Chain-of-Thought, Tree-of-Thought, ReAct, Self-Consistency, Prompt Chaining, Step-Back, CoVe, Program/Graph of Thoughts
Zero-shot = ให้ AI ทำงานโดย ไม่มีตัวอย่าง — อาศัยแค่ instructions และความรู้ที่ AI มีอยู่แล้ว เหมือนถามคนเก่งโดยไม่ต้องสอนก่อน
# Zero-shot: ไม่มีตัวอย่าง — อาศัยแค่ instructions "แปลประโยคนี้เป็นภาษาอังกฤษแบบทางการ: สวัสดีครับ ผมต้องการสอบถามเรื่องการขอวีซ่า" # AI ตอบตาม knowledge ของตัวเอง → "Good morning. I would like to inquire about visa application."
ใช้เมื่อ: งานสรุป/วิเคราะห์มาตรฐานที่ AI รู้จักรูปแบบอยู่แล้ว
# Zero-shot: สรุปคดีโดยไม่มีตัวอย่าง "สรุปข้อเท็จจริงจากบันทึกการแจ้งความนี้ เป็นภาษาทางการ ความยาวไม่เกิน 100 คำ: [บันทึก] ผู้เสียหายแจ้งว่าเมื่อวันที่ 10 มิ.ย. 2026 เวลาประมาณ 14.00 น. ได้รับโทรศัพท์จากคนแอบอ้างเป็น จนท.ธนาคาร แจ้งว่าบัญชีถูกใช้ฟอกเงิน ให้โอนเงินไปบัญชีปลอดภัย จำนวน 50,000 บาท ผู้เสียหายหลงเชื่อโอนเงินไป ก่อนรู้ตัวว่าถูกหลอก" # AI สรุปตามความรู้เรื่องการเขียนรายงานตำรวจ → สรุป: ผู้เสียหายถูกหลอกลวงทางโทรศัพท์ (Voice Phishing) โดยคนร้าย แอบอ้างเป็นเจ้าหน้าที่ธนาคาร อ้างว่าบัญชีถูกใช้ฟอกเงิน หลอกให้โอนเงิน 50,000 บาท เข้าบัญชีที่อ้างว่าปลอดภัย เมื่อวันที่ 10 มิ.ย. 2026 เวลา 14.00 น.
Few-shot = ให้ ตัวอย่าง 2-5 ชุด ก่อน AI จะตอบ — AI เรียนรู้รูปแบบ, tone, และ format จากตัวอย่างที่ให้ เหมือนสอนด้วยการให้ดูตัวอย่างก่อน
# Few-shot: มี 2 ตัวอย่างก่อน — AI เรียนรู้ pattern "แปลประโยคเป็นภาษาอังกฤษแบบทางการ: ตัวอย่าง 1: Input: ขอบคุณครับ Output: Thank you very much. ตัวอย่าง 2: Input: ผมต้องการนัดพบ Output: I would like to schedule an appointment. --- ตอนนี้แปล: Input: สวัสดีครับ ผมต้องการสอบถามเรื่องการขอวีซ่า Output:" # AI เรียนรู้ว่า: ใช้ "I would like to..." / tone ทางการ / ไม่ต้องมีคำทักทายซ้ำ
ใช้เมื่อ: ต้องการ output format เฉพาะ และ logic การจำแนกที่เป็นมาตรฐานองค์กร
"จำแนกประเภทคดีจากคำร้องของประชาชน:
ตัวอย่าง 1:
Input: "โดนคนโทรมาอ้างว่าเป็นตำรวจ ให้โอนเงิน"
Output: {"type": "call_center_fraud", "urgency": "high", "unit": "ปอท."}
ตัวอย่าง 2:
Input: "รถหายจากลานจอด"
Output: {"type": "theft", "urgency": "medium", "unit": "สน.ท้องที่"}
ตัวอย่าง 3:
Input: "เพื่อนบ้านเปิดเพลงดังรบกวน"
Output: {"type": "noise_complaint", "urgency": "low", "unit": "สน.ท้องที่"}
---
จำแนก:
Input: "มีคนปลอมบัญชี Facebook ของฉันไปหลอกเพื่อน"
Output:"
