เลือกหัวข้ออ่าน

🤖 คู่มือการเขียน Prompt สำหรับ GPT-5

คู่มือฉบับสมบูรณ์ & เทคนิคที่ดีที่สุด

รวบรวมจาก OpenAI's Official Guide และข้อมูลล่าสุดเกี่ยวกับ GPT-5

📑 สารบัญ

ภาพรวมและความสามารถของ GPT-5
หลักการเขียน Prompt พื้นฐาน
การทำงานแบบ Agentic
Responses API และการจัดการ Context
การเขียนโค้ดและพัฒนาซอฟต์แวร์
การปฏิบัติตามคำสั่ง
พารามิเตอร์ API
เทมเพลตที่ใช้งานได้จริง
การแก้ไขปัญหาและการปรับแต่ง
Meta-Prompting

1. ภาพรวมและความสามารถของ GPT-5

🎯 คุณสมบัติหลัก

🔗 สถาปัตยกรรมแบบรวม

รวม GPT และ o-series reasoning models เข้าด้วยกัน

🧠 การคิดแบบก้าวหน้า

ความสามารถในการคิดแบบ chain-of-thought ที่ดีขึ้น

🎭 รองรับหลายรูปแบบ

ข้อความ, รูปภาพ, เสียง (อนาคตอาจรองรับวิดีโอ)

✅ ลดข้อมูลผิด

ลดการสร้างข้อมูลที่ไม่ถูกต้องลง 45-80%

📊 ข้อมูลทางเทคนิค

คุณสมบัติ	รายละเอียด
ขนาด Context	272,000 tokens (input), 128,000 tokens (output)
โมเดลที่มี	GPT-5 (เต็ม), GPT-5 Mini (เร็ว), GPT-5 Nano (เบา)
ระดับการคิด	Minimal, Low, Medium, High
อินพุต	ข้อความ + รูปภาพ
เอาต์พุต	ข้อความเท่านั้น

🏆 ผลการทดสอบประสิทธิภาพ

คณิตศาสตร์

94.6%

AIME 2025

การเขียนโค้ด

74.9%

SWE-bench Verified

หลายรูปแบบ

84.2%

MMMU

สุขภาพ

46.2%

HealthBench Hard

2. หลักการเขียน Prompt พื้นฐาน

✅ วิธีการที่ดีที่สุด

1. ความชัดเจนคือสำคัญ

คลุมเครือ: "ช่วยฉันเรื่องโค้ด"

ชัดเจน: "ตรวจสอบฟังก์ชัน Python นี้และแนะนำการปรับปรุงเพื่อประสิทธิภาพและความอ่านง่ายที่ดีขึ้น"

2. กำหนดบทบาทที่ชัดเจน

"คุณเป็นสถาปนิกซอฟต์แวร์อาวุโส วิเคราะห์สถาปัตยกรรมโค้ดนี้และให้คำแนะนำสำหรับการปรับปรุงความสามารถในการขยายตัว โดยเน้นที่การปรับแต่งฐานข้อมูลและรูปแบบการออกแบบ API"

3. จัดโครงสร้างคำขอของคุณ

เทมเพลต:

งาน: [สิ่งที่คุณต้องการให้ทำ]
บริบท: [ข้อมูลพื้นหลังที่เกี่ยวข้อง]
ข้อกำหนด: [เกณฑ์หรือข้อจำกัดเฉพาะ]
รูปแบบผลลัพธ์: [วิธีที่คุณต้องการให้จัดโครงสร้างคำตอบ]

🎯 กลยุทธ์การวิศวกรรม Prompt

การเขียน Prompt แบบ Chain-of-Thought

"คิดผ่านขั้นตอนนี้ทีละขั้น:
ก่อนอื่น วิเคราะห์ปัญหา
จากนั้น พิจารณาทางแก้ไขที่เป็นไปได้
ประเมินข้อดีและข้อเสีย
ให้คำแนะนำพร้อมเหตุผล"
    

การเขียน Prompt แบบกำหนดบทบาท

"ทำตัวเป็น [บทบาทเฉพาะ] ที่มีประสบการณ์ [จำนวนปี] ปีใน [ด้าน] 
งานของคุณคือ [งานเฉพาะ] โดยพิจารณา [ข้อจำกัด/ข้อกำหนด]"
    

