<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Chawanee S. on Medium]]></title>
        <description><![CDATA[Stories by Chawanee S. on Medium]]></description>
        <link>https://medium.com/@chawadesu?source=rss-82e7850268fb------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*nIgYtYTMrt67HRwT_Et_Qw.jpeg</url>
            <title>Stories by Chawanee S. on Medium</title>
            <link>https://medium.com/@chawadesu?source=rss-82e7850268fb------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 07:04:16 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@chawadesu/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Midlife CRYsis ลงแข่ง HYROX แบบเดี่ยวในวัย 32 ..จบภายใน 2 ชั่วโมง สุดจัดปลัดบอก]]></title>
            <link>https://medium.com/@chawadesu/midlife-crysis-%E0%B8%A5%E0%B8%87%E0%B9%81%E0%B8%82%E0%B9%88%E0%B8%87-hyrox-%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%80%E0%B8%94%E0%B8%B5%E0%B9%88%E0%B8%A2%E0%B8%A7%E0%B9%83%E0%B8%99%E0%B8%A7%E0%B8%B1%E0%B8%A2-32-%E0%B8%88%E0%B8%9A%E0%B8%A0%E0%B8%B2%E0%B8%A2%E0%B9%83%E0%B8%99-2-%E0%B8%8A%E0%B8%B1%E0%B9%88%E0%B8%A7%E0%B9%82%E0%B8%A1%E0%B8%87-%E0%B8%AA%E0%B8%B8%E0%B8%94%E0%B8%88%E0%B8%B1%E0%B8%94%E0%B8%9B%E0%B8%A5%E0%B8%B1%E0%B8%94%E0%B8%9A%E0%B8%AD%E0%B8%81-c48cd3c76ba1?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/c48cd3c76ba1</guid>
            <category><![CDATA[hyrox]]></category>
            <category><![CDATA[fitness]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Tue, 02 Jun 2026 20:22:06 GMT</pubDate>
            <atom:updated>2026-06-02T20:22:06.948Z</atom:updated>
            <content:encoded><![CDATA[<p>จริงๆแข่งจบไปตั้งแต่มีนาฯที่ผ่านมาแล้ว เพิ่งจะว่างมาเล่า ประสบการณ์ครั้งนี้เป็นอะไรที่ภูมิใจมากๆ เลยอยากจะมาแชร์ว่าอะไรมาเข้าฝัน หรือโดนตัวอะไรมา ซ้อมอะไรบ้าง วันแข่งเป็นยังไง แล้วก็เทคนิคจากประสบการณ์ส่วนตัวค่ะ</p><p>เหตุผลที่ลง HYROX คือเป็นคนชอบเข้ายิม ออกกำลังกายอยู่แล้ว พอมีกล้ามเนื้อและความอึดเลยอยากรู้ว่าเราจะไหวไหม ตอนแรกอยากลงแบบคู่มากกว่า แต่ไม่มีเพื่อนร่วมอุดมการณ์เลย 5555 ก็เลยลงเดี่ยวแมร่งงง ตัวเล็กนิดเดียว แต่ซ่ามากกก</p><p>HYROX คืออะไร มันคือกิจกรรมคนบ้า เป็นการแข่งขันฟิตเนสที่จะวิ่ง 1 กิโล สลับเข้าสเตชั่น ทั้งหมด 8 สเตชั่น แต่ละสเตชั่นก็โหดอยู่ sled push/pull เงี้ย wall ball งี้ burpee broad jumps ตายๆๆๆ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*H2F4IxKjoDNXNCuqPDf42w.jpeg" /><figcaption>อันนี้ตอนซ้อม sled push ซึ่งอยู่สเตชั่นที่ 2 คิดดู ขาล้ามากๆ แล้วก็ออกไปวิ่งต่อให้ได้ ทรมานสลัด บอกเลย</figcaption></figure><p>เล่าตอนซ้อมเลยดีกว่า เราซ้อมที่ FF เพราะเป็นเมมเบอร์ที่นี่อยู่แล้ว เราจ้างโค้ช ชื่อโค้ชทีน น้องน่ารักมาก ตั้งใจสอน เรามองน้องเขาเป็นเพื่อนทีดีของเราคนนึง น้องดูเป็นคนใฝ่รู้ดี เรารู้อะไรเราจะมาแชร์กับน้องทีนตลอด แล้วน้องเขาลูกค้าเยอะจัดเลย 55555 แต่ก็ไม่แปลกเพราะน้องทีนตั้งใจสอนจริงๆ เราจะไม่ชอบโค้ชที่ติดเล่นโทรศัพท์ แล้วไม่ดูฟอร์มให้เราตอนเล่น หรือโค้ชที่ชอบด่าโยคะ พิลาทิส เพราะฉันรักโยคะ พิลาทิส 5555</p><p>โปรแกรมซ้อมเดือดๆ ก็จะมี weight training บิ้วกล้ามกันหน่อย แล้วก็ compromised running หมายความว่า เราจะเวทอะไรซักท่านึงจนกล้ามเนื้อไม่ไหวแล้ว under fatigue แล้วต้องออกไปวิ่งต่อให้ได้ รวมถึงฝึกแบบ plyometric ระเบิดพลังกล้ามปู อันนี้จะดีกับอะไรที่ต้องใช้ความไว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*p3eDKlyePQnILLmwBKeyVg.png" /><figcaption>สเตชั่นสุดท้ายคือ Wall balls คือโยนบอล 4kg ขึ้นไปให้แตะเซนเซอร์ แล้วตอนรับบอล