🤖
GPT-5 Prompt & Agent Toolkit
แนวปฏิบัติ • เทมเพลต Prompt • ผังตัดสินใจ • เช็กลิสต์
ใช้ GPT-5 ให้เต็มกำลัง — Prompt ที่ดี + Agent ที่ฉลาด
เว็บไซต์นี้สรุป Best Practices จาก Build Hour พร้อม เทมเพลต Prompt แบบ Generic ที่ปรับได้ด้วยวงเล็บเหลี่ยม [ ] เพื่อใช้งานซ้ำได้ทุกโดเมน
Responses API Reasoning/Verbosity Agentic Tools Meta-prompting
แนวคิดสำคัญ
- • ใช้ Responses API (stateful) และส่ง reasoning item กลับทุก tool call
- • เลือก Reasoning ตามงาน: minimal/medium/high
- • ตั้ง Verbosity ให้เหมาะ: low → สั้น, high → อ่านง่าย+error handling
- • ออกแบบ Decision Boundaries ของเครื่องมือให้ชัดเจน
- • ใช้ XML Prompt + Meta-prompting เมื่อผลลัพธ์เพี้ยน
Tip: ช่องสี่เหลี่ยม
[PLACEHOLDER] คือจุดที่คุณปรับเปลี่ยนเองได้วิธีใช้เร็ว (Quick Start)
- เลือกเทมเพลตด้านล่าง (ปรับช่อง
[ ]ให้ตรงงานของคุณ) - กำหนด Reasoning และ Verbosity ที่ต้องการใน Prompt
- ถ้างานยาว/มีเครื่องมือหลายตัว ให้สั่ง พรีแอมเบิล (วางแผน→ลงมือ→ตรวจสอบ)
- เมื่อผลลัพธ์ไม่ตรงใจ ใช้ Meta-prompting: อธิบายสาเหตุ→ให้แก้ตามนั้น
ปุ่ม Copy จะคัดลอกเฉพาะเทมเพลตที่คุณต้องการใช้งาน
Generic Prompt Templates
ปรับค่าที่อยู่ใน
[ ] ได้ตามต้องการ1) Universal Task Prompt
โครงสร้างทั่วไป ใช้ได้ทุกโดเมน
ตัวอย่าง:
Universal — ตัวอย่างพร้อมใส่ค่า
Product Manager: คุณเป็นผู้เชี่ยวชาญด้านการวางแผนคอนเทนต์ในสาขา B2B SaaS เป้าหมาย (Goal): วางแผนบทความ 1 เดือนสำหรับผลิตภัณฑ์จัดการโปรเจกต์ บริบท (Context): กลุ่มเป้าหมายคือหัวหน้าทีมที่ใช้ Jira/Asana ข้อกำหนด (Requirements): - รูปแบบผลลัพธ์: ตารางหัวข้อ + โพย Key points - น้ำเสียง/สไตล์: กระชับ มืออาชีพ - ข้อจำกัด: หลีกเลี่ยงศัพท์เทคนิคยาก เครื่องมือ (Tools): เว็บค้นหา, สเปรดชีต Decision Boundaries: ค้นหาไม่เกิน 2 ครั้ง/หัวข้อ ถ้าไม่พบสถิติให้เสนอทางเลือก Reasoning: medium Verbosity: medium ขั้นตอน: วางแผน → ดำเนินการ → ตรวจสอบ/ทดสอบ → สรุป & ข้อเสนอแนะถัดไป
2) Coding / Refactor (XML)
แนะนำ
เหมาะกับงานโค้ด + ใช้ style guide + มีเทสต์
ตัวอย่าง:
Coding — ตัวอย่างพร้อมใส่ค่า
Refactor โมดูล auth ให้รองรับ OAuth และเพิ่ม unit tests src/auth/*.ts, src/utils/*.ts ESLint Airbnb, strict types, ฟังก์ชันยาวไม่เกิน 40 บรรทัด เพิ่ม tests ครอบคลุม login, refresh token, error states ใช้ ripgrep ค้นหา, apply patch สำหรับแก้เฉพาะจุด ไม่เปลี่ยน API public medium high วางแผนก่อนทำ → ลงมือ → รันเทสต์ → แก้จุดตก → สรุปผล
3) Agentic Workflow + Tools
กำหนดรายชื่อเครื่องมือ + ขอบเขตการตัดสินใจ
ตัวอย่าง:
Agent + Tools — ตัวอย่างพร้อมใส่ค่า
บทบาท: Research Agent เป้าหมาย: รวบรวมสรุปคู่แข่ง 3 ราย ในตลาด note‑taking SaaS เครื่องมือที่มี: Web search, Spreadsheet API, Markdown exporter กติกาใช้เครื่องมือ (Decision Boundaries): - ค้นหาข้อมูลได้ไม่เกิน 2 ครั้งต่อแบรนด์ - หากไม่พบราคาชัดเจน ให้ถามฉันก่อนดำเนินการ - ใช้ Markdown exporter สร้างสรุป ไม่ต้อง rewrite ทั้งไฟล์ Reasoning: medium Verbosity: medium พรีแอมเบิล: สรุปแผนงาน → กลุ่มงานย่อย → ทำทีละกลุ่มพร้อมเหตุผลก่อน/หลัง tool call
