🎯 วัตถุประสงค์การเรียนรู้ Module 20
- ระบุ 10 Prompt Failure Patterns ที่พบบ่อยได้
- วิเคราะห์ Root Cause ของ prompt ที่ไม่ได้ผลลัพธ์ตามต้องการ
- ใช้ 5-Step Verification ตรวจสอบคำตอบจาก AI ก่อนนำไปใช้จริง
- ใช้ Before/After Analysis ปรับปรุง prompt ได้อย่างเป็นระบบ
- ป้องกันความผิดพลาดซ้ำด้วย Prompt Checklist
💡 ทำไมต้องเรียน Failure Analysis?
"เรียนรู้จากความสำเร็จได้นิดหน่อย แต่เรียนรู้จากความผิดพลาดได้มากกว่ามาก"
Module นี้รวบรวม patterns ที่ทำให้ prompt ล้มเหลว พร้อมวิธีแก้ไข — เพื่อให้คุณหลีกเลี่ยงกับดักเหล่านี้ได้
🎯 ประโยชน์จริง: ผู้เรียนที่ศึกษา Failure Patterns จะ ลดเวลา debug prompt ได้มาก เพราะรู้ว่าปัญหาเกิดจากอะไรและแก้ที่จุดไหน
20.1 Prompt Failure Taxonomy
ความผิดพลาดของ Prompt แบ่งได้เป็น 4 หมวดหลัก:
| หมวด | คำอธิบาย | Patterns ที่เกี่ยวข้อง |
|---|
| 🎯 Instruction Failures |
คำสั่งไม่ชัดเจน ขัดแย้ง หรือคลุมเครือ |
#1, #2, #5 |
| 📚 Context Failures |
บริบทขาด มากเกินไป หรือไม่เกี่ยวข้อง |
#3, #4, #6 |
| 📤 Output Failures |
ไม่กำหนดรูปแบบ หรือกำหนดไม่ชัด |
#7, #8 |
| 🤖 AI Limitation Failures |
ขอสิ่งที่ AI ทำไม่ได้ หรือทำได้ไม่ดี |
#9, #10 |
20.2 The 10 Prompt Failure Patterns
Pattern #1: Vague Instructions (คำสั่งคลุมเครือ)
❌ Before (Failure)
"ช่วยเขียนรายงานให้หน่อย"
ปัญหา: ไม่รู้ว่าเป็นรายงานอะไร เกี่ยวกับอะไร ยาวแค่ไหน สำหรับใคร
✅ After (Fixed) — Pattern #1: Vague Instructions
▼
"เขียนรายงานสรุปผลการดำเนินงานไตรมาส 2/2568
- หัวข้อ: ยอดขาย, ค่าใช้จ่าย, กำไรสุทธิ
- ความยาว: 2 หน้า A4
- กลุ่มเป้าหมาย: คณะกรรมการบริษัท
- โทน: ทางการ เน้นข้อมูลเชิงตัวเลข"
Fix Strategy: ใช้ PTCF Framework — ระบุ Persona, Task, Context, Format
Pattern #2: Conflicting Instructions (คำสั่งขัดแย้งกัน)
❌ Before (Failure)
"เขียนบทความสั้นๆ ประมาณ 2,000 คำ อธิบายอย่างละเอียดแต่ให้กระชับ"
ปัญหา: "สั้นๆ" vs "2,000 คำ" vs "ละเอียด" vs "กระชับ" — ขัดแย้งกันหมด
✅ After (Fixed) — Pattern #2: Conflicting Instructions
▼
"เขียนบทความ 800-1,000 คำ
- อธิบายแนวคิดหลักให้ครบถ้วน
- ตัดรายละเอียดปลีกย่อยที่ไม่จำเป็น
- ใช้ภาษาเรียบง่าย ประโยคสั้น"
Fix Strategy: ตรวจสอบว่าทุก constraint ไม่ขัดแย้งกัน — เลือกทิศทางเดียวที่ชัดเจน
Pattern #3: Missing Context (บริบทขาดหาย)
❌ Before (Failure)
"วิเคราะห์ว่าควรอนุมัติสินเชื่อหรือไม่"
ปัญหา: ไม่มีข้อมูลลูกค้า ไม่มีเกณฑ์การอนุมัติ ไม่รู้ประเภทสินเชื่อ
✅ After (Fixed) — Pattern #3: Missing Context
▼
"วิเคราะห์ว่าควรอนุมัติสินเชื่อส่วนบุคคลหรือไม่
ข้อมูลผู้ขอสินเชื่อ:
- รายได้: 50,000 บาท/เดือน
- หนี้สินปัจจุบัน: 10,000 บาท/เดือน
- ประวัติการชำระ: ปกติ 3 ปี
- วงเงินที่ขอ: 200,000 บาท
เกณฑ์การอนุมัติ:
- DTI ไม่เกิน 40%
- ประวัติการชำระดีอย่างน้อย 1 ปี
วิเคราะห์พร้อมเหตุผล ตอบ: อนุมัติ/ไม่อนุมัติ/ต้องการข้อมูลเพิ่ม"
Fix Strategy: ตรวจสอบว่ามีข้อมูลครบสำหรับการตัดสินใจ — ใช้ 5 Context Layers จาก Module 3
Pattern #4: Context Overflow (บริบทมากเกินไป)
❌ Before (Failure)
"นี่คือข้อมูลบริษัททั้งหมด [เอกสาร 50 หน้า] ช่วยตอบคำถามข้อเดียว: กำไรปีนี้เท่าไหร่?"
