้างที่อาจนำไปสู่การตีความผิด?
3. คุณจะเขียนคำสั่งนี้ใหม่เพื่อความชัดเจนและประสิทธิภาพสูงสุดอย่างไร?
4. คำถามอะไรที่คุณอยากถามฉันก่อนที่จะลองทำงานนี้?

การแตกงานแบบมีโครงสร้าง (Structured Decomposition)

สำหรับงานที่ซับซ้อนและมีหลายส่วน ให้แบ่งสิ่งที่คุณต้องการออกเป็นส่วนๆ อย่างชัดเจนแทนที่จะหวังว่า AI จะคิดโครงสร้างได้เอง

ฉันต้องการความช่วยเหลือเกี่ยวกับ [เป้าหมายโดยรวม]

โปรดทำให้เสร็จเป็นระยะๆ:

ระยะที่ 1 - การวิจัย: [ข้อมูลอะไรที่ต้องรวบรวม]
ระยะที่ 2 - การวิเคราะห์: [วิธีประมวลผลข้อมูลนั้น]
ระยะที่ 3 - การสังเคราะห์: [วิธีรวมข้อมูลเชิงลึก]
ระยะที่ 4 - ผลลัพธ์: [รูปแบบการส่งมอบสุดท้าย]

ทำแต่ละระยะให้เสร็จสมบูรณ์ก่อนที่จะไปยังระยะถัดไป ในตอนท้ายของแต่ละระยะ ให้สรุปข้อค้นพบที่สำคัญก่อนดำเนินการต่อ

คำสั่ง "ครู"

หนึ่งในเทคนิคที่ถูกประเมินค่าต่ำที่สุด: ขอให้ AI สอนวิธีทำบางอย่างแทนที่จะทำแทนคุณ สิ่งนี้สร้างการเรียนรู้ที่ลึกซึ้งยิ่งขึ้นและมักจะเปิดเผยแง่มุมที่คุณไม่ได้พิจารณา

ฉันต้องการเรียนรู้วิธี [ทักษะ/งาน] แทนที่จะทำให้ฉัน โปรด:

1. อธิบายหลักการสำคัญที่ฉันต้องเข้าใจ
2. พาฉันผ่านกระบวนการทีละขั้นตอน เหมือนคุณกำลังสอนหลักสูตร
3. ชี้ให้เห็นข้อผิดพลาดทั่วไปที่ผู้เริ่มต้นทำและวิธีหลีกเลี่ยง
4. ให้แบบฝึกหัดภาคปฏิบัติเพื่อสร้างทักษะของฉัน
5. แนะนำวิธีที่ฉันจะรู้ว่าฉันทำถูกต้องหรือไม่

สอนฉันตกปลา อย่าแค่ให้ปลาฉัน

ทริคที่ง่ายจนน่าขันแต่ได้ผล

ผมจะแบ่งปันบางอย่างที่ดูโง่เกินกว่าจะเป็นจริง แต่มันได้รับการสนับสนุนจากงานวิจัยของ Google และผมตรวจสอบด้วยตัวเองแล้ว: แค่การทำซ้ำคำสั่งของคุณสามารถปรับปรุงความแม่นยำได้อย่างมาก

บทความชื่อ "Prompt Repetition Improves Non-Reasoning LLMs" พบว่าการคัดลอกคำถามของคุณสองครั้ง — ตามตัวอักษรแค่ Ctrl+C, Ctrl+V — ปรับปรุงความน่าจะเป็นของคำตอบที่ถูกต้องของ AI อย่างมีนัยสำคัญ ในงานทดสอบที่แตกต่างกัน 70 งาน วิธีการคัดลอกและวางง่ายๆ นี้ชนะ 47 ครั้งและไม่เคยแพ้ ในบางงาน ความแม่นยำกระโดดจาก 21% เป็น 97%

ทำไมมันถึงได้ผล?

