เวลาที่ใครสักคนเริ่มหัดใช้งาน AI แล้วพบว่ามันตอบคำถามไม่ตรงใจ ตอบออกทะเล หรือให้ข้อมูลผิด ๆ ถูก ๆ...
คำแนะนำยอดฮิตที่เรามักได้ยินในโลกโซเชียลมีเดียเสมอคือ:
“คุณต้องไปเรียนคอร์ส Prompt Engineering!”
“คุณต้องมีชุดคำสั่งเทพ รวม 100 Prompts สั่ง AI ให้ทำงานแทนเรา!”
ภาพจำของคนส่วนใหญ่จึงมองว่า ปัญหาที่ AI ทำงานไม่ได้ดั่งใจ เกิดจากการที่เรา “ยังพูดกับมันไม่เพราะพอ หรือยังใช้คำสั่งไม่ศักดิ์สิทธิ์พอ” และพอเริ่มมีคนพูดถึงคำว่า Context Engineering หลายคนก็เริ่มเกิดความสับสนและตั้งคำถามว่า:
“ตกลงแล้วเวลาทำงานจริง เราต้องเลือกข้างไหนกันแน่?
เราต้องทิ้ง Prompt แล้วหันมาทำแต่ Context หรือเราต้องเค้นเขียน Prompt ยาว ๆ เป็นหน้ากระดาษต่อไป?”
ถ้าถามผมอย่างเปิดอกในฐานะคนทำงานจริง... ผมบอกได้ทันทีเลยครับว่า เราไม่ได้ต้องเลือกข้างใดข้างหนึ่งเลยแม้แต่น้อย!
เพราะในความเป็นจริง สิ่งที่เราใช้และทำงานได้ผลจริงในชีวิตประจำวัน คือ “แนวทางลูกผสม (Hybrid Prompt–Context Approach)” เสมอครับ:
- บางส่วนถูกจัดวางเตรียมไว้เป็น Context อยู่ใน Repository, ฐานข้อมูล, API หรือประวัติของระบบ
- และบางส่วนก็ถูกสั่งการผ่าน Prompt สั้น ๆ ในหน้าต่าง Session แต่ละรอบ
- โดยไม่จำเป็นต้องเป็นคำสั่งที่ยาวยืดทุกครั้งไป!
ทำไมแนวทางลูกผสม (Hybrid) ถึงเป็นคำตอบที่ปลดล็อกทั้งความง่ายและความถูกต้องในการทำงานจริง? เรามาคลี่ดูชิ้นส่วนทั้งสองฝั่งไปด้วยกันครับ
1. ผ่าแกน Prompt Engineering: หางเสือและพิมพ์เขียว (ไม่จำเป็นต้องยาว)
ก่อนจะเจาะลึก เรามาทำข้อตกลงเรื่องคำศัพท์เพื่อเชื่อมโยงกับตอนก่อนหน้ากันสักนิดครับ: ใน ตอนที่ 02 (The Truth of Text Completion) เราคุยกันในเชิงเทคนิคว่า Prompt คือข้อความทั้งหมดที่ถูกป้อนเข้าโมเดลเพื่อใช้คาดเดาคำถัดไป แต่ในตอนนี้ เมื่อเราพูดถึง Prompt ในมุมการทำงานจริง เราหมายถึง “ข้อความคำสั่งที่ผู้ใช้งานพิมพ์สั่งในแต่ละรอบ (User Message)” ซึ่งตัว Harness หรือระบบหน้าบ้านจะนำข้อความนี้ไปประกอบรวมกับบริบทส่วนอื่น ๆ ก่อนส่งต่อไปยังโมเดลครับ
