ทดสอบ Caveman Prompt ของ ChatGPT ยังมีกประโยชน์ในการสรุปข้อมูลให้กระชับ

Lead: เมื่อผู้เขียนบทความจาก Tom’s Guide ทดลองใช้ caveman prompt** กับโมเดล ChatGPT เวอร์ชันล่าสุด พบว่าการสั่งให้ “พูดแบบคนหินและสั้น ๆ” ยังคงมีประโยชน์ในงานสรุปข้อมูลที่ต้องการความกระชับ แม้ว่าโมเดลใหม่จะตอบสนองต่อคำสั่งภาษาอังกฤษธรรมดาได้ดีแล้วก็ตาม การทดสอบนี้เปิดเผยว่าการออกแบบพรอมต์ (prompt engineering) กำลังเปลี่ยนแปลงจากการหลบหลีกข้อจำกัดของ AI ไปสู่การกำหนดบทบาทและรูปแบบผลลัพธ์ที่ชัดเจนมากขึ้น

Overview

บทความเริ่มด้วยการอธิบายประวัติของ caveman prompt ซึ่งเป็นเทคนิคที่ผู้ใช้พิมพ์ “talk like a caveman and keep it short” เพื่อบังคับให้ ChatGPT ลดข้อความยืดเยื้อและหลีกเลี่ยงการถามต่อโดยไม่จำเป็น ในช่วงแรกของการเปิดตัวโมเดล AI นี้ การตอบกลับมักเต็มไปด้วยคำอธิบายที่ละเอียดเกินความต้องการ ทำให้ผู้ใช้หลายคนหันมาใช้งานเทคนิคนี้เป็นทางลัดเพื่อได้คำตอบสั้น ๆ

เมื่อเวลาผ่านไปประมาณสามปี โมเดลใหม่ของ ChatGPT สามารถเข้าใจและปรับขนาดข้อความตามข้อกำหนดภาษาอังกฤษธรรมดาได้ดีขึ้น ผู้เขียนจึงตั้งคำถามว่า caveman prompt ยังมีคุณค่าอยู่หรือไม่ และทำการทดลองเพื่อวัดผลในสถานการณ์ต่าง ๆ

Test 1 – Explaining Complex Topics

ผู้เขียนให้ ChatGPT อธิบายเหตุผลที่เครื่องบินสามารถคงอยู่บนอากาศได้สองแบบ: แบบดั้งเดิมและแบบคนหิน ผลลัพธ์แรกเป็นข้อความยาวคล้ายหนังสือเรียน แม้จะแม่นยำแต่ใช้เวลามากกว่าที่จำเป็น ส่วนผลลัพธ์ตาม caveman prompt สั้นเพียงหกคำว่า “Air push wing. Wing go up. Plane stay sky.” ทำให้เห็นว่าข้อความกระชับได้ใจความหลักอย่างรวดเร็ว

ต่อมา ผู้เขียนเปลี่ยนเงื่อนไขเป็น “อธิบายให้เด็กอายุ 12 ปีเข้าใจ ใช้ภาษาประจำวัน มีอุปมาแบบง่าย ๆ ไม่เกิน 120 คำ” ผลลัพธ์นี้ยาวพอประมาณและใช้การเปรียบเทียบกับมือที่เปิดออกจากหน้าต่างรถเพื่อให้ผู้ฟังเห็นภาพ การตอบกลับจึงมีความสมดุลระหว่างความกระชับและการทำความเข้าใจ ซึ่งแสดงให้เห็นว่าการกำหนดบริบทเฉพาะเจาะจงสามารถทดแทน caveman prompt ได้ดี

Test 2 – Writing Emails

ในการเขียนอีเมลขอเงินคืน ผู้ใช้ลองใช้ caveman prompt ส่งผลให้ข้อความสั้นเกินไปและหยาบคาย (“Want money back. Product bad. Give refund.”) ซึ่งไม่เหมาะกับการติดต่อฝ่ายบริการลูกค้า อย่างไรก็ตาม เมื่อเพิ่มคำสั่งว่า “คุณเป็นผู้เชี่ยวชาญด้านการบริการลูกค้า เขียนอีเมลขอเงินคืนภายใน 150 คำ มีโทนสุภาพแต่แน่วแน่” โมเดลสร้างข้อความที่มีโครงสร้างครบถ้วน รายละเอียดสินค้าและเหตุผลชัดเจน พร้อมรักษาโทนน้ำใจ ทำให้ผู้เขียนต้องแก้ไขเพียงเล็กน้อยเท่านั้น

การเปรียบเทียบนี้แสดงว่าโมเดลใหม่ไม่จำเป็นต้องพึ่ง caveman prompt เพื่อทำให้ข้อความสั้น แต่ต้องอาศัยการระบุบทบาทและโทนเสียงเพื่อให้ผลลัพธ์ตรงตามความคาดหวังของผู้ใช้