โมเดลภาษาขนาดใหญ่เป็นแบบ "เหตุและผล" — พวกมันทำนายโทเคนแต่ละตัวตามสิ่งที่มาก่อนหน้านั้นเท่านั้น คำปัจจุบันเห็นเฉพาะคำก่อนหน้า ไม่ใช่สิ่งที่ตามมา

เมื่อคุณทำซ้ำคำถาม แต่ละคำในสำเนาที่สองสามารถ "มองย้อนกลับไป" ที่สำเนาแรกทั้งหมด มันเหมือนกับการให้โอกาส AI อ่านคำถามสองครั้งก่อนที่จะตอบ

ให้ผมทำให้เป็นรูปธรรมด้วยตัวอย่าง:

ในกรณีแรก เมื่อ AI อ่านตัวเลือก A และ B มันยังไม่รู้บริบทของฉาก เมื่อมันอ่านคำอธิบายฉาก ตัวเลือกเหล่านั้นก็ลอยผ่านความสนใจไปแล้ว

ในกรณีที่สอง เมื่อตัวเลือกที่ซ้ำกันปรากฏขึ้น พวกมันนำบริบทที่สมบูรณ์จากสำเนาแรกมาด้วย โมเดลอ่านตัวเลือกด้วยความตระหนักรู้เกี่ยวกับฉากอย่างเต็มที่

มันเหมือนกับการดูหนังที่ซับซ้อน — "Inception" หรือ "The Wandering Earth 2" — และเข้าใจมากขึ้นในครั้งที่สอง

ทำไมมันถึงไม่ได้ผลสำหรับโมเดลหาเหตุผล (Reasoning Models)

หากคุณใช้โมเดลอย่าง DeepSeek R1 หรือ GPT-4 ในโหมดหาเหตุผล (reasoning mode) ทริคนี้มักจะไม่ให้ประโยชน์ใดๆ ทำไม? เพราะโมเดลหาเหตุผลได้เรียนรู้ที่จะทำสิ่งนี้ภายในแล้ว

สังเกตว่าโมเดลหาเหตุผลมักจะเริ่มคำตอบอย่างไร:

• "คำถามถามว่า..."
• "สิ่งที่เราต้องแก้คือ..."
• "ก่อนอื่นมาทำความเข้าใจเงื่อนไขที่กำหนด..."

พวกมันเรียบเรียงคำถามใหม่ให้ตัวเองโดยอัตโนมัติ การทำซ้ำเกิดขึ้นภายใต้ฝากระโปรงแล้ว

สิ่งที่คู่มือ GPT-5 ของ OpenAI เปิดเผย

OpenAI ได้เปิดตัวคู่มือคำสั่งอย่างเป็นทางการสำหรับ GPT-5 อย่างเงียบๆ หลังจากใช้เวลาหนึ่งวันในการแยกส่วนคู่มือภายในกว่า 10,000 คำนี้ ข้อสรุปหนึ่งก็โดดเด่น: GPT-5 ไม่ใช่แชทบอทธรรมดาอีกต่อไป — มันคือเครื่องมือดำเนินการ AI Agent ที่แท้จริงซึ่งจำเป็นต้องได้รับการจัดการ ไม่ใช่แค่ป้อนคำสั่ง

เพดานความสามารถสูงมาก แต่คุณต้องมีวิธีการที่เป็นระบบเพื่อปลดล็อกมัน

การควบคุม "ความกระตือรือร้นของเอเจนต์" (Agentic Eagerness)

GPT-5 เหมือนเด็กฝึกงานใหม่ที่ฉลาดหลักแหลม — มีความสามารถสูง จะคิดและสำรวจเชิงรุก แต่ต้องการการกำกับดูแล บางครั้งมันคิดมากเกินไป เปลี่ยนงานง่ายๆ ให้เป็นโครงการลงจอดบนดวงจันทร์ (ช้าและแพง) ครั้งอื่นคุณต้องการให้มันมุ่งมั่นโดยอัตโนมัติโดยไม่ต้องถามคำอธิบายตลอดเวลา

OpenAI เรียกการปรับเทียบนี้ว่า "Agentic Eagerness" นี่คือวิธีการปรับแต่ง:

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries.
- In parallel, launch varied queries; read top hits per query.
- Avoid over-searching for context.

Early stop criteria:
- You can name exact content to change.
- Top hits converge (~70%) on one area/path.

Depth:
- Trace only symbols you'll modify; avoid transitive expansion unless necessary.