คำว่า Prompt Engineering ในชีวิตประจำวันจึงมักถูกแต่งแต้มจนฟังดูเหมือนเวทมนตร์ แต่แท้จริงแล้วมันคือ “วินัยในการสื่อสารเจตนาของมนุษย์ให้คอมพิวเตอร์เข้าใจ” เท่านั้นเองครับ
เหมือนเวลาที่เรามอบหมายงานให้เพื่อนร่วมงาน ถ้าเราสั่งแบบกำกวมว่า "ช่วยดูอันนี้ให้หน่อย" คนรับสารก็ต้องเดาใจ แต่ถ้าเราสั่งอย่างมีโครงสร้างและเป้าหมายชัดเจน ผลลัพธ์จะดีขึ้นทันที
Prompt ที่ดีในโลกการทำงาน ไม่จำเป็นต้องยาวเป็นเรียงความ แต่มักประกอบด้วย 4 เสาหลักง่าย ๆ:
- เป้าหมาย (Objective): "ตรวจใบขอจัดซื้ออุปกรณ์ว่าอยู่ในเกณฑ์วงเงินหรือไม่"
- บทบาท (Role / Persona): "ตอบในฐานะเจ้าหน้าที่ตรวจสอบพัสดุ"
- ข้อจำกัด (Constraints): "ห้ามสรุปว่าอนุมัติหากยังไม่เห็นงบจริง และตอบสั้นกระชับ"
- รูปแบบ (Output Format): "สรุปผลเป็น 3 หัวข้อ: สถานะวงเงิน, อ้างอิงระเบียบ, และส่วนต่างงบประมาณ"
การจัดระเบียบคำสั่งแบบนี้คือการกำหนด "หางเสือและพิมพ์เขียว" เพื่อไม่ให้ AI หลงทิศ จริงอยู่ที่เราสามารถพิมพ์แปะข้อเท็จจริงหรือเนื้อหาเอกสารลงไปในกล่องข้อความพร้อมกับคำสั่งได้ แต่นั่นจะทำให้คำสั่งยาว เทอะทะ และจัดการยากในระยะยาว หากเราไม่จัดเตรียมข้อมูลไว้อย่างเป็นระบบ และไม่ว่าคำสั่งจะเขียนมาประณีตเพียงใด ตัวคำสั่งเองก็ไม่สามารถเสกข้อเท็จจริงที่โมเดลไม่เคยรู้ หรือไม่มีอยู่ในบริบทขึ้นมาเองได้ครับ
2. ผ่าแกน Context Engineering: ฐานรากของข้อมูลและกติกา (โต๊ะทำงานและแฟ้มเอกสาร)
และนี่คือเหตุผลที่ฝั่ง Context Engineering ต้องเข้ามาเป็นคู่หูร่วมทัพ
ถ้า Prompt คือเสียงสั่งงานของผู้จัดการ... Context ก็คือทุกสิ่งทุกอย่างที่วางอยู่บนโต๊ะทำงานของพนักงานในวินาทีนั้นครับ!
ลองจินตนาการว่า บริษัทของคุณเพิ่งรับน้องพนักงานฝึกงานเข้ามาใหม่ ต่อให้คุณเดินไปสั่งงานด้วย Prompt ที่เพอร์เฟกต์ระดับกวีซีไรต์ แต่บนโต๊ะของน้อง ไม่มีแฟ้มระเบียบบริษัท ไม่มีใบขอจัดซื้อตัวจริง และไม่รู้ว่างบประมาณเหลือเท่าไหร่... น้องเขาจะทำงานนี้ให้ถูกต้องได้อย่างไร?