squat ให้ก้นต่ำกว่าเข่า ถ้าทำแบบปกติก็ชิวอยู่ แต่ทำตอนวิ่งไปแล้ว 8kg กับทำไปแล้ว 7 สเตชั่นเป็นอะไรที่โคตรทรมาน</figcaption></figure><p>เราซ้อมประมาณ 4 เดือนนะ ฝึกกับโค้ชทีนวีคละ 2 วัน นอกนั้นเราจะซ้อมของเราเอง ซ้อมทืเหมือนคนไปตากฝนมา เหงื่อเยอะมากก โคตรเหนื่อย 5555</p><p>แต่ซ้อมขนาดนี้ ร่างกายเราก็รอดนะ เพราะเราให้ความสำคัญกับการยืดหลังซ้อมมาก เดชะบุญที่เรามีสกิลจากการเรียนจบ certified yoga teacher ติดตัวมา เลยเอามาใช้กับตัวเองได้ แล้วเราก็ยังไปฝึกพิลาทิสกับพี่สอง Synergy Bangna พี่สองเป็นพี่ชายที่แสนดีคนนึงของเราเลย การฝึกพิลาทิสเป็นการฝึกการคุมร่างกาย แล้วก็ฝึกใช้ core ให้มี stability ถ้าเราคุมได้ การใช้แรงในสเตชั่นต่างๆจะมีประสิทธิภาพมากขึ้น ลดการเสียแรงเปล่า</p><p>เรื่องโภชนาการบ้าง เรากินโปรตีนโคตรเยอะ บุฟเฟต์อย่างบ่อย 55555 ส่วนวีคก่อนแข่งเราโหลดคาร์บ แป้ง เส้น ข้าว เติม glycogen เพราะวันแข่งมันต้องใช้พลังงานเยอะมากๆ แต่ต้องระวังวันก่อนแข่ง อย่ากินของแปลกๆ กับพวกไฟเบอร์ ไม่งั้นเดี๋ยวขี้แตกตอนแข่ง ไม่ก็จะปวดตด วิ่งไปตดบุ๋งๆไป 55555</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9_5e5R1nrISDZ62cMuP5-w.png" /><figcaption>สเตชั่นแรก SkiErg สบายสุด แต่อย่าใส่สุดนะ เดี๋ยวหมดแรง แข่ง HYROX ต้อง manage แรงเราให้ดีด้วย</figcaption></figure><p>พอถึงวันแข่ง (จริงๆก่อนหน้าวันแข่งวันนึง มีเหตุการณ์ที่ช็อคมาก แต่ก็ประคองสติมาแข่งได้ เรามัน tough girl ว้อย 5555) ตอนแรกชุดเตรียมไว้กะแต่งชมพูแปร๋นๆเลย แต่เปลี่ยนใจมาใส่ชุดที่รู้สึกสบายที่สุด ที่ใส่บ่อยๆดีกว่า</p><p>เราแข่งรอบสี่โมงเย็น โหลดคาร์บเสร็จตั้งแต่ก่อนบ่ายสอง อาบน้ำ แต่งหน้า แต่งตัว ทำผม ใส่กากเพชรเยอะไปอีก รูปถ่ายออกมาเหมือนคนเป็นรังแคเลย 55555 แล้วก็ขับรถไป Bitec รถไม่ติดเลย แถมที่จอดรถเยอะมาก วันแข่ง โค้ชทีนก็มาดูด้วย ขอบคุณน้องเขามากๆ เพราะจริงๆวันนั้นเป็นวันทำงานของเขา</p><p>ในงานคือแอร์เย็นมากกก แล้วบรรยากาศคือมันอ่ะ เห็นแล้วตื่นเต้นเลย แต่เราพลาดนิดนึงคือมัวแต่รอเพื่อน แล้วกว่าจะเข้าห้องน้ำอะไรเสร็จ ทำให้มีเวลา warm up น้อยมาก ต้องรีบไปเข้าคิวเราปล่อย wave รอบเรา เราใช้แอป roxfit ใส่ใน apple watchไว้ดูว่าต้องไปสเตชั่นไหนต่อ เรากลัวไปผิดมากเลย 5555 แต่จริงๆในงานมีจอให้ดูเลยนะ ว่าเราวิ่งกี่รอบแล้ว ต้องไปตรงไหนต่อ ถ้าแข่งครั้งหน้า เราคงเปิด strava ดู pace ตัวเองดีกว่า</p><p>สเตชั่นแรกยังชิวอยู่ พอเสตชั่นที่ 2 Sled push เท่านั้นแหละ ขาเริ่มล้า 5555 แต่เทคนิคของเราคือ เราจะก้าวไม่เกิน 20 ก้าวแล้วจะยืนพัก 3 ลมหายใจ ถึงขาจะไม่เมื่อยก็จะยืนพัก เพราะถ้าฝืนขาจะล้ากว่านี้มากๆ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4aDMmoesbEf_lh6V33KxJg.jpeg" /><figcaption>station นรก มีเสาตรงกลาง เกะกะหัวมาก เลยเอาหัวช่วยดันแมร่งง 55555</figcaption></figure><p>ส่วนสเตชั่นหลังๆ เราก็โอเคนะ ซ้อมมา แต่วิ่งได้ช้ามาก pace 6–7 เท่านั้นเอง เพราะจริงๆเราแอบเจ็บเข่าซ้ายมาตั้งแต่ช่วงก่อนแข่งแล้วแหละ มีไปกายภาพด้วย แต่ก็ดันมาปวดวันก่อนแข่งอีก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6aQTYwIVw2O5Gv9qVplRhA.png" /><figcaption>BBJ สำหรับเราไม่มีปัญหา เราว่าเราอึดอยู่ 5555</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_LoMh2xAIdDrG4tkZQlcTQ.png" /><figcaption>Rowing สายรัดเท้าขวาแอบมีปัญหา มันรัดไม่ได้ ถอดออกก็ยาก ไม่เหมือนที่ซ้อมมา แง เซ็ง</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HS3gPouB6LY0Zj_M36CRqw.png" /><figcaption>ข้างละ 16kg วิ่งไม่ไหวและตอนนั้น</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cuhIfoyzHiXv7yvTgTKLRQ.png" /><figcaption>Wall ball ร่างแตก ยืนกรี้ดทีนึง แล้วโยนต่อ 5555</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JGK6gkhFD16tyQIse3c3jg.png" /><figcaption>เข้าเส้นชัย ร้องไห้เลย