# AI เรียนรู้จากตัวอย่าง:
# - Format: JSON ที่มี type, urgency, unit
# - Logic: หลอกลวงออนไลน์ = high urgency → ส่ง ปอท.
# - หน่วยงาน: ออนไลน์ส่ง ปอท. / ท้องที่ส่ง สน.
หลังจากเห็นตัวอย่างทั้งสองแบบแล้ว มาดูสรุปว่าเมื่อไหร่ควรใช้แบบไหน:
| มิติ | Zero-shot | Few-shot |
|---|---|---|
| ตัวอย่างที่ต้องให้ | ไม่มี | 2-5 ตัวอย่าง |
| Token cost | ต่ำ | สูงกว่า 2-4× |
| ความ consistent | ต่ำ — format อาจเปลี่ยน | สูง — ตามตัวอย่าง |
| เวลา setup | เร็ว | ต้องเตรียมตัวอย่างดีๆ |
| เหมาะกับงาน | งานทั่วไป, AI รู้จักดี | งานเฉพาะทาง, format พิเศษ |
| ความเสี่ยง | Format ไม่ตรงที่ต้องการ | ตัวอย่างแย่ = output แย่ |
| สถานการณ์ | แนะนำ | เหตุผล |
|---|---|---|
| งานทั่วไป (แปล, สรุป, เขียน) | Zero-shot | AI ทำได้ดีอยู่แล้ว |
| ต้องการ format เฉพาะองค์กร | Few-shot | ตัวอย่างสอน format ได้ดี |
| งานเฉพาะทาง (กฎหมาย, การแพทย์) | Few-shot | ต้องการ domain accuracy |
| งบ Token จำกัด | Zero-shot + Schema | Schema ทำหน้าที่แทนตัวอย่าง |
| ใช้ Reasoning Model + JSON Schema | Zero-shot | Schema บังคับ format แม่นยำ |
| ตัวอย่างที่มีคุณภาพไม่ดี | Zero-shot | ตัวอย่างแย่ = output แย่ |
| ต้องการ tone/style เฉพาะ | Few-shot | Schema บังคับ tone ไม่ได้ |
ถ้าใช้ JSON Schema หรือ XML Tags แล้ว — ปกติ Zero-shot เพียงพอ เพราะ schema ทำหน้าที่ "ตัวอย่าง" ให้ AI แล้ว
Chain-of-Thought (CoT) คือเทคนิคที่ให้ AI "คิดทีละขั้นตอน" ก่อนตอบ — แทนที่จะตอบทันที AI จะอธิบายกระบวนการคิดให้เห็น ทำให้ได้คำตอบที่แม่นยำขึ้นโดยเฉพาะงานที่ต้องใช้ logic หรือการคำนวณ
"ให้ AI คิดทีละขั้นตอน" — เพิ่มความแม่นยำในงาน reasoning ได้อย่างมีนัยสำคัญ (แนวคิดจากงานวิจัย Chain-of-Thought, Wei et al., 2022)
| ประเภท | วิธี | เมื่อไหร่ใช้ |
|---|---|---|
| Zero-shot CoT | เพิ่ม "คิดทีละขั้นตอน" ท้าย prompt | Standard Models (Claude Sonnet 4, Gemini 2.5 Flash) |
| Few-shot CoT | ให้ตัวอย่างพร้อมกระบวนการคิด | งานที่ต้องการ reasoning เฉพาะ |
| Auto CoT | Reasoning Models ทำเอง | GPT-5.5, Claude Opus 4.8 (ไม่ต้องสั่ง) |
| สถานการณ์ | แนะนำ | เหตุผล |
|---|---|---|
| Claude Sonnet 4 / Gemini 2.5 Flash (Standard) | CoT | ไม่มี built-in reasoning |
| GPT-5.5 / Claude Opus 4.8 (Reasoning) | Constraint-First | built-in CoT แล้ว สั่งซ้ำสิ้นเปลือง token |
| ต้อง audit ขั้นตอนการคิด | CoT (แม้ Reasoning Model) | ต้องการ trace ว่า AI คิดอะไร |
| คณิต/ตรรกะ บน Reasoning Model | Zero-shot + Constraints | ไม่ต้องสั่ง step by step |
❌ Before (Standard Model + verbose):
✅ After Reasoning Model (Constraint-First):