การทำ Context Engineering ในโลกจริง ไม่ใช่เรื่องลึกลับซับซ้อน แต่คือการ "จัดเตรียมข้อมูลและกติกาไว้ในที่ที่ระบบเข้าถึงได้" ก่อนที่งานจะเริ่ม:
- ข้อมูลงานจริง (Input Data): ไฟล์เอกสารคำขอ สเปกงาน หรือข้อมูลที่ดึงมาจาก API / ฐานข้อมูล
- แฟ้มระเบียบและกติกา (Knowledge & Policy): ไฟล์คู่มือ หรือระเบียบบริษัท (ที่เก็บใน Repository หรือดึงผ่านระบบ RAG)
- แม่แบบผลลัพธ์และประวัติเดิม (Template & State): หน้าตาตารางตัวอย่าง หรือประวัติการคุยเดิมในห้องแชต
(ในบทนี้ ผมขอยกตัวอย่างการเก็บไฟล์เอกสารไว้ใน Repository / โฟลเดอร์โครงการ เป็นหลัก เพราะเห็นภาพการทำงานจริงได้ชัดเจนและจับต้องได้ง่ายที่สุด แต่ในระบบใหญ่ บริบทเหล่านี้ยังอาจถูกดึงมาจากฐานข้อมูล ระบบ ERP หรือ API ภายนอกได้เช่นกันครับ)
เมื่อ Context ถูกจัดเตรียมไว้อย่างเป็นระเบียบ สิ่งมหัศจรรย์ก็คือ: คำสั่ง (Prompt) ที่เราต้องพิมพ์ในแต่ละรอบจะสั้นลงอย่างมหาศาล!
3. แนวทางลูกผสม (Hybrid Prompt–Context Approach): ทำงานร่วมกันอย่างไรในชีวิตจริง?
เพื่อให้เห็นภาพที่ชัดเจนที่สุด ลองมาดูการทำงานจริงในชีวิตประจำวันของเราครับ:
ทำไมเราถึงไม่ต้องเขียน Prompt ยาวยืดทุกครั้ง?
ถ้าไม่มี Context เตรียมไว้ล่วงหน้า เวลาที่เราจะสั่งงาน AI แต่ละครั้ง เราจะต้องก๊อปปี้ข้อความระเบียบบริษัท 5 หน้ากระดาษ มาแปะลงในกล่องข้อความ พร้อมกับพิมพ์คำสั่งยาว 2 หน้ากระดาษเพื่อกำชับว่าห้ามทำผิด... ซึ่งทั้งเหนื่อย เสียเวลาพิมพ์ และเสี่ยงที่ AI จะสับสนในตัวคำสั่ง
แต่เมื่อเราใช้ แนวทางลูกผสม (Hybrid Prompt–Context Approach):
- บนหน้าต่าง WebChat ทั่วไป:
- เราแค่ลากไฟล์ PDF ขออนุมัติ และไฟล์ PDF ระเบียบ โยนเข้าไปในห้องแชต
- แล้วพิมพ์ Prompt สั้น ๆ บรรทัดเดียว: “ช่วยตรวจสอบคำสั่งซื้อนี้เทียบกับระเบียบข้อ 4.2 ในเอกสารที่แนบ และสรุปผลตามรูปแบบนี้ให้หน่อย” จบ!
- บน Local Harness (เช่น โปรแกรม Agent หรือซอฟต์แวร์ในเครื่อง):
- วิธีการยิ่งตรงไปตรงมาและทรงพลังขึ้นไปอีก: เราเอาไฟล์เอกสารไปวางไว้ในโฟลเดอร์ของ Repository แล้วพิมพ์สั่งงานผ่าน Session สั้น ๆ พร้อมระบุ Path ที่เก็บไฟล์ไว้!
- เช่น พิมพ์สั่งใน Session สั้น ๆ แค่: > “ช่วยตรวจสอบใบขอซื้อใน
docs/purchases/PR-001.pdfเทียบกับระเบียบในdocs/policy/equipment-rule-4.2.pdfแล้วสรุปผลลัพธ์เป็นตาราง” - ตัว Local Harness ที่มีเครื่องมืออ่านไฟล์ จะวิ่งไปเปิดเอกสารจาก Path นั้นมาเป็น Context ให้โมเดลประมวลผลทันที โดยที่เราไม่ต้องก๊อปปี้ข้อความยาวเหยียดมาพิมพ์เองเลยแม้แต่น้อย!