ปัญหา: Context มากเกินจำเป็น AI อาจสับสนหรือหลุด focus
✅ After (Fixed) — Pattern #4: Context Overflow
▼
"จากงบการเงินสรุป (หน้า 3-5):
[ข้อมูลที่เกี่ยวข้องเท่านั้น]
คำถาม: กำไรสุทธิปี 2568 เท่าไหร่?"
Fix Strategy: คัดเลือกเฉพาะข้อมูลที่เกี่ยวข้อง — ใช้ Select + Compress + Isolate จาก W-S-C-I (Module 3)
Pattern #5: Ambiguous Scope (ขอบเขตไม่ชัด)
❌ Before (Failure)
"วิเคราะห์ตลาด AI"
ปัญหา: ตลาด AI อะไร? ประเทศไหน? ช่วงเวลาใด? วิเคราะห์มุมไหน?
✅ After (Fixed) — Pattern #5: Ambiguous Scope
▼
"วิเคราะห์ตลาด Generative AI ในประเทศไทย ปี 2568
มุมมอง: ขนาดตลาด, Growth rate, Key players, โอกาสสำหรับ SME
รูปแบบ: สรุป 1 หน้า พร้อมตาราง key metrics"
Fix Strategy: กำหนด scope ให้ชัด — What, Where, When, How
Pattern #6: Irrelevant Context (บริบทไม่เกี่ยวข้อง)
❌ Before (Failure)
"ฉันเป็นพนักงานบริษัท ABC จบ ป.ตรี จาก ม.จุฬาฯ
ทำงานมา 5 ปี ชอบอ่านหนังสือ มีแมว 2 ตัว
ช่วยเขียน email ขอลางาน 1 วัน"
ปัญหา: ข้อมูลส่วนใหญ่ไม่เกี่ยวกับการเขียน email ลา
✅ After (Fixed) — Pattern #6: Irrelevant Context
▼
"เขียน email ขอลาป่วย 1 วัน (พรุ่งนี้)
ส่งถึง: หัวหน้าฝ่าย (คุณสมชาย)
เหตุผล: ไม่สบาย ต้องพบแพทย์
โทน: สุภาพ เป็นทางการ"
Fix Strategy: ใส่เฉพาะข้อมูลที่ส่งผลต่อ output — ตัด noise ออก
Pattern #7: Missing Output Format (ไม่กำหนดรูปแบบ output)
❌ Before (Failure)
"สรุปประเด็นสำคัญจากบทความนี้"
ปัญหา: ไม่รู้ว่าต้องการกี่ข้อ รูปแบบไหน ความยาวเท่าไหร่
ผลลัพธ์: AI อาจตอบ 3 ข้อหรือ 20 ข้อ อาจเป็น bullet หรือ paragraph
✅ After (Fixed) — Pattern #7: Missing Output Format
▼
"สรุปประเด็นสำคัญจากบทความนี้
- จำนวน: 5 ข้อ
- รูปแบบ: Bullet points
- แต่ละข้อ: ไม่เกิน 2 ประโยค
- ภาษา: ทางการ"
Fix Strategy: กำหนด Format ทุกครั้ง — จำนวน, รูปแบบ, ความยาว, ภาษา
Pattern #8: Poor Output Structure (โครงสร้าง output ไม่ดี)
❌ Before (Failure)
"วิเคราะห์ข้อดีข้อเสียของการ WFH"
ปัญหา: ไม่ได้บอกว่าต้องการ structure แบบไหน อาจได้ paragraph ยาวๆ
✅ After (Fixed) — Pattern #8: Poor Output Structure
▼
"วิเคราะห์ข้อดีข้อเสียของการ WFH
