Prompt Engineering ของ Claude
การทำ Prompt Engineering ควรเริ่มต้นอย่างไร ควรใช้เมื่อไร และควรมองมันเป็นส่วนหนึ่งของกระบวนการพัฒนาแอปหรือระบบ AI มากกว่าจะเป็นแค่การ “ลองพิมพ์คำสั่งไปเรื่อย ๆ” เพื่อหวังให้ได้คำตอบดีขึ้น
1) ก่อนจะเริ่มทำ Prompt Engineering
ก่อนจะไปปรับแต่งพรอมป์จริง ๆ ควรมี 3 อย่างนี้ก่อน
- ต้องนิยามให้ชัดว่า “ผลลัพธ์ที่สำเร็จ” สำหรับ use case ของเราคืออะไร
- ต้องมีวิธีทดสอบผลลัพธ์นั้นแบบเชิงประจักษ์ได้ หรือพูดง่าย ๆ คือมีวิธีวัดว่า prompt ไหนดีกว่ากัน
- ต้องมี prompt เวอร์ชันแรกอยู่ก่อนแล้วสักฉบับ เพื่อใช้เป็นฐานในการปรับปรุงต่อ
Anthropic กำลังย้ำว่า อย่าเริ่มจากการสุ่มเดา prompt อย่างไร้หลัก แต่ให้เริ่มจาก “เกณฑ์ความสำเร็จ” ก่อน เพราะถ้าเราไม่รู้ว่าคำตอบแบบไหนถือว่าดี เราก็จะไม่รู้เลยว่าควรปรับ prompt ไปในทิศทางใด
ถ้ายังไม่มี prompt ตั้งต้นหรือยังไม่ชัดเจนเรื่องเกณฑ์การวัดผล ควรไปดูหัวข้อเกี่ยวกับการกำหนด success criteria และการทำ evaluation เพิ่มเติมก่อน รวมถึงสามารถใช้ Prompt Generator ใน Claude Console เพื่อช่วยสร้าง prompt ฉบับแรกได้ด้วย
2) ควรใช้ Prompt Engineering เมื่อไร
Prompt Engineering เหมาะกับการแก้ปัญหาประเภทที่ “ควบคุมได้ด้วยตัว prompt” เท่านั้น ไม่ใช่ทุกปัญหาจะต้องแก้ด้วยการเขียน prompt ใหม่เสมอไป
ตัวอย่างคือ หากปัญหาหลักของเราคือ latency หรือความเร็วในการตอบ และ cost หรือค่าใช้จ่าย บางครั้งการเปลี่ยนไปใช้โมเดลอีกตัวอาจแก้ปัญหาได้ง่ายกว่าและตรงจุดกว่าการฝืนปรับ prompt เดิมต่อไป
ประเด็นนี้สำคัญมาก เพราะสะท้อนแนวคิดที่เป็นมืออาชีพในการใช้งาน AI คือ
- ถ้าปัญหาอยู่ที่ “โมเดลไม่เข้าใจงาน” อาจต้องปรับ prompt
- ถ้าปัญหาอยู่ที่ “ช้าเกินไป” หรือ “แพงเกินไป” อาจต้องปรับ model selection
- ถ้าปัญหาอยู่ที่ “output ไม่สม่ำเสมอ” อาจต้องดูทั้ง prompt, structured outputs, evaluation และระบบรอบข้างร่วมกัน
ดังนั้น หน้านี้จึงไม่ได้เชียร์ให้ใช้ prompt engineering แก้ทุกอย่าง แต่บอกให้ใช้มันอย่างเหมาะสมในจุดที่มันควบคุมได้จริง
3) แล้วควรทำ Prompt Engineering อย่างไร
เทคนิคสำคัญทั้งหมดของการเขียน prompt นั้นไปอยู่ในหน้า Prompting best practices ซึ่งเป็นหน้าอ้างอิงหลักแบบอัปเดตต่อเนื่อง โดยครอบคลุมเทคนิคสำคัญ เช่น
