สรุปจากคลิป ดูคลิปต้นฉบับ
Prompting Framework ที่ทำให้เราใช้ AI ได้เหนือกว่าคนส่วนใหญ่
คนจำนวนมากบ่นว่า AI ตอบกว้างไป ตอบไม่ตรง หรือให้ผลลัพธ์แบบใช้ต่อไม่ได้ แต่ปัญหามักไม่ได้อยู่ที่ AI อย่างเดียว แต่อยู่ที่วิธีสั่งงานด้วย ถ้า prompt ยังคลุมเครือ ผลลัพธ์ก็มักคลุมเครือตามไปด้วย
คลิปสั้นของ Tina Huang สรุปเรื่องนี้ได้คมมาก ด้วย framework จำง่ายที่ช่วยปรับการใช้ AI ให้เหนือกว่าคนส่วนใหญ่ แกนหลักไม่ได้ซับซ้อนเลย แต่ถ้าเอาไปใช้จริงในงาน จะเห็นความต่างทันที โดยเฉพาะสำหรับเจ้าของธุรกิจและคนทำงานที่อยากใช้ AI ช่วยคิด ช่วยเขียน ช่วยวิเคราะห์ และช่วยทำงานซ้ำๆ ให้เร็วขึ้น
สิ่งที่น่าสนใจคือ framework นี้ไม่ได้สอนแค่ “พิมพ์อะไรลงไป” แต่สอนวิธีคิดก่อนสั่ง AI ด้วย นั่นทำให้มันมีค่ามากกว่า prompt สำเร็จรูป เพราะเราเอาไปใช้กับงานขาย การตลาด การบริการลูกค้า การวางแผน หรือการสื่อสารในองค์กรได้หมด
สารบัญ
- Step 1: จำ framework ให้ได้ก่อน ด้วยคำว่า TCREI
- Step 2: กำหนด Task ให้ชัด ว่าอยากให้ AI ทำอะไรแน่
- Step 3: ใส่ Context ให้พอ เหมือน brief งานให้คนใหม่ในทีม
- Step 4: ใช้ References เพราะตัวอย่างสื่อสารได้ดีกว่าคำอธิบาย
- Step 5: Evaluate ทุกครั้ง อย่ารีบเอาคำตอบแรกไปใช้
- Step 6: Iterate จนกว่าจะได้ผลลัพธ์ที่ใช่
- Step 7: ประกอบทั้ง 5 ส่วนเข้าด้วยกันเป็น prompt ที่ใช้ทำงานได้จริง
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
Step 1: จำ framework ให้ได้ก่อน ด้วยคำว่า TCREI
แกนของ framework นี้มี 5 ส่วน คือ T = Task, C = Context, R = References, E = Evaluate, I = Iterate ถ้าเรียงเป็นลำดับ มันคือวิธีคุยกับ AI แบบคนที่รู้ว่าตัวเองต้องการอะไร ไม่ใช่โยนโจทย์กว้างๆ แล้วหวังว่าจะได้คำตอบที่ดีเอง
ในคลิปมีลูกเล่นช่วยจำแบบขำๆ ว่า “Tiny crabs ride enormous iguanas” จุดสำคัญไม่ใช่ประโยคนี้ แต่คือการจำให้ได้ว่า prompt ที่ดีควรมีอะไรบ้าง และหลัง AI ตอบกลับมาแล้ว เราต้องไม่หยุดแค่รอบแรก
สำหรับคนทำธุรกิจไทย จุดนี้สำคัญมาก เพราะหลายครั้งเราใช้ AI แบบรีบๆ เช่น “ช่วยเขียนโพสต์ขายของหน่อย” หรือ “ช่วยสรุปรายงานหน่อย” ซึ่งฟังดูเหมือนพอ แต่จริงๆ แล้ว AI ยังไม่รู้เลยว่าโพสต์นั้นจะขายอะไร ขายให้ใคร ใช้น้ำเสียงแบบไหน และมีข้อจำกัดอะไรบ้าง