รูปแบบ Output:
| หัวข้อ | ข้อดี | ข้อเสีย | วิธีรับมือ |
|--------|-------|---------|-----------|
| Productivity | ... | ... | ... |
| Work-Life Balance | ... | ... | ... |
| Communication | ... | ... | ... |
สรุป: 2-3 ประโยค"
Fix Strategy: วาด template ของ output ที่ต้องการ — AI จะ follow structure
Pattern #9: Expecting Impossible (ขอสิ่งที่ AI ทำไม่ได้)
❌ Before (Failure)
"บอกราคาหุ้น DELTA วันนี้แบบ real-time"
ปัญหา: AI ไม่มี real-time data access (ยกเว้นมี tool เชื่อมต่อ)
✅ After (Fixed) — Pattern #9: Expecting Impossible
▼
"[ใช้ AI ที่มี Web Search]
ค้นหาราคาหุ้น DELTA ล่าสุด จาก SET หรือ investing.com"
หรือ
"[ถ้าไม่มี tool]
อธิบายวิธีติดตามราคาหุ้น DELTA แบบ real-time และปัจจัยที่ควรพิจารณา"
Fix Strategy: เข้าใจ AI Limitations — ถ้าต้องการ real-time ใช้ AI ที่มี tools หรือ RAG
Pattern #10: Hallucination Traps (กับดัก Hallucination)
❌ Before (Failure)
"บอกมาตรา พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล ที่เกี่ยวกับการส่งข้อมูลไปต่างประเทศ พร้อมระบุบทลงโทษ"
ปัญหา: AI อาจ "แต่ง" มาตราและบทลงโทษที่ไม่มีจริง
✅ After (Fixed) — Pattern #10: Hallucination Traps
▼
"อธิบายหลักการทั่วไปของ PDPA เกี่ยวกับการส่งข้อมูลไปต่างประเทศ
ข้อควรระวัง:
- ห้ามอ้างมาตราที่ไม่แน่ใจ — ให้บอกว่า "ควรตรวจสอบเพิ่มเติม"
- ถ้าไม่แน่ใจ ให้ตอบว่า "ไม่สามารถยืนยันได้"
- ระบุว่าข้อมูลอาจไม่ใช่เวอร์ชันล่าสุด"
Fix Strategy: สั่งให้ AI บอกเมื่อไม่แน่ใจ + ตรวจสอบข้อมูลสำคัญเสมอ
20.3 Root Cause Analysis Framework
เมื่อ prompt ไม่ได้ผลลัพธ์ตามต้องการ ให้วิเคราะห์ตาม 5 Whys:
🔍 5 Whys Analysis Template
Prompt ที่ล้มเหลว: [ระบุ prompt]
Output ที่ได้: [ระบุ output ที่ไม่ตรง]
Output ที่ต้องการ: [ระบุ expected output]
Why 1: ทำไม output ไม่ตรง?
→ เพราะ AI ตีความผิด/ขาดข้อมูล/format ไม่ชัด
Why 2: ทำไม AI ตีความผิด?
→ เพราะ instruction คลุมเครือ/ขัดแย้ง
Why 3: ทำไม instruction คลุมเครือ?
→ เพราะไม่ได้ระบุ scope/constraint ที่ชัดเจน
Why 4: ทำไมไม่ระบุ scope?
→ เพราะสันนิษฐานว่า AI จะเข้าใจเอง
Why 5: ทำไมสันนิษฐาน?