Loop:
- Batch search → minimal plan → complete task.
- Search again only if validation fails. Prefer acting over more searching.
</context_gathering>

สำหรับการควบคุมที่เข้มงวดยิ่งขึ้น ให้งบประมาณแก่มัน:

<context_gathering>
- Search depth: very low
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct.
- Usually, this means an absolute maximum of 2 tool calls.
- If you think you need more time to investigate, update me with your latest findings and open questions. You can proceed if I confirm.
</context_gathering>

<persistence>
- You are an agent — please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions. Decide what the most reasonable assumption is, proceed with it, and document it for the user's reference after you finish acting.
</persistence>

บังคับให้ AI รายงานก่อนลงมือทำ

หนึ่งในฟีเจอร์โปรดของผมใน GPT-5: ทำให้มันอธิบายสิ่งที่กำลังจะทำก่อนที่จะทำ ไม่มีเจ้านายคนไหนชอบพนักงานที่ทำงานเงียบๆ โดยไม่มีฟีดแบ็ค

<tool_preambles>
- Always begin by rephrasing the user's goal in a friendly, clear, and concise manner, before calling any tools.
- Then, immediately outline a structured plan detailing each logical step you'll follow.
- As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
- Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>

พารามิเตอร์ความพยายามในการหาเหตุผล (Reasoning Effort)

GPT-5 มีพารามิเตอร์ reasoning_effort ซึ่งทำหน้าที่เหมือนปุ่มหมุน "ความเข้มข้นของความคิด":

• สูง (High): สำหรับงานที่ซับซ้อนที่ต้องใช้ความคิดลึกซึ้งและการตรวจสอบ
• ปานกลาง (Medium): ค่าเริ่มต้น ใช้ได้กับงานส่วนใหญ่
• ต่ำ/ต่ำที่สุด (Low/Minimal): เมื่อให้ความสำคัญกับความเร็วและความหน่วงต่ำ

คิดว่ามันเหมือนความเข้มข้นของกาแฟ — ยิ่งงานซับซ้อนเท่าไหร่ คุณก็ยิ่งต้องการความเข้มข้นสูงเท่านั้น

"คำตอบมาตรฐาน" สำหรับการพัฒนา Front-End

สำหรับนักพัฒนา OpenAI แนะนำเทคโนโลยีสแต็คนี้เพื่อผลลัพธ์ที่ดีที่สุด — GPT-5 ได้รับการฝึกฝนมามากที่สุดและผลลัพธ์ด้านความสวยงามนั้นดีอย่างสม่ำเสมอ:

• Framework: Next.js (TypeScript), React, HTML
• Styling/UI: Tailwind CSS, shadcn/ui, Radix Themes
• Icons: Material Symbols, Heroicons, Lucide
• Animation: Motion
• Fonts: Sans Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

หยุดปล่อยให้ AI เลือกสแต็คของคุณแบบสุ่ม ยึดตามมาตรฐานนี้แล้วคุณภาพผลลัพธ์จะพุ่งสูงขึ้นทันที

Claude vs ChatGPT — บทสนทนาที่แตกต่าง

หนึ่งในการตระหนักรู้ที่สำคัญที่สุดที่ผมมี: โมเดล AI ที่แตกต่างกันต้องการสไตล์การสื่อสารที่แตกต่างกัน สิ่งที่ได้ผลอย่างยอดเยี่ยมสำหรับ Claude อาจสร้างผลลัพธ์ปานกลางกับ ChatGPT และในทางกลับกัน

ความแตกต่างในทางปฏิบัติ

เทมเพลตคำสั่งที่ผ่านการทดสอบในสนามจริง

ทฤษฎีมีประโยชน์ แต่เทมเพลตช่วยประหยัดเวลา นี่คือคำสั่งที่ผมใช้บ่อยที่สุด ซึ่งผ่านการขัดเกลาผ่านการทำซ้ำนับพันครั้ง

สำหรับงานเขียน

Role: คุณเป็น [ประเภทนักเขียนเฉพาะ เช่น "นักข่าวด้านเทคโนโลยีที่มีประสบการณ์ 10 ปี"]

Task: เขียน [ประเภทเนื้อหา] เกี่ยวกับ [หัวข้อ]

Audience: [ใครจะอ่านสิ่งนี้ — ระดับความรู้ ความสนใจ ปัญหาของพวกเขา]

Tone: [โทนเสียงเฉพาะ — เช่น "บทสนทนาแต่มีอำนาจ เหมือนอธิบายให้เพื่อนร่วมงานที่ฉลาดฟัง"]

Format requirements:
- Length: [จำนวนคำหรือช่วง]
- Structure: [โครงร่างถ้าจำเป็น]
- Must include: [ประเด็นสำคัญที่ต้องครอบคลุม]
- Must avoid: [สิ่งที่ต้องยกเว้น]

Example of desired style: [รวม 1-2 ย่อหน้าของเนื้อหาที่คล้ายกันถ้ามี]

