คุณขอให้ AI ช่วยร่างอีเมลเปิดตัวผลิตภัณฑ์หรือวิเคราะห์คู่แข่ง—แต่ผลลัพธ์ที่ได้กลับดูจืดชืดและทั่วไปเกินไป คุณจึงปรับคำใหม่ เพิ่มบริบทมากขึ้น แล้วลองอีกครั้ง ก็ยังไม่ถูกใจอยู่ดี 😕
นั่นเป็นเพราะ AI จะดีได้เพียงเท่าที่คำสั่งป้อนเข้าเท่านั้น
ความแตกต่างระหว่างการตอบแบบทั่วไปกับการเป็นคู่คิดที่คิดจริงจังอยู่ที่วิธีที่คุณถาม
คู่มือนี้จะแนะนำเทคนิคการตั้งคำถาม AI ที่ใช้ได้จริง—และวิธีที่ทีมต่างๆ ในด้านเนื้อหา ผลิตภัณฑ์ และการดำเนินงานสามารถใช้เพื่อรับคำตอบที่ชัดเจนและละเอียดอ่อนมากขึ้น
📌 คุณทราบหรือไม่? จากการสำรวจระดับโลกของ McKinsey พบว่า65% ของบริษัทต่างๆรายงานว่ามีการใช้ AI เชิงสร้างสรรค์ในอย่างน้อยหนึ่งฟังก์ชันทางธุรกิจ
อะไรคือการวิศวกรรมคำสั่ง?
การวิศวกรรมคำสั่ง (Prompt engineering) คือการปฏิบัติการให้คำแนะนำที่ชัดเจนและเฉพาะเจาะจงเพื่อให้ได้ผลลัพธ์ตามที่ต้องการจากเครื่องมือปัญญาประดิษฐ์ (AI) โดยเฉพาะอย่างยิ่งแบบจำลองภาษาขนาดใหญ่ (Large Language Models - LLMs) เช่น GPT
โมเดลเหล่านี้อาศัยการประมวลผลภาษาธรรมชาติในการตีความคำสั่งของคุณ ซึ่งหมายความว่าความชัดเจนของคำพูดของคุณจะส่งผลโดยตรงต่อคุณภาพของคำตอบจาก AI
มันก็เหมือนกับการบอกทางให้ใครสักคนที่ไม่เคยมาเมืองของคุณเลย คุณสามารถพูดว่า 'ไปทางเหนือแล้วคุณจะเจอ' และหวังว่าพวกเขาจะไปถึง หรือคุณสามารถบอกชื่อถนน สถานที่สังเกต และเลขที่บ้านที่แน่นอนให้พวกเขาได้
ในแง่ของการวิศวกรรมคำสั่งเริ่มต้น หมายถึง:
- ให้รายละเอียดเพียงพอโดยไม่ทำให้โมเดลรู้สึกหนักเกินไป
- การแยกงานและคำขอที่ซับซ้อนออกเป็นงานย่อยที่เล็กกว่าและเฉพาะเจาะจงมากขึ้นเพื่อสื่อสารอย่างมีประสิทธิภาพ
- คาดการณ์คำตอบของโมเดล รวมถึงสิ่งที่อาจตีความผิดหรือมองข้าม
📊 แจ้งเตือนสถิติ:ดัชนีปัญญาประดิษฐ์ของสแตนฟอร์ดพบว่า:
- 59% ขององค์กรรายงานการเติบโตของรายได้ที่เชื่อมโยงโดยตรงกับการนำ AI มาใช้
- 42% ขององค์กรที่ใช้ AI ได้เห็นการลดต้นทุนในการดำเนินงาน
สำหรับเทคนิคทั้งหมดที่นี่ เราจะแสดงให้คุณเห็นว่ามันมีลักษณะอย่างไรในทางปฏิบัติ ในClickUp Brain ผู้ช่วย AI ที่ติดตั้งไว้ในตัวของเรา *
เทคนิคการให้คำสั่ง AI แกนหลัก (พร้อมตัวอย่าง)
การสร้างคำสั่งที่มีประสิทธิภาพเป็นส่วนหนึ่งของศิลปะและวิทยาศาสตร์ แม้ว่าการฝึกฝนเท่านั้นที่จะช่วยให้คุณเชี่ยวชาญในศิลปะนี้ได้ แต่การเรียนรู้วิทยาศาสตร์ (เช่น เทคนิค)สามารถทำได้โดยการเลื่อนลงและสำรวจวิธีการถามคำถามกับ AI👇
1. การให้คำแนะนำแบบไม่ใช้ตัวอย่าง
การให้คำแนะนำแบบไม่ใช้ตัวอย่าง (Zero-shot prompting) เป็นเทคนิคที่ง่ายที่สุดสำหรับการออกแบบคำแนะนำ (prompt engineering) คุณให้คำแนะนำโดยตรงกับ AI ให้ทำภารกิจหนึ่ง แต่ไม่ให้ตัวอย่างวิธีการทำ
เนื่องจากโมเดลภาษาขนาดใหญ่สมัยใหม่ได้รับการฝึกฝนจากรูปแบบที่หลากหลายของภาษา การให้เหตุผล และความรู้ ทำให้สามารถทำงานเฉพาะทางได้อย่างอิสระ แม้ไม่มีตัวอย่างที่ชัดเจน (ซึ่งเรียกว่าการเรียนรู้แบบไม่ใช้ตัวอย่าง)
ตัวอย่างเช่น พิจารณาข้อความที่เราให้ClickUp Brain:
สังเกตไหมว่า AI สร้างข้อความโฆษณาได้ทันทีโดยไม่ต้องแสดงตัวอย่างว่าข้อความที่ชาญฉลาดควรเป็นอย่างไร? นั่นคือการป้อนคำสั่งแบบไม่ใช้ตัวอย่าง (zero-shot prompting) ที่กำลังทำงานอยู่
💡 เคล็ดลับมืออาชีพ: ใช้เทคนิคการให้คำแนะนำแบบ Zero-shot เมื่อคุณต้องการทำอะไรให้เสร็จอย่างรวดเร็วโดยไม่จำเป็นต้องสมบูรณ์แบบ
ตัวอย่างเช่น นักเขียนสามารถใช้เครื่องมือนี้สำหรับการเขียนเชิงสร้างสรรค์และสร้างร่างแรกได้อย่างรวดเร็ว ซึ่งสามารถนำไปปรับปรุงในภายหลังได้
หรือใช้เทคนิคนี้เพื่อถามคำถามเชิงข้อเท็จจริงหรือสร้างสรุป
2. การให้คำแนะนำแบบน้อยครั้ง
แซนเดอร์ ชูลฮอฟฟ์ หรือที่รู้จักกันในนาม "OG prompt engineer" ได้เน้นย้ำว่าเทคนิคการให้คำแนะนำแบบไม่กี่ครั้งสามารถปรับปรุงความถูกต้องได้ตั้งแต่ 0% ถึง 90%ในการทดสอบที่มีการควบคุมเกี่ยวกับความถูกต้องในการจำแนกประเภท
ต่างจากแบบไม่ใช้ตัวอย่าง (zero-shot) การให้คำแนะนำแบบไม่กี่ตัวอย่าง (few-shot) ต้องการให้คุณให้ตัวอย่างแก่ AI ก่อนที่จะขอให้มันทำภารกิจที่คล้ายกันให้เสร็จสมบูรณ์ ตัวอย่างเหล่านี้จะแสดงให้เห็นถึงรูปแบบหรือตรรกะที่แบบจำลองควรปฏิบัติตามเพื่อให้ได้คำตอบตามที่คาดหวังไว้
ตัวอย่างเช่น สมมติว่าคุณต้องการให้ AI จัดหมวดหมู่ความคิดเห็นในโซเชียลมีเดียเพื่อการวิเคราะห์ความรู้สึก แทนที่จะถามมันโดยตรงว่า 'วิเคราะห์ความรู้สึก' คุณสามารถแนะนำ AI โดยใช้ตัวอย่างที่มีป้ายกำกับก่อน เช่นด้านล่างนี้:
ดังที่คุณเห็นข้างต้น ตัวอย่างเหล่านี้ทำหน้าที่เป็นคำแนะนำเพื่อช่วยให้ระบบ AI เข้าใจวิธีการติดป้ายกำกับความคิดเห็นของลูกค้า
💡 เคล็ดลับจากผู้เชี่ยวชาญ: การให้ตัวอย่างเพียงไม่กี่ครั้งจะได้ผลดีที่สุดเมื่อตัวอย่างของคุณสั้นและชัดเจน หากคุณให้ตัวอย่างมากเกินไปหรือให้ตัวอย่างที่ขัดแย้งกัน ระบบ AI จะไม่สามารถประมวลผลได้ดี และผลลัพธ์ที่ได้รับอาจไม่ตรงตามที่ต้องการ
วิธีที่ถูกต้อง: ให้ใช้ตัวอย่างที่ง่าย ชัดเจน และสม่ำเสมอ 3-5 ตัวอย่าง สำหรับงานข้อความสั้น ๆ; งานที่ต้องการความยาวมากขึ้นอาจต้องการตัวอย่างน้อยลงแต่มีคุณภาพมากขึ้น ด้วยวิธีนี้ แบบจำลองจะสามารถสร้างผลลัพธ์ที่ต้องการได้
📌 หมายเหตุด่วน: นักวิจัยของ Googleได้สร้างคู่มือการกระตุ้น Nano Bananaเพื่อสอน LLMs ให้เลียนแบบพฤติกรรมเฉพาะโดยใช้ตัวอย่างที่เลือกมาอย่างรอบคอบเพียงไม่กี่ตัวอย่าง
แสดงให้เห็นว่าแม้แต่ตัวอย่างขนาดเล็กที่มีคุณภาพสูงก็สามารถเพิ่มประสิทธิภาพของโมเดลได้อย่างมาก ซึ่งพิสูจน์ว่า คุณภาพของตัวอย่างมักมีความสำคัญมากกว่าปริมาณ
3. การกระตุ้นด้วยห่วงโซ่ความคิด (COT)
ในเทคนิคการกระตุ้นความคิดแบบเป็นลำดับ คุณกำลังบอก AI ว่า: 'อย่าแค่ให้คำตอบกับฉัน แต่ให้ฉันเห็นขั้นตอนที่คุณคิดมาจนถึงคำตอบนั้นด้วย'
สมมติว่าคุณต้องการร่างหัวเรื่องอีเมลเพื่อประกาศฟีเจอร์ใหม่ในแอปเพิ่มประสิทธิภาพการทำงานของคุณ: การจัดลำดับความสำคัญของงาน นี่คือวิธีที่คุณสามารถใช้การกระตุ้นความคิดแบบต่อเนื่องเพื่อสร้างหัวเรื่องอีเมลที่เกี่ยวข้อง:
โดยการขอให้ AI อธิบายกระบวนการคิดที่ซับซ้อนของมัน คุณสามารถดูขั้นตอนที่ AI ใช้และระบุได้อย่างแม่นยำว่า AI อาจผิดพลาดตรงไหนเมื่อคิดหัวข้ออีเมล
ไม่เพียงแต่จะช่วยให้คุณไว้วางใจคำตอบสุดท้ายมากขึ้นเท่านั้น แต่หากคุณต้องการให้ระบบถามคำถามใหม่ คุณก็สามารถทำได้โดยให้คำแนะนำที่ชัดเจนยิ่งขึ้น
💡 เคล็ดลับจากผู้เชี่ยวชาญ: การสร้างกระบวนการคิดทีละขั้นตอนนั้นใช้เวลามาก สำหรับงานที่ต้องการความรวดเร็ว การเสียเวลาไปกับคำถามที่กระตุ้นให้คิดต่อเนื่องอาจเป็นข้อเสียที่สำคัญ
นอกจากนี้ เส้นทางการให้เหตุผลที่สร้างขึ้นโดย AI ไม่ได้สะท้อนถึงกระบวนการภายในที่แท้จริงเสมอไป ดังที่คุณเห็นในตัวอย่างข้างต้น AI ได้ให้ 'สรุป' ของการให้เหตุผลแก่เรา ไม่ใช่การแยกย่อยขั้นตอนจริงทีละขั้นตอน สิ่งนี้อาจสร้างความรู้สึกโปร่งใสที่ผิดพลาด โดยเฉพาะอย่างยิ่งในงานที่ซับซ้อนมากขึ้น
ดังนั้น ให้ใช้การกระตุ้นด้วยลำดับความคิดเฉพาะกับปัญหาที่ต้องการการให้เหตุผลที่มีโครงสร้างเท่านั้น (เช่น คณิตศาสตร์หลายขั้นตอน ปริศนาตรรกะ หรือการวิเคราะห์แยกส่วน) สำหรับงานที่ตรงไปตรงมาหรือมีเวลาจำกัด การกระตุ้นโดยตรงจะมีประสิทธิภาพมากกว่า
4. ความสอดคล้องในตัวเอง
เมื่อคุณถามคำถามกับ AI มันมักจะใช้เส้นทางเหตุผลเพียงเส้นทางเดียวและให้คำตอบที่น่าจะเป็นไปได้มากที่สุดแก่คุณ แต่ถ้าเส้นทางนั้นไม่ใช่เส้นทางที่ดีที่สุดล่ะ?
นั่นคือสิ่งที่การกระตุ้นความสอดคล้องในตัวเองจัดการอย่างแท้จริง ในกรณีนี้ คุณจะขอให้ AI สร้างเส้นทางการให้เหตุผลหลายเส้นทางเพื่อเลือกเส้นทางที่น่าเชื่อถือและเกี่ยวข้องมากที่สุด
มาดูตัวอย่างหัวเรื่องอีเมลเดียวกันเพื่อทำความเข้าใจเรื่องนี้กัน แทนที่จะขอให้ AI สร้างหัวเรื่องและอธิบายที่มาของมัน (เหมือนที่เราทำใน CoT) เราขอให้มันสร้างหัวเรื่องหลาย ๆ อันและระบุตัวเลือกที่ดีที่สุดในครั้งเดียว:
หากได้รับคำสั่ง, AI สามารถเปรียบเทียบตัวเลือกที่สร้างขึ้นหลายตัวและเลือกตัวเลือกที่แข็งแกร่งที่สุดได้
💡 เคล็ดลับจากผู้เชี่ยวชาญ: เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด ให้เพิ่มคำแนะนำสุดท้ายในคำสั่งความสอดคล้องของตนเอง: 'อธิบายว่าทำไมคำตอบที่เลือกจึงเป็นคำตอบที่ดีที่สุด'
สิ่งนี้บังคับให้ AI ตรวจสอบการให้เหตุผลของตนและให้เหตุผลสนับสนุนข้อสรุปของตน ซึ่งนำไปสู่คำตอบที่โปร่งใสและเชื่อถือได้มากขึ้น
📮 ClickUp Insight: 47% ของผู้ตอบแบบสำรวจของเราไม่เคยลองใช้ AI ในการจัดการงานที่ต้องทำด้วยตนเองเลย แต่ 23% ของผู้ที่นำ AI มาใช้กล่าวว่ามันช่วยลดภาระงานของพวกเขาได้อย่างมีนัยสำคัญ
ความแตกต่างนี้อาจมากกว่าแค่ช่องว่างทางเทคโนโลยี ในขณะที่ผู้ใช้งานกลุ่มแรกกำลังปลดล็อกผลลัพธ์ที่วัดได้ คนส่วนใหญ่กลับอาจประเมินต่ำเกินไปว่า AI สามารถเปลี่ยนแปลงได้มากเพียงใดในการลดภาระทางความคิดและคืนเวลาให้กับชีวิต 🔥
ClickUp Brainช่วยเชื่อมช่องว่างนี้ด้วยการผสาน AI เข้ากับเวิร์กโฟลว์ของคุณอย่างไร้รอยต่อ ตั้งแต่การสรุปหัวข้อ การร่างเนื้อหา ไปจนถึงการแยกโปรเจกต์ที่ซับซ้อนออกเป็นงานย่อย และสร้างงานย่อย AI ของเราสามารถทำได้ทั้งหมด ไม่จำเป็นต้องสลับระหว่างเครื่องมือหรือเริ่มต้นใหม่จากศูนย์
💫 ผลลัพธ์ที่แท้จริง: STANLEY Security ลดเวลาที่ใช้ในการสร้างรายงานลงได้ 50% หรือมากกว่า ด้วยเครื่องมือรายงานที่ปรับแต่งได้ของ ClickUp—ช่วยให้ทีมงานมีเวลาไปโฟกัสกับการคาดการณ์มากขึ้น แทนที่จะต้องเสียเวลาไปกับการจัดรูปแบบเอกสาร"
5. ต้นไม้แห่งความคิด
แทนที่จะสร้างคำตอบที่สมบูรณ์หลายข้อแล้วเลือกคำตอบหนึ่ง ข้อความกระตุ้นแบบต้นไม้ของความคิดจะบังคับให้ AI แบ่งปัญหาออกเป็นขั้นตอน ในแต่ละขั้นตอน AI จะสร้างความเป็นไปได้และประเมินเพื่อหาคำตอบที่ดีที่สุดก่อนที่จะสร้างคำตอบ
ฟังดูซับซ้อนใช่ไหม? ฟังดูซับซ้อนใช่ไหม? มาลองดูตัวอย่างหัวข้ออีเมลของเราอีกครั้ง โดยปรับคำกระตุ้นเล็กน้อย
ตัวอย่างข้อความกระตุ้น:
บทบาทและหน้าที่: คุณเป็นนักการตลาดผลิตภัณฑ์อาวุโส ใช้ Tree of Thoughts เพื่อสร้างหัวข้ออีเมลสำหรับประกาศฟีเจอร์ Pre-built AI Agents ของเรา
ข้อจำกัด
- กลุ่มเป้าหมาย: ผู้นำฝ่ายปฏิบัติการและผลิตภัณฑ์ที่มีงานยุ่ง กำลังประเมินการใช้ปัญญาประดิษฐ์ในที่ทำงาน
- โทน: มั่นใจ, ปฏิบัติได้จริง, ไม่โอ้อวด
- ความยาว: ≤ 55 ตัวอักษร
- หลีกเลี่ยงการใช้คำที่สแปมและข้อความที่ใช้ตัวพิมพ์ใหญ่ทั้งหมด
- ต้องบ่งบอกถึงคุณค่าที่เห็นได้ชัดเจนในทันที (เช่น ประหยัดเวลา ดำเนินการได้รวดเร็วยิ่งขึ้น)
กระบวนการ (การถ่ายทอดความรู้)
- การแตกแขนง: ระบุ 5 มุมมอง: มุ่งเน้นประโยชน์, มุ่งเน้นผลลัพธ์/ความเร็ว, มุ่งเน้นกรณีการใช้งาน/งานที่ต้องทำ, ลดความเสี่ยง, หลักฐานทางสังคม
- การขยาย: 3 หัวข้อต่อมุม
- การประเมิน: ให้คะแนนแต่ละข้อในด้านความชัดเจน/ความเกี่ยวข้อง/ความโดดเด่น/ความยาว (1–5)
- การตัดแต่ง: เก็บไว้ดีที่สุด 1 ต่อมุม
- การปรับปรุง: ตัดให้เหลือไม่เกิน 55 ตัวอักษร; ทำให้คำกริยามีความชัดเจนมากขึ้น
- การคัดเลือก: ผลลัพธ์ 3 อันดับแรก + preheaders และ เหตุผลที่ชนะ (≤1 บรรทัดต่อรายการ)
รูปแบบผลลัพธ์ (ไม่แสดงลำดับความคิด):
- 3 อันดับสุดท้าย พร้อม Preheaders
- รายการมุมพร้อมคำอธิบายสั้น ๆ
- ตาราง: มุม | หัวข้อ | ความยาว | คะแนน | เหตุผล
ที่นี่ เราได้ขอให้ระบบ AI พิจารณาข้อจำกัด กำหนดกระบวนการ และแม้กระทั่งรูปแบบผลลัพธ์
💡 เคล็ดลับจากผู้เชี่ยวชาญ: Tree of Thoughts จะทำงานได้ดีที่สุดเมื่อแต่ละจุดตัดสินใจมีความชัดเจนและเป็นอิสระจากกัน ดังนั้น หากคุณรวมหลายขั้นตอนไว้ในจุดตัดสินใจเดียว (เช่น การขอให้ AI ระบุกลุ่มเป้าหมายและประโยชน์ในขั้นตอนเดียวกัน) กิ่งก้านจะยุ่งเหยิงและผลลัพธ์จะขาดความชัดเจน
👀 คุณรู้หรือไม่? เมื่อใช้กรอบงาน Tree of Thoughts ความสำเร็จของ GPT-4 ในงาน "Game of 24" เพิ่มขึ้นจากเพียง 4% เมื่อใช้การกระตุ้นแบบ chain-of-thought มาตรฐาน เป็น 74% เมื่อใช้ Tree of Thoughts
การกระโดดขึ้น 70 คะแนนนั้นเกิดขึ้นโดยไม่มีการเปลี่ยนแปลงโมเดลเอง เพียงแค่เปลี่ยนวิธีการป้อนข้อมูลเท่านั้น ซึ่งแสดงให้เห็นว่าวิธีการป้อนข้อมูลของคุณมีความสำคัญพอๆ กับการเลือกใช้โมเดล
6. การเชื่อมโยงคำสั่งแบบต่อเนื่อง
ในเทคนิคการวิศวกรรมคำสั่งนี้ คุณจะแบ่งงานออกเป็นงานย่อย ๆ (โดยมีลำดับที่สมเหตุสมผล) สร้างกระบวนการที่ทำซ้ำได้ แต่ละขั้นตอนจะต่อยอดจากขั้นตอนก่อนหน้า และผลลัพธ์จากขั้นตอนหนึ่งจะกลายเป็นข้อมูลนำเข้าสำหรับขั้นตอนถัดไป
เรามาทบทวนตัวอย่างหัวข้ออีเมลของเราอีกครั้ง (ครั้งสุดท้าย) และใช้การเชื่อมโยงคำสั่งเพื่อดูว่ามันส่งผลต่อผลลัพธ์อย่างไร เราจะเริ่มด้วยการขอให้ AI ระบุกลุ่มเป้าหมาย:
ตัวอย่างข้อความกระตุ้น:
เป้าหมาย: เขียนหัวเรื่องอีเมลเพื่อประกาศ ตัวแทน AI ที่สร้างไว้ล่วงหน้า
ขั้นตอนที่ 1: สกัดประโยชน์หลัก
ระบุ 5 ประโยชน์หลักของตัวแทน AI ที่สร้างไว้ล่วงหน้าใหม่ของเราสำหรับผู้นำด้านผลิตภัณฑ์และการดำเนินงาน (ผลลัพธ์: การตั้งค่าที่รวดเร็วขึ้น, การทำงานอัตโนมัติทันที, ลดการพึ่งพา, มาตรฐาน, เปิดตัวได้เร็วขึ้น)
ขั้นตอนที่ 2: สร้างมุม
แนะนำ 5 มุมมองในการสื่อสารสำหรับหัวข้ออีเมลโดยอิงจากประโยชน์เหล่านี้ (ผลลัพธ์: ความรวดเร็ว, ความง่ายดาย, ประสิทธิภาพ, ความน่าเชื่อถือ, นวัตกรรม)
ขั้นตอนที่ 3: เขียนหัวเรื่อง
เขียนหัวข้อ 3 หัวข้อต่อมุมมอง ให้ไม่เกิน 55 ตัวอักษร (ผลลัพธ์: "ตัวแทน AI ที่สร้างไว้ล่วงหน้า — พร้อมใช้งานเมื่อคุณต้องการ" เป็นต้น)
ขั้นตอนที่ 4: เลือกสิ่งที่ดีที่สุด
ให้คะแนนตามความชัดเจนและความเกี่ยวข้อง ส่งคืน 3 อันดับแรกพร้อมข้อความนำ
โดยการเชื่อมต่อคำสั่ง, คุณกำลังนำทาง AI ผ่านกระบวนการเดียวกันกับที่คุณจะทำด้วยตนเอง:
สกัดประโยชน์หลัก ➡️ สร้างมุมมองในการสื่อสาร ➡️ เขียนหัวเรื่อง ➡️ เลือกตัวเลือกที่ดีที่สุด
💡 เคล็ดลับมืออาชีพ: ใช้การเชื่อมโยงคำสั่ง (prompt chaining) เพื่อลด 'การโอเวอร์โหลดทางปัญญา' ของ AI โดยการแบ่งงานใหญ่เป็นขั้นตอนเล็กๆ คุณจะนำทาง AI ผ่านกระบวนการ ทำให้ผลลัพธ์สุดท้ายมีความเรียบร้อยและสอดคล้องมากกว่าการใช้คำสั่งเดียวแบบไม่เตรียมข้อมูล (zero-shot prompt)
7. วิศวกรแจ้งเตือนอัตโนมัติ (APE)
APE เป็นเทคนิคขั้นสูงที่โมเดลภาษาขนาดใหญ่ช่วยคุณสร้างและปรับปรุงคำสั่งใหม่ให้เหมาะสมกับโมเดล AI เดียวกัน คิดเสียว่ามันเป็นวิธีที่ AI บอกว่า 'บอกฉันว่าคุณต้องการอะไร แล้วฉันจะหาวิธีที่ดีที่สุดในการถามคำถามเพื่อให้คุณได้รับคำตอบที่สมบูรณ์แบบ'
ในเทคนิคการกระตุ้น APE คุณให้ AI ทำตามนี้:
- คำแนะนำการออกแบบสำหรับงานที่คุณต้องการให้ทำ
- ทำนายว่าคำแนะนำเหล่านี้จะมีประสิทธิภาพอย่างไร
- ทดสอบพวกเขา
- เลือกคำสั่งที่ดีที่สุดแล้วรัน
ตัวอย่างเช่น สมมติว่าคุณกำลังเตรียมเปิดตัวฟีเจอร์ใหม่ชื่อว่า 'แดชบอร์ดแบบกำหนดเอง' สำหรับผลิตภัณฑ์ SaaS ของคุณ คุณต้องการสร้างคู่มือข้อความที่น่าสนใจสำหรับทีมของคุณ อย่างไรก็ตาม คุณกำลังประสบปัญหาในการถ่ายทอดข้อความในรูปแบบที่ตรงใจผู้อ่าน
ในกรณีเช่นนี้ คุณสามารถขอให้ AI สร้างคำแนะนำที่ละเอียดสำหรับตัวเองได้:
ตัวอย่างคำสั่ง: คุณเป็นวิศวกรคำสั่งอัตโนมัติ
งาน: สร้างข้อความแนะนำที่จะช่วยสร้างคู่มือการสื่อสารสำหรับฟีเจอร์ใหม่ของเรา "แดชบอร์ดแบบกำหนดเอง"
ขั้นตอนของคุณ:
- สร้างข้อความกระตุ้น 5 ข้อ
- ทำนายว่าข้อความใดจะสร้างเนื้อหาที่โน้มน้าวใจและชัดเจนที่สุดสำหรับผู้ซื้อ B2B
- ทดสอบแต่ละคำสั่งด้วยข้อมูลตัวอย่าง
- เลือกคำสั่งที่ให้ผลลัพธ์ดีที่สุดและรันให้สมบูรณ์
- ส่งคืน: คำกระตุ้นที่ชนะ + คู่มือการส่งข้อความที่สร้างขึ้น
ระบบ AI จะให้รายการของคำสั่งที่คุณสามารถปรับปรุงและรันเพื่อสร้างคู่มือการสื่อสารคุณภาพสูง:
💡 เคล็ดลับจากผู้เชี่ยวชาญ: สร้างเกณฑ์การให้คะแนนเพื่อประเมินคำถามหรือข้อความที่ AI สร้างขึ้น คุณสามารถแชร์เกณฑ์นี้กับโมเดลและขอให้มันให้คะแนนแต่ละคำถามตามเกณฑ์ที่กำหนด วิธีนี้จะช่วยให้คุณประเมินตัวเลือกคำถามได้ง่ายขึ้นตามเกณฑ์ของคุณ
ตามเอกสารวิจัยที่มีชื่อว่าLarge Language Models are Human-Level Prompt Engineers"เราแสดงให้เห็นว่าคำแนะนำที่ออกแบบโดย APE สามารถนำไปใช้เพื่อชี้นำโมเดลให้มีความถูกต้องและ/หรือให้ข้อมูลที่เป็นประโยชน์ รวมถึงช่วยปรับปรุงประสิทธิภาพการเรียนรู้จากข้อมูลจำนวนน้อย โดยการเพิ่มคำแนะนำเหล่านี้ไว้หน้าคำแนะนำมาตรฐานที่ใช้ในการเรียนรู้แบบมีบริบท"
8. การตอบสนอง
ในขณะที่ 'ReAct' อาจฟังดูเหมือนสิ่งที่คุณจะทำเมื่อทำกาแฟหกใส่แล็ปท็อปของคุณ แต่ในวิศวกรรมคำสั่ง (prompt engineering) มันย่อมาจาก Reason + Act ซึ่งเป็นเทคนิคขั้นสูงอีกแบบหนึ่ง ที่โมเดล AI จะสลับกันระหว่างการคิด (การให้เหตุผล) และการกระทำ (การลงมือทำ)
แทนที่จะให้คำตอบสุดท้ายทันที ระบบ AI จะถูกกระตุ้นให้:
- เหตุผล: คิดวิเคราะห์ปัญหาอย่างเป็นขั้นตอนทีละขั้นตอน
- การกระทำ: โต้ตอบกับเครื่องมือภายนอกหรือฐานความรู้เพื่อรวบรวมข้อมูลเพิ่มเติม
- เหตุผลอีกครั้ง: ใช้ข้อมูลใหม่เพื่อปรับปรุงการคิด
กระบวนการนี้จะถูกทำซ้ำในลูปจนกว่า AI จะสามารถมาถึงคำตอบที่ได้รับการสนับสนุนอย่างดีได้ด้วยความมั่นใจ
สมมติว่าคุณกำลังวางแผนที่จะเปิดตัวฟีเจอร์ 'แดชบอร์ด' ใหม่ และคุณต้องการเข้าใจว่าคู่แข่งของคุณพูดถึงฟีเจอร์ที่คล้ายกันบนเว็บไซต์ของพวกเขาอย่างไร สำหรับตัวอย่างนี้ สมมติว่าเราคือคู่แข่งของคุณและคุณต้องการทราบเกี่ยวกับClickUp Dashboardsอย่างละเอียด
ด้วย ReACT คุณจะจัดโครงสร้างคำสั่งของคุณเป็นประมาณนี้:
ตัวอย่างข้อความกระตุ้น: คุณเป็นนักการตลาดผลิตภัณฑ์ที่แข่งขันสูง โดยใช้แนวทาง ReACT (เหตุผล + การกระทำ)
งานของคุณ: ศึกษาและสรุปว่าClickUpนำเสนอฟีเจอร์แดชบอร์ด บนเว็บไซต์อย่างไร
ทำตามลูปนี้จนกว่าจะเสร็จ:
- คิด: จดบันทึกสิ่งที่คุณต้องค้นหาต่อไป (เช่น ข้อเสนอคุณค่า, กรณีการใช้งาน, ประโยชน์, ภาพประกอบ, คำกระตุ้นการตัดสินใจ)
- ดำเนินการ: ค้นหาเว็บไซต์ของ ClickUp (https://clickup.com/features/dashboards) และดึงข้อมูลที่เกี่ยวข้องเท่านั้น
- สังเกต: จดบันทึกสิ่งที่คุณพบ
- ทำซ้ำ: ทำต่อไปจนกว่าคุณจะมีข้อมูลที่ต้องการทั้งหมด
สุดท้ายนี้ กรุณาจัดทำสรุปที่มีโครงสร้างโดยมี:
- ข้อความกำหนดตำแหน่งหลัก
- 3–5 ประโยชน์หลัก
- 3 กรณีการใช้งานหลัก
- วิธีที่พวกเขาแสดงผลแดชบอร์ดในเชิงภาพ
- รูปแบบและน้ำเสียงของคำกระตุ้นการตัดสินใจ
ข้อความนี้ชี้นำ AI ผ่านกระบวนการที่เป็นเหตุเป็นผลและค่อยเป็นค่อยไปโดยไม่หลุดประเด็น ตอนนี้มาดูกันว่า AI ตอบสนองต่อข้อความนี้อย่างไร:
💡 เคล็ดลับมืออาชีพ: การกระตุ้นด้วย ReACT จะได้ผลดีที่สุดเมื่อ AI สามารถเข้าถึงข้อมูลออนไลน์ที่เชื่อถือได้และทำการสังเกตการณ์ที่ถูกต้อง หากขั้นตอน 'Act' ดึงข้อมูลที่มีเสียงรบกวนหรือล้าสมัยเข้ามา การให้เหตุผลที่ตามมาจะมีความบกพร่องอย่างหลีกเลี่ยงไม่ได้
9. สร้างคำถามเพื่อกระตุ้นความรู้
เมื่อ AI หยุดชั่วคราวเพื่อรวบรวมหรือสร้างองค์ความรู้อย่างชัดเจนก่อน มักจะมีความแม่นยำและสม่ำเสมอมากขึ้น
นี่คือหลักการของการสร้างความรู้ผ่านการกระตุ้น ซึ่งคุณจะให้คำแนะนำหลายข้อแก่ AI เพื่อให้มันสามารถดึงข้อเท็จจริงที่เกี่ยวข้องขึ้นมาได้ก่อน จากนั้นจึงนำไปใช้ในการสร้างคำตอบที่เกี่ยวข้อง
ฟังดูสับสนไหม?
พิจารณาตัวอย่างนี้: คุณกำลังเปิดตัวเครื่องมือการจัดการโครงการใหม่สำหรับฟรีแลนซ์ คุณจำเป็นต้องสร้างกลยุทธ์การตลาด แต่คุณไม่แน่ใจว่าจะเน้นที่ปัญหาใดเพื่อให้ข้อความของคุณเข้าถึงกลุ่มเป้าหมาย
การใช้ Generate Knowledge Prompting คุณสามารถบอก AI ให้แสดงรายการข้อมูลเชิงลึกที่เกี่ยวข้องเกี่ยวกับความไม่พอใจของกลุ่มเป้าหมายของคุณได้ก่อน:
การใช้ข้อมูลเชิงลึกที่สร้างขึ้นนี้เป็นข้อมูลนำสำหรับคำแนะนำถัดไปของคุณ คุณจะสามารถชี้นำ AI ให้เสนอแนะกลยุทธ์การตลาดที่เหมาะสมที่สุดได้:
ผลลัพธ์สุดท้ายจึงถูกสร้างขึ้นบนพื้นฐานของตรรกะที่โปร่งใสและชัดเจน
💡 เคล็ดลับจากผู้เชี่ยวชาญ: ใช้ Generate Knowledge Prompting เมื่อคุณต้องการคำตอบจาก AI ที่มีการวิจัยอย่างดีและมีความน่าเชื่อถือ เหมาะอย่างยิ่งสำหรับการเขียนบทความ การสร้างรายงานที่มีรายละเอียด หรือการเตรียมการนำเสนอที่ความถูกต้องของข้อมูลเป็นสิ่งสำคัญ
10. การกระตุ้นเชิงรุก
การกระตุ้นเชิงรุกเป็นเทคนิคที่เปลี่ยน AI ให้เป็นผู้เรียนที่มีความกระตือรือร้น
แทนที่คุณจะเดาว่าตัวอย่าง (หรือช็อต) ใดที่ AI ต้องการเรียนรู้ ให้คุณจัดเตรียมชุดตัวอย่างที่หลากหลายให้กับ AI และ AI จะระบุตัวอย่างที่ท้าทายหรือคลุมเครือที่สุดด้วยตัวเอง จากนั้น AI จะขอให้คุณให้คำตอบที่ถูกต้องเฉพาะสำหรับกรณีเหล่านั้นเท่านั้นเพื่อใช้ในการฝึกฝนตัวเอง
เพื่อให้เข้าใจได้ง่าย ลองนึกภาพว่าคุณต้องการสร้างกรอบการทำงานที่จะช่วยให้ทีมขายของคุณจัดการกับเป้าหมายทั่วไปของลูกค้าสำหรับคุณสมบัติใหม่ของผลิตภัณฑ์
คุณมีรายการความคิดเห็นและวัตถุประสงค์ของลูกค้าแบบดิบอยู่แล้ว และคุณต้องการฝึกอบรม AI ให้เขียนคำตอบที่มีประสิทธิภาพและสอดคล้องกับแบรนด์ ซึ่งทีมขายสามารถนำไปใช้ซ้ำได้
ตัวอย่างข้อความกระตุ้น: คุณเป็นนักกลยุทธ์การตลาดผลิตภัณฑ์อาวุโสที่กำลังวิจัยปัญหาของผู้ใช้
งาน: สร้างความไม่พอใจหรือปัญหาที่ชัดเจน 4 ข้อที่ผู้จัดการผลิตภัณฑ์อิสระประสบเมื่อทำงานโดยไม่มีเครื่องมือการจัดการโครงการ
บริบท: พวกเขาต้องจัดการกับลูกค้าหลายราย ทำงานทางไกล และมักต้องรับผิดชอบโครงการเพียงลำพังโดยไม่มีทีมสนับสนุนเฉพาะ
ข้อจำกัด:
- ทำให้แต่ละจุดปวดเป็นประโยคยาว 1–2 ประโยค
- เน้นผลกระทบทางอารมณ์ (ความเครียด, ความรู้สึกท่วมท้น, ความเหนื่อยล้า, ความสับสน, เป็นต้น)
- แสดง ผลกระทบทางธุรกิจ (พลาดกำหนดเวลา, งานที่ตกหล่น, ลูกค้าไม่พอใจ)
- หลีกเลี่ยงคำที่ไม่ชัดเจนเช่น "การขาดการจัดระเบียบ" — ให้ระบุอย่างชัดเจน
รูปแบบผลลัพธ์:
- รายการที่มีหมายเลข
- แต่ละรายการ: จุดเจ็บปวด → ผลที่ตามมา (ในวงเล็บ)
💡 เคล็ดลับมืออาชีพ: เก็บข้อความที่ประสบความสำเร็จพร้อมบันทึกสิ่งที่ได้ผลและเหตุผลไว้ด้วย วิธีนี้จะช่วยสร้างคลังข้อมูลภายในของ "รูปแบบข้อความ" ที่คุณสามารถนำกลับมาใช้และปรับใช้กับงานต่างๆ ได้ เหมือนกับโมดูลโค้ดที่นำกลับมาใช้ใหม่ได้
การกระตุ้นให้เกิดกรณีการใช้งานที่แตกต่างกัน
พร้อมที่จะนำทักษะการเขียนคำสั่งของคุณมาใช้แล้วหรือยัง?
มาดูตัวอย่างการสร้างพรอมต์ที่พบบ่อยซึ่งคุณสามารถนำไปใช้ได้ทันทีในที่ทำงาน
สำหรับทีมคอนเทนต์
หากคุณทำงานด้านคอนเทนต์ คุณก็เหมือนกำลังบริหารสายการผลิตสร้างสรรค์อยู่ นั่นอาจเหนื่อย แต่จะไม่เหนื่อยหากคุณรู้วิธีสร้างคำสั่งที่มีประสิทธิภาพ
1. การสร้างโครงร่างบล็อกโดยใช้การเชื่อมโยงคำสั่ง
แทนที่จะบอก AI ว่า 'สร้างโครงร่างบล็อกเกี่ยวกับ [หัวข้อ]' คุณสามารถแบ่งกระบวนการนี้ออกเป็นขั้นตอนย่อยและดำเนินการตามลำดับได้:
ตัวอย่างหัวข้อ: ให้ฉัน 5 หัวข้อสำหรับบล็อกเกี่ยวกับการเอาชนะความเบื่อหน่ายในวันจันทร์ เหมาะสำหรับผู้จัดการระดับกลาง และกรุณาแชร์กรอบแนวคิดที่คุณเคยใช้สำหรับแต่ละหัวข้อด้วย
ต่อไป ให้แบ่งหัวข้อนี้ออกเป็นแท็ก H2, H3 และ H4 และบอกฉันว่าควรครอบคลุมอะไรบ้างในแต่ละส่วน
2. การสร้างข้อมูลเมตาด้วยวิศวกรรมคำสั่งแบบไม่กี่ตัวอย่าง
นำเมตา-หัวข้อและเมตา-คำอธิบายจากบทความก่อนหน้าของคุณ 3-4 รายการ และใช้เป็นตัวอย่างหรือ 'ช็อต' เพื่อฝึก AI ในการเขียนเมตา-คำอธิบาย
3. การปรับแต่ง SEO สำหรับบล็อกโดยใช้เทคนิคการสร้างความรู้
หากคุณมีบล็อกที่มีประสิทธิภาพต่ำและต้องการปรับให้เหมาะสมกับเครื่องมือค้นหา เพียงแค่ป้อนข้อมูลบล็อกนั้นเข้าสู่ระบบ AI และขอให้โมเดล 'ขุดค้น' คีย์เวิร์ดที่คุณอาจพลาดไป เมื่อ AI สร้างรายการนี้ขึ้นมา (เช่น สร้างความรู้) คุณสามารถสั่งให้มันนำความรู้ที่สร้างขึ้นมานั้นไปผสมผสานเข้ากับเนื้อหาอย่างเป็นธรรมชาติ
แม้ว่าคำแนะนำที่เหมาะสมสามารถช่วยให้คุณสร้างบล็อกหรือโพสต์โซเชียลมีเดียที่ยอดเยี่ยมได้ แต่ก็ยังคงเป็นเรื่องยุ่งยากที่ต้องสลับไปมาระหว่างเครื่องมือต่างๆ เพื่อสร้างเนื้อหาและแก้ไข/จัดรูปแบบสำหรับผู้เผยแพร่ ClickUp นำเสนอทางออกที่ชาญฉลาด
คุณสามารถใช้ClickUp Docsเพื่อเขียนเนื้อหาของคุณ ซึ่งมีส่วนขยายในตัวสำหรับClickUp Brain
ซึ่งหมายความว่าคุณสามารถให้คำแนะนำแก่ AI ปรับปรุงเนื้อหาของคุณ และจัดรูปแบบด้วยภาพ (รูปภาพ ตาราง อินโฟกราฟิก GIF) ทั้งหมดภายในเอกสารของคุณ
รักษาความคิดของคุณให้เคลื่อนไหวโดยไม่สะดุดClickUp Brain MAXช่วยให้คุณจับและปรับแต่งความคิดได้โดยตรงในเอกสารของคุณ—เปลี่ยนความคิดที่แวบขึ้นมาอย่างรวดเร็วให้กลายเป็นโครงร่างที่จัดระเบียบหรือขั้นตอนถัดไป และเมื่อการพิมพ์ทำให้คุณช้าลง ฟีเจอร์Talk-to-Text จะช่วยให้คุณ พูดความคิดของคุณออกมาได้โดยตรง ความคิดเหล่านั้นจะปรากฏบนหน้าเอกสารทันที ทำให้การระดมความคิดของคุณรวดเร็วและไร้ความสะดุด
สิ่งนี้ทำให้การบันทึกไอเดีย การกำหนดโครงร่าง หรือการร่างเนื้อหาในแบบเรียลไทม์เป็นเรื่องง่ายโดยไม่ต้องหยุดชะงัก เมื่อร่างแรกเสร็จสิ้นแล้ว คุณสามารถปรับแต่งให้ละเอียดขึ้นได้ด้วยการเชื่อมโยงคำสั่ง การให้คำแนะนำแบบสั้น หรือเทคนิคอื่น ๆ ที่คุณได้เรียนรู้
📚 อ่านเพิ่มเติม:คำสั่งสำหรับสร้างภาพด้วย AI เพื่อสร้างภาพที่น่าทึ่ง
📌 คุณรู้หรือไม่? 86% ของนักการตลาดประหยัดเวลามากกว่าหนึ่งชั่วโมงทุกวันโดยใช้ AI เพื่อจุดประกายไอเดียเนื้อหาใหม่
นั่นคือเวลา 5 ชั่วโมงขึ้นไปต่อสัปดาห์ที่คืนกลับมาเพื่อใช้กับกลยุทธ์ การเล่าเรื่อง และงานที่มีมูลค่าสูงกว่า
ผลลัพธ์คือ? แคมเปญที่รวดเร็วขึ้น, ความเหนื่อยล้าที่น้อยลง, และพื้นที่มากขึ้นสำหรับความคิดสร้างสรรค์ที่สามารถเชื่อมต่ออย่างแท้จริงกับผู้ชม
สำหรับทีมพัฒนาผลิตภัณฑ์และทีมพัฒนา
การกลับไปกลับมาด้วย AI เพื่อส่งฟีเจอร์ใหม่หรือแก้ไขบั๊กไม่ใช่ความช่วยเหลือที่คุณต้องการในชีวิตจริงๆ การออกแบบคำสั่งให้เหมาะสมสามารถทำให้กระบวนการนั้นลดความเหนื่อยล้าลงได้มาก:
1. การอธิบายคุณสมบัติของฟีเจอร์โดยใช้การเรียงลำดับคำสั่ง
คุณสามารถใช้การเชื่อมโยงคำสั่งเพื่อเตรียมเอกสารข้อกำหนดคุณลักษณะทีละขั้นตอน เพื่อให้ผู้พัฒนาสามารถสร้างจากเอกสารนี้ได้โดยไม่สับสน วิธีดำเนินการมีดังนี้:
2. การแปลข้อเสนอแนะเป็นงานพัฒนาด้วยวิศวกรรมคำสั่งแบบไม่ต้องฝึก (zero-shot prompt engineering)
เพียงคัดลอกและวางคำติชมของลูกค้าแล้วขอให้ AI แปลงเป็นงานสำหรับนักพัฒนาพร้อมชื่อเรื่องและคำอธิบายที่ชัดเจน:
3. เขียนกรณีทดสอบโดยใช้การให้คำแนะนำแบบไม่กี่ครั้ง
ให้ตัวอย่างกรณีทดสอบที่เขียนได้ดี 4-5 ตัวอย่าง เพื่อให้แบบจำลอง AI เรียนรู้สไตล์ของคุณได้ทันที และสร้างกรณีทดสอบที่ต้องการ:
หากคุณยังคงใช้เครื่องมือหลายอย่างสำหรับงานที่ต้องการความช่วยเหลือจาก AI, ClickUp Brain คือสิ่งที่คุณต้องการทั้งหมด, โดยเฉพาะหากคุณทำงานในด้านการพัฒนาผลิตภัณฑ์หรือซอฟต์แวร์.