→ เพราะไม่ได้ใช้ framework/checklist
Root Cause: [สรุป root cause]
Fix: [วิธีแก้]
20.4 Prompt Quality Checklist
✅ Pre-Submit Checklist
ก่อนส่ง prompt ทุกครั้ง ตรวจสอบ:
| หมวด | Checkpoint | ✓ |
|---|
| Instruction | Task ชัดเจน บอกว่าต้องทำอะไร | ☐ |
| ไม่มี instruction ที่ขัดแย้งกัน | ☐ |
| Scope กำหนดชัด (What/Where/When) | ☐ |
| Context | มีข้อมูลเพียงพอสำหรับ AI ตัดสินใจ | ☐ |
| ไม่มี context มากเกินจำเป็น | ☐ |
| ข้อมูลที่ให้เกี่ยวข้องกับ task | ☐ |
| Output | กำหนด format ที่ต้องการ | ☐ |
| ระบุความยาว/จำนวน | ☐ |
| กำหนด tone/style | ☐ |
| AI Limits | ไม่ขอสิ่งที่ AI ทำไม่ได้ | ☐ |
| สั่งให้บอกเมื่อไม่แน่ใจ | ☐ |
20.5 Failure Case Studies
📋 Case Study 1: รายงานที่ไม่ตรงประเด็น
สถานการณ์: ขอให้ AI สรุปรายงานประจำปี แต่ได้ summary ที่ไม่ครอบคลุมประเด็นสำคัญ
Prompt เดิม:
"สรุปรายงานประจำปีนี้"
ปัญหา: Pattern #1 (Vague) + Pattern #7 (No Format)
Prompt ที่แก้ไข:
"สรุปรายงานประจำปี 2568 โดยครอบคลุม:
1. ผลประกอบการทางการเงิน (รายได้, กำไร, growth)
2. ความสำเร็จสำคัญ 3 อันดับ
3. ความท้าทายหลักและวิธีรับมือ
4. ทิศทางปีหน้า
รูปแบบ: แต่ละหัวข้อ 3-5 bullet points
กลุ่มเป้าหมาย: ผู้ถือหุ้น"
📋 Case Study 2: ข้อมูลกฎหมายผิดพลาด
สถานการณ์: AI ตอบมาตราที่ไม่มีจริงใน พ.ร.บ.
Prompt เดิม:
"มาตราไหนของ PDPA ที่เกี่ยวกับ consent?"
ปัญหา: Pattern #10 (Hallucination Trap)
Prompt ที่แก้ไข:
"อธิบายหลักการเรื่อง consent ใน PDPA
ข้อกำหนด:
- อธิบายหลักการทั่วไป ไม่ต้องอ้างมาตราเฉพาะ
- ถ้าอ้างมาตรา ให้ระบุว่า 'ควรตรวจสอบกับต้นฉบับ'
- ถ้าไม่แน่ใจ ให้ตอบว่าไม่สามารถยืนยันได้
หมายเหตุ: ฉันจะตรวจสอบกับ พ.ร.บ. ฉบับเต็มภายหลัง"
20.6 5-Step AI Output Verification
⚠️ กฎทอง: AI ไม่ใช่แหล่งความจริง แต่เป็นจุดเริ่มต้นของการค้นหาความจริง
ก่อนนำคำตอบจาก AI ไปใช้งานจริง โดยเฉพาะงานสำคัญ — ต้องเช็คด้วย 5 ขั้นตอนนี้เสมอ
🔍 5-Step Verification Framework
| ขั้นตอน | คำอธิบาย | ตัวอย่างการตรวจสอบ |
|---|
① Parse
แยกแยะ |
แยก Claim ออกจากคำพูดสวยๆ — ระบุว่าอะไรคือ ข้อเท็จจริง, ข้อสรุป, และ ความคิดเห็น |
AI บอกว่า "มาตรา 25 ของ PDPA กำหนดโทษจำคุก 1 ปี"
→ นี่คือ ข้อเท็จจริงที่ต้องตรวจสอบ ไม่ใช่ความคิดเห็น |
② Risk Score
ประเมินความเสี่ยง |
ให้คะแนนว่า Claim ไหนมี ความเสี่ยง Hallucination สูง — ยิ่งเฉพาะเจาะจง ยิ่งต้องระวัง |
🔴 สูง: ตัวเลข, มาตรา, วันที่เฉพาะ, ชื่อคน
🟡 กลาง: หลักการทั่วไป, แนวโน้ม
🟢 ต่ำ: ความรู้พื้นฐาน, ขั้นตอนทั่วไป |
③ Verify
ตรวจสอบ |