4) Front‑end UI Builder
ให้ความสำคัญกับความสวย/การอ่านง่าย
ตัวอย่าง:
Front‑end — ตัวอย่างพร้อมใส่ค่า
สร้างหน้าเว็บประเภท Landing Page สำหรับ AI Coding Copilot สไตล์: Minimal, Modern, Accessible เทคโนโลยี: Next.js + TailwindCSS คอมโพเนนต์ที่ต้องมี: Hero, Features, Code Demo, FAQ (Accordion ≥3), CTA ข้อกำหนดโค้ด: อ่านง่าย + มี comment + จัดโครงสร้างไฟล์ Reasoning: medium | Verbosity: high ให้วางแผนเลย์เอาต์ก่อน แล้วจึงสร้างโค้ด + อธิบายเหตุผลการเลือกดีไซน์
5) Research / Lookup (จำกัดการค้นหา)
เหมาะกับงานค้นหาที่ต้องควบคุมต้นทุนและเวลา
ตัวอย่าง:
Research — ตัวอย่างพร้อมใส่ค่า
โจทย์: มีเฟรมเวิร์กประเมิน LLM (eval frameworks) อะไรบ้างที่นิยมในปีล่าสุด? ขอบเขต: โอเพ่นซอร์สที่มี community active แหล่งข้อมูลที่ยอมรับ: บล็อกทางการ, GitHub README, เอกสารโครงการ จำกัดการค้นหา: ไม่เกิน 2 ครั้ง / ประเด็น ผลลัพธ์ที่ต้องการ: สรุปสั้นแบบ bullet + ลิงก์อ้างอิง IEEE/ACM หรือ GitHub Reasoning: medium | Verbosity: medium ถ้าไม่พอข้อมูล ให้ระบุสิ่งที่ขาดและเสนอแผนเก็บข้อมูลเพิ่มเติม
6) Meta‑prompting: วิเคราะห์→แก้พฤติกรรม
ให้โมเดลอธิบายสาเหตุ ก่อนสั่งแก้จุดผิดพลาด
ตัวอย่าง:
Meta‑prompting — ตัวอย่างพร้อมใส่ค่า
ปัญหาที่พบ: โมเดลสำรวจ (explore) เกินจำเป็น ทำให้งานช้า อธิบายเหตุผลที่ทำให้ผลลัพธ์ไม่ตรง: - ตีความขอบเขตการค้นหาไม่ชัด - ไม่มีเพดานจำนวน tool call ต่อประเด็น - ไม่ถามผู้ใช้เมื่อข้อมูลขาด โปรดปรับ Prompt ใหม่ให้ครอบคลุมสาเหตุข้างต้น พร้อมอธิบายว่าการปรับแต่ละข้อจะลดปัญหาอย่างไร และให้ทดสอบซ้ำด้วยเคส smoke tests 3 เคส
ผังตัดสินใจ: เลือก Reasoning & Verbosity
[เริ่ม] | v [ประเมินงาน] |-------------------------------| | | v v [งานสั้น/ตอบไว] [งานยาว/ซับซ้อน/โค้ด] | | (reasoning=minimal) (reasoning=medium/high) (verbosity=low/medium) (verbosity=high + preamble) | | v v [ใช้ Responses API + tool calls + ส่ง reasoning item กลับ] | v [ไม่ตรงใจ? → Meta-prompting: อธิบายเหตุผล → ปรับ Prompt → ทดสอบซ้ำ] | v [สำเร็จ]
Actionable Checklist ✅
- ☑️ ใช้ Responses API แทน Completions
- ☑️ ส่งคืน reasoning item ทุกครั้งหลัง tool call
- ☑️ ระบุ Reasoning และ Verbosity ใน Prompt
- ☑️ ใส่ Style Guide และคำว่า “minimal / maintainable / test-covered”
- ☑️ กำหนด Decision Boundaries ของเครื่องมือ
- ☑️ ใช้ Meta-prompting เมื่อผลลัพธ์เพี้ยน
- ☑️ วางแผน → ลงมือ → ทดสอบ → สรุป (preamble)
ตัวอย่างการตั้งค่าแนะนำ
งานโต้ตอบไว
Reasoning: minimal
Verbosity: low/medium
Verbosity: low/medium
งานโค้ด/ดีไซน์สวย
Reasoning: medium
Verbosity: high
Verbosity: high
งานเอเจนต์ยาว
Reasoning: high + preamble + tool rules
เครดิต & แหล่งติดตาม
เว็บไซต์นี้สรุปจากเนื้อหา Build Hour: GPT-5 และแนวปฏิบัติที่สกัดมาใช้งานจริง เพื่อทีมที่ต้องการเร่งความเร็วการพัฒนา
เทคโนโลยีสำหรับคนสายอื่นที่ไม่ใช่ developer (Domain Expert) ติดตามได้ที่ www.pharmconnection.net — จัดทำโดยเภสัชกรวิรุณ เวชศิริ
0 Comments