กูมาเพื่อออ แต่ไม่มีน้ำตาเพราะร่างกายโคตรจะ dehydrated 5555</figcaption></figure><p>สุดท้ายจบที่ 1:54 ต่ำกว่า 2 ชั่วโมง คิดว่าถ้ากดตอนวิ่ง กับไม่ร่างแตกตอน wall ball น่าจะทำเวลาได้ดีกว่านี้ แต่นี่ก็ภูมิใจและ เพราะเป็นการแข่งครั้งแรก (และครั้งเดียว เห้ยย ไม่ใช่ 5555) และเป็นการแข่งเดี่ยวด้วย คือใจฉันมันได้จริงๆว่ะ</p><p>ต่อไปนี้จะเจอปัญหาอะไร (ถ้าช่วงนี้ก็เรื่อง career transition ซึ่งเราจัดการมันได้ดี ต้องให้เครดิตตัวเองซะหน่อย) เราจะนึกถึงประสบการณ์การซ้อมและแข่ง HYROX นี้เพราะเราผ่านความบ้า ความโหดนี้ไปได้แล้ว จะเจออะไรก็คงไม่ยากแล้วแหละ</p><p>ก่อนจะจบ ขอแชร์ 10 อย่างที่เราลิสต์มาจากประสบการณ์ของเราในการเตรียมแข่ง HYROX นะคะ</p><ol><li>อย่าลืมซ้อมแบบ compromised running : อันนี้เราฟังจาก podcast นักกีฬา HYROX มา คืออย่าซ้อมแค่เวท กับ วิ่ง ต้องซ้อมตอนที่เรา under fatigue แบบล้าสลัดๆ แล้วก็ก้าวขาวิ่งทันทีให้ได้ เป็นอะไรที่เหนื่อยมากกกก แต่ต้องซ้อม เพราะตอนแข่งจริงจะหนักกว่านี้</li><li>สติเป็นสิ่งที่พึงมี : manage แรงให้ดีๆ การแข่ง HYROX คือต้องเกลี่ยแรงให้ถูก เราเห็นคนเป็นตะคริวเยอะมากนะ แล้วคุม pace ให้ดี แข่งกับตัวเอง ถ้าเริ่มสติแตก เทคนิคของเราคือ เราจะยืนเฉยๆ แล้วหายใจเข้าออกลึกๆ 3 ลม เราจะพูดกับตัวเองว่าทำได้ แล้วพยักหน้าให้ตัวเองทีนึง ก่อนจะไปต่อ ตอนวิ่งกิโลหลังๆ ขาเราล้ามากๆ เราพูดสั่งตัวเองว่า run ตลอดการวิ่งเลย ห้ามหยุดเดินเด็ดขาด ไม่งั้นยาว 5555</li><li>Core stability ก็สำคัญ : ส่งแรงให้ถูก อย่าใช้แรงเปลือง เราเองก็ไม่ได้จะเก่งเรื่องนี้ แต่เรียนรู้และฝึกฝนกันได้ ช่วยได้มากนะ ไม่ใช่แค่การแข่ง HYROX หรือกีฬาใดๆ แต่รวมถึง movement ในชีวิตประจำวัน</li><li>Sled Push/Pull : จะเป็นสเตชั่นที่เร่งให้ขาตายมากๆ ถ้าก้าวขาแล้วไปต่อ อย่าให้มีแรงเฉื่อย อย่างที่เราบอกไว้ก่อนหน้านี้คือ เราจะก้าวไม่เกิน 20 ก้าวแล้วจะยืนพัก 3 ลมหายใจ ถ้าฝืนไปต่อ lactate แน่นอน</li><li>โยคะ คือ ชุบทีมีใบ 5555 : ยิ่งซ้อม กล้ามเนื้อยิ่งตึงและหดสั้น ถ้าไม่ยืดเลยจะล้ามากๆ หลังซ้อมเรายืดโคตรนาน ยืดมันทุกส่วนของร่างกาย รวมถึงฝึกเท้า ข้อเท้าด้วย</li><li>หาจังหวะของตัวเองให้เจอ : เวลาทำ BBJ หรือ rowing หรือใดๆ ถ้ามี rhythm สม่ำเสมอ ก็จะไม่เหนื่อยหอบแฮ่กเกินไป เน้นทำได้ต่อเนื่องตามจังหวะของเราค่ะ</li><li>โหลดคาร์บสำคัญมาก : ก่อนแข่ง การโหลดคาร์บโคตรจะสำคัญ ไม่ต้องกลัวอ้วน เพราะพลังงานที่จะใช้ในวันแข่งนั้นมหาศาล ถ้าเติมมาไม่ถึง bonk แน่นอน</li><li>อย่าลืมซ้อมกินเจล : เราจะเติมเจลหลัง sled pull กับ rowing อันนี้สำหรับเราที่แข่งเดี่ยวนะ คนอื่นอาจจะเติมไม่เหมือนเรา หรือไม่เติมเลยก็มี ตอนซ้อมควรกินมาก่อน ดูว่าร่างกายเราโอเคไหม อย่าลองกินตอนวันแข่งนะ 5555</li><li>รองเท้า : เราจะมีรองเท้าซ้อม กับ แข่ง อันแข่งเราใช้ deviate nitro elite 4 ใส่วิ่งดี ใส่ sled push ยิ่งโคตรดี grip มันเหมาะกับพรมในงานมาก ส่วนถุงเท้าตอนแรกใช้ของ puma แบบมี grip อะ ดีนะอันนั้น แต่ไม่สวย แถมมีสีเขียว มันไม่ใช่สีมงคลของวันแข่งอะ 5555 เลยเปลี่ยนมาใส่ angry muscles</li><li>อย่าลืมซ้อมใจ : ร่างกายมันไปได้แหละ แต่ใจ บางทีมันฝ่อ เราคิดว่าต้องซ้อม visualize สถานการณ์ที่เราแบบไม่ไหวแล้ว กูจะตายแล้วว แล้วเราจะรับมือยังไง เช่น หายใจเข้าออกลึก หรือจะพูดกับตัวเองยังไง หรือฝึก breathing exercise ได้นะ เราทำแอปอยู่ ชื่อว่า <a href="https://ground.chawanee.com/">Ground</a> ทำมากะใช้เอง แต่แบ่งให้ทุกคนใช้ด้วย 555</li></ol><p>ประมาณนี้ค่ะ อาจจะเป็นประโยชน์กับคนที่จะลงแข่งตอนสิงหาฯ ส่วนเรารอบนี้ขอยังไม่ลง เอาเงินไปทำอย่างอื่นก่อน เปลืองสลัด 55555 ขอบคุณที่อ่านจบนะคะ ขอให้มีวันที่ดีค่า^^</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c48cd3c76ba1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.8 — ให้ RAG ช่วยค้นฟ้าคว้าดาว ไม่ต้องหยิบกาวมาดม (โคตรละเอียด)]]></title>