ถ้าเปลี่ยนจากการ “ขอให้ช่วย” มาเป็นการ “brief งาน” ให้ครบ เราจะได้ผลลัพธ์ที่พร้อมใช้งานมากขึ้น และเสียเวลาน้อยลงในการแก้ทีหลัง
Step 2: กำหนด Task ให้ชัด ว่าอยากให้ AI ทำอะไรแน่
Task คือหัวใจข้อแรก และมักเป็นจุดที่คนพลาดบ่อยที่สุด Tina Huang เน้นชัดว่า เราต้องบอกให้ได้ว่าอยากให้ AI ทำอะไร ไม่ใช่บอกแค่หัวข้อกว้างๆ
Task ที่ดีควรตอบคำถามเหล่านี้ให้ได้:
- งานชิ้นนี้คืออะไร
- อยากได้ผลลัพธ์ในรูปแบบไหน
- อยากให้ AI รับบทเป็นใคร
- เกณฑ์ความสำเร็จของงานคืออะไร
ตัวอย่าง prompt ที่กว้างเกินไป:
- ช่วยเขียนแผนการตลาดให้หน่อย
ตัวอย่างที่ชัดขึ้น:
- Act as an experienced marketing strategist. ช่วยร่างแผนการตลาด 90 วันสำหรับร้านกาแฟ specialty ในกรุงเทพฯ โดยแบ่งเป็นช่องทางออนไลน์และออฟไลน์ สรุปเป็นตาราง พร้อมงบประมาณคร่าวๆ และ KPI รายสัปดาห์
จะเห็นว่าพอ Task ชัด AI ก็มีกรอบให้คิดมากขึ้นทันที
สำหรับเจ้าของธุรกิจไทย การระบุรูปแบบผลลัพธ์สำคัญมาก บางครั้งเราไม่ได้อยากได้คำอธิบายยาวๆ แต่อยากได้:
- ตารางเปรียบเทียบ
- bullet list สำหรับประชุมทีม
- สคริปต์ตอบแชตลูกค้า
- โพสต์ Facebook 3 เวอร์ชัน
- สรุป executive summary 1 หน้า
มุมมองที่อยากเติมคือ คนส่วนใหญ่คิดว่า prompt เก่งคือใช้คำสวยหรือใช้ศัพท์เทคนิคเยอะ แต่จริงๆ ไม่จำเป็น สิ่งที่สำคัญกว่าคือความชัดของโจทย์ ถ้าโจทย์ดี AI รุ่นธรรมดาก็ยังตอบดีขึ้นได้มาก
Step 3: ใส่ Context ให้พอ เหมือน brief งานให้คนใหม่ในทีม
ข้อที่สองของ framework คือ Context และเป็นส่วนที่ปรับคุณภาพงานได้มากที่สุด Tina Huang อธิบายไว้ตรงประเด็นว่า ยิ่งให้ context มาก ผลลัพธ์ก็มักยิ่งดี ให้คิดเหมือนกำลัง brief โปรเจกต์ให้คนที่เพิ่งเข้ามาร่วมงาน
Context ที่ควรใส่ มีได้หลายแบบ เช่น:
- ข้อมูลพื้นฐานของธุรกิจ
- กลุ่มเป้าหมายคือใคร
- เป้าหมายของงานนี้คืออะไร
- ข้อจำกัด เช่น งบ เวลา ทรัพยากร
- สิ่งที่เคยลองมาแล้ว
- สิ่งที่ไม่ต้องการ
ตัวอย่างในโลกธุรกิจไทย สมมติเราต้องการให้ AI ช่วยเขียนข้อความโฆษณา ถ้าเราใส่แค่ว่า “เขียนแอดขายคอร์สภาษาอังกฤษ” AI ก็อาจตอบกลางๆ แต่ถ้าเพิ่ม context เช่น
