เชี่ยวชาญการทำ LLM Prompting: คู่มือสำหรับนักพัฒนา

คำตอบที่แย่จาก AI ไม่ใช่ความผิดของโมเดล แต่เป็นความผิดของ Prompt

การทำ Prompting คือทักษะอย่างหนึ่ง คุณสามารถพัฒนาทักษะนี้ได้ด้วยการใช้เทคนิคเฉพาะทาง ใช้เทคนิคเหล่านี้เพื่อให้ได้โค้ดที่ดีขึ้นและคำตอบที่ฉลาดขึ้น

ให้บริบทที่เฉพาะเจาะจง เลิกถามคำถามแบบกว้างๆ

  • แบบที่ไม่ดี: "ฉันจะตรวจสอบความถูกต้องของอีเมลได้อย่างไร?"
  • แบบที่ดี: "ฉันกำลังสร้าง Node.js Express API ช่วยแสดงวิธีตรวจสอบความถูกต้องของอีเมลโดยใช้แพ็กเกจ email-validator และรวมการจัดการข้อผิดพลาดด้วย 400 status code มาด้วย"

กำหนดบทบาท (Persona) บอก AI ว่ามันควรเป็นใคร

  • แทนที่จะใช้: "เขียนฟังก์ชันสำหรับสร้าง unique IDs"
  • ลองใช้: "คุณคือวิศวกร backend ระดับ senior ช่วยเขียนฟังก์ชัน Python สำหรับสร้าง globally unique IDs ที่สามารถเรียงลำดับตาม timestamp ได้ พร้อมอธิบายเหตุผลในการตัดสินใจของคุณด้วย"

ใช้เทคนิค Chain of Thought สำหรับงานที่ยาก ให้บอกให้ AI คิดแบบเป็นขั้นตอน (step-by-step) วิธีนี้จะบังคับให้โมเดลแสดงตรรกะของมันออกมา

  • ลองถามว่า: "ช่วยอธิบายกระบวนการคิดของคุณทีละขั้นตอน: 1. ระบุคอขวด (bottlenecks) 2. ลิสต์เทคนิคต่างๆ 3. แนะนำแนวทางแก้ไข 4. เขียนโค้ด"

ให้ตัวอย่าง แสดงรูปแบบที่คุณต้องการให้ AI เห็น เทคนิคนี้เรียกว่า few-shot prompting โดยการให้ตัวอย่างแบบ "ก่อนทำ" (Before) และ "หลังทำ" (After) เพื่อให้ AI เรียนรู้สไตล์ของคุณ

กำหนดข้อจำกัดที่ชัดเจน บังคับให้ AI มีความแม่นยำ โดยระบุความต้องการของคุณให้ชัดเจน:

  • เวอร์ชันของภาษา
  • Time complexity
  • Space complexity
  • ห้ามใช้ไลบรารีภายนอก

แบ่งงานออกเป็นส่วนย่อยๆ อย่าขอทุกอย่างในคราวเดียว ให้ใช้วิธีทำทีละขั้นตอน:

  • ขั้นตอนที่ 1: สร้างเวอร์ชันพื้นฐาน
  • ขั้นตอนที่ 2: เพิ่มการจัดการข้อผิดพลาด
  • ขั้นตอนที่ 3: ปรับแต่งประสิทธิภาพ (Optimize performance)
  • ขั้นตอนที่ 4: เพิ่มการกำหนดประเภทข้อมูล (Add types)

ขอทางเลือกอื่น ลองขอวิธีแก้ปัญหาที่แตกต่างกันสองวิธี วิธีนี้จะช่วยให้คุณเข้าใจข้อดีข้อเสีย (trade-offs) โดยให้ AI บอกข้อดีและข้อเสียของแต่ละวิธีด้วย

ระบุรูปแบบที่ต้องการ บอก AI ว่าต้องการให้จัดระเบียบผลลัพธ์อย่างไร คุณสามารถขอให้ทำ code review แบบมีโครงสร้าง โดยใช้หัวข้อเฉพาะ เช่น Issues, Fixes และ Performance Impact

ข้อผิดพลาดที่ควรหลีกเลี่ยง:

  • การเขียนสั้นเกินไป
  • การขอสิ่งที่ไม่มีความเกี่ยวข้องกันใน prompt เดียว
  • การลืมกำหนดข้อจำกัด
  • การยอมรับคำตอบแรกโดยไม่ตรวจสอบ

การเชี่ยวชาญขั้นตอนเหล่านี้จะช่วยให้คุณทำงานได้รวดเร็วยิ่งขึ้น เทคนิคเหล่านี้ใช้ได้กับทั้ง ChatGPT, Claude และ GitHub Copilot

คุณใช้เทคนิคการเขียน prompt แบบไหนกันบ้าง? บอกเราในคอมเมนต์ได้เลย

Source: https://dev.to/samchenreviews/mastering-the-art-of-llm-prompting-a-developers-guide-to-getting-better-answers-from-ai-36k5

Optional learning community: https://t.me/GyaanSetuAi