            <link>https://medium.com/@chawadesu/llm-%E0%B8%AA%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B8%9A%E0%B8%B4%E0%B8%99-ep-8-%E0%B9%83%E0%B8%AB%E0%B9%89-rag-%E0%B8%8A%E0%B9%88%E0%B8%A7%E0%B8%A2%E0%B8%84%E0%B9%89%E0%B8%99%E0%B8%9F%E0%B9%89%E0%B8%B2%E0%B8%84%E0%B8%A7%E0%B9%89%E0%B8%B2%E0%B8%94%E0%B8%B2%E0%B8%A7-%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%95%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%AB%E0%B8%A2%E0%B8%B4%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A7%E0%B8%A1%E0%B8%B2%E0%B8%94%E0%B8%A1-%E0%B9%82%E0%B8%84%E0%B8%95%E0%B8%A3%E0%B8%A5%E0%B8%B0%E0%B9%80%E0%B8%AD%E0%B8%B5%E0%B8%A2%E0%B8%94-bc555cc74bd6?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/bc555cc74bd6</guid>
            <category><![CDATA[retrieval-augmented-gen]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[rags]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[large-language-models]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Wed, 26 Nov 2025 04:55:23 GMT</pubDate>
            <atom:updated>2025-11-27T06:22:59.582Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM สมองบิน EP.8 — ให้ RAG ช่วยค้นฟ้าคว้าดาว ไม่ต้องหยิบกาวมาดม (โคตรละเอียด)</h3><p>สวัสดีค่าา วันนี้มาสรุป RAG กันนนนนน</p><p>อย่างที่อาจจะเคยบอกไปก่อนหน้านี้ว่า LLMs ถ้าไม่ prompt ดีๆ โมเดลมันก็ตอบได้ไม่ดีเช่นกัน ซึ่งความรู้ของ LLMs จะมาจาก training data แล้วก็ prompt ที่เราทำการ engineering มาอย่างดี แต่ context window มันก็จำกัด (คิดซะว่ามันคือความจำของโมเดล) prompt ดีแทบตาย สุดท้ายก็ลืม 555 แล้วก็บางทีโมเดลก็หลอนยา hallucinate ตอบอะไรไม่รู้แต่มั่นหน้ามั่นโหนกมาก ขอเบิ้ดกะโหลกซักที</p><p>ก็เลยมี RAG หรือ Retrieval Augmented Generation มาแก้ปัญหานี้ เพื่อให้โมเดลมีความรู้ในการตอบคำถามที่เราต้องการ ซึ่ง RAG แก้ปัญหาโดยการมี additional information หรือข้อมูลเพิ่มเติมให้กับโมเดล</p><p>สำหรับใครที่หลงเข้ามา สวัสดีนะคะ เราสรุปเนื้อหาจากเลคเชอร์ของ<a href="https://www.youtube.com/@nutchanonyongsatianchot7510?themeRefresh=1">อาจารย์นัท</a>นะ เราเจอคลิปในยูทูปโดยบังเอิญ จดๆไว้แล้วเอามาเขียนสรุปก่อนจะลืม แล้วก็แอบมีเอามาต่อยอดเองด้วย เยี่ยมไปเลยยยย</p><p>ตัวอย่าง use case การใช้ RAG ก็จะเป็น Chatbot ที่เฉพาะเจาะจงกับธุรกิจนั้นๆ เช่น Chatbot ทางการแพทย์ (นี่เราเคยแอบกวนตีน บอกว่า ยาที่ใช้เป็นประจำคือ ยาสีฟัน 5555)</p><p>หน้าตาของ RAG ก็จะประมาณรูปด้านล่างนี้ รูปอันนี้เอามาจากคลิป <a href="https://youtube.com/playlist?list=PLfaIDFEXuae2LXbO1_PKyVJiQ23ZztA0x&amp;si=3NkCLGZTF0_kJiHz">RAG from scratch</a> ที่เคยเรียนใน Youtube ใครสนใจตามไปดูได้เลยยย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZQ0lnzEcqPhkl5ydnPGEDg.png" /><figcaption>Source: RAG from scratch: Overview — Lance Martin</figcaption></figure><h4><strong>R — Retrieval</strong></h4><p>แบ่ง task ออกเป็น 3 ก้อนคือ</p><ol><li>Collection: คือการเก็บข้อมูล (Documents) ไว้ใน database ด้วยโมเดล embedding พูดถึงไปแล้วใน <a href="https://medium.com/@chawadesu/ep-2-llms-%E0%B9%80%E0%B8%9A%E0%B8%AA%E0%B8%B4%E0%B8%84-%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%A1%E0%B8%B1%E0%B8%98%E0%B8%A2%E0%B8%A1%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%81%E0%B9%87%E0%B9%80%E0%B8%82%E0%B9%89%E0%B8%B2%E0%B9%83%E0%B8%88-%E0%B9%81%E0%B8%95%E0%B9%88%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%AB%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%81%E0%B8%B4%E0%B9%89%E0%B8%9A%E0%B9%80%E0%B8%95%E0%B9%8A%E0%B8%94-9ffcf86ff37f">EP.2</a></li><li>Organization: คือการจัดการข้อมูล เพื่อให้ค้นหาได้ เรียกว่า “Index”</li><li>Search: คือค้นหา Index</li></ol><h4><strong>A — Augmented</strong></h4><p>คือคำถาม user หรือ user’s query แทนที่จะตอบเลย มันจะวิ่งไปที่ knowledge base ด้วย เพื่อค้นหา docs ที่เกี่ยวข้อง มันคือขั้นตอน retrieval ที่บอกไปตะกี้</p><p>จากนั้นก็จะเอาสิ่งที่ได้จาก retrieval มารวมกับ prompt ของ user รวมกันเป็น โกโก้ครั้นนนชช เห้ยยย ไม่ใช่ 555 กลายเป็น augmented prompt</p><h4><strong>G — Generation</strong></h4><p>พอได้ augmented prompt แล้ว ก็เอาไปเข้าโมเดล LLM จากนั้นโมเดลก็จะ generate คำตอบออกมา แค่เนี้ยยยย</p><p>ซึ่งไอ้ RAG สามเกลอนี้ R — Retrieval จะมีความสำคัญมากที่สุด เพราะมันจะต้องไปหยิบข้อมูลที่สามารถเอามาตอบคำถามได้เป๊ะที่สุด มันจะทำได้ยังไง ไปดู</p><h3><strong>Information Retrieval</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/808/1*o585ICaJr8hoAf16qQ0tGw.png" /><figcaption>Source: <a href="https://blog.reachsumit.com/posts/2023/09/generative-retrieval/">https://blog.reachsumit.com/posts/2023/09/generative-retrieval/</a></figcaption></figure><p>มี 2 แบบ</p><h4><strong>1. Sparse</strong>: Keyword Search</h4><p>(อันนี้เราจะจำว่า มันหรอมแหรม มี 0 เยอะ ก็ได้ ได้ยินมาจากคลิปสอน NLP ของ <a href="https://www.youtube.com/@teattapol">อาจารย์เต้ อรรถพล</a> นั่งดูอยู่ช่วงโควิด ว่างจัด 555)</p><ul><li><strong>Keyword Matching</strong>: ชื่อก็ตรงตัวเลย ถ้าเจอ keyword ที่ตรงกัน ก็เอา value มาใส่ เหมือนเปิดพจนานุกรมหาความหมายของคำ เหมาะกับการใช้กับการ search หัวเรื่อง definition ของคำศัพท์ หรือ คำแปลกๆอย่าง วิงการ์เดียม เลวิโอซ่า ไรแบบนี้</li></ul><pre>database = {&#39;ชวนีย์&#39; : &#39;ผู้หญิงที่สวยมว้ากกก&#39;, &#39;ลิซ่า&#39; : &#39;ผู้หญิงที่ร้องเพลงเก่งมาก&#39;}<br><br>query = &quot;ชวนีย์คือใคร&quot;<br><br>augmented_query = &quot;ชวนีย์คือใคร &lt;context&gt;ชวนีย์ = ผู้หญิงที่สวยมว้ากกก&lt;/context&gt;&quot;</pre><p>มาลองดู code กัน (ใน <a href="https://medium.com/@chawadesu/ep-3-llms-%E0%B8%A1%E0%B8%B2%E0%B8%A5%E0%B8%AD%E0%B8%87-hands-on-%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99-chatbot-%E0%B8%AB%E0%B8%99%E0%B9%88%E0%B8%AD%E0%B8%A1%E0%B9%81%E0%B8%99%E0%B9%89%E0%B8%A1-bb625ee386c0">EP.3</a> เราเคยอธิบาย code เชื่อม API แบบทีละบรรทัดอยู่นะคะ ลองดูได้ค่ะ)</p><pre>from openai import OpenAI<br>import os<br><br>load_dotenv(override=True)<br>api_key = os.getenv(&quot;OPENAI_API_KEY&quot;)<br><br>client = OpenAI(<br>    base_url=&quot;https://openrouter.ai/api/v1&quot;,<br>    api_key=api_key,<br>)<br><br>def generate(prompt):<br>    response = client.chat.completions.create(<br>        model=&quot;google/gemini-2.5-flash-lite,<br>        messages = [{&#39;role&#39;:&#39;user&#39;,<br>                     &#39;content&#39;:prompt}]<br>    )<br>    return response.choices[0].message.content<br><br>generate(&quot;Hello&quot;)</pre><p>ต่อไปประกาศ keyword กัน ขอใช้เป็นชื่อเวทย์มนต์ใน Harry Potter นะ 555</p><pre>knowledge_base = { &#39;เอกซ์เปกโต พาโตรนุม&#39; : &quot;คาถาผู้พิทักษ์ ใช้ปกป้องจากผู้คุมวิญญาณ.