- คอร์สนี้เหมาะกับวัยทำงานอายุ 25-40
- กลุ่มเป้าหมายไม่มั่นใจเรื่องการพูดในที่ประชุม
- ราคาคอร์สอยู่ระดับกลางถึงสูง
- น้ำเสียงแบรนด์ต้องดูเป็นมืออาชีพ แต่ไม่แข็ง
- หลีกเลี่ยงคำขายตรงเกินไป
ผลลัพธ์จะใกล้กับสิ่งที่ใช้งานจริงมากขึ้นทันที
สิ่งที่หลายคนกลัวคือ prompt จะยาวเกินไป แต่ในงานส่วนใหญ่ “ยาวแต่ชัด” ยังดีกว่า “สั้นแต่เดา” เพราะเวลาที่เสียจากการพิมพ์เพิ่ม 1 นาที มักน้อยกว่าเวลาที่ต้องมานั่งแก้ output ที่ใช้ไม่ได้
มีอีกจุดที่น่าคิดสำหรับคนทำงาน คือ context ไม่ได้แปลว่าต้องใส่ทุกอย่างจนล้น เราควรใส่เฉพาะข้อมูลที่มีผลต่อการตัดสินใจของ AI ถ้าโยนรายละเอียดมั่วๆ เข้าไปเยอะเกิน ก็อาจทำให้ model จับประเด็นไม่ตรงได้เหมือนกัน
Step 4: ใช้ References เพราะตัวอย่างสื่อสารได้ดีกว่าคำอธิบาย
ส่วนที่สามคือ References ซึ่งเป็นเคล็ดลับที่คนใช้ AI เก่งมักทำ แต่คนทั่วไปมักข้ามไป Tina Huang สรุปไว้ชัดว่า บางทีเราจะอธิบายด้วยคำพูดทั้งวันก็ยังไม่ชัดเท่าการให้ตัวอย่างจริงหนึ่งชิ้น
AI เก่งเรื่อง pattern matching มาก ถ้าเราให้ตัวอย่างของสิ่งที่ต้องการ มันจะจับโครง น้ำเสียง รูปแบบ และระดับรายละเอียดได้เร็วกว่าเดิมมาก
References ที่ใช้ได้ เช่น:
- ตัวอย่างบทความหรือโพสต์ที่ชอบ
- ข้อความขายที่เคยเวิร์ก
- รายงานเก่าที่โครงสร้างดี
- ตัวอย่างคำตอบลูกค้าที่อยากให้ทีมใช้เป็นมาตรฐาน
- output รอบก่อนที่ “เกือบใช่” แล้วอยากให้ปรับต่อ
ยกตัวอย่างง่ายๆ ถ้าเราบอก AI ว่า “เขียนให้น้ำเสียงดูน่าเชื่อถือและอบอุ่น” มันตีความได้หลายแบบ แต่ถ้าเราแปะตัวอย่างโพสต์เก่าของแบรนด์ 2-3 ชิ้น แล้วบอกว่า “ขอให้น้ำเสียงใกล้เคียงนี้ แต่กระชับกว่าเดิม” โอกาสได้งานตรงใจจะสูงขึ้นมาก
สำหรับธุรกิจไทย References มีประโยชน์มากในงานที่เกี่ยวกับแบรนด์ เช่น
- เขียนคอนเทนต์ให้สไตล์สม่ำเสมอ
- ทำ FAQ ให้ทีมตอบลูกค้าไปในทางเดียวกัน
- สรุปประชุมในรูปแบบที่ผู้บริหารคุ้นเคย
- ทำข้อเสนอขายที่หน้าตาใกล้เคียงเอกสารเดิม