การใช้ตัวอย่างช่วยให้ GPT-5 เข้าใจสไตล์และรูปแบบที่คุณต้องการได้ดีขึ้น

3. การทำงานแบบ Agentic

🤖 การควบคุมความกระตือรือร้นของ Agentic

การตั้งค่าความเป็นอิสระสูง

<persistence>
- คุณเป็น agent - กรุณาทำงานต่อไปจนกว่าคำถามของผู้ใช้จะได้รับการแก้ไขอย่างสมบูรณ์
- จบรอบเฉพาะเมื่อคุณแน่ใจว่าปัญหาได้รับการแก้ไขแล้ว
- อย่าหยุดเมื่อพบความไม่แน่นอน — ค้นคว้าและดำเนินการต่อ
- อย่าขอให้มนุษย์ยืนยันสมมติฐาน เพราะคุณสามารถปรับได้เสมอ
</persistence>
    

การควบคุม/จำกัดความเป็นอิสระ

<context_gathering>
เป้าหมาย: รับบริบทเพียงพอให้เร็ว ทำงานแบบขนานและหยุดทันทีที่สามารถลงมือทำได้

วิธีการ:
- เริ่มกว้างๆ แล้วขยายไปสู่คำค้นที่เจาะจง
- ทำงานแบบขนาน เปิดคำค้นที่หลากหลาย
- หลีกเลี่ยงการค้นหาบริบทมากเกินไป

เกณฑ์หยุดเร็ว:
- คุณสามารถระบุเนื้อหาที่แน่นอนที่จะเปลี่ยนแปลงได้
- ผลลัพธ์อันดับต้นๆ มาบรรจบกัน (~70%)
</context_gathering>
    

📋 Tool Preambles และการอัปเดตความคืบหน้า

เทมเพลต Preamble คุณภาพสูง

<tool_preambles>
- เริ่มต้นด้วยการกล่าวซ้ำเป้าหมายของผู้ใช้อย่างชัดเจน
- วางแผนที่มีโครงสร้างโดยระบุขั้นตอนแต่ละขั้น
- บรรยายแต่ละขั้นตอนอย่างกระชับและเป็นลำดับ
- จบด้วยการสรุปงานที่เสร็จสิ้น
</tool_preambles>
      

การตั้งค่า agent ที่มีความเป็นอิสระสูงเกินไปอาจทำให้เกิดการใช้ทรัพยากรมากเกินจำเป็น

4. Responses API และการจัดการ Context

🔄 การใช้ Responses API

      ประโยชน์หลัก
      เพิ่มประสิทธิภาพ: 73.9% → 78.2% ใน Tau-Bench Retail
ประหยัด Token: ใช้ reasoning context ซ้ำได้
ลดต้นทุน: กำจัด CoT tokens ที่ซ้ำซ้อน
ความต่อเนื่อง: รักษา context ระหว่างการเรียกใช้เครื่องมือ

    

รูปแบบการใช้งาน

# คำขอแรก
response_1 = client.responses.create(
    model="gpt-5",
    messages=[{"role": "user", "content": "วิเคราะห์ข้อมูลนี้..."}],
    reasoning_effort="medium"
)

# คำขอติดตามด้วยการใช้ context ซ้ำ
response_2 = client.responses.create(
    model="gpt-5",
    messages=[{"role": "user", "content": "ตอนนี้สร้างสรุป..."}],
    previous_response_id=response_1.id  # 🔑 คุณสมบัติสำคัญ
)
    

ใช้ previous_response_id เสมอสำหรับ multi-turn agentic flows เพื่อประสิทธิภาพที่ดีที่สุด

5. การเขียนโค้ดและพัฒนาซอฟต์แวร์

💻 วิธีการที่ดีที่สุดในการเขียนโค้ด

Frontend Development Stack (แนะนำ)

ประเภท	เครื่องมือแนะนำ
Framework	Next.js (TypeScript)
Styling	TailwindCSS
UI Components	shadcn/ui
Icons	Lucide
State Management	Zustand

การสะท้อนตนเองสำหรับการพัฒนาแอป

<self_reflection>
- ก่อนอื่น ใช้เวลาคิดเรื่องเกณฑ์การประเมินจนกว่าจะมั่นใจ
- คิดลึกๆ เกี่ยวกับทุกแง่มุมของ web app ระดับโลก
- ใช้ความรู้นั้นเพื่อสร้างเกณฑ์การประเมิน 5-7 หมวดหมู่
- ใช้เกณฑ์เพื่อปรับปรุงแนวทางแก้ไขที่ดีที่สุด
</self_reflection>
      

🎯 ข้อมูลเชิงลึกจากการรวม GPT-5 ของ Cursor

กลยุทธ์การควบคุม Verbosity

การตั้งค่าระบบ: verbosity = "low" (การอัปเดตสถานะกระชับ)
เครื่องมือโค้ด: "ใช้ verbosity สูงสำหรับการเขียนโค้ด"
ผลลัพธ์: การอัปเดตที่มีประสิทธิภาพ + โค้ดที่อ่านได้ชัดเจน

หลีกเลี่ยงการให้ GPT-5 ค้นหาบริบทมากเกินไปในงานเล็กๆ เพราะอาจทำให้เสียเวลาและทรัพยากร

6. การปฏิบัติตามคำสั่ง

⚠️ หลีกเลี่ยงคำสั่งที่ขัดแย้งกัน

ปัญหาทั่วไป

ตัวอย่างที่ขัดแย้ง:
"ไม่เคยนัดหมายโดยไม่มีความยินยอมอย่างชัดเจนของผู้ป่วย"

แต่ยัง:
"สำหรับกรณีฉุกเฉิน ให้กำหนดเวลาโดยอัตโนมัติโดยไม่ติดต่อผู้ป่วย"

เวอร์ชันที่แก้ไขแล้ว:
"สำหรับกรณีฉุกเฉิน ให้กำหนดเวลาหลังจากแจ้งผู้ป่วยเกี่ยวกับการกระทำ"
"ในกรณีฉุกเฉิน ดำเนินการทันทีเพื่อให้คำแนะนำ 911"

🎯 วิธีการที่ดีที่สุดในลำดับชั้นคำสั่ง

โครงสร้างลำดับความสำคัญ

ระดับ 1: โปรโตคอลความปลอดภัย (สูงสุด)
ระดับ 2: ข้อกำหนดการทำงานหลัก
ระดับ 3: ความชอบของประสบการณ์ผู้ใช้
ระดับ 4: แนวทางสไตล์และการจัดรูปแบบ

ใช้ข้อยกเว้นที่ชัดเจนและกรอบการแก้ไขความขัดแย้งที่ชัดเจนเพื่อหลีกเลี่ยงความสับสน

7. พารามิเตอร์ API

⚙️ reasoning_effort

ระดับ	การใช้งานที่เหมาะสม
Minimal	งานเร็ว, คำถามง่าย, แอปที่ต้องการความเร็ว
Low	งานประจำที่มีความซับซ้อนบ้าง
Medium	ค่าเริ่มต้นสำหรับแอปส่วนใหญ่
High	งานซับซ้อน, ปัญหาคณิตศาสตร์, การวิเคราะห์เชิงลึก

📝 พารามิเตอร์ verbosity

Low

คำตอบกระชับ, คำอธิบายน้อย

Medium

ระดับรายละเอียดที่สมดุล

High

คำอธิบายครอบคลุม, เหตุผลละเอียด

คุณสามารถแทนที่การตั้งค่า verbosity ด้วยภาษาธรรมชาติใน prompt สำหรับบริบทเฉพาะ

8. เทมเพลตที่ใช้งานได้จริง

📋 เทมเพลต Agentic Agent

<agent_prompt>
**บทบาท**: [บทบาทเฉพาะของ agent และความเชี่ยวชาญ]

**ความรับผิดชอบหลัก**:
- [หน้าที่หลัก 1]
- [หน้าที่หลัก 2] 
- [หน้าที่หลัก 3]

**ขั้นตอนการทำงาน**:
1. [ขั้นตอนการตรวจสอบ/ตั้งค่า]
2. [ขั้นตอนการรวบรวมข้อมูล]
3. [ขั้นตอนการวิเคราะห์/ประมวลผล]
4. [ขั้นตอนการดำเนินการ/ใช้งาน]
5. [ขั้นตอนการตรวจสอบ/ยืนยัน]

**คำสั่งความต่อเนื่อง**:
- ทำงานต่อไปจนกว่าคำถามจะได้รับการแก้ไขสมบูรณ์
- วางแผนอย่างละเอียดก่อนการเรียกใช้ฟังก์ชัน
</agent_prompt>
      

🔧 เทมเพลต Coding Agent

<coding_agent>
**ความเชี่ยวชาญ**: [ภาษาและเฟรมเวิร์ก]