&quot;,<br>             &#39;วิงการ์เดียม เลวีโอซ่า&#39; : &#39;ทำให้วัตถุลอยขึ้น&#39;,<br>             &#39;ลูมอส&#39; : &#39;สร้างแสงสว่างที่ปลายไม้กายสิทธิ์&#39;,<br>             &#39;อาโลโฮโมร่า&#39; : &#39;ใช้สะเดาะกลอนหรือเปิดประตู&#39;<br>}</pre><p>เข้าสู่ช่วง RAG แว้วว ขออธิบาย codeใน comment เลยละกันนะ 555</p><pre>def keyword_generate(query, docs):<br>    # R -- Retrieval<br>    &quot;&quot;&quot;<br>    ทุกๆ key ที่อยู่ใน docs ถ้า key นั้นอยู่ใน query <br>    ให้ดึง key และ value มา <br>    แล้วขึ้นบรรทัดใหม่ วนลูปต่อไปเรื่อยๆ<br>    &quot;&quot;&quot;<br>    context = &#39;&#39;<br>    for k in docs:<br>        if k in query:<br>            context += f&#39;{k} = {docs[k]}\n&#39;<br><br>    # A -- Augmented Prompt<br>    &quot;&quot;&quot;<br>    เอาที่ retrieve มา เพิ่มกับ query<br>    &quot;&quot;&quot;<br>    prompt = f&#39;&#39;&#39;&lt;question&gt;{query}&lt;/question&gt;<br>    Please use context in  tags to answer the question.<br>    &lt;context&gt;{context}&lt;/context&gt;&#39;&#39;&#39;<br><br>    # G -- Generation<br>    &quot;&quot;&quot;<br>    generate prompt เรียก function ที่เขียนไว้ข้างบน<br>    &quot;&quot;&quot;<br>    response = generate(prompt)<br>   <br><br>    print(&#39;Query:&#39;, query)<br>    print(&#39;Retrieved documents:&#39;, context)<br>    print(&#39;Response:&#39;, response)<br><br><br>query = &#39;อาโลโฮโมร่า คืออะไร?&#39;<br><br>#call function ที่เขียนไว้ข้างบน<br>keyword_generate(query, knowledge_base)</pre><ul><li><strong>Bag-of-words Search: </strong>คือเอาคำในประโยคมาตัดเป็นคำๆ ไม่สนใจลำดับคำ สนใจแค่ว่าคำนั้นมันมีในประโยคกี่รอบ แต่จริงๆแล้วบางคำใน query ก็ไม่ได้จะมีทุกคำใน documents ก็เลยเป็น sprase vector</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*bxGL57HX6Vx1Ljyh.png" /><figcaption>Source: <a href="https://aiml.com/what-is-bag-of-words-model/">https://aiml.com/what-is-bag-of-words-model/</a></figcaption></figure><p>ตัวอย่างรูปข้างบน สมมติ corpus คือ user’s query</p><p>Bag-of-Words Search ก็จะเอาคำในประโยคมาเทียบกับแต่ละ documents ถ้าเจอก็ให้ 1 ไม่เจอก็ 0 จากนั้นก็ดูว่า document ไหนเจอคำมากที่สุด ก็ถือว่าเกี่ยวข้องกับ query มากที่สุดนั่นเอง</p><ul><li><strong>Term Frequency-Inverse Document Frequency (TF-IDF): </strong>ถ้าดูจากแค่ความถี่ที่มีคำนั้นกี่คำ (Term Frequency) ก็อาจจะยังน้าาา เพราะบางคำที่มันเกิดขึ้นบ่อยๆ แบบ articles a an the หรือคำซ้ำๆ เยอะก็ไม่แฟร์ ก็เลยมี TF-IDF ในการให้ weight คำที่แรร์ๆ (เจอใน docs ไม่เยอะ) มากขึ้น</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/552/1*MbbdVjlA3Mo6ZY-LIgz5Rg.png" /></figure><p>อธิบายก่อน</p><p>TF หาโดยการ เอาจำนวน docs ที่มีคำนั้น หารด้วย จำนวน docs ทั้งหมด แต่เราจะให้คะแนนคำหายากมากขึ้น ก็เลยหา IDF</p><p>IDF หาด้วยการ inverse ตามชื่อมันเลย ก็เอามาสลับบนล่าง จำนวน docs ทั้งหมด หารด้วย จำนวน docs ที่มีคำนั้น แล้วครอบด้วย log เพื่อ smooth ค่า</p><p>แล้วเอา TF กับ IDF มาคูณกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*4QiRUZczhLoPGNzCAZphQw.png" /></figure><p>ยกตัวอย่างซักหน่อยค่ะ “Data science is fun because data drives decisions.”</p><p>ขั้นตอนที่ 1 นับเอกสารที่เจอคำ สมมติเอาคำว่า Data แล้วเจออยู่ 20 docs จากทั้งหมด 100 docs เพราะฉะนั้น <strong>TF = 0.2</strong></p><p>ขั้นตอนที่ 2 เอามาสลับบนล่าง <strong>100/20 = 5</strong></p><p>ขั้นตอนที่ 3 take log(5) เพราะฉะนั้น <strong>IDF = 0.7</strong></p><p>ขั้นตอนสุดท้ายย เอา <strong>TF x IDF = 0.2 * 0.7 = 0.14 </strong>แล้วก็เอาค่ามาใส่ใน vector ด้านล่างแบบในรูปตัวอย่างด้านล่าง ที่ไม่เกี่ยวกับตัวอย่างใดๆ 5555</p><p>pizza มี score สูงกว่าเพื่อน แสดงว่าคำนี้มันแรร์กว่าเพื่อน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/492/1*7aT5bpRCNQWN7-eDVV4sgA.