ตรวจสอบกับแหล่งข้อมูลจริง — ไม่ใช่ถาม AI อีกตัว! |
✅ ถูก: เปิด พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล ตรวจมาตรา 25
❌ ผิด: ถาม ChatGPT ว่า "Claude ตอบถูกไหม?" |
④ Context Check
ตรวจบริบท |
ข้อมูลอาจถูก แต่บริบทอาจผิด — ตรวจว่าใช้ได้กับสถานการณ์ของเราจริงหรือไม่ |
AI แนะนำกฎหมายของ EU → แต่เราทำงานในไทย
AI อ้างข้อมูลปี 2023 → แต่กฎหมายเปลี่ยนแล้วในปี 2025 |
⑤ Output
สรุปผล |
สรุป Verdict พร้อมหลักฐานและแหล่งอ้างอิงที่ตรวจสอบได้ |
✅ ยืนยันแล้ว (พร้อมลิงก์/เอกสารอ้างอิง)
⚠️ ถูกบางส่วน (ระบุส่วนที่ถูก/ผิด)
❌ ไม่ถูกต้อง (พร้อมข้อมูลที่ถูกต้อง) |
20.6.1 ตัวอย่าง: 5-Step Verification ในการใช้งานจริง
📋 Case: ตรวจสอบคำตอบเรื่องกฎหมาย PDPA
คำถามที่ถาม AI:
"โทษของการเปิดเผยข้อมูลส่วนบุคคลโดยไม่ได้รับความยินยอมตาม PDPA คืออะไร?"
คำตอบจาก AI:
"ตามมาตรา 90 ของ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562
การเปิดเผยข้อมูลส่วนบุคคลโดยไม่ชอบด้วยกฎหมาย มีโทษจำคุกไม่เกิน 6 เดือน
หรือปรับไม่เกิน 500,000 บาท หรือทั้งจำทั้งปรับ"
---
① PARSE (แยกแยะ):
- Claim 1: มาตรา 90 เป็นมาตราที่เกี่ยวข้อง → ข้อเท็จจริง
- Claim 2: โทษจำคุกไม่เกิน 6 เดือน → ข้อเท็จจริง
- Claim 3: ปรับไม่เกิน 500,000 บาท → ข้อเท็จจริง
② RISK SCORE:
- 🔴 ทุก Claim = ความเสี่ยงสูง (ตัวเลขและมาตราเฉพาะเจาะจง)
③ VERIFY (ตรวจสอบกับแหล่งจริง):
- เปิด พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ฉบับเต็ม
- มาตรา 90: "ผู้ใดล่วงรู้ข้อมูลส่วนบุคคลของผู้อื่น...
และนำไปเปิดเผย... ต้องระวางโทษจำคุกไม่เกินหกเดือน
หรือปรับไม่เกินห้าแสนบาท หรือทั้งจำทั้งปรับ"
- ✅ ข้อมูลถูกต้อง!
④ CONTEXT CHECK:
- ตรวจว่ามาตรา 90 ใช้กับกรณีของเราหรือไม่
- มาตรา 90 ใช้กับ "ผู้ล่วงรู้ข้อมูลเนื่องจากการปฏิบัติหน้าที่"
- ถ้าเป็นกรณีองค์กรละเมิด อาจต้องดูมาตราอื่นด้วย (เช่น มาตรา 91)
⑤ OUTPUT (Verdict):
✅ คำตอบถูกต้องสำหรับกรณีที่เป็นบุคคลล่วงรู้ข้อมูลจากการปฏิบัติหน้าที่
⚠️ แต่ถ้าเป็นกรณีองค์กรละเมิด ต้องพิจารณามาตรา 91 เพิ่มเติม
📎 แหล่งอ้างอิง: พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 มาตรา 90
📋 Case: ตรวจสอบข้อมูลทางเทคนิค
คำถามที่ถาม AI:
"GPT-5 รองรับ context window กี่ token?"
คำตอบจาก AI:
"GPT-5 มี context window 2,000,000 tokens"
---
① PARSE: Claim = ตัวเลข context window → ข้อเท็จจริง
② RISK SCORE: 🔴 สูงมาก (ตัวเลขเฉพาะเจาะจง, ข้อมูลเปลี่ยนแปลงบ่อย)
③ VERIFY: ตรวจสอบจาก OpenAI Documentation / Release Notes
④ CONTEXT CHECK: ข้อมูลนี้เป็นของเวอร์ชันล่าสุดหรือไม่?