GOAL: ระบุ red flags AML CONSTRAINTS: ไม่สรุปความผิด · อ้างอิงแถวข้อมูล OUTPUT: ตาราง | แถว | red flag | ความเสี่ยง | DATA: [csv]
ใช้เมื่อ: ต้องการให้ AI คิดเป็นขั้นตอน โดยเฉพาะงานคำนวณหรือวิเคราะห์ที่ซับซ้อน
โจทย์: บริษัทมีพนักงาน 150 คน ต้องการลดค่าใช้จ่ายสำนักงาน 20% ค่าเช่าปัจจุบัน: 500,000/เดือน ค่าสาธารณูปโภค: 80,000/เดือน ค่า IT infrastructure: 120,000/เดือน มีพนักงาน 40% ที่ทำ remote ได้ คิดทีละขั้นตอน: 1. คำนวณค่าใช้จ่ายรวมปัจจุบัน 2. คำนวณเป้าหมายลด 20% 3. วิเคราะห์ว่าลดจากส่วนไหนได้บ้าง 4. เสนอแผนที่เป็นไปได้ 5. คำนวณ savings จริงของแต่ละแผน
Tree-of-Thought (ToT) คือเทคนิคที่ให้ AI สำรวจ หลายทางเลือก พร้อมกัน เหมือนต้นไม้ที่แตกกิ่ง — แล้วประเมินว่าทางไหนดีที่สุดก่อนตัดสินใจ
ใช้เมื่อ: ปัญหาซับซ้อน ไม่มีคำตอบถูกผิดชัดเจน ต้องพิจารณาหลายมุมมอง เช่น วางแผนสืบสวน, ตัดสินใจทางธุรกิจ
พิจารณาปัญหานี้จาก 3 มุมมอง: ปัญหา: ร้านอาหารยอดขายลด 30% หลัง competitor เปิดใกล้ๆ มุมมอง A (นักการตลาด): วิเคราะห์จากมุม branding & promotion มุมมอง B (นักปฏิบัติการ): วิเคราะห์จากมุม operations & cost มุมมอง C (ลูกค้า): วิเคราะห์จากมุม customer experience สำหรับแต่ละมุมมอง: 1. ระบุสาเหตุหลัก 3 ข้อ 2. เสนอทางแก้ 2 ข้อ 3. ประเมินความเป็นไปได้ (สูง/กลาง/ต่ำ) จากนั้นสังเคราะห์ทั้ง 3 มุมมอง → เสนอแผนรวมที่ดีที่สุด
| ✅ ควรใช้ | ❌ ไม่ควรใช้ |
|---|---|
| ปัญหาที่ต้องพิจารณาหลายมุม | งานเอกสารทั่วไป |
| Stakeholders หลายฝ่าย | สรุปข้อมูลที่มีคำตอบชัดเจน |
| วางแผนสืบสวนที่มีหลายแนวทาง | งานเร่งด่วน |
| ข้อมูลขัดแย้งกัน | ถ้า Context Window จำกัด |
ReAct = Reasoning + Acting — เทคนิคที่ให้ AI สลับระหว่าง "คิด" (Thought) กับ "ทำ" (Action) โดย AI จะคิดก่อนว่าต้องทำอะไร แล้วลงมือทำ สังเกตผล แล้วคิดต่อว่าจะทำอะไรต่อ
ใช้เมื่อ: งานที่ต้อง "ค้นหาข้อมูล" หรือ "ใช้เครื่องมือ" ระหว่างทาง เช่น ค้นกฎหมาย, ดึงข้อมูลจากฐานข้อมูล, เรียก API
| สถานการณ์ | ToT | ReAct |
|---|---|---|
| วางแผนสืบสวน (เลือกแนวทาง) | ✅ | ❌ |
| ติดตามร่องรอยดิจิทัลทีละก้าว | ❌ | ✅ |
| ชั่งน้ำหนักหลักฐานขัดแย้ง | ✅ | ❌ |
| ขยายเครือข่ายผู้ต้องสงสัย | ❌ | ✅ |
ToT = วางแผนก่อนลงมือ | ReAct = ลงมือแล้วปรับตามผล
Self-Consistency คือเทคนิคที่ให้ AI ตอบคำถามเดียวกัน หลายครั้ง ด้วยวิธีคิดที่ต่างกัน — แล้วเลือกคำตอบที่สอดคล้องกันมากที่สุด (majority vote)
ใช้เมื่อ: ต้องการความมั่นใจสูง งานที่ผลกระทบรุนแรงถ้าผิด เช่น วินิจฉัย, ตัดสินใจลงทุน
ตอบคำถามนี้ 3 ครั้ง ด้วยวิธีคิดที่แตกต่างกัน: คำถาม: "บริษัทนี้ควรลงทุนในตลาดเวียดนามหรือไม่?" ข้อมูล: [ข้อมูลประกอบ...] วิธี 1: วิเคราะห์จากมุม financial (ROI, payback period) วิธี 2: วิเคราะห์จากมุม market opportunity (TAM, growth) วิธี 3: วิเคราะห์จากมุม risk (political, operational, currency) จากนั้น: - ถ้า 3/3 ตอบเหมือนกัน → มั่นใจสูง - ถ้า 2/3 → มั่นใจปานกลาง ระบุจุดที่ขัดแย้ง - ถ้า 1/1/1 → ต้องวิเคราะห์เพิ่ม ระบุข้อมูลที่ขาด