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=u2YRGsQ3-cAK1r0l">https://youtu.be/eIVv7eFg6cs?si=u2YRGsQ3-cAK1r0l</a></figcaption></figure><ul><li><strong>BM25 (Best Matching 25)</strong>: ต่อมาก็มีคนเอา TF-IDF มาพัฒนาต่อเป็น BM25 สิ่งที่เพิ่มเติมมาคือมีการ normalize ความยาวเอกสารด้วย แล้วก็มี k กับ b เพิ่มมา (ถ้ามี a ด้วยจะเป็น akb เลย แต่ดีแล้วที่ไม่มี 555) BM25 สามารถหา score ของแต่ละคำ แต่ละ docs ได้</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*f6oYW2EmPRmrwzMy2n1F_A.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=FRFP9Gfi6tUK7I_e">https://youtu.be/eIVv7eFg6cs?si=FRFP9Gfi6tUK7I_e</a></figcaption></figure><p>ความต่างของ BM25 กับ TF-IDF คือ</p><ol><li>สมมติว่า พบว่า Data ในเอกสาร 10 ครั้ง กับ 20 ครั้ง คะแนนมันจะคูณสองเลย มันดูเบิ้ล แต่ BM25 จะมีสุดอิ่มตัว (นึกถึงไขมัน 555) หรือ Term Frequency Saturation ด้วยการมี k กับ b เพิ่มมาเพื่อ weight ให้คะแนนน้อยลง 10 ไป 20 อาจจะไม่ต้องเบิ้ลคูณสอง อาจจะเหลือ 1.xx ไรแบบนี้</li><li>TF-TDF เอกสารยาวๆจะโดนหารออก แต่ BM25 สามารถปรับให้ penalty น้อยลงได้</li></ol><p><strong>Parameters ของ BM25</strong> ที่เอามา tune ได้ ที่บอกไปมี k กะ b</p><p><strong>k</strong> คือไอ้ไขมัน Term Frequency Saturation เอาไว้ปรับว่าคำนั้นมีผลกระ score แค่ไหน อิ่มตัวที่จุดไหน เอา k เอาไปคูณกะ TF จะมีค่าระหว่าง 1.2 — 2.0 ซึ่ง ค่า k มาก TF มาก</p><p><strong>b </strong>คือไอ้บี้ Length Normalisation ไว้ norm ความยาวว่าควรมีผลประมาณไหน docs มีค่าระหว่าง 0–1</p><p>เอาจริงป่ะ ถึงเวลาจริงๆ ไม่ได้จูน ก็ใช้ตาม default ของ lib อ่ะ 5555</p><p>มาดู code กัน (เอาของอาจารย์มาอธิบายนะ ไม่ได้เขียนเอง 5555)</p><pre>!pip install rank_bm25</pre><p>ลง package</p><pre>from rank_bm25 import BM25Okapi</pre><pre>documents = [<br>    &quot;The quick brown fox jumps over the lazy dog&quot;,<br>    &quot;Machine learning helps computers learn from data&quot;,<br>    &quot;Natural language processing enables computers to understand human language&quot;,<br>    &quot;Foxes are wild animals found in forests and grasslands&quot;,<br>    &quot;Dogs are common household pets and loyal companions&quot;<br>]<br><br>tokenized_docs = [doc.lower().split() for doc in documents]<br>bm25 = BM25Okapi(tokenized_docs)</pre><p>Documents มีทั้งหมด 5 docs เอามา tokenize แบบ Bag-of-Words (ไม่สนใจลำดับคำ) แล้วก็เอา list ที่ tokenized แล้วตะกี้ มาใส่ใน object bm25</p><pre>def BM25_retriever(query, top_k=2):<br>  <br>  tokenized_query = query.lower().split()<br>  doc_scores = bm25.get_scores(tokenized_query)<br>  top_docs = sorted(enumerate(doc_scores), key=lambda x: x[1], reverse=True)[:top_k]<br>  return [documents[i] for i, _ in top_docs]</pre><p>ข้างบนเป็น function BM25_retriever รับ query กับ top_k (ที่พูดถึงข้างบนไปแล้ว เลือกความเหมาะสมตามจำนวนdocs ก็ได้)</p><p>อธิบายทีละบรรทัด:</p><pre>tokenized_query = query.lower().split()</pre><p>เอา query มาทำ Bag-of-Words</p><pre>doc_scores = bm25.get_scores(tokenized_query)</pre><p>หา score จาก object ที่ประกาศไว้ข้างบน จะได้ score ของแต่ละ docs</p><pre>top_docs = sorted(enumerate(doc_scores), key=lambda x: x[1], <br>           reverse=True)[:top_k]</pre><p>เอา score ของแต่ละ docs มา sort ตาม top k โดยการ</p><pre>enumerate(doc_scores)</pre><p>enumerate คือ สร้าง list ของคู่ลำดับ docs กับ score ของแต่ละ docs</p><p>หน้าตาจะเป็นงี้ ยกตัวอย่างนะ [(0, 1.1), (1, 2.0), ….] ก็คือdocs ที่ 0 score=1.1 docs ที่ 1 score=2.0 ไปเรื่อยๆ</p><pre>key=lambda x: x[1]</pre><p>อันตะกี้ เราได้ [(0, 1.1), (1, 2.0), …] มาแล้ว จริงๆพิมพ์งี้จะดูง่ายกว่า</p><p>[(0, 1.1),<br>(1, 2.0),<br> ……..]