---
title: "Prompt and context — พรอมต์และบริบท"
source: "https://systems-analysis.info/int/Prompt_and_context_%E2%80%94_%E0%B8%9E%E0%B8%A3%E0%B8%AD%E0%B8%A1%E0%B8%95%E0%B9%8C%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9A%E0%B8%A3%E0%B8%B4%E0%B8%9A%E0%B8%97"
wiki: "systems-analysis.info/int"
article: "Prompt_and_context_—_พรอมต์และบริบท"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Thai"
revision_id: 5994
wiki_created_at: 2026-09-06T23:56:54Z
wiki_modified_at: 2026-09-06T23:56:54Z
downloaded_at: 2026-09-07T23:11:27Z
---

# Prompt and context — พรอมต์และบริบท

**Prompt** และ **Context** (บริบท) เป็นแนวคิดพื้นฐานในการทำ prompt engineering สำหรับโมเดลภาษาขนาดใหญ่ (LLM)

บริบทเป็นองค์ประกอบที่สำคัญยิ่งของ prompt ซึ่งกำหนดความสามารถของ LLM ในการสร้างคำตอบที่แม่นยำ ตรงประเด็น และเป็นประโยชน์ การทำ prompt engineering ที่มีประสิทธิภาพนั้น โดยส่วนใหญ่คือศิลปะของการรวบรวม กรอง จัดโครงสร้าง และนำเสนอบริบทที่ถูกต้องให้แก่โมเดลในช่วงเวลาที่เหมาะสม ขณะเดียวกันก็ต้องเอาชนะข้อจำกัดของ LLM ในปัจจุบัน

## Prompt - คำนิยามของพรอมต์

**Prompt** — คือชุดข้อมูลอินพุตทั้งหมดที่ส่งให้ LLM เพื่อสร้างคำตอบ ไม่ใช่แค่คำถามหรือคำสั่ง แต่เป็นข้อความที่มีโครงสร้างซึ่งอาจประกอบด้วย:

- **คำสั่ง (Instructions):** คำชี้แนะตรงๆ ที่บอกโมเดลว่าต้องทำอะไร ในรูปแบบ สไตล์ หรือน้ำเสียงใด
- **คำขอหลัก (Query):** คำถามโดยตรงของผู้ใช้ หรือคำอธิบายงานหลัก
- **บริบท (Context):** ข้อมูลเพิ่มเติมที่จำเป็นสำหรับการดำเนินการตามคำขออย่างถูกต้อง
- **ตัวอย่าง (Few-shot examples):** การสาธิตรูปแบบหรือสไตล์คำตอบที่ต้องการในงานที่คล้ายคลึงกัน

คุณภาพและความสมบูรณ์ของ prompt ส่งผลโดยตรงต่อความตรงประเด็น ความแม่นยำ และประโยชน์ของคำตอบจาก LLM

## Context - คำนิยามของบริบท

**บริบท** ในกรอบของ prompt engineering คือข้อมูลใดก็ตาม**ภายใน prompt** ที่ช่วยให้โมเดลเข้าใจงาน ลักษณะเฉพาะของสถานการณ์ หรือความคาดหวังของผู้ใช้ได้ดียิ่งขึ้น แต่**ไม่ใช่**ส่วนหนึ่งของข้อมูลการฝึกอบรมเดิมของโมเดล บริบทให้รายละเอียดเชิงสถานการณ์ที่จำเป็นสำหรับการสร้างคำตอบที่เหมาะสม

บริบทอาจรวมถึง:

- ประวัติการสนทนาก่อนหน้า (ในแชทบอต)
- ข้อมูลที่ดึงมาจากแหล่งภายนอก (เอกสาร ฐานข้อมูล หน้าเว็บ) — ซึ่งเป็นพื้นฐานของ RAG
- ข้อมูลเกี่ยวกับผู้ใช้ (โปรไฟล์ ความชอบ)
- รายละเอียดเฉพาะของงานหรือสถานการณ์ปัจจุบัน
- ตัวอย่างการทำงานที่คล้ายกัน (ในฐานะส่วนหนึ่งของ few-shot prompting)

สิ่งสำคัญคือต้องแยกแยะบริบทที่ให้ไว้ใน prompt ออกจากความรู้ทั่วไปที่โมเดลได้รับในระหว่างการฝึกอบรมล่วงหน้า prompt engineering มุ่งเน้นที่การให้**บริบทเชิงสถานการณ์**อย่างมีประสิทธิภาพ