⑤ OUTPUT: [ระบุผลการตรวจสอบพร้อมลิงก์อ้างอิง]
💡 Quick Verification Checklist
สำหรับงานเร่งด่วน ใช้ checklist สั้นๆ:
- ☐ มีตัวเลข/มาตรา/วันที่เฉพาะเจาะจงไหม? → ต้องตรวจสอบ!
- ☐ อ้างอิงจากแหล่งที่ตรวจสอบได้ไหม?
- ☐ ข้อมูลยังเป็นปัจจุบันไหม?
- ☐ ใช้ได้กับบริบทของเราจริงไหม?
20.7 Debug Workflow
เมื่อ prompt ไม่ได้ผลลัพธ์ตามต้องการ ทำตาม workflow นี้:
Prompt Debugging Workflow
│
├── Step 1: Identify Gap
│ └── Output ที่ได้ vs Output ที่ต้องการ ต่างกันตรงไหน?
│
├── Step 2: Classify Failure
│ └── เป็น Pattern ไหนใน 10 Patterns?
│
├── Step 3: Analyze Root Cause
│ └── ทำ 5 Whys Analysis
│
├── Step 4: Apply Fix
│ └── แก้ไข prompt ตาม Fix Strategy ของ Pattern นั้น
│
├── Step 5: Test
│ └── ทดสอบ prompt ใหม่
│
└── Step 6: Document
└── บันทึก before/after ใน Prompt Library
20.8 Prevention Strategies
🛡️ 5 วิธีป้องกัน Prompt Failure
- ใช้ Framework เสมอ — PTCF, CREATE, หรือ Constraint-First
- ตรวจสอบด้วย Checklist — ก่อนส่งทุกครั้ง
- ทดสอบกับ Edge Cases — ถ้า input แปลกๆ จะได้ผลลัพธ์อย่างไร?
- บันทึก Failures — สร้าง library ของ prompt ที่ล้มเหลวและวิธีแก้
- Iterate อย่างเป็นระบบ — GPEI (Generate → Prompt → Evaluate → Iterate)
20.9 Key Takeaways
📝 Key Takeaways Module 20
- 10 Failure Patterns: Vague, Conflicting, Missing Context, Overflow, Ambiguous Scope, Irrelevant Context, No Format, Poor Structure, Impossible, Hallucination Traps
- 5-Step Verification: Parse → Risk Score → Verify → Context Check → Output
- กฎทอง: AI ไม่ใช่แหล่งความจริง แต่เป็นจุดเริ่มต้นของการค้นหาความจริง
- Root Cause Analysis: ใช้ 5 Whys หาสาเหตุที่แท้จริง
- Prevention: ใช้ Framework + Checklist + Document failures
- Debug Workflow: Identify → Classify → Analyze → Fix → Test → Document
✅ หลังเรียน Module 20 — สิ่งที่ควรทำได้
- ระบุ Failure Pattern ของ prompt ที่ล้มเหลวได้
- ใช้ 5-Step Verification ตรวจสอบคำตอบ AI ก่อนนำไปใช้
- ทำ Before/After Analysis และแก้ไข prompt ได้
- ใช้ Pre-Submit Checklist ก่อนส่ง prompt
- ทำ 5 Whys Root Cause Analysis ได้
🤔 Workshop: Fix the Prompt
แก้ไข prompt ต่อไปนี้ให้ถูกต้อง:
Prompt 1: "เขียนอีเมล"
Prompt 2: "สรุปเอกสารนี้ให้สั้นๆ ประมาณ 1,000 คำ อธิบายทุกรายละเอียด"
Prompt 3: "บอกพยากรณ์อากาศพรุ่งนี้ที่กรุงเทพ"
ดูแนวคำตอบ
- Prompt 1: Pattern #1 — ต้องระบุ: ถึงใคร, เรื่องอะไร, โทนแบบไหน, ความยาว
- Prompt 2: Pattern #2 — "สั้นๆ" กับ "1,000 คำ" และ "ทุกรายละเอียด" ขัดแย้ง → เลือกทิศทางเดียว
- Prompt 3: Pattern #9 — AI ไม่มี real-time data → ใช้ AI ที่มี web search หรือถามวิธีเช็คพยากรณ์อากาศแทน