4. ตัวอย่างผลลัพธ์: ความแม่นยำจากพลังลูกผสม
เมื่อใช้แนวทางลูกผสม (Context แน่นใน Repo + Prompt สั้นกระชับใน Session) ผลลัพธ์ที่ได้จะออกมาเฉียบคมและตรวจสอบย้อนกลับได้จริง:
โจทย์: ตรวจสอบใบขอซื้อโน้ตบุ๊กราคา 38,000 บาท สำหรับพนักงานตำแหน่ง Software Engineer เข้าใหม่
- ผลลัพธ์ที่ได้จาก AI:
- สถานะ: อยู่ในเกณฑ์วงเงิน (รอตรวจสอบเงื่อนไขอื่น เช่น สิทธิ์และงบประมาณคงเหลือจริง)
- อ้างอิงระเบียบ: สอดคล้องกับระเบียบสวัสดิการอุปกรณ์ข้อ 4.2 (เพดานงบไม่เกิน 45,000 บาท)
- ส่วนต่างงบประมาณ: ราคาขออนุมัติ 38,000 บาท ต่ำกว่าเพดานสิทธิ์ 7,000 บาท
ไม่ต้องใช้คำขู่ ไม่ต้องใส่คำอ้อนวอน ไม่ต้องพิมพ์ Prompt ยาวเป็นหน้ากระดาษ ผลลัพธ์ก็แม่นยำและพร้อมนำไปใช้งานต่อ เพราะ Context ใน Repository ทำหน้าที่ป้อนความจริง ส่วน Prompt ใน Session ทำหน้าที่บอกทิศทาง ครับ
5. สามประสานในโลกจริง: เมื่อ Prompt, Context และคนตรวจรับ เดินไปด้วยกัน
เมื่อเห็นภาพสถาปัตยกรรมลูกผสมแล้ว เราจะเข้าใจทันทีว่าในโลกการทำงานจริง ไม่มีใครแยกส่วนสิ่งเหล่านี้ออกจากกัน แต่ทุกอย่างทำงานร่วมกันเป็น สามประสาน (The Practical Triad):
- Context ใน Repository ที่เหมาะสม: ทำหน้าที่เป็นเสบียงและฐานรากข้อเท็จจริง ช่วยลดอาการภาพหลอน (Hallucination) ได้อย่างมีประสิทธิภาพ
- Prompt ใน Session ที่ชัดเจน: ทำหน้าที่เป็นหางเสือกำหนดเป้าหมายและรูปแบบผลลัพธ์ โดยไม่ต้องยาวยืด
- การตรวจรับโดยมนุษย์ (Human Verification): ตรวจสอบผลลัพธ์ขั้นสุดท้ายเสมอ เพราะแม้จะมีทั้ง Context และ Prompt ที่ดี AI ก็ยังมีโอกาสอ่านพลาดหรือตีความคลาดเคลื่อนได้
และถ้าเชื่อมโยงกลับไปที่ ตอนที่ 09 (Harness) และ ตอนที่ 13 (The Agent Loop) เราจะเห็นชัดเจนว่า Harness คือตัวกลางที่ทำหน้าที่เป็น Context Assembler คอยหยิบ Context จาก Repository มารวมกับ Prompt จาก Session ของเราในแต่ละรอบนั่นเองครับ!
6. ตารางสรุปเปรียบเทียบ: บทบาทในแนวทางลูกผสม (Hybrid Approach)
| มิติการพิจารณา | Prompt ใน Session | Context ในระบบ (Repository / Data / API) |
|---|---|---|
| บทบาทในระบบ | หางเสือชี้นำทางและพิมพ์เขียวผลลัพธ์ | เสบียง คลังความรู้ และฐานรากข้อเท็จจริง |
| ตำแหน่งที่อยู่ | พิมพ์สั่งในกล่องข้อความแต่ละรอบ (Dynamic) | วางในไฟล์ โฟลเดอร์ ฐานข้อมูล หรือระบบ RAG (Persistent) |
| ลักษณะที่ดี | สั้น กระชับ ชี้เป้าหมายและรูปแบบชัดเจน | ครบถ้วน ถูกต้อง ตรงประเด็น และไม่มีขยะส่วนเกิน |
| ผลต่อความแม่นยำ | ช่วยให้ได้รูปแบบและขอบเขตงานที่ตรงใจ | ช่วยให้คำตอบอ้างอิงข้อเท็จจริงและลดภาพหลอน |
| ผู้รับผิดชอบหลัก | ผู้ใช้งานที่สั่งงานในรอบนั้น | คนจัดเตรียมข้อมูล, วิศวกรระบบ หรือ Harness |
บทสรุปและสิ่งที่จะคุยกันต่อ
เมื่อเราเข้าใจตั้งแต่ตัวเครื่องยนต์ สถาปัตยกรรมคลาวด์และในบ้าน ตลอดจนศาสตร์การทำงานแบบลูกผสมระหว่าง Context ใน Repo กับ Prompt สั้น ๆ ใน Session ครบถ้วนแล้ว...
