prompt engineering ต้องเรียนอะไร

Prompt Engineering คืออะไร

Prompt Engineering คือศาสตร์และศิลป์ของการออกแบบคำสั่ง (Prompt) เพื่อสื่อสารกับ AI Language Model ให้สร้าง Output ที่ตรงตามต้องการ ไม่ใช่แค่การพิมพ์คำถามง่ายๆ แต่เป็นการเข้าใจว่า Model ทำงานอย่างไร การจัดโครงสร้าง Prompt ที่มีประสิทธิภาพ การใช้เทคนิคต่างๆเช่น Chain-of-Thought, Few-shot Learning และ System Prompting เพื่อให้ได้ผลลัพธ์ที่แม่นยำและเชื่อถือได้

ในปี 2026 Prompt Engineering เป็นทักษะที่มีความต้องการสูงมากเพราะ AI ถูกนำมาใช้ในทุกอุตสาหกรรม ตั้งแต่การเขียน Content การวิเคราะห์ข้อมูล การเขียน Code การสร้าง Chatbot ไปจนถึง Automation ของกระบวนการทางธุรกิจ ผู้ที่เข้าใจ Prompt Engineering สามารถใช้ AI เป็นเครื่องมือเพิ่มประสิทธิภาพการทำงานได้มหาศาล

ขั้นที่ 1: เข้าใจพื้นฐาน LLM (2 สัปดาห์)

• เข้าใจว่า Large Language Model ทำงานอย่างไร (Tokenization, Next Token Prediction, Attention Mechanism)
• รู้จัก Model ต่างๆ เช่น GPT-4, Claude, Gemini, Llama, Mistral และจุดแข็งของแต่ละตัว
• เข้าใจ Parameters ที่สำคัญ เช่น Temperature, Top-p, Max Tokens, Frequency Penalty
• รู้ข้อจำกัดของ LLM เช่น Hallucination, Context Window Limit, Knowledge Cutoff

ขั้นที่ 2: เทคนิค Prompting พื้นฐาน (2 สัปดาห์)

• Zero-shot Prompting — ให้คำสั่งโดยไม่มีตัวอย่าง
• Few-shot Prompting — ให้ตัวอย่าง Input/Output ก่อนถามคำถามจริง
• Role Prompting — กำหนดบทบาทให้ AI เช่น "คุณคือ Senior Python Developer"
• Chain-of-Thought — สั่งให้ AI คิดเป็นขั้นตอนก่อนตอบ
• Structured Output — สั่งให้ AI ตอบในรูปแบบ JSON, Markdown, Table

ขั้นที่ 3: เทคนิคขั้นสูง (1 เดือน)

• System Prompting — ออกแบบ System Prompt สำหรับ Chatbot และ AI Agent
• RAG (Retrieval Augmented Generation) — เชื่อมต่อ AI กับฐานข้อมูลภายนอก
• Function Calling / Tool Use — ให้ AI เรียกใช้ API และเครื่องมือต่างๆ
• Multi-turn Conversation Design — ออกแบบการสนทนาหลายรอบ
• Prompt Chaining — เชื่อม Prompt หลายตัวเข้าด้วยกันเป็น Pipeline

ขั้นที่ 4: สร้าง AI Application (1-2 เดือน)

• เรียนรู้ Python พื้นฐานสำหรับเรียก API
• ใช้ LangChain หรือ LlamaIndex สร้าง AI Application
• สร้าง RAG System ด้วย Vector Database
• Deploy AI Application บน Cloud

ตัวอย่าง Prompt Techniques ที่ใช้งานจริง

# ตัวอย่าง Prompt Techniques ต่างๆ

# 1. Zero-shot Prompting
prompt_zero = """
วิเคราะห์ Sentiment ของรีวิวต่อไปนี้และตอบเป็น JSON:
รีวิว: "อาหารอร่อยมาก บริการดี แต่ราคาแพงไปหน่อย"
"""

# 2. Few-shot Prompting
prompt_few = """
วิเคราะห์ Sentiment ของรีวิว:

รีวิว: "สินค้าดี ส่งเร็ว"
ผลลัพธ์: {"sentiment": "positive", "score": 0.9}

รีวิว: "สินค้าเสียหาย ผิดหวังมาก"
ผลลัพธ์: {"sentiment": "negative", "score": 0.95}

รีวิว: "ใช้ได้ ราคาพอสมควร"
ผลลัพธ์: {"sentiment": "neutral", "score": 0.6}

รีวิว: "อาหารอร่อยมาก บริการดี แต่ราคาแพงไปหน่อย"
ผลลัพธ์:
"""

