การสั่งแบบ Lean Prompting: คู่มือใหม่ของ OpenAI สำหรับพรอมป์ AI ที่สั้นลงและฉลาดขึ้น

การชี้นำแบบกระชับ (Lean prompting) กำลังกลายเป็นหนึ่งในแนวคิดที่ใช้งานได้จริงที่สุดในงานวิศวกรรมพรอมต์ (prompt engineering) มาหลายปีแล้ว หลายทีมสันนิษฐานว่าพรอมต์ของ AI ที่ดีกว่านั้นหมายถึงพรอมต์ที่ยาวกว่า: มีกฎมากขึ้น มีตัวอย่างมากขึ้น มีคำเตือนมากขึ้น มีคำสั่งจัดรูปแบบมากขึ้น และมีการเตือนให้ “ความถูกต้อง” มากขึ้น อย่างไรก็ตาม คำแนะนำการชี้นำของ OpenAI ชี้ไปในทิศทางที่สะอาดขึ้นกว่าเดิม: ให้ความสำคัญกับพรอมต์ที่กระชับกว่า

การชี้นำแบบกระชับไม่ได้หมายถึงการเขียนพรอมต์ขนาดเล็ก มันหมายถึงการเขียนพรอมต์ที่ชัดเจน โฟกัส และให้โมเดลทำตามได้ง่าย พรอมต์ที่ดีจะให้ภารกิจ บริบท เครื่องมือ ข้อจำกัด และเกณฑ์ความสำเร็จที่โมเดลต้องใช้ โดยไม่ฝังงานทั้งหมดไว้ใต้คำสั่งซ้ำๆ หรือรายละเอียดที่ไม่เกี่ยวข้อง

สำหรับผู้สร้าง AI นักการตลาด ทีมผลิตภัณฑ์ นักวิเคราะห์ และผู้ใช้งานทางธุรกิจ เรื่องนี้สำคัญ เพราะคุณภาพของพรอมต์ส่งผลต่อคุณภาพของผลลัพธ์ ความหน่วง (latency) การใช้งานโทเคน ค่าใช้จ่าย และความน่าเชื่อถือ นอกจากนี้ยังส่งผลต่อเครื่องมือเพิ่มประสิทธิภาพการทำงานกับ AI รวมถึงผลิตภัณฑ์ประเภทพรอมต์-ไป-สไลด์ (prompt-to-deck) อย่าง Pi ซึ่งคุณภาพของอินพุตสามารถกำหนดความชัดเจนของงานนำเสนอขั้นสุดท้ายได้

การชี้นำแบบกระชับคืออะไร?

การชี้นำแบบกระชับคือการทำให้พรอมต์ของ AI สั้นลง ชัดขึ้น และตรงประเด็นมากขึ้น โดยการตัดเนื้อหาที่ไม่จำเป็นออก ขณะเดียวกันยังคงแนวทางที่ช่วยยกระดับประสิทธิภาพ เป้าหมายไม่ใช่การสร้างพรอมต์ที่สั้นที่สุดเท่าที่จะเป็นไปได้ เป้าหมายคือการลดสัญญาณรบกวน

โดยทั่วไป พรอมต์แบบกระชับจะอธิบายภารกิจ ระบุกลุ่มเป้าหมาย ตั้งชื่อผลลัพธ์ที่ต้องการ กำหนดข้อจำกัดสำคัญ และเปิดเผยเฉพาะเครื่องมือที่จำเป็นต่อการทำงานให้เท่านั้น มันหลีกเลี่ยงการทำซ้ำกฎเดิมในหลายรูปแบบที่ต่างกัน

ตัวอย่างเช่น คำสั่งที่พองเกินไปอาจพูดว่า: “มีความเป็นมืออาชีพ กระชับ ชัดเจน เป็นประโยชน์ ถูกต้อง รอบคอบ เหมาะกับธุรกิจ เป็นงานที่ขัดเกลา ตรงไปตรงมา และมีมุมมองเชิงลึก” ฟังดูเหมือนจะมีประโยชน์ แต่ยากต่อการประเมิน เวอร์ชันที่กระชับกว่าคือ: “เขียนสำหรับผู้บริหาร B2B ระดับอาวุโส ใช้ภาษาตรงๆ ปรับตัวเลข/เชิงปริมาณเมื่อทำได้ และหลีกเลี่ยงสำนวนแบบลำลอง”