- การเขียนให้ชัดเจน
- การให้ตัวอย่าง
- การจัดโครงสร้างด้วย XML
- การกำหนดบทบาทให้โมเดล
- การให้โมเดลคิดอย่างเป็นขั้นตอน
- การต่อ prompt เป็นหลายช่วงหรือ prompt chaining
ความหมายก็คือ หน้า overview นี้ไม่ได้ลงลึกเชิงเทคนิคทีละวิธี แต่ทำหน้าที่เป็น “แผนที่” พาเราไปยังแนวปฏิบัติหลักที่ใช้จริงในการปรับ prompt ให้ดีขึ้น
นอกจากนี้ Claude Console ยังมีเครื่องมือช่วยทำ prompt engineering ด้วย เช่น
- Prompt generator สำหรับสร้าง prompt ตั้งต้น
- Templates and variables สำหรับทำ prompt ให้เป็นระบบและนำกลับมาใช้ซ้ำได้
- Prompt improver สำหรับช่วยปรับปรุง prompt เดิมให้ดีขึ้นเร็วขึ้น
ถ้ามองในเชิงการทำงานจริง เครื่องมือเหล่านี้ช่วยลดเวลาการลองผิดลองถูก และทำให้การสร้าง prompt กลายเป็น workflow ที่วัดผลและปรับปรุงได้ต่อเนื่อง แทนที่จะเป็นงานที่อาศัยความรู้สึกเพียงอย่างเดียว
4) มีแหล่งเรียนรู้เพิ่มเติมอะไรบ้าง
สำหรับคนที่ชอบเรียนรู้แบบลงมือทำ ชี้ไปยัง Prompt engineering tutorial ในรูปแบบ interactive tutorial ด้วย 2 ทาง คือ
- เวอร์ชันบน GitHub
- เวอร์ชันบน Google Sheets
สิ่งนี้สะท้อนว่าทาง Claude ไม่ได้มอง prompt engineering เป็นแค่ทฤษฎี แต่เป็นทักษะที่ต้องฝึกจากตัวอย่างจริง ทดลองจริง และเปรียบเทียบผลจริง จึงมี tutorial ให้ผู้ใช้ได้เห็นตัวอย่างจำนวนมากและฝึกตามอย่างเป็นระบบ
สรุปใจความสำคัญของหน้านี้
ถ้าจะสรุปให้เข้าใจง่ายที่สุดคือ Prompt Engineering ที่ดี ไม่ได้เริ่มจากการเขียน prompt เก่งอย่างเดียว แต่เริ่มจากการนิยามเป้าหมายให้ชัด วัดผลให้ได้ แล้วค่อยปรับปรุง prompt อย่างมีระบบ
ยังย้ำอีกด้วยว่า ไม่ใช่ทุกปัญหาของระบบ AI จะต้องแก้ด้วย prompt เสมอไป บางเรื่องควรแก้ที่โมเดล บางเรื่องควรแก้ที่โครงสร้างระบบ บางเรื่องควรแก้ที่การประเมินผล ดังนั้นคนที่ทำงานกับ AI อย่างจริงจังควรคิดแบบองค์รวม ไม่ใช่คิดแค่ว่า “ตอบไม่ดี = ต้องเขียน prompt ใหม่” อย่างเดียว
ในมุมปฏิบัติ หน้า overview นี้จึงทำหน้าที่เหมือน “ประตูทางเข้า” ของโลก prompt engineering บน Claude โดยบอกว่า
- ต้องเตรียมอะไรให้พร้อมก่อน
- ต้องรู้ว่าเมื่อไรควรใช้เทคนิคนี้
- ต้องไปศึกษาต่อที่ไหน
- และมีเครื่องมืออะไรช่วยให้ทำงานเร็วขึ้นบ้าง
บทความจาก
https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview
