โซ่พรอมต์: เปลี่ยนพรอมต์เดียวเป็นเวิร์กโฟลว์ LLM ที่เชื่อถือได้

# Prompt Chaining: เมื่อ Prompt เดียวไม่เพียงพอ หากคุณเคยพยายามใส่โปรเจกต์ทั้งหมดลงใน prompt เดียว—*ข้อกำหนด → โซลูชัน → แผน → ความเสี่ยง → เอกสารสุดท้าย*—คุณคงรู้แล้วว่ามันจะจบลงอย่างไร: - มันข้ามขั้นตอน - มันลืมข้อจำกัด - มันให้คำตอบที่ "มั่นใจ" แต่คุณไม่สามารถตรวจสอบได้ง่าย - และเมื่อมีอะไรผิดพลาด คุณไม่รู้เลยว่าข้อผิดพลาดเกิดขึ้น*ที่ไหน* **Prompt Chaining** คือวิธีแก้ไข ลองคิดถึงมันเหมือนการสร้างเวิร์กโฟลว์ที่แต่ละ prompt เป็นสถานีบนสายการผลิต: หนึ่งขั้นตอนเข้า หนึ่งขั้นตอนออก และผลลัพธ์กลายเป็นข้อมูลนำเข้าสำหรับสถานีถัดไป กล่าวอีกนัยหนึ่ง: คุณไม่ได้ขอให้ LLM ทำ "ทุกอย่างพร้อมกัน" คุณกำลังขอให้มันทำ **ทีละอย่าง อย่างน่าเชื่อถือ** --- # 1) Prompt Chaining คืออะไร? **Prompt Chaining** คือการปฏิบัติของ: 1. **การแยกย่อย** งานใหญ่ออกเป็นงานย่อยที่เล็กลง 2. การออกแบบ **prompt เฉพาะสำหรับแต่ละงานย่อย** 3. **การส่งผลลัพธ์ที่มีโครงสร้าง** จากขั้นตอนหนึ่งไปยังขั้นตอนถัดไป 4. การเพิ่มขั้นตอน **การตรวจสอบ + การแก้ไข** เพื่อไม่ให้ chain เบี่ยงเบนไป มันเป็นแนวคิดแบบ "microservices" ที่นำมาใช้กับการให้เหตุผลของ LLM โดยพื้นฐาน ## Single Prompt เทียบกับ Prompt Chaining (อธิบายง่ายๆ) | มิติ | Single Prompt | Prompt Chaining | |----|----|----| | ความซับซ้อน | เหมาะสำหรับงานง่าย ครั้งเดียวจบ | สร้างขึ้นสำหรับเวิร์กโฟลว์หลายขั้นตอน จริงจัง | | ตรรกะ | โมเดลเดาขั้นตอน | คุณ*กำหนด*ขั้นตอน | | การควบคุม | ควบคุมยาก | ควบคุมได้ทุกขั้นตอน | | การแก้ไขข้อผิดพลาด | "มันผิดพลาดตรงไหน?" | คุณสามารถระบุขั้นตอนที่เสียได้ | | ขอบเขต Context | ล้นได้ง่าย | ป้อนข้อมูลทีละน้อย ทีละขั้นตอน | --- # 2) ทำไมมันถึงได้ผล (เหตุผลที่แท้จริง) LLM ไม่เก่งในการจัดการ **หลายเป้าหมายพร้อมกัน** ถามว่า: "วิเคราะห์ข้อกำหนด เสนอฟีเจอร์ ประเมินความพยายาม จัดลำดับความสำคัญ แล้วเขียนแผน"—และคุณได้สร้างปัญหาการเพิ่มประสิทธิภาพแบบหลายวัตถุประสงค์ โมเดลมักจะทำงานได้ดีในวัตถุประสงค์**หนึ่ง**และทำได้ไม่ดีเท่าที่ควรในส่วนที่เหลืออย่างเงียบๆ Prompt Chaining ลดภาระทางสติปัญญา: **หนึ่งขั้นตอน → หนึ่งผลลัพธ์ → หนึ่งเกณฑ์ความสำเร็จ** --- # 3) กลไกหลัก: Input → Process → Output (ทำซ้ำ) โดยแก่นแท้แล้ว Prompt Chaining คือลูป: - **Input:** ผลลัพธ์ของขั้นตอนก่อนหน้า + ข้อมูลใหม่ใดๆ - **Process:** prompt ถัดไปพร้อมกฎ + ข้อจำกัดรูปแบบ - **Output:** ผลลัพธ์ที่มีโครงสร้างสำหรับขั้นตอนถัดไป นี่คือ chain ง่ายๆ ที่คุณสามารถจินตนาการได้: ```javascript flowchart LR A[Raw user feedback] --> B[Prompt 1: Extract pain points] B --> C[Prompt 2: Propose features] C --> D[Prompt 3: Prioritise & estimate effort] D --> E[Prompt 4: Write an iteration plan] ``` --- # 