เวอร์ชันที่สองสั้นกว่า แต่ที่สำคัญกว่านั้น มันเจาะจงกว่าและทดสอบได้

ทำไม OpenAI จึงแนะนำพรอมต์ที่กระชับกว่า

ตาม คำแนะนำการชี้นำของ OpenAI พรอมต์ควรหลีกเลี่ยงการทำซ้ำที่ไม่จำเป็นและคำอธิบายเครื่องมือที่ซับซ้อนเกินไป OpenAI ยังได้อธิบายผลการค้นพบภายในที่พบว่าพรอมต์ระบบแบบกระชับช่วยเพิ่มคะแนนการประเมินสำหรับเอเจนต์ด้านการเขียนโค้ด ในขณะที่ลดการใช้โทเคนและต้นทุน

นั่นไม่ได้หมายความว่าพรอมต์ที่สั้นกว่าทุกอันจะทำงานได้ดีกว่าเสมอ ผลลัพธ์ของพรอมต์ขึ้นอยู่กับโมเดล ภารกิจ เครื่องมือ โดเมน ชุดการประเมิน และสภาพแวดล้อมในการใช้งาน บทเรียนเชิงปฏิบัติไม่ใช่ “ทำให้พรอมต์ทุกอันสั้น” แต่คือ “ลบสิ่งที่ไม่ช่วย แล้วทดสอบผลลัพธ์”

นี่คือเหตุผลว่าควรถือว่าการชี้นำแบบกระชับเป็นกระบวนการปรับให้เหมาะสม เริ่มจากพรอมต์ที่ใช้งานได้ ตัดคำสั่งออกทีละกลุ่ม และรันตัวอย่างที่สมจริงอีกครั้ง หากคุณภาพยังคงเท่าเดิมหรือดีขึ้นขณะที่พรอมต์ง่ายขึ้น การแก้ไขนี้น่าจะมีประโยชน์ แต่ถ้าคุณภาพลดลง คำสั่งที่ถูกตัดออกอาจกำลังทำงานที่แท้จริงอยู่

สำหรับเวิร์กโฟลว์ AI ในการผลิต ทีมยังสามารถจับคู่การชี้นำแบบกระชับกับวิธีการประเมินแบบมีโครงสร้างได้ คำแนะนำ Evals ของ OpenAI มีประโยชน์สำหรับทีมที่ต้องการทดสอบการเปลี่ยนแปลงพรอมต์เทียบกับภารกิจที่เป็นตัวแทน แทนที่จะพึ่งพาการตรวจสอบแบบสุ่มด้วยมือเท่านั้น

พรอมต์ที่สั้นกว่าไม่ได้ดีกว่าเสมอ

ความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับการชี้นำแบบกระชับคือคิดว่ายิ่งสั้นก็ยิ่งแข็งแรงโดยอัตโนมัติ มันไม่ใช่เช่นนั้น

บางเวิร์กโฟลว์ต้องการรายละเอียด พรอมต์สำหรับการตรวจทานทางกฎหมายอาจต้องมีขอบเขตที่เข้มงวด พรอมต์สำหรับการวิเคราะห์ทางการเงินอาจต้องมีกฎแหล่งข้อมูลและภาษาความเสี่ยง พรอมต์ด้านการดูแลสุขภาพอาจต้องมีคำแนะนำด้านความปลอดภัย พรอมต์การเขียนเชิงแบรนด์อาจต้องมีตัวอย่างหากโทนที่ต้องการระบุไว้ชัดเจน

คำถามสำคัญคือส่วนใดของพรอมต์ช่วยให้โมเดลทำภารกิจสำเร็จได้หรือไม่

พรอมต์อาจดูพองเกินไปเมื่อมี กฎที่ซ้ำกัน เครื่องมือที่ไม่ได้ใช้ คำสไตล์ที่กำกวม ส่วนที่เป็นบริบทพื้นหลังยาวๆ ที่ไม่ส่งผลต่อคำตอบ หรือคำตัวอย่างเก่าที่ไม่ตรงกับผลิตภัณฑ์อีกต่อไป ส่วนพรอมต์จะบางเกินไปเมื่อไม่ได้กำหนดเป้าหมาย กลุ่มเป้าหมาย รูปแบบ หลักฐานที่ต้องใช้ ข้อจำกัด หรือเกณฑ์การประเมิน