# 3. Chain-of-Thought Prompting
prompt_cot = """
วิเคราะห์รีวิวต่อไปนี้แบบ Step-by-step:
รีวิว: "อาหารอร่อยมาก บริการดี แต่ราคาแพงไปหน่อย"

ขั้นตอน 1: ระบุคำที่แสดง Sentiment ทั้งบวกและลบ
ขั้นตอน 2: ให้คะแนนแต่ละด้าน (อาหาร, บริการ, ราคา) จาก 1-5
ขั้นตอน 3: สรุป Overall Sentiment พร้อมเหตุผล
ขั้นตอน 4: ตอบเป็น JSON

เริ่มวิเคราะห์:
"""

# 4. System Prompt สำหรับ Chatbot
system_prompt = """
คุณคือ AI ผู้ช่วยฝ่ายบริการลูกค้าของร้านอาหารออนไลน์

กฎที่ต้องปฏิบัติตาม:
1. ตอบเป็นภาษาไทยเสมอ ใช้คำสุภาพ
2. ถ้าลูกค้าถามเรื่องที่ไม่เกี่ยวกับร้านอาหาร ให้ปฏิเสธอย่างสุภาพ
3. ถ้าลูกค้าร้องเรียน ให้ขอโทษก่อน แล้วถามรายละเอียด Order ID
4. ถ้าไม่แน่ใจคำตอบ ให้บอกว่าจะส่งเรื่องให้ทีมตรวจสอบ
5. ห้ามให้ข้อมูลเกี่ยวกับราคาต้นทุนหรือข้อมูลภายในบริษัท
6. สามารถตรวจสอบสถานะ Order ได้โดยเรียก check_order_status(order_id)

รูปแบบการตอบ:
- ทักทายลูกค้า
- ตอบคำถามหรือแก้ปัญหา
- ถามว่ามีอะไรช่วยเพิ่มเติมไหม
"""

การสร้าง RAG System ด้วย Python

RAG (Retrieval Augmented Generation) เป็นเทคนิคที่ช่วยให้ AI ตอบคำถามจากข้อมูลที่เราให้ แทนที่จะตอบจาก Training Data เพียงอย่างเดียว เหมาะสำหรับสร้าง Chatbot ที่ตอบคำถามเกี่ยวกับเอกสารขององค์กร

# สร้าง RAG System ด้วย LangChain + ChromaDB
# pip install langchain langchain-openai chromadb

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
import os

# ตั้งค่า API Key
os.environ["OPENAI_API_KEY"] = "sk-your-api-key"

# 1. โหลดเอกสาร
documents = [
    "นโยบายการคืนสินค้า: ลูกค้าสามารถคืนสินค้าภายใน 30 วัน สินค้าต้องอยู่ในสภาพเดิม มีใบเสร็จ",
    "วิธีสั่งซื้อ: เลือกสินค้า เพิ่มลงตะกร้า กรอกที่อยู่จัดส่ง เลือกวิธีชำระเงิน ยืนยันคำสั่งซื้อ",
    "ค่าจัดส่ง: สั่งซื้อ 500 บาทขึ้นไปส่งฟรี ต่ำกว่า 500 บาทคิดค่าส่ง 50 บาท จัดส่งภายใน 3-5 วันทำการ",
    "โปรโมชัน: สมาชิกใหม่ลด 10% ใช้โค้ด WELCOME10 ใช้ได้ถึงสิ้นเดือน",
    "วิธีติดต่อ: โทร 02-xxx-xxxx (จันทร์-ศุกร์ 9:00-18:00) หรือ Line @shopname",
]

# 2. แบ่งเอกสารเป็น Chunks
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=200,
    chunk_overlap=20,
)
chunks = text_splitter.create_documents(documents)

# 3. สร้าง Vector Store
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(
    documents=chunks,
    embedding=embeddings,
    persist_directory="./chroma_db",
)

# 4. สร้าง Retrieval Chain
prompt_template = PromptTemplate(
    template="""คุณคือ AI ผู้ช่วยฝ่ายบริการลูกค้า
ใช้ข้อมูลต่อไปนี้ในการตอบคำถาม ถ้าไม่มีข้อมูลให้บอกว่าไม่ทราบ

ข้อมูล: {context}

คำถาม: {question}

คำตอบ (ตอบเป็นภาษาไทย สุภาพ):""",
    input_variables=["context", "question"],
)

qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-4o-mini", temperature=0),
    chain_type="stuff",
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3}),
    chain_type_kwargs={"prompt": prompt_template},
)