4) สี่สิ่งที่ไม่อาจต่อรองได้สำหรับการสร้าง Chain ที่ดี ## 4.1 งานย่อยต้องเป็นอิสระ *และ* เชื่อมโยงกัน - **อิสระ:** แต่ละขั้นตอนทำงานเดียว (ไม่ซ้ำซ้อน) - **เชื่อมโยง:** แต่ละขั้นตอนขึ้นอยู่กับผลลัพธ์ก่อนหน้า (ไม่มีขั้นตอน "ลอยๆ") แย่: "แยกจุดเจ็บปวดและออกแบบฟีเจอร์" ดี: ขั้นตอน 1 แยกจุดเจ็บปวด ขั้นตอน 2 ออกแบบฟีเจอร์ตามนั้น ## 4.2 ผลลัพธ์ระหว่างกลางต้องมีโครงสร้าง ข้อความอิสระเปราะบาง prompt ถัดไปอาจอ่านผิด ตีความใหม่ หรือเพิกเฉย ใช้รูปแบบที่มีโครงสร้างเช่น **JSON**, **ตาราง** หรือ **รายการหัวข้อย่อยที่มี key คงที่** ตัวอย่าง (JSON ที่คุณสามารถแยกวิเคราะห์ได้จริง): ```javascript { "pain_points": [ {"category": "performance", "description": "Checkout takes > 8 seconds", "mentions": 31}, {"category": "ux", "description": "Refund button hard to find", "mentions": 18}, {"category": "reliability", "description": "Payment fails with no error", "mentions": 12} ] } ``` ## 4.3 แต่ละ prompt ต้อง "สืบทอด" context อย่างชัดเจน อย่าสมมติว่าโมเดลจะ "จำสิ่งที่คุณหมายถึง" ใน prompt ถัดไป ให้อ้างอิงผลลัพธ์ก่อนหน้าอย่างชัดเจน: ## 4.4 สร้างเส้นทางความล้มเหลว (การตรวจสอบ + การซ่อมแซม) ทุก chain ต้องมี "ประตูคุณภาพ": - ตรวจสอบ: "ผลลัพธ์มี key ที่ต้องการทั้งหมดหรือไม่? ตัวเลขสอดคล้องกันหรือไม่?" - ซ่อมแซม: "ถ้าขาดหาย ให้สร้างเฉพาะส่วนที่ขาดหาย" - Guardrail: "ลองใหม่สูงสุด 2 ครั้ง มิฉะนั้นคืนค่าความพยายามที่ดีที่สุด + ข้อผิดพลาด" --- # 5) สามสถาปัตยกรรมที่คุณจะใช้ทุกที่ ## 5.1 Linear Chaining: ขั้นตอนคงที่ ไม่มีแขนง **ใช้เมื่อ:** เวิร์กโฟลว์คาดการณ์ได้ ### ตัวอย่าง: รายงานรายได้รายเดือนของอังกฤษ (Linear) สมมติคุณมีการส่งออก CSV จากร้าน e-commerce ของอังกฤษและคุณต้องการ: - การทำความสะอาด - ข้อมูลเชิงลึก - รายงานที่พร้อมสำหรับผู้บริหาร **ขั้นตอน 1 — Data cleaning ** ```javascript SYSTEM: You are a data analyst. Follow the instructions exactly. USER: Clean the dataset below. ​ Rules: 1) Drop rows where revenue_gbp or units_sold is null. 2) Flag outliers in revenue_gbp: > 3x category mean OR < 0.1x category mean. Do not delete them. 3) Add month_over_month_pct: (this_month - last_month) / last_month * 100. 4) Output as JSON array only. Each item must have: date, category, revenue_gbp, units_sold, region_uk, outlier_flag, month_over_month_pct ​ Dataset: ``` **ขั้นตอน 2 — Insights ** ```javascript SYSTEM: You are a senior analyst writing for a UK leadership audience. USER: Using the cleaned JSON below, produce insights: ​ 1) Category: Top 3 by revenue_gbp, and Top 3 by month_over_month_pct. Include contribution %. 2) Region: Top 2 regions by revenue, and biggest decline (>10%). 