การชี้นำแบบกระชับคือเรื่องของความกระชับที่มีประโยชน์ ไม่ใช่ความมินิมอลลิสม์

กฎการตั้งพรอมต์แบบ Lean ที่ช่วยได้จริง

กฎข้อแรกคือให้ระบุคำสั่งแต่ละข้อเพียงครั้งเดียว หากโมเดลไม่ควรคิดค้นแหล่งที่มา ก็ให้บอกอย่างชัดเจนไว้ที่จุดเดียว การทำซ้ำ “ห้ามจินตนาการ” ในหลายส่วนไม่ได้ทำใหำคำตอบปลอดภัยขึ้นเสมอไป อาจทำให้พรอมต์อ่านและดูแลรักษายากขึ้นเท่านั้น

กฎข้อที่สองคือการรวมข้อจำกัดที่ซ้ำกัน หลายทีมทำให้พรอมต์รกเพราะคำตอบที่ไม่ดีแต่ละครั้งนำไปสู่คำเตือนเพิ่มอีกหนึ่งคำ คนหนึ่งเพิ่ม “ให้กระชับ” อีกคนเพิ่ม “หลีกเลี่ยงรายละเอียดที่ไม่จำเป็น” และอีกคนเพิ่ม “ทำคำตอบให้สั้น” คำสั่งเหล่านี้อาจชี้ไปที่พฤติกรรมเดียวกัน พรอมต์แบบ Lean จะรวมทั้งหมดให้เป็นกฎเดียวที่ชัดเจน

กฎข้อที่สามคือการเปิดเผยเฉพาะเครื่องมือที่เกี่ยวข้องเท่านั้น หากงานคือการสรุปรายงานที่อัปโหลด โมเดลอาจไม่จำเป็นต้องใช้เครื่องมือปฏิทิน อีเมล ฐานข้อมูล การทำแผนภูมิ การสร้างภาพ หรือการค้นเว็บ เครื่องมือจำนวนมากเกินไปจะเพิ่มความซับซ้อนในการตัดสินใจ และอาจก่อให้เกิดความผิดพลาดที่หลีกเลี่ยงได้

กฎข้อที่สี่คือการทำคำอธิบายเครื่องมือให้กระชับ เอกสาร function calling ของ OpenAI เป็นข้อมูลอ้างอิงที่มีประโยชน์สำหรับทีมที่ออกแบบเวิร์กโฟลว์ AI ที่ใช้เครื่องมือ คำอธิบายเครื่องมือที่ดีจะอธิบายว่าเมื่อใดควรใช้เครื่องมือ เครื่องมือรองรับอินพุตแบบใด และจะได้ผลลัพธ์อะไรกลับมา ไม่ควรอ่านเหมือนคู่มือผลิตภัณฑ์ฉบับเต็ม

กฎข้อที่ห้าคือการทดสอบการเปลี่ยนแปลงพรอมต์ พรอมต์ไม่ได้ดีกว่าเพียงเพราะดูสะอาดขึ้น มันจะดีกาก็ต่อเมื่อทำผลงานได้ดีกว่าในงานตัวอย่างที่เป็นตัวแทน

ก่อนและหลัง: ตัวอย่างพรอมต์แบบ Lean

นี่คือตัวอย่างง่ายๆ สำหรับผู้ช่วยด้านการวิจัยทางธุรกิจ

ก่อน:

“คุณคือผู้ช่วยด้านการวิจัยทางธุรกิจที่มีความเชี่ยวชาญ แม่นยำ กระชับ มืออาชีพ สุขุม รอบคอบ มุ่งเน้นธุรกิจ และเป็น AI สำหรับงานด้านธุรกิจโดยเฉพาะ คุณต้องแม่นยำเสมอและอย่าทำสิ่งใดที่ไม่เป็นความจริงขึ้นมา จงกระชับแต่ก็ให้รายละเอียดได้ ใช้โทนที่เป็นมืออาชีพ คุณสามารถใช้เครื่องมือค้นหา เครื่องคิดเลข ปฏิทิน CRM ตัวช่วยด้านโค้ด การสร้างอีเมล การสร้างภาพ เครื่องมือค้นหาไฟล์ และเครื่องมือด้านฐานข้อมูล ห้ามสร้างคำลวง หากไม่แน่ใจให้บอกว่าไม่แน่ใจ ตรวจสอบให้แน่ใจว่าคำตอบมีประโยชน์ ให้คำตอบที่ขัดเก่าสำหรับผู้ชมที่เป็นองค์กรธุรกิจ จงชัดเจนและหลีกเลี่ยงรายละเอียดที่ไม่จำเป็น”