มุมที่อยากชี้เพิ่มคือ หลายคนใช้ References แบบผิด คือเอาตัวอย่างไปแปะเฉยๆ แต่ไม่บอกว่าอยากให้ AI เรียนรู้อะไรจากตัวอย่างนั้น ทางที่ดีกว่าคือระบุให้ชัด เช่น “ใช้โครงสร้างแบบนี้ แต่เปลี่ยนเนื้อหาให้เข้ากับธุรกิจร้านอาหาร” หรือ “เอาความกระชับแบบตัวอย่างนี้ แต่ไม่ใช้โทนขายแรง” แบบนี้ AI จะจับแก่นได้ตรงกว่า
Step 5: Evaluate ทุกครั้ง อย่ารีบเอาคำตอบแรกไปใช้
ข้อที่สี่คือ Evaluate หรือการประเมินผลลัพธ์ หลายคนพอ AI ตอบมาก็รีบคัดลอกไปใช้ต่อเลย ซึ่งนี่แหละที่ทำให้ได้งานระดับ “พอได้” แทนที่จะเป็นงานระดับ “ใช้แล้วเกิดผล”
หลังจากได้ output มาแล้ว เราควรถามอย่างน้อย 3 ข้อ:
- มันตอบโจทย์ที่ตั้งไว้หรือยัง
- มีส่วนไหนไม่ตรง brief
- ถ้าจะเอาไปใช้จริง ต้องแก้อีกมากไหม
การ Evaluate ไม่จำเป็นต้องซับซ้อน บางครั้งแค่เช็กตาม checklist สั้นๆ ก็พอ เช่น
- น้ำเสียงตรงกับแบรนด์ไหม
- รูปแบบตรงตามที่ขอไหม
- ข้อมูลสำคัญตกหล่นไหม
- มีประโยคที่ฟังดู generic ไปไหม
- มีจุดไหนเสี่ยงสื่อสารผิดไหม
สำหรับคนทำธุรกิจ จุดนี้สำคัญมาก เพราะ AI ให้ข้อความที่ดูดีได้ง่าย แต่ไม่ได้แปลว่าข้อความนั้นใช้ขายของได้ ใช้ประชุมได้ หรือใช้สื่อสารกับลูกค้าได้จริง การ Evaluate จึงเป็นตัวกรองคุณภาพ ไม่ให้เราเผลอเอางานดิบไปใช้แบบไม่เช็ก
ถ้าอยากให้เป็นระบบขึ้น ลองใช้แนวทางของ heuristic evaluation ในเชิงหลักคิด คือกำหนดเกณฑ์ประเมินซ้ำๆ ให้เหมือนกันทุกครั้ง เวลาเทียบ output เราจะตัดสินได้ดีขึ้น
Step 6: Iterate จนกว่าจะได้ผลลัพธ์ที่ใช่
ข้อสุดท้ายคือ Iterate และนี่คือส่วนที่แยกคนใช้ AI เล่นๆ ออกจากคนที่ใช้ AI ทำงานจริง Tina Huang ย้ำชัดว่า prompting แทบไม่เคยเป็นเรื่อง one-and-done มันเป็น loop เราต้องปรับ prompt ประเมินผล แล้วสั่งใหม่ซ้ำไปเรื่อยๆ
การ iterate ที่ดี ไม่ใช่พิมพ์ว่า “ลองใหม่” หรือ “ไม่เอา” แบบลอยๆ แต่ควรบอกให้ชัดว่าอะไรที่ต้องเปลี่ยน เช่น
- ขอให้สั้นลง 30%
- เปลี่ยนเป็นน้ำเสียงมืออาชีพมากขึ้น
- เพิ่มตัวอย่างที่เหมาะกับธุรกิจ B2B
- จัดรูปแบบใหม่เป็นตาราง
- ตัดคำฟุ่มเฟือยและเน้นประโยคที่นำไปใช้คุยกับลูกค้าได้จริง
สำหรับคนทำงาน การ iterate ยังช่วยให้เราเรียนรู้วิธีคิดของตัวเองด้วย ยิ่งเรารู้ว่ารอบแรกพลาดตรงไหน รอบต่อไปก็จะเขียน prompt ได้ดีขึ้น ไม่ต่างจากการ brief ทีมงานให้เก่งขึ้นเรื่อยๆ
