หลังจากการเปิดตัว GPT-5 ทาง OpenAI ก็ปล่อยคู่มือการ Prompt ด้วย GPT-5 สำหรับงาน Dev และ Agentic เพื่อเอาไปใช้งานจริงแบบกระชับและเข้าใจง่าย
คู่มือการ Prompt GPT-5
โครงสร้างของ Prompt ที่ควรมีเสมอ คิดแบบบรีฟงาน สั้น ๆ:
- เป้าหมายของงาน ระบุชัดว่าต้องการผลลัพธ์แบบไหน
- ขอบเขตการค้นข้อมูล ค้นได้แค่ไหน ห้ามค้นอะไรซ้ำ ๆ
- เกณฑ์หยุด ถึงจุดไหนให้จบ เช่น พอคำตอบตรงกันประมาณ 70% ให้สรุปและจบ
- ทางหนีทีไล่: ถ้าไม่แน่ใจให้ ตัดสินใจที่สมเหตุสมผลที่สุด แล้วบันทึกสิ่งที่เดาไว้ชัด ๆ
1. Controlling agentic eagerness
ปรับนิสัยความขยันของ Agent ให้พอดีกับงาน
- งานเล็ก/ตรงไปตรงมา → ใช้ระดับต่ำหรือ minimal reasoning เพื่อความเร็ว แต่ใส่แผนสั้น ๆ ไว้ในคำขอ เพื่อชดเชย Token คิดที่น้อยลง
- งานซับซ้อน/หลายขั้น → เพิ่มระดับ reasoning ให้สูงขึ้น และ แยกงานเป็นชิ้นย่อย ทำทีละชิ้นให้จบในแต่ละรอบ
ข้อควรระวัง
- คำสั่งเข้มเกินไป จะทำให้ Agent มัวแต่เตรียมพร้อมเรียก Tools เกินจำเป็น
- คำสั่งกว้างเกินไป Agent จะขยันเกินเหตุ ลูปหาข้อมูลไม่จบ
2. Tool Preambles
– Script เปิดงานที่ให้ AI บอกแผนก่อนเริ่มใช้เครื่องมือ:
- ย้ำเป้าหมายว่า จะทำอะไร ให้เสร็จแบบไหน
- บอกแผนเป็นขั้นตอนว่า จะทำอะไรก่อน-หลัง
- อัปเดตความคืบหน้าว่า ทำเสร็จขั้นไหนแล้ว เหลืออะไรอีก
- สรุปสิ่งที่ทำจริง เทียบกับแผนที่ตั้งไว้ตอนต้น
หากรู้วิธีใช้ reasoning_effort, tool_preamble จะทำให้งานเร็วขึ้น ฉลาดขึ้น และเข้าใจได้มากขึ้นในทุกงาน
3. Responses API
- ใช้ Responses API กับ GPT-5 แทน Chat Completions เพื่อปลดล็อกการทำ Agentic flow ให้ดียิ่งขึ้น จำ Reasoning อันเดิมได้ ลดค่าใช้จ่าย โทเคนอย่างมีประสิทธิภาพมากขึ้น
4. Maximizing coding performance, from planning to execution
- เป้าหมายคือให้ AI ทำงานโค้ด ตั้งแต่คิด วางแผน จนส่งงาน ตัว GPT-5 รองรับโค้ดเก่าและโค้ดใหม่
โครงสร้างคำสั่งที่ควรมี (แบบไม่ใส่โค้ด)
- Frameworks: จะแก้อะไร เพิ่มอะไร ห้ามยุ่งส่วนไหน
- Styling หรือ UI: สไตล์, การตั้งชื่อ, โครงสร้างไฟล์, วิธีรีวิว
- คุณภาพที่ต้องการ: อ่านง่าย, รักษาแพตเทิร์นเดิม, ไม่ซับซ้อนเกินไป
- เขียนขั้นตอน: วางแผน → ลงมือทีละส่วน → ตรวจ/ทดสอบ → สรุปสิ่งที่เปลี่ยน
5. บทเรียนจาก Cursor
ปัญหาของ GPT-5 คือ
- อธิบายขั้นตอนเยอะเกินไป (verbose)
- ทางแก้ คือ เขียนโค้ดให้ชัดเจนและอ่านง่ายก่อนเสมอ ใช้ชื่อและคอมเมนต์ที่เข้าใจง่าย เว้นแต่ผู้ใช้ขอ ใช้ verbosity สูงเวลาเขียนโค้ด
- ผลลัพธ์คือได้ status update ที่สั้นลง แต่โค้ดอ่านง่ายขึ้นมาก
- GPT-5 อธิบายขั้นตอนเยอะเกินไป (verbose)
- ทางแก้ คือ ใช้ชื่อตัวแปรที่ชัดเจน แทนการถามว่าควรทำต่อไหม ให้ทำไปเลยแล้ว ถามทีหลังว่า จะรับการเปลี่ยนแปลงหรือไม่
Cursor พบว่าการใช้ Prompt แบบมีโครงสร้างและกำหนดขอบเขต (scoped prompts) ให้ผลลัพธ์ที่น่าเชื่อถือที่สุด ไม่ว่าจะเป็นเรื่องการควบคุม verbosity, สไตล์โค้ด, หรือการจัดการ edge cases
6. Optimizing intelligence and instruction-following
- หัวใจคือ คม ชัด ไม่ขัดกัน
- โมเดลเชื่อ Prompt มากขึ้น: ถ้าคำสั่งกำกวม/ขัดกัน จะเสียโทเคนไปกับการประนีประนอมคำสั่ง
- จัดลำดับความสำคัญ: อะไรชนะอะไร กรณีฉุกเฉินละเว้นอะไรได้
- ลดการใช้เครื่องมือซ้ำซ้อน ไม่ต้องค้นทุกอย่าง เหมือน GPT‑4.1
7. Minimal reasoning เหมาะกับ Case เน้นความเร็ว
- เน้นเร็ว ประหยัด
เคล็ดลับใช้งานให้เวิร์ก
- สรุปแนวคิดสั้น ๆ เป็น Bullet Points เพื่อยกระดับคุณภาพเหตุผล
- ขอ Pre แผนงาน และ อัปเดตความคืบหน้า
- เขียนคำสั่งเครื่องมือให้ชัดเจนที่สุด ๆ ลดการตีความ
- เน้นวางแผนก่อน-ค่อยทำ เพราะ reasoning-token มีน้อย
ข้อสรุป:
การ Prompt GPT-5 ให้ได้ผลดีที่สุด เหมือนการคุมวง Orchestra เราต้องรู้ว่าควรให้มันคิดเยอะเมื่อไหร่ ใช้เครื่องมือ, วางแผน, สั่งงาน, ปรับโทนแบบไหนให้เหมาะกับงาน เพื่อให้ได้ทั้งความแม่นยำ ความเร็ว และคุณภาพครบในชุดเดียว