หลัง:

“คุณคือผู้ช่วยด้านการวิจัยทางธุรกิจสำหรับทีมกลยุทธ์แบบ B2B สรุปงานวิจัยที่ให้มาเป็นข้อค้นพบสำคัญ ความเสี่ยง คำถามที่ยังเปิด และขั้นตอนถัดไปที่แนะนำ ใช้เฉพาะเครื่องมือค้นหาไฟล์ที่ให้มาเท่านั้น หากหลักฐานไม่เพียงพอ ให้ระบุว่าเป็นคำถามที่ยังเปิด แทนการแต่งคำตอบขึ้นมา เขียนสำหรับผู้บริหารระดับสูงด้วยภาษาธุรกิจที่กระชับ”

เวอร์ชันที่กระชับกว่านั้นไม่ใช่แค่สั้นกว่า แต่มันมีประโยชน์มากกว่า มันกำหนดบทบาท กลุ่มเป้าหมาย โครงสร้างผลลัพธ์ ขอบเขตของเครื่องมือ กฎเรื่องหลักฐาน และสไตล์การเขียน นอกจากนี้ยังตัดเครื่องมือที่ไม่เกี่ยวข้องและคำแนะนำเรื่องความถูกต้องที่ซ้ำกันออกไปด้วย

นี่คือแก่นของการทำ “lean prompting”: ใช้คำให้น้อยลง แต่ตัดสินใจได้หนักแน่นขึ้น

วิธีที่ Lean Prompting ช่วยปรับเวิร์กโฟลว์ที่ใช้เครื่องมือ

คำอธิบายเครื่องมือเป็นส่วนหนึ่งของพรอมป์ หากคำอธิบายไม่ชัด เจาะจงเกินไป หรือยาวเกินไป โมเดลอาจเลือกเครื่องมือผิด หรือใช้เครื่องมือที่ถูกแต่ในเวลาที่ไม่เหมาะสม

คำอธิบายเครื่องมือที่อ่อนแออาจพูดว่า: “ใช้เครื่องมือนี้เพื่อรับข้อมูล” นั่นทำให้โมเดลแทบไม่มีคำแนะนำในการตัดสินใจเลย เวอร์ชันที่ดีกว่าน่าจะเป็น: “ใช้ file_search เพื่อดึงข้อเท็จจริงจากเอกสารที่อัปโหลด เมื่อคำตอบจำเป็นต้องมีหลักฐานจากไฟล์ของผู้ใช้”

เรื่องนี้ยิ่งสำคัญสำหรับ AI agent ผู้ช่วยด้านการเขียนโค้ด ระบบวิจัย เครื่องมือทำงานนำเสนอ และระบบอัตโนมัติของเวิร์กโฟลว์ ในเวิร์กโฟลว์เหล่านี้ การเลือกเครื่องมือส่งผลต่อความน่าเชื่อถือ หากทุกเครื่องมือพร้อมใช้งานสำหรับทุกงาน โมเดลจะมีโอกาสมากขึ้นที่จะเรียกเครื่องมือโดยไม่จำเป็น

Lean prompting ทำให้การใช้เครื่องมือมีความตั้งใจมากขึ้น มันให้ตัวเลือกที่ไม่เกี่ยวข้องกับงานน้อยลง และให้เหตุผลที่ชัดเจนในการลงมือทำ

วิธีที่ Lean Prompting นำไปใช้กับงานนำเสนอ

Lean prompting มีประโยชน์อย่างยิ่งสำหรับการนำเสนอทางธุรกิจ เมื่อทีมขอให้ AI สร้างสไลด์เด็ค พวกเขามักจะวางโน้ตจำนวนมากลงไปแล้วใส่คำสั่งที่คลุมเครือ เช่น “ทำให้เป็นมืออาชีพ” หรือ “ทำให้พรีเมียม” ผลลัพธ์อาจดูขัดเกลาดูดี แต่ก็ยังขาดข้อโต้แย้งที่ชัดเจน