## ความสัมพันธ์และอิทธิพล

**Prompt และบริบท** เป็นแนวคิดพื้นฐานในการทำงานของ transformer ซึ่งกำหนดว่าโมเดลรับรู้ข้อมูลอินพุตอย่างไร และอะไรเป็นพื้นฐานในการสร้างผลลัพธ์ ในเชิงสถาปัตยกรรม transformer ไม่ได้แยกแยะ "prompt" และ "บริบท" โดยเฉพาะ — ทั้งสองเป็นส่วนหนึ่งของลำดับ token อินพุตที่ถูกแปลงเป็น embedding เสริมด้วยข้อมูลตำแหน่ง และถูกประมวลผลร่วมกันโดยเลเยอร์ self-attention

Prompt และบริบทมีความเชื่อมโยงกันอย่างแยกไม่ออก: **บริบทเป็นส่วนประกอบหนึ่งของ prompt**

- **บริบทกำหนดรูปร่าง prompt:** วิศวกรคัดสรรและจัดโครงสร้างบริบทที่เกี่ยวข้องเพื่อรวมไว้ใน prompt
- **บริบทชี้นำโมเดล:** ข้อมูลที่ให้ไว้ช่วยให้ LLM จำกัดพื้นที่คำตอบที่เป็นไปได้ มุ่งเน้นด้านที่เกี่ยวข้อง และหลีกเลี่ยง hallucination
- **คุณภาพบริบทกำหนดคุณภาพคำตอบ:** บริบทที่ไม่เพียงพอ ไม่เกี่ยวข้อง หรือขัดแย้งกัน นำไปสู่คำตอบที่ไม่แม่นยำ ทั่วไป หรือผิดพลาด บริบทที่แม่นยำและสมบูรณ์จะเพิ่มความจำเพาะและประโยชน์ของการสร้างข้อความ
- **อิทธิพลต่อการตีความคำสั่ง:** บริบทสามารถชี้แจงหรือเปลี่ยนแปลงการตีความคำสั่งทั่วไปใน prompt ได้

ประสิทธิภาพของ prompt ส่วนใหญ่ขึ้นอยู่กับว่าวิศวกรสามารถรวบรวม กรอง และนำเสนอบริบทที่เกี่ยวข้องให้กับโมเดลได้ดีเพียงใด

## ประเภทของบริบท

บริบทสามารถจำแนกได้ตามเกณฑ์ต่างๆ:

**จำแนกตามแหล่งที่มา:**

- บริบทจากผู้ใช้: ข้อมูลที่ผู้ใช้ป้อนเข้ามาโดยตรง คำถาม หรือคำอธิบายงาน
- จากประวัติการสนทนา: ข้อความก่อนหน้าของผู้ใช้และผู้ช่วย (หน่วยความจำระยะสั้น)
- ที่ดึงมา (Retrieved): ข้อมูลจากแหล่งภายนอก (เอกสาร ฐานข้อมูล เว็บ) โดยใช้ RAG
- จากโปรไฟล์/ฐานความรู้: ข้อมูลระยะยาวเกี่ยวกับผู้ใช้หรือโดเมน
- แบบคงที่/เชิงคำสั่ง: ข้อมูลที่วิศวกรฝังไว้ในเทมเพลต prompt (คำสั่ง ตัวอย่าง การกำหนดบทบาท)

**จำแนกตามความเปลี่ยนแปลง:**

- บริบทคงที่: ส่วนที่ไม่เปลี่ยนแปลงของ prompt (คำสั่ง นิยาม ตัวอย่าง) กำหนดงานโดยรวม
- บริบทไดนามิก: ข้อมูลที่เปลี่ยนแปลงในแต่ละคำขอ (ข้อมูลผู้ใช้ ผลลัพธ์ RAG เวลาปัจจุบัน) ให้รายละเอียดเฉพาะ

**จำแนกตามระยะเวลาการจัดเก็บ (หน่วยความจำ):**

- บริบทระยะสั้น: ประวัติเซสชันการสนทนาปัจจุบัน
- บริบทระยะยาว: ข้อมูลที่บันทึกเกี่ยวกับผู้ใช้หรือการโต้ตอบก่อนหน้า ซึ่งต้องการกลไกการจัดเก็บและดึงข้อมูล

## การจัดการบริบท

การจัดการบริบทอย่างมีประสิทธิภาพเป็นงานสำคัญของ prompt engineering โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงข้อจำกัดของ context window ใน LLM วิธีการหลักได้แก่:

- **RAG:** วิธีที่แพร่หลายที่สุดสำหรับการทำงานกับข้อมูลจำนวนมาก ช่วยให้ค้นหาและรวมเฉพาะส่วนที่เกี่ยวข้องมากที่สุดจากฐานความรู้ขนาดใหญ่เข้าสู่ prompt ได้แบบไดนามิก ต้องมีฐานข้อมูลเวกเตอร์และกลไกการค้นหาที่มีประสิทธิภาพ (แบบ lexical หรือ semantic)
- **Chunking (การแบ่งส่วน):** การแบ่งเอกสารขนาดใหญ่ออกเป็นส่วนที่เชื่อมโยงกันเชิงความหมายหรือขนาดคงที่ เพื่อทำดัชนีและดึงข้อมูลผ่าน RAG ในภายหลัง
- **การสรุป (Summarization):** การบีบอัดประวัติการสนทนาที่ยาวหรือเอกสารขนาดใหญ่เพื่อถ่ายทอดความหมายหลักภายใน context window ที่จำกัด
- **การจัดการหน่วยความจำ (Memory Management):** การใช้กลยุทธ์ต่างๆ เพื่อจัดเก็บและดึงประวัติการสนทนาในแชทบอตและ agent (เช่น ConversationBufferMemory, ConversationSummaryBufferMemory ใน LangChain)
- **Sliding Window (หน้าต่างเลื่อน):** การเก็บเฉพาะข้อความ N รายการล่าสุดของการสนทนาไว้ในบริบท
- **การกรองและจัดลำดับความสำคัญ:** การคัดสรรส่วนบริบทที่เกี่ยวข้องมากที่สุดตามความสำคัญ (เช่น โดยใช้คะแนนความเกี่ยวข้องที่ได้จากการค้นหา) ก่อนการประกอบ prompt ขั้นสุดท้าย

## บทบาทของบริบทใน Prompt Engineering

- **การเพิ่มความตรงประเด็น:** บริบทช่วยให้โมเดลสร้างคำตอบที่ตรงกับคำขอและสถานการณ์ของผู้ใช้อย่างแม่นยำ
- **การลด Hallucination:** การให้ข้อมูลเชิงข้อเท็จจริง (ผ่าน RAG) บังคับให้โมเดลอ้างอิงข้อมูลนั้น แทนที่จะสร้างข้อเท็จจริงขึ้นมาเอง
- **การปรับแต่งเฉพาะบุคคล:** บริบทเกี่ยวกับผู้ใช้ (ความชอบ ประวัติ) ช่วยให้ปรับแต่งคำตอบได้
- **การจัดการสถานะ:** ในการสนทนาและกระบวนการหลายขั้นตอน บริบท (ประวัติ) ช่วยให้มีความต่อเนื่องและให้โมเดลรับรู้ขั้นตอนก่อนหน้า
- **การเอาชนะข้อจำกัดของความรู้โมเดล:** RAG ช่วยให้โมเดลตอบคำถามเกี่ยวกับเหตุการณ์ที่เกิดขึ้นหลังจากการฝึกอบรม หรือเกี่ยวกับข้อมูลเฉพาะ/ข้อมูลส่วนตัวได้

## ข้อจำกัด

- ขีดจำกัดของ Context Window: แม้ว่าโมเดลปัจจุบันจะขยายขึ้นถึง 1-2 ล้าน token แต่การประมวลผลในปริมาณดังกล่าวอาจมีค่าใช้จ่ายสูงและช้า ต้องการกลยุทธ์การบีบอัดและคัดสรรที่มีประสิทธิภาพ (RAG, การสรุป)
- การค้นหาบริบทที่เกี่ยวข้อง: ประสิทธิภาพของ RAG ขึ้นอยู่กับคุณภาพของการค้นหา บริบทที่ดึงมาไม่ถูกต้องอาจทำให้โมเดลสับสน ("ขยะเข้า ขยะออก")
- "ช่องว่างแห่งความเฉยเมย" (Valley of Meh): ข้อมูลที่อยู่กลาง prompt ที่ยาวมากอาจถูกโมเดลเพิกเฉย ต้องการการจัดโครงสร้าง prompt (เช่น เทคนิค "แซนด์วิช")
- ความเสี่ยงของ Context Injection: หากบริบทถูกดึงมาจากแหล่งที่ไม่น่าเชื่อถือ (เช่น หน้าเว็บ) อาจมีคำสั่งที่เป็นอันตราย (prompt injection)

## เอกสารอ้างอิง

- Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401.
- 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.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916.
- Chen, S. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687.
- Packer, C. et al. (2023). *MemGPT: Towards LLMs as Operating Systems*. arXiv:2310.08560.
- Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.
- Sahoo, P. et al. (2024). *A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications*. arXiv:2402.07927.
- Kim, S. H. et al. (2024). *Theanine: Revisiting Memory Management in Long-term Conversations with Timeline-augmented Response Generation*. arXiv:2406.10996.
- Chen, S. et al. (2024). *StruQ: Defending Against Prompt Injection with Structured Queries*. arXiv:2402.06363.
- Zhong, M. et al. (2024). *Understanding the RoPE Extensions of Long-Context LLMs: An Attention Perspective*. arXiv:2406.13282.
- Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309.
- Self-Instruct (2025). *Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.

## ดูเพิ่มเติม

- โมเดลภาษาขนาดใหญ่
- Context Window
- ฐานข้อมูลเวกเตอร์
- LangChain