มันสามารถช่วยคุณสร้างสรุปที่กระชับของรายงานข้อบกพร่องได้โดยตรงภายในงานที่คุณได้รับมอบหมาย ทั้งหมดที่คุณต้องทำคือเปิดงานที่มีข้อบกพร่องซึ่งมอบหมายให้คุณ คลิกที่ปุ่ม AI Summarize และรอเพียงไม่กี่วินาทีเพื่อให้ระบบ AI สร้างสรุปอย่างรวดเร็ว โดยเน้นปัญหาหลักและขั้นตอนที่ต้องดำเนินการ
ในทำนองเดียวกัน คุณสามารถใช้ ClickUp Brain เพื่อร่างเกณฑ์การยอมรับที่ชัดเจนสำหรับเรื่องราวของผู้ใช้ ฟีเจอร์ และการแก้ไขข้อบกพร่องซอฟต์แวร์ผู้ช่วยเขียนจะดึงและวิเคราะห์เนื้อหาของงาน (คำอธิบาย ความคิดเห็น ไฟล์แนบ) โดยอัตโนมัติ และแนะนำเกณฑ์การยอมรับในรูปแบบรายการตรวจสอบ/หัวข้อย่อย
อยากเห็นการทำงานจริงหรือไม่? ชมวิดีโอสั้นนี้เกี่ยวกับวิธีการเขียนรายงานข้อบกพร่องที่มีประสิทธิภาพด้วยความช่วยเหลือจาก AI
📌 คุณรู้หรือไม่? การสำรวจโดย Canva พบว่า:
- 92% ของผู้นำด้านเทคโนโลยีได้ผสานเครื่องมือการเขียนโค้ดที่ช่วยเหลือด้วย AI เข้ากับกระบวนการทำงานของพวกเขาแล้ว
- 78% ของนักพัฒนาใช้เครื่องมือเหล่านี้ทุกวัน
ประโยชน์ที่ได้รับ ได้แก่ การสร้างต้นแบบที่รวดเร็วขึ้น การคิดค้นไอเดีย การสร้างนวัตกรรม และต้นทุนที่ต่ำลง
ฝ่ายขายและการตลาด
การปรับแต่งให้เหมาะกับบุคคลคือสิ่งที่สำคัญที่สุดสำหรับทีมขายและทีมการตลาด. แต่การนำเสนอสิ่งนี้ในระดับใหญ่เป็นงานที่น่าเบื่อ. มาดูกันว่าเทคนิคการออกแบบคำสั่งสามารถช่วยให้กระบวนการนี้เร็วขึ้นได้อย่างไร:
1. การเขียนอีเมลตอบกลับผ่านการสร้างคำสั่งแบบไม่กี่ครั้ง
แสดงตัวอย่างให้ AI ดูสักสองสามกรณีว่าคุณจะตอบอีเมลของลูกค้าหรือผู้สนใจอย่างไร จากนั้น AI จะร่างคำตอบสำหรับอีเมลล่าสุดในลักษณะเดียวกับที่คุณทำ:
2. การสร้างคุณค่าด้วยการใช้เครื่องมือสร้างคำแนะนำอัตโนมัติ
ต้องการความช่วยเหลือในการร่างข้อเสนอคุณค่าที่แข็งแกร่งหรือไม่? แทนที่จะเสียเวลาในการปรับแต่งคำสั่งของคุณ เพียงแค่ขอให้ AI ทำดังนี้:
ต้องการสร้างข้อความสำหรับการติดต่อและสรุปการโทรกับลูกค้าภายในไม่กี่วินาทีหรือไม่? ด้วย ClickUp Brain คุณสามารถใช้ผู้ช่วย AI ได้ในทุกฟีเจอร์ของ ClickUp เช่น ClickUp Docs,ClickUp Tasks และแม้แต่ในClickUp Comments
ในการร่างข้อความสำหรับการประชาสัมพันธ์ เพียงเปิด ClickUp Docs และใช้ AI เพื่อเขียนอีเมล/ข้อความสำหรับผู้ติดต่อของคุณ คุณสามารถแก้ไข เลือกโทนเสียง ปรับปรุงหรือขยายร่างด้วยคลิกเดียว หรือใช้ตามที่เป็นอยู่
หากมีใครทิ้งบันทึกการโทรไว้ในความคิดเห็น คุณสามารถโทรหา Brain (โดยพิมพ์ @brain ในช่องความคิดเห็น/ตอบกลับ) และขอให้สรุปบันทึกการโทรในความคิดเห็นนั้น
📚 อ่านเพิ่มเติม:ตัวอย่างหัวข้อการเขียน
📌 คุณรู้หรือไม่? เกือบ20% ของนักการตลาดจัดสรรงบประมาณการตลาดมากกว่า 40% ให้กับแคมเปญที่ขับเคลื่อนด้วย AI และ 34% รายงานว่ามีการปรับปรุงผลลัพธ์ทางการตลาดอย่างมีนัยสำคัญเนื่องจาก AI
สำหรับการดำเนินงาน
หากคุณทำงานในฝ่ายปฏิบัติการ คุณอาจต้องรับภาระงานที่ใช้เวลามาก เช่น การเขียนคู่มือมาตรฐานการปฏิบัติงาน (SOP) หรือการจัดทำเอกสารภายในองค์กร แต่อย่าเพิ่งกังวล ลองใช้คำแนะนำด้านล่างนี้เพื่อช่วยลดภาระงานของคุณได้อย่างชาญฉลาด:
1. การจัดทำสรุปการประชุม - สร้างความรู้ + ความสอดคล้องในตนเอง
ไม่มีเครื่องมืออัตโนมัติสำหรับสรุปรายงานการประชุมใช่ไหม? ไม่ต้องกังวล! เพียงวางบันทึกการประชุมลงในแชท AI แล้วขอให้มันสกัดประเด็นสำคัญ (สรุปหรือรายการที่ต้องดำเนินการ) ให้คุณ
เพื่อเพิ่มความถูกต้องของผลลัพธ์ คุณสามารถบอก AI ให้ลองสร้างสรุปหลายเวอร์ชันและเลือกเวอร์ชันที่ดีที่สุด
หากคุณกำลังมองหาวิธีที่ราบรื่นและอัตโนมัติมากขึ้นในการจัดการบันทึกการประชุมClickUp's AI Notetakerถูกออกแบบมาเพื่อสิ่งนี้โดยเฉพาะ เครื่องมือทรงพลังนี้สามารถเข้าร่วมการประชุมของคุณได้โดยอัตโนมัติ ไม่ว่าจะเป็นที่จัดตารางไว้ล่วงหน้าหรือแบบฉุกเฉิน และถอดเสียงการสนทนาทั้งหมดในเวลาจริง
สามารถสรุปประเด็นสำคัญ, ระบุการตัดสินใจที่ทำ, และแม้กระทั่งสกัดงานที่สามารถทำได้หรือการติดตามผล.
หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีการใช้ AI ในการจดบันทึกการประชุม สามารถรับชมวิดีโอด้านล่างนี้:
2. การสร้างเอกสารภายในโดยใช้การกระตุ้นเชิงรุก
การสร้างเอกสารภายใน (เช่น เอกสารเกี่ยวกับ 'นโยบายการทำงานทางไกล') ในครั้งแรกอาจทำให้รู้สึกหนักใจได้ ในกรณีเช่นนี้ ควรเริ่มต้นด้วยการตั้งคำถามหรือคำแนะนำที่ชัดเจน และปรับปรุงเนื้อหาไปเรื่อย ๆ เพื่อให้ได้ผลลัพธ์ที่สมบูรณ์แบบ:
ตัวอย่างคำแนะนำ: ร่างเอกสารภายในเพื่ออธิบายนโยบายการทำงานทางไกลของเรา ให้มีความยาวไม่เกิน 800 คำ ระบุคุณสมบัติ ความคาดหวัง นโยบายเกี่ยวกับอุปกรณ์ และส่วนเกี่ยวกับความปลอดภัยทางไซเบอร์
ชมวิดีโอนี้เพื่อเรียนรู้วิธีที่ AI สามารถทำให้กระบวนการจัดทำเอกสารของคุณเป็นไปอย่างราบรื่นและประหยัดเวลาการทำงานด้วยตนเองได้หลายชั่วโมง:
3. การสร้าง SOP ผ่านเทคนิคการสร้างความรู้
'เขียน SOP เกี่ยวกับ X' อาจไม่ให้ผลลัพธ์ที่ดีที่สุดแก่คุณ แทนที่จะทำเช่นนั้น คุณสามารถกำหนดสิ่งที่จำเป็นต้องรวมไว้ก่อนได้ เมื่อ AI ให้รายการนั้นแก่คุณแล้ว ให้ปรับแต่งมัน และส่งกลับไปยังโมเดลเพื่อสร้าง SOP ที่สมบูรณ์
ตัวอย่างคำสั่ง
ขั้นตอนที่ 1: คุณเป็นผู้เชี่ยวชาญด้านการจัดทำเอกสารกระบวนการ กรุณาระบุขั้นตอนสำคัญทั้งหมด งานที่ต้องดำเนินการ เครื่องมือที่ใช้ และการอนุมัติที่เกี่ยวข้องในการจัดทำ SOP สำหรับ [กระบวนการ X] โดยระบุผู้รับผิดชอบในแต่ละขั้นตอน เครื่องมือที่ใช้ และเกณฑ์ความสำเร็จหลักที่ใช้ในการพิจารณาว่าขั้นตอนนั้นเสร็จสมบูรณ์แล้ว
ขั้นตอนที่ 2: ใช้รายการขั้นตอน บทบาท เครื่องมือ และเกณฑ์เหล่านี้ในการเขียนขั้นตอนการปฏิบัติงานมาตรฐานสำหรับ [กระบวนการ X] ให้ละเอียด รวมถึงส่วนต่างๆ เช่น ชื่อเรื่อง วัตถุประสงค์ ขอบเขต ขั้นตอนการปฏิบัติงานทีละขั้นตอน บทบาทและความรับผิดชอบ เครื่องมือ/ทรัพยากร และแนวทางการอนุมัติและตรวจสอบ ใช้ภาษาที่ชัดเจนและสามารถปฏิบัติได้ เพื่อให้ทุกคนสามารถปฏิบัติตามได้โดยไม่ต้องมีการฝึกอบรมมาก่อน
แม้ว่าสิ่งนี้อาจดูง่าย แต่เราเข้าใจดีว่ามันอาจทำให้รู้สึกหงุดหงิดเมื่อต้องร่างโจทย์การเขียนสำหรับ AIขึ้นมาใหม่ทุกครั้งที่คุณต้องการสร้าง SOP (เนื่องจากโจทย์เดียวกันอาจไม่เหมาะกับทุก SOP)
แต่จะเป็นอย่างไรถ้ามีปุ่มวิเศษอยู่ในพื้นที่ทำงานของคุณ ซึ่งเมื่อกดแล้วจะสร้าง SOP ใดก็ได้ตามที่คุณต้องการ? นั่นคือสิ่งที่คุณสามารถทำได้ด้วยAI Fields ของ Clickup
นี่คือฟิลด์ที่กำหนดเอง ซึ่งขับเคลื่อนโดย ClickUp Brain ที่คุณสามารถเพิ่มเข้าไปในภารกิจหรือรายการของคุณได้ คุณสามารถตั้งค่าคำสั่งให้เป็นอย่างเช่น 'ร่าง SOP ตามคำอธิบายภารกิจและความคิดเห็น' และทุกครั้งที่คุณคลิกที่มัน ระบบจะสร้างเนื้อหา SOP ให้โดยอัตโนมัติ ตามเนื้อหาของภารกิจนั้น ๆ
💬 ผู้ใช้ CickUp พูดว่า:
ClickUp มีความหลากหลายอย่างมากและช่วยให้ฉันสามารถสร้างโซลูชันสำหรับกรณีธุรกิจหรือกระบวนการใด ๆ ได้เกือบทั้งหมด ระบบอัตโนมัติและตัวแทน AI ก็ทรงพลังมากเช่นกัน! ฉันสามารถตั้งค่าการดำเนินการอัตโนมัติผ่านตรรกะหรือผ่านคำสั่ง AI เพื่อดำเนินการเกือบทุกอย่างที่จินตนาการได้ใน ClickUp สุดท้ายนี้ ความเร็วในการอัปเดตผลิตภัณฑ์นั้นน่าทึ่งมาก มีการอัปเดตฟีเจอร์ที่สำคัญทุกเดือน และบริษัทก็ชัดเจนว่ามีการลงทุนเพื่อการเติบโต
ClickUp มีความหลากหลายอย่างมากและช่วยให้ฉันสามารถสร้างโซลูชันสำหรับกรณีธุรกิจหรือกระบวนการใด ๆ ได้เกือบทั้งหมด ระบบอัตโนมัติและ AI Agents ก็ทรงพลังมากเช่นกัน! ฉันสามารถตั้งค่าการกระทำอัตโนมัติผ่านตรรกะหรือผ่านคำสั่ง AI เพื่อดำเนินการใด ๆ ที่คิดได้ใน ClickUp สุดท้ายนี้ ความเร็วในการอัปเดตผลิตภัณฑ์นั้นน่าทึ่งจริง ๆ มีการอัปเดตฟีเจอร์ที่สำคัญทุกเดือน และบริษัทก็ชัดเจนว่ามีการลงทุนเพื่อการเติบโต
ข้อผิดพลาดทั่วไปในการให้คำแนะนำ (และวิธีแก้ไข)
นิสัยเล็กๆ น้อยๆ ในการเขียนโจทย์สามารถสร้างความแตกต่างระหว่างผลลัพธ์ที่ได้คือ 'ว้าว สมบูรณ์แบบ' กับการจ้องมองที่บล็อกข้อความแล้วสงสัยว่าเกิดอะไรขึ้น
อย่างไรก็ตาม มาดูข้อผิดพลาดทั่วไปในการออกแบบคำสั่งและวิธีที่คุณสามารถปรับปรุงคำสั่งของคุณให้ดียิ่งขึ้น:
1. การขอให้ AI 'ทำไปเลย' โดยไม่บอกวิธีการ
การเขียนคำสั่งเช่น 'เขียนบล็อกโพสต์' หรือ 'สรุปสิ่งนี้' ปล่อยให้ AI ตีความได้กว้างเกินไป ผลลัพธ์? บล็อกที่ทั่วไปเกินไปหรือสรุปที่ไม่ตรงตามความคาดหวังของคุณ
แก้ไข: สร้างคำแนะนำที่มีประสิทธิภาพพร้อมคำแนะนำที่ชัดเจนและบริบทที่เหมาะสม ตัวอย่างเช่น เมื่อเขียนบล็อกโพสต์ คุณอาจพิจารณาการกำหนดโทนที่คุณต้องการให้ติดตาม กลุ่มเป้าหมายของคุณ ความยาวของโพสต์ และวัตถุประสงค์ของโพสต์
นี่คือตัวอย่าง:
❌ คำสั่งที่ไม่ดี: 'เขียนอีเมลเกี่ยวกับฟีเจอร์ใหม่ 'แดชบอร์ดที่กำหนดเอง''
✅ คำแนะนำที่ดี: 'เขียนอีเมลภายในถึงทีมขายของเราเพื่อประกาศฟีเจอร์ใหม่ 'แดชบอร์ดแบบกำหนดเอง' สำหรับเครื่องมือเพิ่มประสิทธิภาพของเรา [ชื่อเครื่องมือ] อีเมลควรกระชับ เน้นประโยชน์หลักสามข้อที่สำคัญสำหรับพนักงานขาย (เช่น การพิสูจน์ ROI การปิดการขายได้เร็วขึ้น) และรวมถึงการเชิญชวนให้ดูวิดีโอการฝึกอบรม ใช้โทนที่มั่นใจและให้กำลังใจ'
2. การให้ AI ทำงานมากเกินไปในเวลาเดียวกัน
การยัดเยียดรายละเอียดหรือภารกิจมากเกินไปไว้ในคำสั่งเดียวอาจนำไปสู่ผลลัพธ์ที่สับสนได้เช่นกัน. ระบบปัญญาประดิษฐ์อาจเกิดความสับสนหรือพยายามทำทุกอย่างพร้อมกัน (และทำออกมาได้ไม่ดี).