# 5. ทดสอบถามคำถาม
questions = [
    "คืนสินค้าได้กี่วัน",
    "สั่งของเท่าไรถึงส่งฟรี",
    "มีโปรโมชันอะไรบ้าง",
]

for q in questions:
    result = qa_chain.invoke({"query": q})
    print(f"Q: {q}")
    print(f"A: {result['result']}")
    print("---")

การใช้ Function Calling / Tool Use

# ตัวอย่าง OpenAI Function Calling
from openai import OpenAI
import json

client = OpenAI()

# กำหนด Tools ที่ AI สามารถเรียกใช้ได้
tools = [
    {
        "type": "function",
        "function": {
            "name": "check_order_status",
            "description": "ตรวจสอบสถานะคำสั่งซื้อจาก Order ID",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "หมายเลขคำสั่งซื้อ เช่น ORD-12345"
                    }
                },
                "required": ["order_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "search_products",
            "description": "ค้นหาสินค้าจากชื่อหรือหมวดหมู่",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "คำค้นหา"},
                    "category": {"type": "string", "description": "หมวดหมู่"},
                    "max_price": {"type": "number", "description": "ราคาสูงสุด"}
                },
                "required": ["query"]
            }
        }
    }
]

def check_order_status(order_id):
    """จำลองการตรวจสอบสถานะ Order"""
    statuses = {
        "ORD-12345": {"status": "กำลังจัดส่ง", "tracking": "TH123456789", "eta": "2 วัน"},
        "ORD-67890": {"status": "เตรียมจัดส่ง", "tracking": "", "eta": "3-5 วัน"},
    }
    return statuses.get(order_id, {"status": "ไม่พบคำสั่งซื้อ"})

def search_products(query, category=None, max_price=None):
    """จำลองการค้นหาสินค้า"""
    return [
        {"name": f"{query} รุ่น A", "price": 590, "in_stock": True},
        {"name": f"{query} รุ่น B", "price": 890, "in_stock": True},
    ]

# ส่งข้อความพร้อม Tools
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "คุณคือ AI ผู้ช่วยร้านค้าออนไลน์"},
        {"role": "user", "content": "ตรวจสอบสถานะ Order ORD-12345 ให้หน่อย"}
    ],
    tools=tools,
    tool_choice="auto",
)

# จัดการ Function Call
msg = response.choices[0].message
if msg.tool_calls:
    for call in msg.tool_calls:
        func_name = call.function.name
        args = json.loads(call.function.arguments)
        
        if func_name == "check_order_status":
            result = check_order_status(args["order_id"])
        elif func_name == "search_products":
            result = search_products(**args)
        
        print(f"Function: {func_name}")
        print(f"Args: {args}")
        print(f"Result: {result}")

Prompt Engineering Best Practices

• ชัดเจนและเฉพาะเจาะจง: บอก AI อย่างชัดเจนว่าต้องการอะไร รูปแบบไหน ความยาวเท่าไร แทนที่จะบอกกว้างๆ
• ให้ตัวอย่าง: Few-shot Prompting ช่วยให้ AI เข้าใจ Pattern ที่ต้องการได้ดีขึ้น ให้ตัวอย่าง 2-3 ตัวอย่าง
• แบ่งงานซับซ้อนเป็นขั้นตอน: แทนที่จะสั่งทำทั้งหมดในคำสั่งเดียว แบ่งเป็น Step ย่อยๆจะได้ผลลัพธ์ดีกว่า
• กำหนดข้อจำกัด: บอก AI ว่าห้ามทำอะไร เช่น ห้ามแต่งข้อมูลเอง ห้ามตอบนอกขอบเขต
• ใช้ System Prompt: กำหนดบทบาท กฎ และ Context ใน System Prompt เพื่อ Consistency
• ทดสอบซ้ำ: Prompt ที่ดีต้องผ่านการทดสอบหลายรอบ ปรับปรุงจนได้ผลลัพธ์ที่ต้องการ
• Version Control: เก็บ Prompt ที่ใช้งานจริงใน Git พร้อม Version เพื่อ Track การเปลี่ยนแปลง

สรุปและแนวทางปฏิบัติ

Prompt Engineering เป็นทักษะที่ทุกู้คืนในสาย IT ควรมี ไม่ว่าจะเป็น Developer, Data Analyst, Content Creator หรือ Product Manager เริ่มจากเข้าใจพื้นฐานของ LLM แล้วฝึกเทคนิค Prompting ต่างๆจนคล่อง จากนั้นขยับไปสร้าง AI Application จริงด้วย Python และ LangChain สิ่งสำคัญคือต้องฝึกทุกวัน ทดลองเทคนิคใหม่ๆ และติดตามการเปลี่ยนแปลงของ Model ต่างๆเพราะสาย AI พัฒนาเร็วมาก