ลองถอยออกมามองภาพใหญ่ของวงการ AI ทั้งหมดในปัจจุบันดูครับ: มีทั้งบริษัทเทคยักษ์ใหญ่ที่ทุ่มเงินสร้างโมเดล มีวิศวกรที่คอยทำ Harness มีคนนำระบบไปเชื่อมต่อ และมีผู้ใช้งานอย่างพวกเรา...
คำถามสำคัญที่ทุกคนมักแอบกังวลอยู่ในใจก็คือ:
“ในโลกที่ AI กำลังเก่งขึ้นทุกวันจนน่าตกใจ... แล้ว 'มนุษย์' อย่างพวกเรา ควรจะไปยืนอยู่ตรงไหนในห่วงโซ่นี้?
เราต้องดิ้นรนไปฝึกเทรนโมเดลแข่งกับเขาไหม? หรือแท้จริงแล้ว มีบทบาททองคำบางอย่างที่สร้างคุณค่าได้มากกว่า โดยไม่ต้องเขียนโค้ดแข่งกับใครเลย?”
ในตอนต่อไป — ตอนที่ 20: คน กับ AI — เราจะไปอยู่ตรงไหนในห่วงโซ่นี้? เราจะมากางบันได 5 ขั้นของมนุษย์กับ AI เพื่อหาตำแหน่งแห่งที่ที่มั่นคงและคุ้มค่าที่สุดสำหรับเรากันครับ!
ศัพท์เทคนิค → คำแปลภาษาคนทำงาน — แตะเพื่อย่อ/ขยาย
- Hybrid Prompt–Context Approach: แนวทางการทำงานร่วมกับ AI แบบลูกผสม ที่แบ่งหน้าที่ระหว่างการจัดเตรียมข้อมูลและกติกาไว้เป็น Context ในระบบ กับการสั่งการงานเฉพาะรอบผ่าน Prompt สั้น ๆ ใน Session
- Grounding: การผูกโยงคำตอบของ AI เข้ากับเอกสารหรือข้อเท็จจริงที่มีอยู่จริงใน Context เพื่อป้องกันไม่ให้โมเดลคาดเดาไปเอง
หลักคิดเชิงสถาปัตยกรรม — แตะเพื่อย่อ/ขยาย
- Stop Choosing Sides, Embrace Hybrid: เลิกเสียเวลาถกเถียงว่าจะเลือก Prompt Engineering หรือ Context Engineering เพราะระบบที่ดีในโลกธุรกิจต้องใช้ทั้งสองอย่างร่วมกัน Context คือเสบียง ส่วน Prompt คือหางเสือ
- Short Prompts Win When Context is Ready: เมื่อจัดเตรียม Context ในระบบไว้อย่างเป็นระเบียบ คำสั่ง Prompt ของคุณจะสั้นลงอย่างมหาศาล ช่วยประหยัดเวลาพิมพ์ ลดความสับสนของคำสั่ง และลดโอกาสผิดพลาด (ส่วนปริมาณ Token รวมที่ใช้ จะขึ้นอยู่กับขนาดของเอกสาร Context ที่ระบบโหลดเข้ามาในรอบนั้นครับ)