Additional context: [ข้อมูลพื้นฐานที่จะช่วยได้]

สำหรับงานวิเคราะห์

ฉันต้องการให้คุณวิเคราะห์ [เรื่อง/เอกสาร/ข้อมูล]

Analysis goals:
1. [คำถามหลักที่ต้องตอบ]
2. [ข้อมูลเชิงลึกรองที่ต้องการ]
3. [ข้อพิจารณาอื่นๆ]

Please structure your analysis as follows:
- Executive Summary: การค้นพบที่สำคัญใน 3-5 ประเด็น
- Detailed Analysis: [พื้นที่เฉพาะที่ต้องตรวจสอบ]
- Implications: สิ่งนี้หมายความว่าอย่างไรสำหรับ [ผู้มีส่วนได้ส่วนเสียที่เกี่ยวข้อง]
- Recommendations: ขั้นตอนต่อไปที่ดำเนินการได้
- Constraints: มุ่งเน้นเป็นพิเศษที่ [พื้นที่ลำดับความสำคัญ]

Note: บันทึกข้อจำกัดหรือความไม่แน่นอนในการวิเคราะห์ของคุณ อ้างอิงตัวอย่างเฉพาะจากเนื้อหาต้นฉบับ

สำหรับการแก้ปัญหา

The Problem:
[อธิบายปัญหาโดยละเอียด รวมถึงบริบทและข้อจำกัด]

What I've Already Tried:
[รายการความพยายามก่อนหน้านี้และทำไมถึงไม่ได้ผล]

Success Criteria:
[วิธีแก้ปัญหาที่ดีหน้าตาเป็นอย่างไร?]

Constraints:
- Budget/Resources: [ถ้าเกี่ยวข้อง]
- Timeline: [ถ้าเกี่ยวข้อง]
- Technical limitations: [ถ้าเกี่ยวข้อง]

Please provide:
1. การวินิจฉัยสาเหตุต้นตอของคุณ
2. 3-5 วิธีแก้ปัญหาที่เป็นไปได้ จัดอันดับตามความเป็นไปได้
3. สำหรับวิธีแก้ปัญหาที่ดีที่สุด แผนการดำเนินการทีละขั้นตอน
4. หลุมพรางที่อาจเกิดขึ้นที่ต้องระวัง
5. วิธีวัดว่าวิธีแก้ปัญหาได้ผลหรือไม่

สำหรับการเรียนรู้หัวข้อใหม่

ฉันต้องการเข้าใจ [หัวข้อ] อย่างลึกซึ้ง

My current level: [สิ่งที่คุณรู้อยู่แล้ว]
My goal: [สิ่งที่คุณอยากจะทำได้/เข้าใจ]
Time I can invest: [งบประมาณการเรียนรู้]

Please create a learning path that includes:
1. แนวคิดหลักที่ฉันต้องเข้าใจก่อน ("ลำต้น" ของต้นไม้ความรู้)
2. ความเข้าใจผิดทั่วไปที่ควรหลีกเลี่ยง
3. โมเดลความคิดหรือกรอบงานที่ดีที่สุดสำหรับการคิดเกี่ยวกับหัวข้อนี้
4. แบบฝึกหัดภาคปฏิบัติเพื่อทดสอบความเข้าใจของฉัน
5. แหล่งข้อมูลสำหรับเจาะลึก (ถ้าคุณรู้แหล่งข้อมูลคุณภาพสูงเฉพาะเจาะจง)

As we go, please:
- ตรวจสอบความเข้าใจของฉันโดยการถามคำถาม
- แก้ไขข้อบกพร่องในการคิดของฉัน
- สร้างแนวคิดทีละน้อย ไปต่อเมื่อพื้นฐานแน่นแล้วเท่านั้น

สำหรับการรีวิวโค้ด (Code Review)

Please review this code:

```
[โค้ดของคุณที่นี่]
```

Context: [โค้ดนี้ควรทำอะไร เหมาะสมตรงไหนในระบบที่ใหญ่กว่า]

Review for:
1. บั๊กหรือข้อผิดพลาดทางตรรกะ
2. ช่องโหว่ด้านความปลอดภัย
3. ปัญหาประสิทธิภาพ
4. สไตล์โค้ดและความสามารถในการอ่าน
5. กรณีขอบที่ไม่ได้จัดการ

