--- title: "Automatic Prompt Engineer (APE) (TH)" source: "https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)" wiki: "systems-analysis.info/int" article: "Automatic_Prompt_Engineer_(APE)_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Thai" revision_id: 497 wiki_created_at: 2026-09-06T22:34:36Z wiki_modified_at: 2026-09-06T22:34:36Z downloaded_at: 2026-09-07T22:40:31Z --- # Automatic Prompt Engineer (APE) (TH) **Automatic Prompt Engineer** (**APE**) — คือวิธีการสร้างและปรับปรุงคำสั่งข้อความ (prompt) โดยอัตโนมัติ เพื่อควบคุมพฤติกรรมของโมเดลภาษาขนาดใหญ่ (LLM) แนวทางนี้ถูกเสนอขึ้นในปี 2022 โดยกลุ่มนักวิจัยภายใต้การนำของ **Yongchao Zhou**[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-ape_zhou_2022-1) แทนที่จะคัดเลือกและปรับปรุง prompt ด้วยมืออย่างวนซ้ำ APE ได้กำหนดรูปแบบวิศวกรรม prompt ให้เป็นปัญหาการปรับให้เหมาะสม (optimization) ในกรอบงานนี้ prompt ถูกมองว่าเป็น "โปรแกรม" ในภาษาธรรมชาติ ซึ่งจำเป็นต้องสังเคราะห์ขึ้นเพื่อเพิ่มค่าสูงสุดของฟังก์ชันคุณภาพที่กำหนด (เช่น ความแม่นยำหรือความน่าเชื่อถือของคำตอบจากโมเดล)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-survey_li_2025-2) ## แนวคิดหลักและวิธีการ วิธี APE ใช้โมเดลภาษาสองตัวทำงานร่วมกัน ได้แก่ *โมเดลผู้สร้าง* และ *โมเดลเป้าหมาย* กระบวนการดำเนินการเป็นวงจรวนซ้ำของการค้นหาและคัดเลือก (*search-and-select*): 1. **การสร้างตัวเลือกผู้สมัคร** โมเดลผู้สร้างรับอินพุตเป็นตัวอย่างคู่ "อินพุต-เอาต์พุต" หลายชุดสำหรับงานเป้าหมาย แล้วสร้าง prompt ผู้สมัครที่เป็นไปได้หลายตัวซึ่งอาจนำไปสู่ผลลัพธ์ดังกล่าว 2. **การประเมิน** prompt ผู้สมัครแต่ละตัวที่สร้างขึ้นจะถูกส่งไปยัง LLM เป้าหมาย โมเดลเป้าหมายจะดำเนินการตามคำสั่งบนชุดข้อมูลทดสอบใหม่ และคำตอบของโมเดลจะถูกประเมินตามเมตริกที่กำหนดไว้ล่วงหน้า (เช่น ความแม่นยำ ความครอบคลุม F1-measure) 3. **การคัดเลือก** เลือก prompt ที่ได้รับผลลัพธ์ดีที่สุดจากการประเมิน 4. **การวนซ้ำ (ทางเลือก)** วงจรอาจทำซ้ำได้ โมเดลผู้สร้างได้รับคำสั่งให้ปรับปรุง prompt ที่ดีที่สุดที่พบ โดยสร้างรูปแบบแปรผัน จากนั้นกระบวนการประเมินและคัดเลือกจะทำซ้ำอีกครั้งเพื่อให้ได้ประสิทธิภาพสูงสุด[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-ape_zhou_2022-1) แนวทางนี้ช่วยให้สามารถจำลองกระบวนการคัดเลือก prompt ด้วยมือโดยอัตโนมัติ โดยใช้ LLM ในการสร้างสมมติฐาน (prompt) และประเมินผลลัพธ์ในภายหลัง ## วิธีการหลัก การทำให้วิศวกรรม prompt เป็นอัตโนมัติสามารถทำได้ด้วยแนวทางอัลกอริทึมที่หลากหลาย ### การทำให้เป็นอัตโนมัติโดยอาศัย LLM นี่คือวิธีคลาสสิกของ APE ที่อธิบายข้างต้น ซึ่ง LLM หนึ่งตัวถูกใช้เพื่อสร้างและประเมิน prompt สำหรับ LLM อีกตัวหนึ่ง (หรือตัวเดียวกัน) แนวทางนี้พิสูจน์แล้วว่ามีประสิทธิภาพสูงสำหรับ prompt ข้อความแบบดิสครีต[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-ape_zhou_2022-1) ### วิธีการเชิงวิวัฒนาการ ใช้อัลกอริทึมทางพันธุกรรมหรือ beam search ในการสร้างและคัดเลือก prompt โดยเฉพาะอย่างยิ่ง prompt ที่ยาวและซับซ้อน ตัวอย่างเช่น framework **APEX** (*Automatic Engineering of Long