ให้ AI ตอบหลายครั้งด้วยกระบวนการคิดต่างกัน แล้วเลือกคำตอบที่มีเหตุผลอธิบายรัดกุมและครบถ้วนที่สุด — ต่างจาก Self-Consistency ที่เลือกจาก majority vote, Complexity-based เลือกจาก "คุณภาพ reasoning"
ตอบคำถามต่อไปนี้ 3 ครั้ง ด้วยกระบวนการคิดที่แตกต่างกัน อธิบายขั้นตอนการคิดให้ละเอียดทุกวิธี คำถาม: [คำถามที่ต้องการ] วิธีที่ 1: คิดจากมุม [A] วิธีที่ 2: คิดจากมุม [B] วิธีที่ 3: คิดจากมุม [C] สรุป: เลือกคำตอบที่มีเหตุผลรัดกุมที่สุด พร้อมอธิบายว่าทำไมวิธีนั้นถึงน่าเชื่อถือกว่า
Prompt Chaining คือการแบ่งงานใหญ่เป็น หลาย prompt ต่อเนื่อง — output ของ prompt แรกเป็น input ของ prompt ถัดไป เหมือนสายพานโรงงาน
ใช้เมื่อ: งานใหญ่ที่ซับซ้อนเกินไปสำหรับ prompt เดียว หรือต้องการควบคุมคุณภาพทีละขั้น
Chain: วิเคราะห์คดีฉ้อโกงออนไลน์
Prompt 1 (Extract): "จากข้อมูลนี้ สกัด: ชื่อ, วันที่, จำนวนเงิน, ช่องทาง"
↓ output → input ↓
Prompt 2 (Analyze): "จากข้อมูลที่สกัดได้ วิเคราะห์ pattern และ MO"
↓ output → input ↓
Prompt 3 (Compare): "เปรียบเทียบ MO นี้กับ MO ที่พบบ่อยในฐานข้อมูล"
↓ output → input ↓
Prompt 4 (Report): "สรุปทั้งหมดเป็นรายงาน 1 หน้าสำหรับผู้บังคับบัญชา"
Meta-Prompting คือการให้ AI สร้าง prompt ให้เรา — ใช้เมื่อไม่แน่ใจว่าจะเขียน prompt อย่างไร หรือต้องการ prompt ที่มีคุณภาพสูงกว่าที่เขียนเอง
ใช้เมื่อ: เริ่มต้นงานใหม่ที่ไม่เคยทำ, ต้องการ prompt template สำหรับทีม, หรืออยากเรียนรู้ว่า prompt ที่ดีเขียนอย่างไร
แทนที่จะนั่งคิดเอง — ให้ AI ที่เก่งกว่าช่วยออกแบบ prompt ให้ แล้วเราค่อยปรับแต่ง
คุณเป็น Prompt Engineer ผู้เชี่ยวชาญ ฉันต้องการ prompt ที่จะทำให้ AI: - วิเคราะห์ข้อมูลยอดขาย 12 เดือน - หา seasonal patterns - เสนอ forecast ไตรมาสหน้า - เหมาะสำหรับ SME ที่ไม่มีทีม data ช่วยเขียน prompt ที่ดีที่สุดให้หน่อย โดยใช้ PTCF Framework พร้อมอธิบายว่าทำไมเลือกเขียนแบบนี้
Maieutic Prompting (ไมยูติก) คือเทคนิคถามย้อนกลับเหมือนวิธีโสกราตีส — ให้ AI อธิบายเหตุผล แล้วตั้งคำถามทดสอบว่า reasoning ถูกต้องหรือมีจุดอ่อน
ใช้เมื่อ: ต้องการความมั่นใจสูง, ผลกระทบรุนแรงถ้าผิด, output จะใช้ในงานสำคัญ เช่น รายงานคดี, การตัดสินใจลงทุน
Maieutic เหมาะมากกับ: รายงานที่ต้องมีความรับผิดชอบสูง (คดีสำคัญ, การตัดสินใจลงทุน) — เพราะบังคับให้ AI แสดงเหตุผล ไม่ใช่แค่สรุป
Generated Knowledge Prompting คือการให้ AI สร้าง "ความรู้พื้นหลังที่เกี่ยวข้อง" ก่อน แล้วค่อยใช้ความรู้นั้นตอบคำถามหลัก — ลด hallucination ในงานเฉพาะทางที่ AI อาจไม่มั่นใจ
