--- title: "Generated Knowledge Prompting (TH)" source: "https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)" wiki: "systems-analysis.info/int" article: "Generated_Knowledge_Prompting_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Thai" revision_id: 2596 wiki_created_at: 2026-09-06T23:06:39Z wiki_modified_at: 2026-09-06T23:06:39Z downloaded_at: 2026-09-07T22:52:20Z --- # Generated Knowledge Prompting (TH) **Generated Knowledge Prompting** (**GKP**, **การ prompt โดยการสร้างความรู้**) — คือวิธีการของ prompt engineering ที่พัฒนาขึ้นเพื่อเสริมความสามารถของโมเดลภาษาขนาดใหญ่ (LLM) ในการแก้ปัญหาที่ต้องใช้การให้เหตุผลและอาศัยความรู้เชิงข้อเท็จจริง[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-liu2022acl-1) แนวคิดหลักของ GKP คือการให้โมเดลทำงานเป็นสองขั้นตอน ได้แก่ สร้างชุดข้อเท็จจริงที่เกี่ยวข้องกับหัวข้อของคำถามก่อน แล้วจึงอาศัยความรู้เหล่านั้นในการกำหนดคำตอบขั้นสุดท้าย[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-liu2021arxiv-2) แนวทางนี้ช่วยให้ LLM สามารถเปิดใช้งานและนำ*ความรู้แบบ parametric*ภายในของตนมาใช้ ซึ่งถูกเข้ารหัสอย่างโดยนัยอยู่ในพารามิเตอร์หลายพันล้านตัว แต่มักไม่สามารถเข้าถึงได้เมื่อใช้คำถามมาตรฐาน GKP แก้ปัญหาที่โมเดล «ไม่รู้ว่าตนรู้อะไร» และช่วยให้โมเดลเชื่อมโยงข้อเท็จจริงที่กระจัดกระจายเพื่อสร้างข้อสรุปที่ถูกต้อง[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-liu2021arxiv-2) ## ประวัติและที่มา วิธีการ **Generated Knowledge Prompting** ถูกนำเสนอครั้งแรกในบทความวิจัยชื่อ «*Generated Knowledge Prompting for Commonsense Reasoning*» ซึ่งจัดทำโดยกลุ่มนักวิจัยภายใต้การนำของ **Jiacheng Liu** เวอร์ชันแรกของงานวิจัยได้รับการเผยแพร่ในคลังบทความพิมพ์ล่วงหน้า *arXiv* เมื่อวันที่ 15 ตุลาคม 2021 และเวอร์ชันสมบูรณ์ได้รับการนำเสนอในการประชุมอันทรงเกียรติ *Association for Computational Linguistics* (ACL) ในปี 2022[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-liu2022acl-1) GKP กลายเป็นหนึ่งในวิธีการแรกและสำคัญที่สุดที่เสนอให้เปลี่ยนกระบวนทัศน์การโต้ตอบกับ LLM โดยเลื่อนจุดสนใจจากการสร้างคำตอบในทันทีไปสู่กระบวนการรับรู้สองขั้นตอน ## กลไกการทำงานสองขั้นตอน กลไกของ GKP แบ่งงานที่ซับซ้อนออกเป็นกระบวนการย่อยสองอย่างที่ง่ายกว่า ได้แก่ การดึงข้อมูลที่เกี่ยวข้องและการนำข้อมูลนั้นไปใช้ในการสรุป ### ขั้นตอนที่ 1: การสร้างความรู้ (Knowledge Generation) ในขั้นตอนแรก จะใช้โมเดลภาษา («ตัวสร้างความรู้») เพื่อสร้างชิ้นส่วนความรู้จำนวนหนึ่ง (M ชิ้น) ที่เกี่ยวข้องกับคำถามต้นฉบับ กระบวนการนี้เริ่มต้นด้วยเทคนิค few-shot prompting ซึ่งโมเดลจะได้รับตัวอย่างหลายรายการเพื่อเรียนรู้ «ในบริบท» Prompt สำหรับการสร้างความรู้มีโครงสร้างที่กำหนดไว้อย่างชัดเจน: 1. **คำสั่ง**: คำแนะนำทั่วไป เช่น «สร้างข้อเท็จจริงหลายรายการในหัวข้อนี้» 2. **ตัวอย่างสาธิต**: คู่ «คำถาม-ความรู้» หลายคู่ที่เขียนโดยมนุษย์ ตัวอย่างเหล่านี้มีบทบาทสำคัญอย่างยิ่งเนื่องจากสอนให้โมเดลรู้ว่าข้อมูลประเภทใดถือว่ามีประโยชน์ ทั้งนี้ความรู้ที่สร้างขึ้นไม่ควรมีคำตอบอยู่โดยตรง 3. **คำถามใหม่**: คำถามต้นฉบับของผู้ใช้ที่ต้องการสร้างความรู้สำหรับมัน สำหรับคำถามหนึ่งข้อ จะสร้างความรู้จำนวน *M* รูปแบบ (ในงานวิจัยต้นฉบับ M=20) เพื่อให้ได้ชุดข้อเท็จจริงที่หลากหลายสำหรับขั้นตอนที่สอง[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-liu2022acl-1) ### ขั้นตอนที่ 2: การรวมความรู้และการสร้างคำตอบ (Knowledge Integration) ในขั้นตอนที่สอง จะใช้โมเดลภาษาอีกตัวหนึ่ง («โมเดลสำหรับการสรุป») ซึ่งสามารถทำงานในโหมด *zero-shot* หรือได้รับการ fine-tuning สำหรับงานเฉพาะก็ได้ กระบวนการรวมความรู้เกิดขึ้นดังนี้: 1. **การเสริมคำถาม**: คำถามต้นฉบับ (*q*) จะถูกรวมเข้ากับชิ้นส่วนความรู้ที่สร้างขึ้นแต่ละชิ้น (*km*) ตามลำดับ ผลลัพธ์คือคำถามที่ถูกเสริมจำนวน *M+1* รายการ (รวมถึงคำถามต้นฉบับที่ไม่มีความรู้ประกอบ) 2. **การประเมินและการเลือกคำตอบ**: โมเดลสำหรับการสรุปจะประเมินความน่าจะเป็นเชิงเงื่อนไขของตัวเลือกคำตอบ (*a*) ที่เป็นไปได้แต่ละรายการสำหรับคำถามที่ถูกเสริมแต่ละข้อ คำตอบสุดท้ายคือตัวเลือกที่ได้คะแนนความน่าจะเป็นสูงสุดจากคำถามอย่างน้อยหนึ่งข้อ กลไกสองขั้นตอนนี้นำเสนอกระบวนการ metacognitive ในแบบหนึ่ง: «*ก่อนตอบ จงคิดและกำหนดว่าคุณรู้อะไรในหัวข้อนี้*» ## ประสิทธิภาพและผลการทดสอบ ประสิทธิภาพของ GKP ได้รับการตรวจสอบบน benchmark ทางวิชาการหลายรายการสำหรับการประเมินการให้เหตุผลบนพื้นฐานของสามัญสำนึก วิธีการนี้แสดงให้เห็นการปรับปรุงประสิทธิภาพอย่างมีนัยสำคัญเมื่อเปรียบเทียบกับแนวทางพื้นฐาน | ชื่อ benchmark | งาน | ความแม่นยำของโมเดลพื้นฐาน (%) | ความแม่นยำด้วย GKP (%) | การเพิ่มขึ้น (%) | |-----------------------|----------------------|----------------------------|----------------------|--------------| | **NumerSense** | สามัญสำนึกเชิงตัวเลข | 64.05 | 72.47 | +8.42 | | **CommonsenseQA** | สามัญสำนึกทั่วไป | 39.89 | 47.26 | +7.37 | | **CommonsenseQA 2.0** | สามัญสำนึกทั่วไป | 70.20 | 73.03 | +2.83 | | **QASC** | สามัญสำนึกเชิงวิทยาศาสตร์ | 76.74 | 80.33 | +3.59 | สรุปผลลัพธ์ของ GKP บน benchmark หลัก (ข้อมูลจาก Liu et al., 2022)[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-liu2022acl-1) การเพิ่มขึ้นสูงสุดพบในโหมด *zero-shot* ซึ่งพิสูจน์ความสามารถของ GKP ในการเปิดใช้งานความรู้ภายในของโมเดลได้อย่างมีประสิทธิภาพโดยไม่ต้องมีการ fine-tuning เพิ่มเติม ## การวิเคราะห์เปรียบเทียบกับเทคนิคอื่น ### GKP vs. Chain-of-Thought (CoT) ความแตกต่างหลักระหว่าง GKP และ Chain-of-Thought (CoT) อยู่ที่ประเภทของข้อมูลที่สร้างขึ้น: - **GKP** สร้าง**ความรู้เชิงประกาศ** — ข้อเท็จจริง คำจำกัดความ ข้อความเกี่ยวกับโลก (*«อะไร»*) โดยให้บริบทเพิ่มเติมแก่โมเดล - **CoT** สร้าง**ความรู้เชิงกระบวนการ** — ขั้นตอนเชิงตรรกะ การคำนวณ ลำดับของการสรุป (*«อย่างไร»*) โดยให้เส้นทางการให้เหตุผลแก่โมเดล ดังนั้น GKP ให้ฐานข้อเท็จจริง ในขณะที่ CoT ให้โครงสร้างเชิงตรรกะของการสรุป[\[3\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-wei2022cot-3) ### GKP vs. Retrieval-Augmented Generation (RAG) ต่างจาก GKP วิธีการ Retrieval-Augmented Generation (RAG) ใช้แหล่งความรู้ภายนอกแบบ non-parametric - **GKP** ใช้**ความรู้ภายใน**ที่โมเดลเรียนรู้มาระหว่างการฝึก โดยให้โมเดล «*จำ*» สิ่งที่ตนรู้อยู่แล้ว - **RAG** ใช้**ความรู้ภายนอก**จากฐานข้อมูล เอกสาร หรืออินเทอร์เน็ต โดยให้โมเดล «*ค้นหา*» ข้อมูลจากโลกภายนอก การเลือกระหว่าง GKP และ RAG ขึ้นอยู่กับงาน: GKP มีประสิทธิภาพหากความรู้ที่ต้องการเป็นที่รู้จักกันทั่วไปและมีการนำเสนออย่างดีในข้อมูลการฝึก ในขณะที่ RAG ขาดไม่ได้สำหรับข้อมูลที่เฉพาะทางสูง ข้อมูลใหม่ หรือข้อมูลที่เป็นกรรมสิทธิ์ ## ข้อจำกัดและความเสี่ยง - **ปัญหา «การหลอน» (Hallucination)**: ความเสี่ยงหลักของ GKP คือความเป็นไปได้ในการสร้างข้อเท็จจริงที่ไม่ถูกต้อง หากในขั้นตอนแรกโมเดลสร้างข้อความเท็จ ในขั้นตอนที่สองข้อความนั้นจะถูกยอมรับว่าเป็นความจริง ซึ่งนำไปสู่คำตอบที่มั่นใจแต่ผิดอย่างสิ้นเชิง - **ต้นทุนการคำนวณ**: วิธีการนี้ต้องเรียกใช้ LLM หลายครั้ง (M+1 ครั้งต่อคำถามหนึ่งข้อ) ซึ่งเพิ่มเวลาตอบสนอง (*latency*) และต้นทุนการใช้งานอย่างมีนัยสำคัญเมื่อเปรียบเทียบกับการ prompt แบบมาตรฐาน - **ความซับซ้อนในการพัฒนา prompt**: ประสิทธิภาพของ GKP ขึ้นอยู่กับคุณภาพของตัวอย่าง *few-shot* อย่างมาก ซึ่งการสร้างตัวอย่างเหล่านี้เป็นงานที่ไม่ง่ายและใช้เวลามาก ## วิวัฒนาการและแนวทางไฮบริด แนวคิดที่ฝังอยู่ใน GKP ได้กลายเป็นตัวเร่งในการพัฒนาเทคนิค prompt ที่ซับซ้อนและเชื่อถือได้มากขึ้น เช่น: - **Hint-before-Solving (HSP)**: ผู้สืบทอดแนวคิดโดยตรงของ GKP ซึ่งนำหลักการสองขั้นตอน («ความรู้ก่อน แล้วจึงดำเนินการ») ไปใช้ไม่ใช่กับคำตอบง่ายๆ แต่กับกระบวนการให้เหตุผลที่ซับซ้อนกว่าใน CoT[\[4\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-hsp2024-4) - **Verify-and-Edit (VE)**: framework แบบไฮบริดที่เป็นคำตอบต่อปัญหา «การหลอน» ใน GKP และ CoT โดย VE จะสร้างห่วงโซ่การให้เหตุผลก่อน (แบบ CoT) จากนั้นตรวจสอบข้อเท็จจริงสำคัญโดยอัตโนมัติด้วยการค้นหาภายนอก (แบบ RAG) และแก้ไขการให้เหตุผลก่อนสร้างคำตอบสุดท้าย[\[5\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_note-zhao2023ve-5) ## ลิงก์ - Generated Knowledge Prompting ใน Prompt Engineering Guide ## บรรณานุกรม - Liu, J. et al. (2021). *Generated Knowledge Prompting for Commonsense Reasoning*. arXiv:2110.08387 - Liu, J. et al. (2022). *Generated Knowledge Prompting for Commonsense Reasoning*. In \*Proc. ACL 2022\*. ACL:2022 - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903 - Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171 - Fu, J. et al. (2024). *Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Encoded Knowledge*. arXiv:2402.14310 - Zhao, R. et al. (2023). *Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework*. arXiv:2305.03268 - Lin, B. et al. (2020). *NumerSense: Probing Numerical Commonsense Knowledge of Pre-trained Language Models*. Dataset page - Talmor, A. et al. (2019). *CommonsenseQA: A Question-Answering Challenge Targeting Commonsense Knowledge*. ACL paper - Khot, T. et al. (2019). *QASC: A Dataset for Question Answering via Sentence Composition*. arXiv:1910.11473 - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467 ## หมายเหตุ 1. ↑ [1.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-liu2022acl_1-0) [1.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-liu2022acl_1-1) [1.2](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-liu2022acl_1-2) [1.3](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-liu2022acl_1-3) Liu, J., Liu, A., Lu, X., et al. (2022). «Generated Knowledge Prompting for Commonsense Reasoning». *Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-liu2021arxiv_2-0) [2.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-liu2021arxiv_2-1) Liu, J., Liu, A., Lu, X., et al. (2021). «Generated Knowledge Prompting for Commonsense Reasoning». *arXiv preprint arXiv:2110.08387*. [2] 3. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-wei2022cot_3-0) Wei, J., Wang, X., Schuurmans, D., et al. (2022). «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». *arXiv preprint arXiv:2201.11903*. [3] 4. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-hsp2024_4-0) Katz, O., Maman, Y., et al. (2024). «Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Scaffolding». *arXiv preprint arXiv:2402.14310*. [4] 5. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(TH)#cite_ref-zhao2023ve_5-0) Zhao, R., Zhang, J., et al. (2023). «Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework». *arXiv preprint arXiv:2305.03268*. [5]