3) Trend: Overall trend (up/down/volatile). Explain revenue vs units relationship. ​ Output format: - Category insights: 2-3 bullets - Region insights: 2-3 bullets - Trend insights: 2-3 bullets ​ Cleaned JSON: ``` **ขั้นตอน 3 — Report-writing ** ```javascript SYSTEM: You write crisp internal reports. USER: Turn the insights below into a "Monthly Revenue Brief" (800–1,000 words). ​ Structure: 1) Executive summary (1 short paragraph) 2) Key insights (Category / Region / Trend) 3) Recommendations (2–3 actionable items) 4) Close (1 short paragraph) ​ Use GBP (£) formatting and UK spelling. Insights: ``` Linear chains น่าเบื่อในทางที่ดีที่สุด: พวกมันคาดการณ์ได้ ทำอัตโนมัติได้ และทดสอบง่าย --- ## 5.2 Branching Chaining: เลือกเส้นทางตามการจำแนกประเภท **ใช้เมื่อ:** ขั้นตอนถัดไปขึ้นอยู่กับการตัดสินใจ (ประเภท ความรุนแรง เจตนา) ### ตัวอย่าง: การคัดกรองข้อความลูกค้า (Branching) ขั้นตอน 1 จำแนกข้อความ: ```javascript SYSTEM: You classify customer messages. Output only the label. USER: Classify this message as one of: - complaint - suggestion - question ​ Output format: label: ​ Message: "My order was charged but never arrived, and nobody replied to my emails. This is ridiculous." ``` จากนั้นคุณแยกแขนง: - ถ้า **complaint** → สร้างแผนรับมือเหตุการณ์ - ถ้า **suggestion** → สร้างความเป็นไปได้ + การจัดตารางแผนงาน - ถ้า **question** → สร้างคำตอบสนับสนุนโดยตรง ตัวจัดการข้อร้องเรียน (ตัวอย่าง): ```javascript SYSTEM: You are a customer ops manager. USER: Create a complaint handling plan for the message below. ​ Include: 1) Problem statement 2) Actions: within 1 hour, within 24 hours, within 48 hours 3) Compensation suggestion (reasonable for UK e-commerce) Output in three sections with bullet points. ​ Message: ``` Branching chains คือวิธีที่คุณหยุดปฏิบัติต่อทุก input เหมือนปัญหาเดียวกัน --- ## 5.3 Looping Chaining: ทำซ้ำจนกว่าจะถึงเงื่อนไขหยุด **ใช้เมื่อ:** คุณต้องประมวลผลหลายรายการที่คล้ายกัน หรือปรับปรุงผลลัพธ์แบบวนซ้ำ ### ตัวอย่าง: สร้างรายการสินค้าแบบชุด (Looping) ขั้นตอน 1 แบ่งรายการเป็นบล็อกรายการ: ```javascript SYSTEM: You format product data. USER: Split the following product list into separate blocks. ​ Output format (repeat for each item): [ITEM N] name: key_features: target_customer: price_gbp: ​ Product list: ``` ขั้นตอน 2 วนซ้ำแต่ละบล็อก: ```javascript SYSTEM: You write high-converting product copy. USER: Write an e-commerce description for the product below. ​ Requirements: - Hook headline ≤ 12 words - 3 feature bullets (≤ 18 words each) - 1 sentence: best for who - 1 sentence: why it's good value (use £) - 150–200 words total, UK English ​ Product: ``` Looping chains ต้องการ **กฎหยุดที่แน่นอน**: - ประมวลผลรายการ N รายการพอดี หรือ - ลองใหม่สูงสุด 2 ครั้ง ถ้าจำนวนคำยาวเกินไป หรือ - หยุดถ้าการตรวจสอบผ่าน มิฉะนั้นคุณจะสร้างวงวนอนันต์ที่แพงที่สุดในโลก --- # 6) รายการตรวจสอบ "อย่ายิงตัวเอง" เชิงปฏิบัติ ## ปัญหา: รูปแบบระหว่างกลางยุ่งเหยิง → prompt ถัดไปล้มเหลว **แก้ไข:** ทำให้การจัดรูปแบบไม่อาจต่อรองได้ เพิ่มบรรทัดเช่น: - "ผลลัพธ์เป็น JSON เท่านั้น" - "ถ้าคุณไม่สามารถทำตามได้ ให้ผลลัพธ์: ERROR:FORMAT" ## ปัญหา: โมเดลลืมรายละเอียดก่อนหน้า **แก้ไข:** แถลงสัญญา "contract" ใหม่อย่างชัดเจนทุกครั้ง - "ใช้อาร์เรย์ `pain_points` จากผลลัพธ์ก่อนหน้า" - "อย่าสร้างหมวดหมู่พิเศษเพิ่มเติม" ## ปัญหา: loops ไม่เคยลู่เข้า **แก้ไข:** กำหนดข้อจำกัดที่วัดได้ + การลองใหม่สูงสุด - "จำนวนคำ ≤ 200" - "ลองใหม่สูงสุด: 2" - "ถ้ายังล้มเหลว คืนค่าความพยายามที่ดีที่สุด + รายการข้อผิดพลาด" ## ปัญหา: การเลือกแขนงผิด **แก้ไข:** ปรับปรุงกฎการจำแนก + เพิ่มการตรวจสอบครั้งที่สอง ตัวอย่าง: - Complaint ต้องรวม *ความรู้สึกเชิงลบ และ ปัญหาเชิงรูปธรรม* - ถ้าไม่แน่ใจ ให้ผลลัพธ์: question (ต้องการคำชี้แจง) --- # 7) เครื่องมือที่ทำให้ Chaining เจ็บปวดน้อยลง คุณสามารถเชื่อม prompts ด้วยตนเอง (คัดลอก/วางได้ผล) แต่เครื่องมือช่วยได้เมื่อคุณทำเกินไม่กี่ขั้นตอน - **n8n / Make**: เครื่องมือเวิร์กโฟลว์แบบ low-code สำหรับการเชื่อมต่อ API calls เก็บผลลัพธ์ ทริกเกอร์การแจ้งเตือน - **LangChain / LangGraph**: สร้าง chains ที่มีหน่วยความจำ การแยกแขนง การลองใหม่ การเรียกเครื่องมือ และการจัดการสถานะ - **Redis / Postgres**: เก็บผลลัพธ์ระหว่างกลางเพื่อให้คุณสามารถดำเนินการต่อ ตรวจสอบ และหลีกเลี่ยงการเรียกซ้ำ - **Notion / Google Docs**: มีประสิทธิภาพอย่างน่าประหลาดใจสำหรับการ chaining แบบ "มนุษย์อยู่ในลูป" ระยะเริ่มต้น --- # 8) วิธียกระดับสิ่งนี้ Prompt Chaining กลายเป็นทรงพลังยิ่งขึ้นเมื่อคุณรวมมันกับ: - **RAG**: เพิ่มขั้นตอนการดึงข้อมูลกลาง chain (เช่น "ดึงเอกสารนโยบาย" ก่อนร่างการตอบกลับ) - **Human approval gates**: อนุมัติก่อนการกระทำที่มีความเสี่ยง (การเปลี่ยนแปลงราคา การคืนเงินลูกค้า การตอบกลับด้านการปฏิบัติตามกฎระเบียบ) - **Multi-modal steps**: ข้อความ → สรุปภาพ → การสร้างไดอะแกรม → เอกสารสุดท้าย --- # สรุป Prompt Chaining ไม่ใช่ "prompts มากขึ้น" มันคือ **การออกแบบเวิร์กโฟลว์** เมื่อคุณเริ่มปฏิบัติต่อ prompts เป็นขั้นตอนที่มีสัญญา การตรวจสอบ และเส้นทางความล้มเหลว LLM ของคุณจะหยุดทำตัวเหมือนเครื่องสร้างข้อความที่วุ่นวาย และเริ่มทำหน้าที่เหมือนเพื่อนร่วมงานที่เชื่อถือได้—ทีละสถานี ถ้าคุณกำลังสร้างอะไรที่เกินกว่าการสาธิตครั้งเดียวจบ **จงเชื่อมมัน** \