ใช้เมื่อ: งานเฉพาะทาง (กฎหมาย, การเงิน, การแพทย์) ที่กลัว AI แต่งข้อมูล หรือต้องการให้ AI "ทบทวนความรู้" ก่อนตอบ
ขั้นที่ 1 — สร้างความรู้: "ระบุ Red Flags มาตรฐาน 5 ข้อที่บ่งชี้การฉ้อโกงประกันภัยรถยนต์ในไทย พร้อมเหตุผลที่แต่ละข้อเป็นสัญญาณเตือน" ขั้นที่ 2 — วิเคราะห์จากความรู้: "จากข้อเท็จจริงที่ระบุไว้ข้างต้น วิเคราะห์คดีต่อไปนี้ว่ามีสัญญาณฉ้อโกงหรือไม่ และระดับความเสี่ยงเท่าใด: [ข้อมูลคดี]"
ขั้นที่ 1 — สร้างความรู้: "สรุปแนวโน้มตลาด e-commerce ในเอเชียตะวันออกเฉียงใต้ปี 2026 ระบุ 5 ปัจจัยหลักที่กระทบการเติบโต" ขั้นที่ 2 — วิเคราะห์สถานการณ์: "จากแนวโน้มข้างต้น วิเคราะห์ว่าบริษัท [X] ควรขยายไปตลาดไหน และมีความเสี่ยงอะไรที่ต้องระวัง"
เหมาะเมื่อ: งานที่ต้องการ AI ใช้ domain knowledge เฉพาะทาง หรือกลัว hallucination ในเรื่องที่ซับซ้อน — 2 ขั้นลด error มากกว่า 1 ขั้น
Step-Back Prompting คือเทคนิคที่ให้ AI "ถอยออกมาหนึ่งก้าว" เพื่อตั้ง คำถามเชิงนามธรรม (Abstraction) หรือดึง หลักการพื้นฐาน (First Principles) ที่เกี่ยวข้องออกมาก่อน แล้วจึงค่อยกลับมาตอบคำถามที่มีรายละเอียดเยอะ — ช่วยกันไม่ให้ AI "จมอยู่กับรายละเอียด" จนลืมหลักการ
ใช้เมื่อ: คำถามมีตัวเลข/เงื่อนไขเยอะจนน่าสับสน, งานที่ต้องอิงหลักการ (ฟิสิกส์, กฎหมาย, การเงิน) หรือ AI มักตอบผิดเพราะรีบเข้าโจทย์เร็วเกินไป
แนวคิดจากงานวิจัย Take a Step Back (Zheng et al., 2023) รายงานว่าช่วยเพิ่มความแม่นยำในงาน reasoning เฉพาะทางได้อย่างมีนัยสำคัญ — ตัวเลขจริงขึ้นกับงานและโมเดล ควร verify กับงานของคุณเอง
ขั้นที่ 1 — ถอยหลัง (Abstraction): "ก่อนตอบโจทย์ต่อไปนี้ ให้ระบุก่อนว่า *หลักการหรือกฎพื้นฐาน* อะไร ที่ใช้แก้ปัญหาประเภทนี้ และสูตร/เงื่อนไขที่เกี่ยวข้องมีอะไรบ้าง" ขั้นที่ 2 — ลงมือกับโจทย์เฉพาะ: "ตอนนี้ใช้หลักการข้างต้นแก้โจทย์นี้ทีละขั้น: [โจทย์ที่มีรายละเอียดเยอะ]"
ขั้นที่ 1 — คำถามเชิงนามธรรม: "โดยทั่วไป การพิสูจน์เจตนา 'ฟอกเงิน' ต้องอาศัยองค์ประกอบอะไรบ้าง และรูปแบบธุรกรรมแบบใดที่ถือเป็นสัญญาณบ่งชี้ตามหลักสากล" ขั้นที่ 2 — ปรับใช้กับคดีจริง: "จากกรอบข้างต้น วิเคราะห์ชุดธุรกรรมนี้ว่าเข้าองค์ประกอบใดบ้าง ระบุจุดที่ยังขาดหลักฐาน และสิ่งที่ต้องตรวจสอบเพิ่ม: [ข้อมูลธุรกรรม]"
เมื่อ AI ระบุ "หลักการ" ออกมาเป็นข้อความก่อน หลักการนั้นจะกลายเป็น context ที่ยึดคำตอบขั้นถัดไปให้อยู่ในกรอบ — ลดการมั่วและการข้ามเงื่อนไขสำคัญ
Chain-of-Verification (CoVe) คือเทคนิคลด Hallucination โดยบังคับให้ AI ตรวจสอบคำตอบของตัวเองอย่างเป็นระบบ 4 ขั้น แทนที่จะเชื่อคำตอบแรกทันที
| ขั้น | ชื่อ | ทำอะไร |
|---|---|---|
| 1 | Baseline Response | ร่างคำตอบแรกตามปกติ |
| 2 | Plan Verifications | สร้าง "คำถามตรวจสอบข้อเท็จจริง" จากคำตอบแรก |
| 3 | Execute Verifications | ตอบคำถามตรวจสอบแต่ละข้อ อย่างอิสระ (ไม่อ้างคำตอบแรก) |
| 4 | Final Verified Response | แก้คำตอบแรกด้วยข้อมูลที่ผ่านการตรวจสอบแล้ว |
แนวคิดจากงานวิจัย Chain-of-Verification Reduces Hallucination (Dhuliawala et al., 2023)
ทำงานเป็น 4 ขั้นตอน และแสดงผลทุกขั้น: ขั้น 1 (ร่างคำตอบ): ตอบคำถามนี้ → [คำถาม/งานสรุป] ขั้น 2 (วางแผนตรวจสอบ): ดึง "ข้อเท็จจริงที่ตรวจสอบได้" ทุกข้อจากคำตอบขั้น 1 แล้วเขียนเป็นคำถามยืนยันข้อละ 1 ข้อ (เช่น ตัวเลข ชื่อ วันที่ มาตรากฎหมาย) ขั้น 3 (ตรวจสอบอิสระ): ตอบคำถามยืนยันแต่ละข้อโดย *ไม่ดู* คำตอบขั้น 1 ระบุว่าข้อไหน "ยืนยันได้ / ขัดแย้ง / ไม่ทราบ" ขั้น 4 (คำตอบสุดท้าย): แก้คำตอบขั้น 1 ให้เหลือเฉพาะข้อมูลที่ยืนยันได้ ข้อที่ตรวจไม่ผ่านให้ตัดออกหรือติดป้าย [ยังไม่ยืนยัน]
CoVe ลด hallucination ได้ แต่ ไม่การันตี 100% — ถ้าโมเดลเข้าใจผิดตั้งแต่ความรู้พื้นฐาน มันอาจ "ยืนยัน" ข้อมูลผิดได้ งานที่มีผลกระทบสูงยังต้องมี Human Verification (ดู M20) และแหล่งอ้างอิงจริง/RAG (ดู M10)
Program of Thoughts (PoT) คือเทคนิคสำหรับงาน คำนวณ/ตัวเลข ที่ AI มักคิดเลขพลาด — แทนที่จะให้ AI "อธิบายวิธีคิดด้วยข้อความ" (แบบ CoT) เราให้ AI เขียนโค้ด (เช่น Python) เพื่อแก้ปัญหา แล้วให้ ตัวแปลผลโค้ด (interpreter) รันคำนวณจริง — แยกหน้าที่ "การให้เหตุผล" (AI) ออกจาก "การคำนวณ" (เครื่อง)
ใช้เมื่อ: การเงิน, สถิติ, ดอกเบี้ยทบต้น, จัดสรรงบประมาณ, วิเคราะห์ข้อมูลชุดใหญ่ — งานที่ตัวเลขต้องเป๊ะ
แนวคิดจากงานวิจัย Program of Thoughts (Chen et al., 2022) — เครื่องมือยุคใหม่อย่าง Code Interpreter / Advanced Data Analysis ทำงานบนหลักการนี้
แทนที่จะคำนวณในหัว ให้ *เขียนโค้ด Python* แก้โจทย์นี้ แล้วรันเพื่อหาคำตอบ: โจทย์: ลงทุนเริ่มต้น 500,000 บาท ดอกเบี้ยทบต้น 6.5% ต่อปี ฝากเพิ่มปีละ 120,000 บาท (ต้นปี) เป็นเวลา 10 ปี เงินรวมปลายปีที่ 10 เป็นเท่าใด และดอกเบี้ยที่ได้รวมเท่าใด ข้อกำหนด: - แสดงโค้ดที่ใช้คำนวณ - รันโค้ดและแสดงผลลัพธ์ที่ได้จริง - อย่าประมาณการด้วยการคิดในหัว
ถ้าเครื่องมือที่ใช้มี Code Interpreter ให้เปิดใช้ — คำตอบตัวเลขจะ deterministic (รันซ้ำได้ผลเดิม) ต่างจากการให้ AI เดาเลขที่อาจเพี้ยนทุกครั้ง
Graph of Thoughts (GoT) คือการยกระดับจาก Tree-of-Thought (6.5) โดยมองความคิดเป็น กราฟ (DAG) แทนต้นไม้ — ทำให้ความคิดหลายเส้นทางสามารถ ควบรวมกัน (Aggregation) และ วนปรับปรุงความคิดเดิม (Refinement) ได้ ไม่จำกัดว่าต้องแตกกิ่งทางเดียวเหมือนต้นไม้
ใช้เมื่อ: ปัญหาที่ต้องรวมไอเดียจากหลายแหล่งเข้าด้วยกัน เช่น สังเคราะห์รายงานจากหลายแผนก, รวมสมมติฐานสืบสวนหลายสาย, งานที่ต้องปรับปรุงคำตอบเป็นรอบๆ
| มิติ | Tree-of-Thought | Graph-of-Thought |
|---|---|---|
| โครงสร้าง | ต้นไม้ (แตกกิ่ง) | กราฟ/DAG (เชื่อมข้ามได้) |