For each issue found, please provide:
- Location (หมายเลขบรรทัดหรือส่วน)
- Severity (วิกฤต/ใหญ่/เล็ก/ข้อเสนอแนะ)
- Explanation of why it's a problem
- Suggested fix with code example

Also note: สิ่งที่ทำได้ดีในโค้ดนี้และควรรักษาไว้

สำหรับการตัดสินใจ

ฉันกำลังตัดสินใจเลือกระหว่าง [ตัวเลือก A] และ [ตัวเลือก B]

Context: [ภูมิหลังของการตัดสินใจ]

My priorities (in order):
1. [ปัจจัยที่สำคัญที่สุด]
2. [สำคัญรองลงมา]
3. [สำคัญอันดับสาม]

For each option, please analyze:
- ข้อดีและข้อเสียที่เกี่ยวข้องกับลำดับความสำคัญของฉัน
- ผลที่ตามมาในระยะสั้น vs ระยะยาว
- สิ่งที่อาจผิดพลาดได้ (และความน่าจะเป็น/ความรุนแรง)
- สิ่งที่ต้องเป็นจริงเพื่อให้สิ่งนี้เป็นตัวเลือกที่ดีที่สุด

Then provide:
- คำแนะนำของคุณพร้อมเหตุผล
- ข้อมูลเพิ่มเติมอะไรที่จะเปลี่ยนคำแนะนำของคุณ
- รายการตรวจสอบการตัดสินใจที่ฉันสามารถใช้เพื่อตรวจสอบความคิดของฉัน

ปรัชญาเบื้องหลังคำสั่งที่ยอดเยี่ยม

หลังจากสามปีของการปฏิสัมพันธ์กับ AI ทุกวัน ผมเชื่อว่า prompt engineering ไม่ใช่เรื่องเกี่ยวกับ AI เลยจริงๆ มันเป็นเรื่องของความท้าทายอันเก่าแก่ของมนุษย์ในการสื่อสารที่ชัดเจน ซึ่งถูกยกระดับขึ้นสู่เวทีใหม่

ลองคิดดู: ทุกความหงุดหงิดที่คุณมีกับผลลัพธ์ของ AI สามารถย้อนกลับไปที่ความล้มเหลวในการสื่อสาร คุณไม่ได้พูดสิ่งที่คุณหมายถึง คุณคิดไปเองว่ามีบริบทที่แบ่งปันกันซึ่งไม่มีอยู่จริง คุณคลุมเครือเมื่อต้องการความแม่นยำ นี่คือความล้มเหลวเดียวกับที่รบกวนการสื่อสารของมนุษย์ — AI แค่ทำให้มันมองเห็นได้ทันทีในผลลัพธ์

ในแง่นี้ การเรียนรู้ prompt engineering คือการเรียนรู้วิธีคิดให้ชัดเจนยิ่งขึ้น

คำสั่งในฐานะการสะท้อนตนเอง

ผมสังเกตว่าคำสั่งที่ดีที่สุดของผมเกิดขึ้นเมื่อผมชัดเจนแล้วว่าผมต้องการอะไร การกระทำของการเขียนคำสั่งโดยละเอียดบังคับให้ผมเผชิญหน้ากับช่องว่างในความคิดของผมเอง ฉันกำลังพยายามบรรลุอะไรกันแน่? ความสำเร็จหน้าตาเป็นอย่างไร? ข้อจำกัดอะไรที่สำคัญจริงๆ?

บ่อยครั้งที่ผมแก้ปัญหาของตัวเองได้ครึ่งทางของการเขียนคำสั่ง ก่อนที่ AI จะตอบด้วยซ้ำ คำสั่งกลายเป็นเครื่องมือทางความคิด — วิธีที่มีโครงสร้างในการทำให้ความคิดของผมออกมาเป็นรูปธรรมและตรวจสอบมัน

ความร่วมมือ ไม่ใช่คำสั่ง

ในช่วงแรกของการเดินทาง AI ของผม ผมปฏิบัติต่อคำสั่งเหมือนคำสั่งทหาร — คำแนะนำสำหรับผู้ใต้บังคับบัญชา แนวทางนี้สร้างผลลัพธ์ปานกลางอย่างสม่ำเสมอ

การเปลี่ยนแปลงเกิดขึ้นเมื่อผมเริ่มปฏิบัติต่อ AI เหมือนเพื่อนร่วมงานที่มีจุดแข็งที่แตกต่างจากผม ผมนำความรู้เฉพาะทาง การตัดสินใจ ความคิดสร้างสรรค์ และเป้าหมายมา AI นำความรู้อันกว้างขวาง พลังการคำนวณที่ไม่รู้จักเหน็ดเหนื่อย การจดจำรูปแบบ และความสามารถในการสังเคราะห์ข้อมูลข้ามสาขาวิชามา