มุมที่ควรพูดตรงๆ คือ framework นี้ดีมาก แต่ไม่ได้หมายความว่าทุกอย่างจะสำเร็จด้วย prompt เพียงอย่างเดียว ถ้าโจทย์ต้องใช้ข้อมูลเฉพาะทางมาก หรือมีความเสี่ยงสูง เช่น ด้านกฎหมาย การเงิน หรือสุขภาพ เราก็ยังต้องใช้ผู้เชี่ยวชาญตรวจทาน ไม่ควรฝากการตัดสินใจไว้กับ AI
Step 7: ประกอบทั้ง 5 ส่วนเข้าด้วยกันเป็น prompt ที่ใช้ทำงานได้จริง
ถ้ารวมทุกอย่างเข้าด้วยกัน prompt หนึ่งชุดจะมีหน้าตาประมาณนี้
- Task: ให้ AI ทำอะไร
- Context: ธุรกิจ กลุ่มเป้าหมาย เป้าหมาย และข้อจำกัดคืออะไร
- References: มีตัวอย่างหรือรูปแบบที่อยากให้ยึดไหม
- Evaluate: เช็กผลลัพธ์ตามเกณฑ์ที่ตั้งไว้
- Iterate: ปรับต่อแบบเจาะจงจนใช้งานได้
ตัวอย่าง use case สำหรับเจ้าของธุรกิจ:
- ให้ AI ร่างโพสต์ขายสินค้าใหม่ โดยอิงน้ำเสียงจากโพสต์ที่เคยทำยอดดี
- ให้ AI สรุปประชุมผู้บริหารเป็น bullet points พร้อม next steps
- ให้ AI ช่วยออกแบบคำตอบแชตลูกค้าสำหรับคำถามที่เจอบ่อย
- ให้ AI วิเคราะห์คู่แข่งจากข้อมูลที่เรามี แล้วสรุปเป็นตารางเปรียบเทียบ
ถ้าอยากอ่านหลักการเสริมเรื่องการเขียน prompt จากแหล่งอ้างอิงที่เชื่อถือได้ เอกสารของ OpenAI Prompt Engineering Guide ก็ช่วยต่อยอด framework นี้ได้ดี
Actionable Insights
- เริ่มทุก prompt ด้วยการระบุ Task ให้ชัดเสมอ ว่าจะให้ AI สร้าง วิเคราะห์ สรุป หรือแปลงข้อมูล
- เพิ่ม context แบบที่คนในทีมต้องรู้ก่อนเริ่มงาน เช่น ลูกค้าคือใคร เป้าหมายคืออะไร และมีข้อจำกัดอะไร
- แนบ references ทุกครั้งที่งานเกี่ยวกับแบรนด์ น้ำเสียง หรือรูปแบบเอกสาร
- อย่าใช้คำตอบแรกทันที ให้เช็กเทียบกับ brief สั้นๆ ก่อนทุกครั้ง
- มองการใช้ AI เป็น loop ไม่ใช่คำสั่งครั้งเดียว แล้วค่อยๆ เก็บ prompt ที่เวิร์กไว้เป็น asset ของทีม
Troubleshooting
- ปัญหา: AI ตอบกว้างและทั่วไปมาก
สาเหตุ: Task กว้างเกิน และไม่มีเป้าหมายชัด
วิธีแก้: ระบุให้ชัดว่าอยากได้อะไร รูปแบบไหน ยาวประมาณไหน และจะเอาไปใช้กับงานอะไร
- ปัญหา: น้ำเสียงไม่เหมือนแบรนด์
สาเหตุ: ไม่มี references หรืออธิบายน้ำเสียงแบบนามธรรมเกินไป
วิธีแก้: แนบตัวอย่างโพสต์หรือข้อความที่ชอบ 2-3 ชิ้น แล้วบอกให้ชัดว่าอยากให้ยึดโทนไหน