พรอมป์สำหรับงานนำเสนอที่กระชับกว่าควรกำหนดกลุ่มเป้าหมาย วัตถุประสงค์ การตัดสินใจที่ต้องสนับสนุน ข้อความสำคัญ หลักฐาน ข้อจำกัด และรูปแบบที่ต้องการ ตัวอย่างเช่น: “สร้างสไลด์เด็คขายจำนวน 10 สไลด์สำหรับ CFO ขององค์กรขนาดใหญ่ เป้าหมายคือแสดงให้เห็นว่าผลิตภัณฑ์ช่วยลดเวลาการรายงานได้อย่างไร ใช้หัวข้อสไลด์ที่นำด้วยข้อเรียกร้อง ข้อความประกอบที่สั้น กระชับ และสไลด์สุดท้ายที่มีขั้นตอนถัดไปที่แนะนำ 3 ประการ”

ตรงนี้เองที่ Pi ซึ่งย่อมาจาก Presentation Intelligence เข้ามาได้อย่างพอดีในเวิร์กโฟลว์ Pi ถูกสร้างขึ้นโดยยึดแนวคิดการสร้างงานนำเสนอด้วย AI แต่หลักการของ lean prompting ก็ยังใช้ได้เหมือนเดิมเช่นกัน ยิ่งอินพุตทางธุรกิจชัดเจนมากเท่าไร โครงสร้างของสไลด์เด็คก็ยิ่งแข็งแกร่งขึ้นเท่านั้น

แทนที่จะขอให้ Pi “ทำสไลด์เด็คให้ดูดี” พรอมป์ที่ดีกว่าน่าจะให้ภาพรวมที่คมชัดกว่า: กลุ่มเป้าหมาย เป้าหมายของงานนำเสนอ วัสดุต้นทาง จำนวนสไลด์ มุมเล่าเรื่อง โทน และสิ่งที่ต้องการให้ได้กลับไป คำอธิบายที่ชัดขึ้นนี้ช่วยให้งานนำเสนอขยับจากแค่การตกแต่ง ไปสู่การสื่อสารทางธุรกิจ

ตัวอย่างเช่น พรอมป์ ตัวสร้างงานนำเสนอแบบ AI ที่กระชับอาจกล่าวว่า: “เปลี่ยนงานวิจัยเกี่ยวกับผลิตภัณฑ์นี้ให้เป็นอัปเดตสำหรับนักลงทุน 8 สไลด์ กลุ่มเป้าหมาย: นักลงทุนที่มีอยู่ เป้าหมาย: อธิบายความคืบหน้าด้านการนำไปใช้และลำดับความสำคัญของไตรมาสถัดไป ใช้หัวข้อแบบผู้บริหาร จุดเด่นสนับสนุนที่สั้น กระชับ และสไลด์สุดท้ายที่มีการตัดสินใจ 3 ข้อที่เราต้องการจากคณะกรรมการ”

กล่าวอีกนัยหนึ่ง คุณภาพของพรอมป์และคุณภาพของงานนำเสนอเชื่อมโยงกัน คำสั่งที่ดีกว่าจะนำไปสู่สไลด์เด็คที่ชัดเจนขึ้น เนื้อเรื่องที่แข็งแรงขึ้น และ สไลด์ที่สร้างด้วย AI ที่มีประโยชน์มากขึ้น

ข้อผิดพลาดที่พบบ่อยในการตั้งคำสั่งแบบ Lean Prompting

ความผิดพลาดที่พบบ่อยอย่างหนึ่งคือการซ้อนคำสั่งทับกันแทนที่จะปรับแก้ ทีมมักปฏิบัติกับพรอมต์เหมือนบันทึกการอัปเดต ทุกครั้งที่ล้มเหลวก็จะเพิ่มอีกประโยคเข้าไป เมื่อเวลาผ่านไป พรอมต์จะเต็มไปด้วยคำเตือน ข้อยกเว้น และกฎที่ทับซ้อนกัน

ความผิดพลาดอีกอย่างคือการลบบริบทที่มีประโยชน์ออกไป Lean prompting ควรลดความซ้ำซ้อน ไม่ใช่ลดความรู้ความเชี่ยวชาญ หากตัวอย่างช่วยสะท้อนข้อกำหนดของแบรนด์จริงหรือแก้ความล้มเหลวที่วัดได้ ก็ให้เก็บไว้

ความผิดพลาดประการที่สามคือการใช้ภาษาสไตล์ที่คลุมเครือ คำอย่าง “พรีเมียม,” “มืออาชีพ,” หรือ “สวยงาม” อาจช่วยได้ แต่ยังไม่พอ ต้องกำหนดว่าคำเหล่านั้นหมายถึงอะไร เช่น ลำดับชั้นภาพที่ชัดเจน หัวข้อที่กระชับ เค้าโครงที่สะอาด โทนที่สม่ำเสมอ หรือข้อกล่าวอ้างที่มีหลักฐานรองรับ