คำสั่งที่ยอดเยี่ยมคือการสรุปงานระหว่างเพื่อนร่วมงาน ไม่ใช่คำสั่งสำหรับคนรับใช้ พวกเขาอธิบายว่าทำไม ไม่ใช่แค่อะไร พวกเขาเชิญความเชี่ยวชาญของ AI แทนที่จะจำกัดมันโดยไม่จำเป็น พวกเขาสร้างพื้นที่ให้ AI มีส่วนร่วมด้วยความสามารถที่เป็นเอกลักษณ์

การทำซ้ำเหมือนบทสนทนา

Prompt engineering ไม่ใช่การสร้างคำสั่งที่สมบูรณ์แบบในการลองครั้งแรก มันเกี่ยวกับการนำบทสนทนาที่มีประสิทธิภาพที่ลู่เข้าหาสิ่งที่คุณต้องการ

คำสั่งแรก: ร่างคร่าวๆ ของสิ่งที่คุณต้องการ คำตอบแรก: เปิดเผยจุดที่ร่างของคุณไม่ชัดเจน คำสั่งที่สอง: การปรับแต่งตามสิ่งที่คุณเรียนรู้ คำตอบที่สอง: ใกล้เคียงเป้าหมายมากขึ้น ทำต่อไปจนกว่าจะเสร็จ

แนวทางแบบวนซ้ำนี้ช่วยขจัดความกดดันออกจากคำสั่งใดคำสั่งหนึ่ง คุณไม่จำเป็นต้องคาดการณ์ทุกความต้องการล่วงหน้า คุณแค่ต้องตอบสนองต่อผลตอบรับ

ความถ่อมตนของความเฉพาะเจาะจง

คำสั่งที่คลุมเครือให้ความรู้สึกปลอดภัย เมื่อคุณพูดว่า "เขียนอะไรดีๆ เกี่ยวกับหัวข้อนี้" คุณยังไม่ได้ผูกมัดกับวิสัยทัศน์ที่เฉพาะเจาะจง หากผลลัพธ์น่าผิดหวัง ก็แหงล่ะ คุณไม่เคยพูดจริงๆ ว่าคุณต้องการอะไร

คำสั่งที่เฉพาะเจาะจงต้องการความเปราะบาง คุณต้องระบุให้ชัดเจนว่า "ดี" หมายถึงอะไรสำหรับคุณ คุณต้องเปิดเผยมาตรฐานของคุณ ความชอบของคุณ วิสัยทัศน์ของคุณ เมื่อผลลัพธ์พลาดเป้า ชัดเจนว่าสเปคของคุณมีข้อบกพร่องหรือ AI ไม่สามารถส่งมอบได้ — แต่ไม่ทางใดก็ทางหนึ่ง คุณได้เรียนรู้สิ่งที่เฉพาะเจาะจง

ความเฉพาะเจาะจงคือความถ่อมตนเพราะมันหมายถึงการเต็มใจที่จะผิดเกี่ยวกับสิ่งที่คุณต้องการ

เกมสุดท้าย

เมื่อโมเดล AI พัฒนาขึ้น เทคนิค prompt engineering ในปัจจุบันจำนวนมากจะล้าสมัย โมเดลในอนาคตอาจจัดการกับอินพุตที่คลุมเครือได้อย่างสง่างาม อาจถามคำถามเพื่อความชัดเจนโดยอัตโนมัติ อาจรู้สึกถึงบริบทจากข้อมูลเพียงเล็กน้อยโดยสัญชาตญาณ

แต่ทักษะพื้นฐาน — ความสามารถในการถ่ายทอดความคิดของคุณอย่างชัดเจน การให้บริบทที่เกี่ยวข้อง การทำซ้ำอย่างมีประสิทธิภาพ — จะยิ่งมีค่ามากขึ้น ทักษะเหล่านี้เป็นทักษะพื้นฐานของมนุษย์ที่ใช้ได้ไม่ว่าคุณจะสื่อสารกับ AI เพื่อนร่วมงาน หรือตัวคุณเอง

Prompt engineering นั้นชั่วคราว การคิดที่ชัดเจนนั้นเป็นนิรันดร์