แก้ไข: แบ่งคำสั่งเริ่มต้นของคุณออกเป็นขั้นตอนย่อย ๆ แล้วรันทีละขั้นตอนตามลำดับ ตัวอย่างเช่น เริ่มต้นด้วยการขอโครงร่างก่อน หากโครงร่างดีแล้ว ให้ขอให้ AI เขียนเนื้อหาสำหรับแต่ละส่วน จากนั้นจึงสั่งให้ AI ปรับแต่งเนื้อหาให้เหมาะสมกับโทนเสียง และดำเนินการต่อไปตามลำดับ
❌ คำสั่งที่ไม่ดี: 'สร้างคำหลัก SEO 10 คำสำหรับบทความบล็อกที่มีชื่อว่า 'วิธีนำระบบการจัดการคุณภาพไปใช้' ให้เสนอโครงสร้างที่เป็นมิตรกับ SEO โดยใช้คำหลักเหล่านี้ และเขียนบทนำสำหรับบล็อกความยาว 100 คำ'
✅ คำแนะนำที่ดี: สร้างคำหลัก SEO 10 คำสำหรับบทความบล็อกที่มีชื่อว่า 'วิธีนำระบบการจัดการคุณภาพมาใช้' กลุ่มเป้าหมายสำหรับบทความบล็อกนี้คือเจ้าของธุรกิจ, ซีอีโอ, และผู้บริหารระดับสูง
เขียนบทนำสำหรับบล็อกนี้ความยาว 100 คำ โดยคำนึงถึงโครงร่างและคำสำคัญ SEO ที่สร้างขึ้น
3. สมมติว่าโมเดลจดจำได้
โมเดลภาษาขนาดใหญ่ส่วนใหญ่ไม่มีสถานะและไม่เก็บข้อมูลไว้เว้นแต่คุณจะระบุไว้อย่างชัดเจนในคำสั่งปัจจุบัน ซึ่งมักส่งผลให้คำตอบไม่คำนึงถึงบริบทก่อนหน้าหรือขัดแย้งกับคำสั่งก่อนหน้าของคุณ
แก้ไข: กรุณาระบุบริบทสำคัญ ข้อจำกัด และเป้าหมายให้ชัดเจนในทุกข้อความใหม่ เพื่อให้โมเดลมีข้อมูลครบถ้วนในการตอบสนองอย่างถูกต้อง
❌ คำแนะนำที่ไม่ดี: 'ตอนนี้เขียนบทนำตามโครงร่างที่เราได้พูดคุยกันก่อนหน้านี้'
✅ คำแนะนำที่ดี: ใช้โครงร่างบล็อกที่เราสร้างไว้ก่อนหน้านี้ (บทนำ, ประโยชน์, กรณีการใช้งาน, และสรุป) เขียนบทนำความยาว 100 คำ ให้เป็นแบบสนทนา และดึงดูดผู้อ่านโดยเน้นปัญหาทั่วไปที่เครื่องมือเพิ่มประสิทธิภาพของเราสามารถแก้ไขได้
การสร้างคลังคำสั่งสำหรับทีม
คำแนะนำที่ดีสามารถช่วยประหยัดเวลาได้หลายนาที; ไลบรารีคำแนะนำที่แชร์กันสามารถช่วยประหยัดเวลาได้หลายชั่วโมง (เพราะทุกคนใช้มัน) นี่คือวิธีที่คุณสามารถสร้างมันได้:
1. สร้างเอกสารที่ใช้ร่วมกันเพื่อเก็บรวบรวมคำสั่งทั้งหมดของคุณ
ใช้ ClickUp Docs เพื่อจัดระเบียบคำสั่งที่มีประสิทธิภาพสูงสุดของคุณ ซึ่งสมาชิกในทีมสามารถนำไปใช้ในภายหลังได้ คุณสามารถจัดระเบียบคำสั่งเหล่านี้ตามแผนกและแบ่งย่อยตามประเภทของงาน (เช่น การสร้างเนื้อหา การวิจัยตลาด การวิเคราะห์ข้อมูล ฯลฯ)
สำหรับแต่ละคำถาม ให้รวมสิ่งต่อไปนี้:
- ตัวคำสั่งเอง
- คำอธิบายสั้น ๆ ที่อธิบายวัตถุประสงค์ของคำสั่ง, เมื่อใดที่ควรใช้, สิ่งที่ควรหลีกเลี่ยง, เป็นต้น
- ตัวอย่างผลลัพธ์จาก AI เพื่อกำหนดความคาดหวังที่ชัดเจน
2. ออกแบบแม่แบบข้อความกระตุ้นมาตรฐาน
สำหรับงานทั่วไป เช่น การสรุปบันทึกการประชุมหรือการปรับแต่งบล็อก คุณสามารถสร้างกลยุทธ์การตั้งคำถามมาตรฐานที่ทุกคนต้องใช้ คุณสามารถรวมแม่แบบคำสั่ง AIที่ชัดเจนและคำแนะนำสำหรับเวลา/วิธีการใช้เพื่อสร้างคำตอบในรูปแบบที่ต้องการ
สิ่งนี้ช่วยให้มั่นใจว่าสมาชิกทุกคนในทีมปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดเหมือนกันเมื่อให้คำแนะนำ ซึ่งรับประกันคุณภาพของผลลัพธ์ที่สม่ำเสมอ
3. ส่งเสริมวัฒนธรรมแห่งความร่วมมือและการให้ข้อเสนอแนะ
ส่งเสริมให้ทีมของคุณไม่เพียงแต่ใช้ไลบรารีคำแนะนำนี้เท่านั้น แต่ยังช่วยปรับปรุงให้ดีขึ้นด้วย ในการทำเช่นนั้น คุณต้อง:
- แนะนำระบบการให้คะแนนที่ง่ายซึ่งช่วยให้ทีมของคุณสามารถให้คะแนนคำสั่งได้ ยิ่งคำสั่งใดมีคะแนนสูงมากเท่าใด ก็ยิ่งมีประสิทธิภาพมากขึ้นเท่านั้น
- เปิดเอกสารสำหรับสมาชิกทีมเพื่อให้พวกเขาสามารถแสดงความคิดเห็นเพื่อเสนอแนะการปรับปรุงและแจ้งเตือนข้อความที่ไม่เป็นผล
4. เพิ่มคำแนะนำการแก้ไขปัญหาลงในคลังคำแนะนำของคุณ
อาจมีครั้งที่ AI ให้ผลลัพธ์ที่ไม่ดีหรือคาดไม่ถึง. เพื่อช่วยให้ทีมของคุณวินิจฉัยและแก้ไขปัญหาได้ ให้พิจารณาเพิ่มส่วนการแก้ไขปัญหาที่หารือเกี่ยวกับข้อผิดพลาดในการให้คำสั่ง AI ที่พบบ่อยและวิธีแก้ไข.
นี่อาจจะมีลักษณะประมาณนี้:
ปัญหา: ผลลัพธ์มีความทั่วไปเกินไป
สาเหตุที่เกิดขึ้น: ปัญญาประดิษฐ์มักจะกลับไปใช้ข้อมูลการฝึกอบรมที่พบบ่อยที่สุด ซึ่งอาจนำไปสู่คำตอบที่ปลอดภัย แต่ทั่วไปหรือไม่มีแรงบันดาลใจ
วิธีแก้ไข: เพิ่มข้อจำกัดหรือคำแนะนำเฉพาะเพื่อกระตุ้นให้ AI ทำงานไปในทิศทางที่ถูกต้อง
ตัวอย่าง: 'ให้ไม่เกิน 100 คำ'
📚 อ่านเพิ่มเติม: วิธีเป็นนักวิศวกร Prompt
จากจุดเริ่มต้นสู่ประสิทธิภาพ: วิธีที่ ClickUp ช่วยเติมเต็มช่องว่าง
ด้วยการเรียนรู้เทคนิคการสร้างคำสั่งพื้นฐานและขั้นสูง คุณสามารถหยุดเสียเวลาไปกับการลองผิดลองถูก และเริ่มได้รับผลลัพธ์ที่ช่วยขับเคลื่อนงานของคุณไปข้างหน้าอย่างแท้จริง
ด้วย ClickUp, AI กลายเป็นส่วนหนึ่งของที่ทำงานของคุณ. มันผสานการจัดการงานกับการทำงานอัตโนมัติและการร่วมมือกัน, ทำให้คุณสามารถทำงานได้โดยไม่ต้องสลับไปมาระหว่างเครื่องมือ.
ดังนั้น มาเลิกใช้วิธีเก่า ๆ ที่ใช้ AI เป็นผู้ช่วยที่คุณต้องเรียกใช้กันเถอะ ถึงเวลาแล้วที่คุณควรมีผู้ช่วย AI ที่พร้อมเป็นส่วนหนึ่งของทีมคุณอยู่แล้ว
สมัครใช้ ClickUp วันนี้และดูว่าจะเกิดอะไรขึ้นเมื่อ AI อยู่ห่างออกไปเพียงคลิกเดียว!
คำถามที่พบบ่อย
เครื่องมือที่ดีที่สุดขึ้นอยู่กับงานที่คุณต้องการให้ AI ดำเนินการ อย่างไรก็ตาม คุณค่าสูงสุดจะเกิดขึ้นเมื่อ AI ถูกผสานรวมเข้ากับแพลตฟอร์มที่คุณใช้อยู่แล้วสำหรับการวางแผนและส่งมอบงาน ตัวอย่างเช่น ClickUp Brain ได้รับการผสานรวมอย่างกว้างขวางและลึกซึ้งเข้ากับพื้นที่ทำงานของ ClickUp ทำให้คุณสามารถเข้าถึงผู้ช่วย AI ได้จากทุกหน้าจอ ที่จริงแล้ว คุณสามารถสลับระหว่าง Brain, ChatGPT, Gemini, Claude เป็นต้น เพื่อเลือกโมเดล AI ที่ดีที่สุดสำหรับงานของคุณได้
ใช่! คุณสามารถเก็บคำสั่งที่มีประสิทธิภาพดีที่สุดไว้ในเอกสาร ClickUp ที่แชร์ร่วมกัน หรือแม้แต่เปลี่ยนให้เป็นฟิลด์ AI แบบกำหนดเองเพื่อใช้งานซ้ำได้ทันที ด้วยวิธีนี้ ทุกคนสามารถคลิกที่ฟิลด์นั้น และผู้ช่วย AI จะดำเนินการตามคำสั่งที่คุณตั้งค่าไว้ล่วงหน้า แนะนำอย่างยิ่งสำหรับงานที่ต้องทำซ้ำซึ่งต้องการความสม่ำเสมอและมีความเร่งด่วน
โมเดลภาษาขนาดใหญ่ไม่ใช่เครื่องมือค้นหา พวกมันไม่เหมือนกับ Google ที่คุณป้อนคำค้นหาแล้วเครื่องมือจะให้ผลลัพธ์เดียวกันทุกครั้ง แต่ LLM จะตอบคำถามของคุณโดยอิงจากข้อมูลและรูปแบบที่พวกมันได้เรียนรู้ระหว่างการฝึกฝน ซึ่งเป็นเหตุผลว่าทำไมคำสั่งเดียวกันอาจให้ผลลัพธ์ที่แตกต่างกันในแต่ละครั้ง
ในเทคนิคการสร้างคำสั่งแบบไม่ใช้ตัวอย่าง (zero-shot prompt engineering) คุณเพียงแค่บอก AI ภารกิจที่ต้องการให้ดำเนินการ โดยไม่ต้องมีตัวอย่างผลลัพธ์ที่คาดหวังให้ดูประกอบ ตรงกันข้ามกับเทคนิคนี้ การสร้างคำสั่งแบบใช้ตัวอย่างเพียงไม่กี่ครั้ง (few-shot prompting) จำเป็นต้องให้ตัวอย่างบางส่วนเพื่อชี้นำ AI ไปในทิศทางที่ต้องการ เช่น การให้ตัวอย่างอีเมลตอบกลับ เพื่อให้ AI สร้างข้อความที่คล้ายคลึงกัน