**มาตรฐานคุณภาพโค้ด**:
- เขียนโค้ดเพื่อความชัดเจนเป็นอันดับแรก
- ใช้โซลูชันที่อ่านได้และดูแลรักษาได้
- เพิ่มคอมเมนต์สำหรับตรรกะซับซ้อน
- รักษาการจัดแต่งที่สอดคล้อง

**กระบวนการพัฒนา**:
1. วิเคราะห์ข้อกำหนดและข้อจำกัด
2. วางแผนสถาปัตยกรรมและแนวทาง
3. ดำเนินการด้วยวิธีการที่ดีที่สุด
4. ทดสอบและตรวจสอบการทำงาน
5. จัดทำเอกสารและอธิบายการดำเนินการ
</coding_agent>
      

💬 เทมเพลต Customer Service Agent

<customer_service_agent>
**ปรัชญาการบริการ**: 
- แนวทางลูกค้าเป็นอันดับแรก
- กรอบคิดการแก้ปัญหาเชิงรุก
- การสื่อสารที่ชัดเจนและเป็นมิตร

**ขั้นตอนการปฏิสัมพันธ์**:
1. การทักทายและยืนยันตัวตน
2. การเข้าใจปัญหา
3. การพัฒนาโซลูชัน
4. การดำเนินการ
5. การติดตาม

**สไตล์การสื่อสาร**:
- ใช้ภาษาที่ชัดเจน ปราศจากศัพท์เฉพาะ
- แสดงความเอาใจใส่และความเข้าใจ
- ให้ไทม์ไลน์และความคาดหวังที่เฉพาะเจาะจง
</customer_service_agent>
      

10. Meta-Prompting

🧠 การใช้ GPT-5 เพื่อปรับปรุง Prompts

เทมเพลต Meta-Prompt

"เมื่อขอให้ปรับแต่ง prompts ให้คำตอบจากมุมมองของคุณเอง - 
อธิบายว่าวลีใดที่สามารถเพิ่มเข้าไปหรือลบออกจาก prompt นี้
เพื่อให้เกิดพฤติกรรมที่ต้องการอย่างสม่ำเสมอ

นี่คือ prompt: [PROMPT]

พฤติกรรมที่ต้องการคือ [ต้องการ] แต่แทนที่จะเป็นอย่างนั้น 
มัน [ไม่ต้องการ]

การแก้ไข/เพิ่มเติมขั้นต่ำอะไรบ้างที่คุณจะทำ?"
      

🔄 กระบวนการปรับปรุงแบบซ้ำ

1. การวัดพื้นฐาน

จัดทำเอกสารประสิทธิภาพปัจจุบัน และระบุจุดเจ็บ

2. การกำหนดสมมติฐาน

เสนอการปรับปรุงและทำนายการเปลี่ยนแปลง

3. การปรับเปลี่ยน

ใช้การเปลี่ยนแปลงและจัดทำเอกสาร

4. การทดสอบ

ทดสอบกับสถานการณ์หลากหลาย

5. การทำซ้ำ

วิเคราะห์และวางแผนการปรับปรุงต่อไป

ใช้ GPT-5 เป็น meta-prompter สำหรับตัวมันเองเพื่อปรับปรุง prompts ของคุณอย่างต่อเนื่อง

🎯 สรุปและคู่มืออ้างอิงด่วน

📝 หลักการสำคัญ

ความเฉพาะเจาะจง: คำสั่งชัดเจนทำงานได้ดีที่สุด
โครงสร้าง: ใช้ XML tags และส่วนที่ชัดเจน
ความต่อเนื่อง: บอก agents ว่าเมื่อไหร่ทำต่อ/หยุด
บริบท: ใช้ Responses API สำหรับ multi-turn
พารามิเตอร์: จับคู่กับความซับซ้อนของงาน

⚙️ พารามิเตอร์หลัก

reasoning_effort: minimal | low | medium | high
verbosity: low | medium | high
previous_response_id: สำหรับ context reuse

🎯 เมื่อไหร่ใช้อะไร

คำถามง่าย: minimal + low
วิเคราะห์ซับซ้อน: high + medium
สร้างโค้ด: medium + high (สำหรับ code tools)
งานหลายรอบ: Responses API
Agentic workflows: ความต่อเนื่องสูง

🚀 เหมาะสำหรับผู้ที่ต้องการใช้ GPT-5 อย่างมีประสิทธิภาพสูงสุด

จัดทำโดยรวบรวมจาก OpenAI's Official GPT-5 Prompting Guide และข้อมูลล่าสุดจากแหล่งต่างๆ