ความผิดพลาดครั้งสุดท้ายคือการข้ามขั้นตอนการประเมิน หากพรอมต์รองรับเวิร์กโฟลว์ที่สำคัญ ให้ทดสอบกับตัวอย่างจากโลกจริง เปรียบเทียบความสำเร็จของงาน ความครบถ้วน โทน การใช้โทเค็น ความหน่วง และค่าใช้จ่าย

บทสรุป

Lean prompting คือการเปลี่ยนจาก “เพิ่มคำสั่ง” เป็น “ทำคำสั่งให้ดีขึ้น” คำแนะนำของ OpenAI มีประโยชน์เพราะทำให้การเขียนพรอมต์กลายเป็นกระบวนการที่มีวินัย: ตัดความซ้ำซ้อน ทำให้ง่ายขึ้นในคำอธิบายเครื่องมือ เปิดเผยเฉพาะเครื่องมือที่เกี่ยวข้อง และตรวจสอบการเปลี่ยนแปลงด้วยงานตัวอย่างที่เป็นตัวแทน

พรอมต์ที่สั้นลงสามารถลดต้นทุนและทำให้ระบบดูแลรักษาง่ายขึ้น นอกจากนี้ยังอาจช่วยเพิ่มประสิทธิภาพในบางเวิร์กโฟลว์ แต่เป้าหมายไม่ใช่ทำให้พรอมต์สั้นด้วยราคาใดๆ เป้าหมายคือเก็บส่วนที่ช่วยปรับพฤติกรรม และตัดส่วนที่ทำให้เกิดสัญญาณรบกวนเท่านั้น

สำหรับเอไจต์เอเจนต์ (AI agents) การวิจัยทางธุรกิจ การสร้างคอนเทนต์ และ เครื่องมือสำหรับทำสไลด์นำเสนอของ AI อย่าง Pi การตั้งคำสั่งแบบ Lean prompting ควรกลายเป็นนิสัยมาตรฐานในการปรับให้เหมาะสม แก้ไขพรอมต์เหมือนระบบ ทดสอบเหมือนผลิตภัณฑ์ เก็บสิ่งที่ได้ผล และตัดสิ่งที่ไม่ได้ผล

คำถามที่พบบ่อย (FAQ)

ถาม: Lean prompting คืออะไร?

ตอบ: Lean prompting คือการฝึกการลบคำสั่งที่ซ้ำกัน บริบทที่ไม่เกี่ยวข้อง เครื่องมือที่ไม่ได้ใช้ และกฎที่คลุมเครือ ออกจากพรอมต์สำหรับ AI ขณะเดียวกันก็ยังคงคำแนะนำที่โมเดลต้องใช้เพื่อทำงานได้อย่างเหมาะสม

ถาม: พรอมต์ที่สั้นกว่าดีเสมอหรือไม่?

ตอบ: ไม่เสมอไป พรอมต์ที่สั้นลงสามารถลดการใช้โทเค็นและช่วยดูแลง่ายขึ้น แต่บางงานต้องใช้บริบทที่ละเอียด ตัวอย่าง หรือกฎด้านการปฏิบัติตามข้อกำหนด เป้าหมายคือความกระชับที่มีประโยชน์

ถาม: Lean prompting ส่งผลต่อเครื่องมือ AI อย่างไร?

ตอบ: Lean prompting สามารถทำให้การใช้งานเครื่องมือมีความน่าเชื่อถือมากขึ้น โดยเปิดเผยเฉพาะเครื่องมือที่เกี่ยวข้อง และทำให้คำอธิบายเครื่องมือชัดเจน กระชับ และเฉพาะกับงานนั้นๆ

ถาม: Lean prompting ช่วยเรื่องการนำเสนอของ Pi ได้ไหม?

ตอบ: ได้ A พรอมต์การนำเสนอ Pi แบบ lean จะกำหนดผู้ชม เป้าหมาย ข้อความหลัก หลักฐาน และรูปแบบ ซึ่งสามารถช่วยให้ Pi สร้างสไลด์ที่ชัดขึ้น เหมาะกับการทำธุรกิจมากขึ้น