Test 3 – Summarizing Documents

เมื่อผู้เขียนวางบทความยาวหลายพันคำลงใน ChatGPT และขอสรุปแบบ “caveman style” ผลลัพธ์ที่ได้เป็นรายการหัวข้อสั้น ๆ ที่ไม่มีการเชื่อมต่อหรืออธิบายเพิ่มเติม แม้จะดูหยาบแต่สามารถจับประเด็นสำคัญได้อย่างรวดเร็ว ผู้เขียนบันทึกว่าในกรณีต้องสรุปเอกสารขนาด 4,000 คำภายในไม่กี่วินาที การใช้ caveman prompt ยังคงเป็นตัวเลือกที่มีประโยชน์ที่สุด

แม้ว่าการสรุปแบบนี้อาจไม่เหมาะกับการนำเสนอหรือรายงานอย่างเป็นทางการ แต่ความสามารถในการ “ตัดเนื้อหาเหลือโครงกระดูก” ทำให้เทคนิคเดิมยังคงมีตำแหน่งในเครื่องมือช่วยทำงานของผู้เชี่ยวชาญด้านข้อมูล

Lessons for Prompt Engineering

จากผลการทดลอง ผู้เขียนสรุปแนวทางใหม่สำหรับการใช้พรอมต์กับ ChatGPT รุ่นล่าสุด ดังต่อไปนี้

• **กำหนดบทบาท (role) – ระบุว่าโมเดลเป็นใคร เช่น “คุณเป็นที่ปรึกษาทางการเงิน” จะทำให้คำตอบมีน้ำเสียงและระดับความละเอียดที่เหมาะสม
• **ระบุกลุ่มเป้าหมาย (audience) – บอกว่าเนื้อหาไปถึงผู้ฟังแบบใด เช่น “อธิบายให้เด็กอายุ 12 ปีเข้าใจ” ช่วยปรับภาษาที่ใช้ให้สอดคล้องกับความรู้พื้นฐาน
• **กำหนดรูปแบบผลลัพธ์ (format) – ระบุว่าต้องการเป็นรายการข้อสรุป, ตาราง หรือเช็คลิสต์ เช่น “ให้ 3 bullet points” ทำให้โมเดลจัดโครงสร้างข้อมูลได้ตรงตามต้องการ
• ระบุตัวเลขหรือขอบเขตความยาว – คำสั่งเช่น “ไม่เกิน 150 คำ” ช่วยควบคุมปริมาณข้อความโดยไม่ทำให้คุณภาพลดลง

แนวทางเหล่านี้เป็นการเปลี่ยนจากการหลีกเลี่ยงข้อจำกัดของ AI ไปสู่การสื่อสารที่ชัดเจนกับโมเดล ทำให้ผู้ใช้สามารถขอผลลัพธ์ที่ตรงใจได้โดยไม่ต้องพึ่งเทคนิค “caveman” มากนัก

Impact

การเปลี่ยนแปลงนี้มีความหมายต่อวงการเทคโนโลยีในประเทศไทยอย่างกว้างขวาง ผู้ประกอบการและผู้ใช้ทั่วไปสามารถลดเวลาในการทำงานด้านเอกสาร การสื่อสารกับลูกค้า หรือการสร้างเนื้อหาได้โดยไม่ต้องเสียเวลาปรับแต่งพรอมต์หลายรอบ โมเดลที่เข้าใจบทบาทและรูปแบบจะส่งเสริมให้การนำ AI ไปประยุกต์ใช้ในธุรกิจ SMEs, การศึกษา และภาครัฐเป็นไปอย่างมีประสิทธิภาพ

แม้ว่า caveman prompt ยังคงเป็นเครื่องมือสำรองสำหรับงานสรุปที่ต้องการความกระชับสูง แต่แนวคิดหลักของการให้ข้อมูลบริบทและรูปแบบผลลัพธ์จะกลายเป็นมาตรฐานใหม่ในการทำ Prompt Engineering ตลอดจนเพิ่มประสิทธิภาพของ AI ในภาษาท้องถิ่นอย่างภาษาไทย

Summary

แม้ว่าโมเดล ChatGPT รุ่นใหม่จะไม่จำเป็นต้องพึ่ง caveman prompt เพื่อให้คำตอบสั้นลงแล้ว แต่เทคนิคนี้ยังคงมีบทบาทสำคัญในการสรุปข้อมูลที่ต้องการความกระชับสูง การระบุบทบาท, ผู้ฟังและรูปแบบผลลัพธ์จึงกลายเป็นวิธีหลักที่ทำให้พรอมต์ทำงานได้ดีขึ้นในยุค AI ปัจจุบัน.