Prompts*) ใช้อัลกอริทึมเชิงวิวัฒนาการเพื่อ "เพาะปลูก" และปรับปรุงคำสั่งที่ซับซ้อนอย่างค่อยเป็นค่อยไป[\[3\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-apex_hsieh_2024-3) ### วิธีการแบบ Gradient (Soft Prompts) แนวทางนี้ทำงานกับ *prompt แบบต่อเนื่อง* หรือ *soft prompts* ซึ่งเป็นเวกเตอร์ที่เรียนรู้ได้ (embedding) ไม่ใช่คำสั่งข้อความ เวกเตอร์เหล่านี้จะถูกปรับให้เหมาะสมด้วย gradient descent โดยตรงบนงานเป้าหมาย เทคนิคที่อยู่ในกลุ่มนี้ได้แก่ Prompt Tuning และ Prefix-Tuning ### Reinforcement Learning ในกรอบทฤษฎีนี้ LLM ทำหน้าที่เป็น agent ที่สร้าง prompt (action) และสภาพแวดล้อมจะส่งคืนคะแนนคุณภาพของคำตอบ (reward) เป้าหมายคือการเพิ่ม reward สะสมสูงสุด โดยค้นหากลยุทธ์การสร้าง prompt ที่เหมาะสมที่สุดผ่านวิธีการ Reinforcement Learning (RL)[\[2\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-survey_li_2025-2) ## ผลลัพธ์และการค้นพบ การทดลองในงานวิจัย APE ต้นฉบับแสดงให้เห็นว่าคำสั่งที่สร้างขึ้นโดยอัตโนมัติส่วนใหญ่มีคุณภาพเหนือกว่า prompt ที่เขียนโดยมนุษย์ - ในระหว่างการทดสอบบน 24 งานด้านการประมวลผลภาษาธรรมชาติ (NLP) APE สร้าง prompt ที่ **มีประสิทธิภาพดีกว่าของมนุษย์ใน 19 จาก 24 กรณี**[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-ape_zhou_2022-1) - APE สามารถ "ค้นพบ" สูตรที่มีประสิทธิภาพมากกว่าสำหรับการทำ prompt แบบ Chain-of-Thought โดยอัตโนมัติ แทนที่จะใช้วลีมาตรฐาน *«Let's think step by step»* APE สร้างคำสั่งที่ละเอียดและมีประสิทธิภาพมากกว่า: *«Let's work this out in a step by step way to be sure we have the right answer»* สูตรนี้ช่วยเพิ่มความแม่นยำในการแก้ปัญหาคณิตศาสตร์บน dataset เช่น MultiArith และ GSM8K[\[1\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-ape_zhou_2022-1) ## การประยุกต์ใช้และข้อดี ### การประยุกต์ใช้ - **การปรับปรุง few-shot learning**: การคัดเลือกตัวอย่างและคำสั่งที่เหมาะสมที่สุดโดยอัตโนมัติ - **การเพิ่มความน่าเชื่อถือของโมเดล**: APE สามารถปรับแต่งเพื่อค้นหา prompt ที่ลด "hallucination" และเพิ่มความถูกต้องของคำตอบบน benchmark เช่น *TruthfulQA* - **การทำให้การพัฒนาเป็นอัตโนมัติ**: เร่งการสร้าง chatbot ระบบดึงข้อมูล และแอปพลิเคชัน LLM อื่น ๆ[\[4\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-mdpi_app-4) ### ข้อดี - **ความสามารถในการขยาย (Scalability)**: ความสามารถในการสร้างและประเมิน prompt ได้หลายร้อยหลายพันตัวโดยไม่ต้องมีมนุษย์เข้ามาเกี่ยวข้อง - **ความสามารถในการปรับตัว (Adaptability)**: การปรับ LLM ให้เข้ากับโดเมนใหม่ที่เฉพาะทางได้อย่างง่ายดาย - **การประหยัดทรัพยากร**: ลดเวลาและความพยายามในการคัดเลือก prompt ด้วยมือได้อย่างมีนัยสำคัญ ## การพัฒนาและแนวทางที่เกี่ยวข้อง แนวคิด APE ยังคงพัฒนาต่อไปอย่างต่อเนื่อง ระบบอัตโนมัติเต็มรูปแบบได้ปรากฏขึ้น เช่น **APET** (*Automatic Prompt Engineering Toolbox*) ซึ่งช่วยให้ LLM (เช่น GPT-4) สามารถนำกลยุทธ์การทำ prompt ที่ซับซ้อนมาใช้ได้อย่างอิสระ (*Expert Prompting*, *Chain of Thought*, *Tree of Thoughts*) และปรับปรุงคำสั่งแบบไดนามิกโดยไม่ต้องมีการแทรกแซงจากภายนอก[\[5\]](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_note-apet_kepel_2024-5) APE