| รวมความคิด | ❌ แต่ละกิ่งแยกกัน | ✅ Aggregation หลายเส้นทาง |
| ปรับปรุงซ้ำ | จำกัด | ✅ Refinement วนลูปได้ |
| เหมาะกับ | เลือกทางที่ดีที่สุด | สังเคราะห์/หลอมรวมหลายทาง |
แนวคิดจากงานวิจัย Graph of Thoughts (Besta et al., 2023)
แก้ปัญหาแบบ Graph-of-Thought: โจทย์: [ปัญหาที่ต้องรวมมุมมองหลายด้าน] ขั้น 1 (สร้างหลายเส้นทาง): สร้างแนวคิดแก้ปัญหา 3 เส้นทางที่เป็นอิสระต่อกัน (T1, T2, T3) ขั้น 2 (ให้คะแนน): ประเมินจุดแข็ง/จุดอ่อนของแต่ละเส้นทาง ขั้น 3 (ควบรวม - Aggregation): รวมจุดแข็งของ T1, T2, T3 เป็นแนวคิดใหม่ T4 ขั้น 4 (ปรับปรุง - Refinement): วิจารณ์ T4 แล้วปรับปรุงเป็น T5 ที่ดีขึ้น ขั้น 5: สรุป T5 เป็นคำตอบสุดท้าย พร้อมเหตุผลว่าทำไมดีกว่าแต่ละเส้นทางเดี่ยว
GoT ใช้ token และเวลามากที่สุดในบรรดาเทคนิคทั้งหมด — ใช้เฉพาะปัญหาที่การ "หลอมรวมหลายมุม" สร้างมูลค่าจริง สำหรับงานทั่วไป CoT หรือ ToT เพียงพอแล้ว
เมื่อเห็นเทคนิคหลายตัวแล้ว อาจสงสัยว่าจะเลือกใช้ตัวไหนดี — ดู Decision Tree นี้:
Zero-shot → CoT → ToT → Chaining — ลองวิธีง่ายก่อน ถ้าไม่ได้ผลค่อย upgrade เป็นวิธีซับซ้อนขึ้น ไม่จำเป็นต้องใช้เทคนิคหนักทุกครั้ง
เพื่อให้เห็นความแตกต่างชัดเจน ลองดูโจทย์เดียวกัน แก้ด้วย 3 เทคนิคต่างกัน:
"ทีมขาย 10 คน ยอดขายลดลง 20% ใน 2 เดือน ผู้จัดการต้องการหาสาเหตุและแก้ไข"
วิเคราะห์สาเหตุยอดขายลดลง 20% ใน 2 เดือน ทีม 10 คน แล้วเสนอวิธีแก้
วิเคราะห์สาเหตุยอดขายลดลง 20% ใน 2 เดือนของทีม 10 คน คิดทีละขั้นตอน: 1. ระบุปัจจัยที่อาจเป็นสาเหตุ (internal vs external) 2. วิเคราะห์ว่าปัจจัยใดน่าจะมีผลมากที่สุด 3. ข้อมูลอะไรที่ต้องตรวจสอบเพิ่ม 4. เสนอแนวทางแก้ไข 3 ทาง เรียงตาม impact 5. กำหนด timeline และ KPI วัดผล
วิเคราะห์สาเหตุยอดขายลดลง 20% จาก 3 มุมมอง: มุมมอง A (ปัจจัยภายใน): ทีม, กระบวนการ, เครื่องมือ มุมมอง B (ปัจจัยภายนอก): ตลาด, คู่แข่ง, เศรษฐกิจ มุมมอง C (ปัจจัยด้านลูกค้า): ความต้องการเปลี่ยน, ความพึงพอใจ แต่ละมุมมอง: สาเหตุ 3 ข้อ + หลักฐานสนับสนุน + ความน่าจะเป็น สังเคราะห์: สรุปสาเหตุหลัก + แผนแก้ไขบูรณาการ
| เทคนิค | เมื่อไหร่ใช้ | คุณภาพ Output | ความเร็ว | Token ที่ใช้ |
|---|---|---|---|---|
| Zero-shot | งานง่าย, ต้องการคำตอบเร็ว, ไม่ซับซ้อน | ⭐⭐ พอใช้ | เร็วมาก | น้อย |
| Chain-of-Thought | ต้องการ reasoning ลึก, มีขั้นตอนชัดเจน | ⭐⭐⭐⭐ ดี | ปานกลาง | ปานกลาง |
| Step-Back | โจทย์รายละเอียดเยอะ ต้องอิงหลักการ | ⭐⭐⭐⭐ ดี | ปานกลาง | ปานกลาง |
| Chain-of-Verification | งานที่ข้อเท็จจริงต้องแม่น ลด hallucination | ⭐⭐⭐⭐ ดี | ช้า | มาก |
| Program of Thoughts | งานคำนวณ/ตัวเลขที่ต้องเป๊ะ 100% | ⭐⭐⭐⭐⭐ ดีมาก (ตัวเลข) | ปานกลาง | ปานกลาง |