- ปัญหา: AI ให้คำตอบที่ดูดี แต่ใช้จริงไม่ได้
สาเหตุ: ขาด context เรื่องข้อจำกัด งบ เวลา หรือกลุ่มเป้าหมาย
วิธีแก้: ใส่ข้อมูลธุรกิจและข้อจำกัดที่เกี่ยวข้องเข้าไปตั้งแต่ต้น
- ปัญหา: ยิ่งถามต่อ ยิ่งหลุดประเด็น
สาเหตุ: Iterate แบบไม่เฉพาะเจาะจง เช่น พิมพ์แค่ว่า “เอาใหม่”
วิธีแก้: บอกจุดที่ต้องแก้ทีละเรื่อง เช่น สั้นลง เปลี่ยนโทน หรือจัดรูปแบบใหม่
- ปัญหา: ทีมใช้ AI แล้วได้ผลลัพธ์ไม่สม่ำเสมอ
สาเหตุ: แต่ละคน prompt คนละแบบ ไม่มีมาตรฐานร่วม
วิธีแก้: สร้าง template prompt ตาม framework TCREI แล้วให้ทีมใช้ร่วมกัน
การต่อยอด
- ทำ Prompt Template Library สำหรับงานประจำของทีม เช่น เขียนโพสต์ สรุปประชุม ตอบลูกค้า และวิเคราะห์คู่แข่ง
- สร้าง Reference Bank รวมตัวอย่างงานที่ดีของแบรนด์ เพื่อให้ AI เรียนรู้สไตล์เดิมได้สม่ำเสมอ
- ออกแบบ evaluation checklist แยกตามงาน เช่น งานคอนเทนต์ งานขาย และงานภายในองค์กร เพื่อให้ทีมประเมิน output ไปในทางเดียวกัน
สรุป Checklist ทั้งหมด
- ☐ ระบุ Task ให้ชัด ว่าจะให้ AI ทำอะไร
- ☐ กำหนดบทบาทหรือ persona ที่เหมาะกับงาน
- ☐ บอก format ของผลลัพธ์ที่ต้องการ เช่น ตาราง รายการ หรือสรุปย่อ
- ☐ ใส่ Context ที่จำเป็น เช่น ธุรกิจ กลุ่มเป้าหมาย เป้าหมาย และข้อจำกัด
- ☐ บอกสิ่งที่เคยลองมาแล้ว หรือสิ่งที่ไม่ต้องการ
- ☐ แนบ References เช่น ตัวอย่างงาน โพสต์ หรือเอกสารที่ใกล้เคียง
- ☐ ระบุให้ชัดว่า AI ควรเรียนรู้อะไรจาก reference นั้น
- ☐ Evaluate ผลลัพธ์ทุกครั้งก่อนนำไปใช้จริง
- ☐ เช็กว่างานตรง brief ตรงโทน และพร้อมใช้งานหรือยัง
- ☐ Iterate ด้วย feedback ที่เฉพาะเจาะจง ไม่ใช่สั่งใหม่แบบกว้างๆ
- ☐ เก็บ prompt ที่เวิร์กไว้ใช้ซ้ำเป็นระบบของทีม
สรุปให้สั้นที่สุด framework นี้สอนว่า การใช้ AI ให้ดีไม่ใช่เรื่องของเวทมนตร์ แต่เป็นเรื่องของการ brief งานให้ชัด ใส่ context ให้พอ ให้ตัวอย่างที่ใช่ ประเมินผลลัพธ์ และปรับซ้ำจนกว่าจะได้งานที่ใช้จริงได้ สำหรับเจ้าของธุรกิจและคนทำงาน นี่ไม่ใช่แค่เทคนิค prompt แต่มันคือวิธีสร้าง workflow การทำงานกับ AI ที่ฉลาดขึ้นและคุมคุณภาพได้มากขึ้นด้วย