เป็นส่วนหนึ่งของแนวโน้มที่กว้างขึ้นในการทำให้การโต้ตอบกับ LLM เป็นอัตโนมัติ ซึ่งยังรวมถึง: - **AutoPrompt**: วิธีการยุคแรกที่ใช้การค้นหาแบบ gradient เพื่อค้นหา token "ตัวกระตุ้น" แต่ละตัว - **OPRO** (*Optimization by PROmpting*): แนวทางที่คล้ายคลึงกับ APE จาก DeepMind ซึ่งใช้ LLM ในการปรับ prompt ให้เหมาะสมเช่นกัน ## ลิงก์ - เว็บไซต์อย่างเป็นทางการของโครงการ Automatic Prompt Engineer (APE) - บทความวิทยาศาสตร์ «Large Language Models Are Human-Level Prompt Engineers» - AutoPrompt (2020). *AutoPrompt – Official GitHub Repository*. GitHub. ## วรรณกรรม - Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Hsieh, C.-J. et al. (2024). *Automatic Engineering of Long Prompts*. Findings of ACL 2024. 2024.findings-acl.634. - Hsieh, C.-J. et al. (2023). *Automatic Long Prompt Engineering*. arXiv:2311.10117. - Shin, T. et al. (2020). *AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts*. arXiv:2010.15980. - Yang, C. et al. (2023). *Large Language Models as Optimizers (OPRO)*. arXiv:2309.03409. - Liu, Y. et al. (2024). *Revisiting OPRO: The Limitations of Small-Scale LLMs as Optimizers*. arXiv:2405.10276. - Kepel, D.; Valogianni, K. (2024). *Autonomous Prompt Engineering in Large Language Models (APET)*. arXiv:2407.11000. - Yang, C. et al. (2024). *Optimizing Instructions and Demonstrations for Multi-Stage LM Programs*. arXiv:2406.11695. - Hsieh, C.-J. et al. (2024). *APEX (code repository and results)*. PDF. ## หมายเหตุ 1. ↑ [1.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-ape_zhou_2022_1-0) [1.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-ape_zhou_2022_1-1) [1.2](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-ape_zhou_2022_1-2) [1.3](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-ape_zhou_2022_1-3) [1.4](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-ape_zhou_2022_1-4) Zhou, Y. et al. «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*, 2022. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-survey_li_2025_2-0) [2.1](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-survey_li_2025_2-1) Li, W. et al. «A Survey of Automatic Prompt Engineering: An Optimization Perspective». *arXiv:2502.11560*, 2025. [2] 3. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-apex_hsieh_2024_3-0) Hsieh, C.-J. et al. «Automatic Engineering of Long Prompts». *Findings of the Association for Computational Linguistics: ACL 2024*. [3] 4. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-mdpi_app_4-0) Fernandez-garcia, A. et al. «Automatic Prompt Engineering for Foundation Models: A Survey». *MDPI Electronics*, 2025. [4] 5. [↑](https://systems-analysis.info/int/Automatic_Prompt_Engineer_(APE)_(TH)#cite_ref-apet_kepel_2024_5-0) Kepel, D. & Valogianni, K. «Autonomous Prompt Engineering in Large Language Models». *arXiv:2407.11000*, 2024. [5]