| Tree-of-Thought | ต้องพิจารณาหลายมุม, ปัญหาซับซ้อน, stakeholders หลายฝ่าย | ⭐⭐⭐⭐⭐ ดีมาก | ช้า | มาก |
| Graph-of-Thought | ต้องหลอมรวมหลายมุม + ปรับปรุงเป็นรอบ | ⭐⭐⭐⭐⭐ ดีมาก | ช้าที่สุด | มากที่สุด |
เริ่มจาก Zero-shot ก่อน — ถ้าคำตอบไม่ดีพอ ค่อย upgrade เป็น CoT หรือ ToT ไม่จำเป็นต้องใช้เทคนิคหนักทุกครั้ง
| # | ❌ ข้อผิดพลาด | ✅ วิธีที่ถูกต้อง |
|---|---|---|
| 1 | ใช้ "Think step by step" กับ Reasoning Models (ซ้ำซ้อน) | Reasoning Models คิดเองอยู่แล้ว — ใช้ Constraint-First (Module 7) แทน |
| 2 | ใช้ ToT กับงานง่ายๆ ที่ zero-shot ก็พอ ทำให้ช้าและเสีย tokens | เริ่มจาก Zero-shot → CoT → ToT ตามความจำเป็น |
| 3 | ไม่ test Prompt Chain ทั้งระบบ test ทีละขั้นตอน | Test ทั้ง chain end-to-end + edge cases เพราะ error ที่ขั้นแรกสะสมไปท้าย |
| 4 | ใช้ Self-Consistency โดยไม่มี majority voting ทำให้ได้ผลไม่ต่างจาก single query | ต้องมี: (1) Query N ครั้ง (2) Compare (3) Vote — ขาดข้อใดข้อหนึ่งไม่ได้ |
| 5 | ไม่ validate output ของแต่ละ step ใน chain ทำให้ error ลุกลาม | Validate output ทุก step + มี fallback เมื่อ step ใดพัง |
| 6 | ใช้ Generated Knowledge โดยไม่ verify ความรู้ที่ AI สร้างขึ้น | Step 1 (สร้างความรู้) ต้อง verify ก่อนส่งไป Step 2 (ตอบ) |
| 7 | ใช้ Maieutic แค่ 1 รอบ หรือไม่ test counter-hypothesis | Maieutic ต้องมี 3 รอบ: (1) ตอบ (2) ถาม reasoning (3) test สมมติฐานตรงข้าม |
| ข้อจำกัด | คำอธิบาย | ทางแก้ |
|---|---|---|
| 1. เพิ่มความซับซ้อน = เพิ่มต้นทุน | ToT, Self-Consistency ใช้ token เป็น 5-10× ของ zero-shot — ช้า + แพง | ใช้เฉพาะงานที่คุ้มค่า (high-stake decisions) / ไม่ใช้กับงานทั่วไป |
| 2. ไม่แก้ Model Capability | Technique ดีแค่ไหน ถ้า model ไม่เก่งด้านนั้น ผลก็ยังไม่ดี (เช่น math) | เลือก model ที่เหมาะ — Reasoning Model สำหรับ logic/math |
| 3. Prompt Chain = Single Point of Failure | Step ใดพัง → ทั้ง chain พัง — ยิ่งยาว ยิ่งเสี่ยง | มี error handling + retry logic + fallback ทุก step |
| 4. Self-Consistency ไม่รับประกันถูก | Majority ≠ ถูก — ถ้า AI bias ทางเดียว 10 ครั้งก็ผิด 10 ครั้ง | ใช้ร่วมกับ Maieutic หรือ Generated Knowledge เพื่อ cross-check |
| 5. Maieutic ไม่ได้ป้องกัน Hallucination 100% | AI อาจสร้าง reasoning ที่ฟังดูสมเหตุสมผล แต่ข้อมูลเท็จ | ต้อง verify ข้อเท็จจริง (ตัวเลข ชื่อ วันที่) กับ source จริงเสมอ |
| 6. Generated Knowledge อาจเพิ่ม Hallucination | ถ้า Step 1 สร้างความรู้ผิด → Step 2 ตอบผิดตาม | Validate ความรู้จาก Step 1 ก่อนส่งไป Step 2 |
Advanced Techniques = Power Tools — ใช้เมื่อจำเป็น ไม่ใช่ทุกครั้ง / คุ้มค่ากับงานสำคัญเท่านั้น
โจทย์: 3 สถานการณ์ต่อไปนี้ใช้เทคนิคใด?