</p><p>เราต้องการให้ key เอามาแค่ score ซึ่งมันเก็บอยู่ใน x[1] ก็คือ 1.1, 2.0, …</p><p>(lambda เป็น anonymous function นิรนาม555 แทนที่เราจะเขียนแบบ def foo(x): … ก็จะยาวไป เขียนเป็น lambda เหลือบรรทัดเดียว)</p><pre>sorted(enumerate(doc_scores), key=lambda x: x[1], reverse=True)[:top_k]</pre><p>ครอบทั้งหมดนี้ด้วย sorted เพื่อ sort score ของแต่ละ docs จากมากไปน้อย แล้วเอาแค่ top k</p><pre>return [documents[i] for i, _ in top_docs]</pre><p>สุดท้ายก็ return ออกมาโดย เอา score จาก top_docs เมื่อกี้ เช่น [(1, 2.0), (0, 1.1)]</p><p>เอาวนลูป ทุกๆคู่ใน top docs เอา index ของ docs หรือ i มาเก็บใน list documents ส่วน score หรือแทนด้วย _ ไม่เอา ( _ แปลว่า มีแหละ แต่ไม่เอาโว๊ย 555)</p><p>ต่อไปได้เวลาของ RAG มีอธิบายไปแล้วก่อนหน้านี้ คิดว่าคงไม่ต้องแล้วค่ะ</p><pre>def bm25_generate(query, top_k=3):<br>  # R- Retrieval<br>  retrieved_docs = BM25_retriever(query, top_k)<br>  context = &quot;\n&quot;.join(retrieved_docs)<br><br>  # A-Augmented<br>  prompt = f&#39;&#39;&#39;&lt;question&gt;{query}&lt;/question&gt;<br>  Please use context in  tags to answr the question.<br>  &lt;centext&gt;{context}&lt;/context&gt;&#39;&#39;&#39;<br><br>  # G-Generation<br>  response = generate(prompt)<br><br>  print(&#39;Query:&#39;, query)<br>  print(&#39;Retrieved documents:&#39;, retrieved_docs)<br>  print(&#39;\nResponse:&#39;, response)<br><br>query = &quot;Can you tell me about machine learning?&quot;<br>bm25_generate(query)</pre><p>Sparse Search จบแล้ว เย้ ยาวมากกก 5555</p><h4>2.<strong> Dense</strong>: Semantic Search</h4><p>ที่ผ่านมา keyword search มันแค่ matching คำเฉยๆ ไม่ได้รู้เรื่องความหมายคำเลย ก็เลยต้องพึ่งพา embedding model เคยอธิบายไปแล้วใน <a href="https://medium.com/@chawadesu/ep-2-llms-%E0%B9%80%E0%B8%9A%E0%B8%AA%E0%B8%B4%E0%B8%84-%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%A1%E0%B8%B1%E0%B8%98%E0%B8%A2%E0%B8%A1%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%81%E0%B9%87%E0%B9%80%E0%B8%82%E0%B9%89%E0%B8%B2%E0%B9%83%E0%B8%88-%E0%B9%81%E0%B8%95%E0%B9%88%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%AB%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%81%E0%B8%B4%E0%B9%89%E0%B8%9A%E0%B9%80%E0%B8%95%E0%B9%8A%E0%B8%94-9ffcf86ff37f">EP.2</a> ลองไปดูได้เลยยย แต่อันนั้นเป็น word embedding จริงๆ embedding มันจะทำกับทั้งประโยคเลย หรือ documents ก็ได้เช่นกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mcEdxdlwnu7gcn_n7kv7zA.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=hUEJbVFaVLO-xbqC">https://youtu.be/eIVv7eFg6cs?si=hUEJbVFaVLO-xbqC</a></figcaption></figure><p>จากรูปข้างบนก็จะเอา documents (indexing) กับ user’s query (searching) ไปเข้าโมเดล embedding ก่อน ส่วน sparse search จะ tokenize เก็บเป็น Bag-of-Words ในขณะที่อันนี้ knowledge base จะเก็บเป็น vector database แล้ว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RZOUooxo-WaKQ_HFtMZD5Q.png" /><figcaption>Source: <a href="https://huggingface.co/spaces/mteb/leaderboard">https://huggingface.co/spaces/mteb/leaderboard</a></figcaption></figure><p>รูปข้างบนคือแผงโมเดล embedding ที่ HuggingFace จัดอันดับไว้ ดูที่ Number of Parameters กับ Embedding Dimension ยิ่งเยอะ แสดงว่าเก็บ semantic information ได้มาก</p><p>ตอน retrieve ก็จะเอา data chunk (จำนวนตามที่เราเลือก) จากผลลัพธ์ของ embedding ที่ใกล้เคียงกับ embedding ของ query มากที่สุด</p><p>มาดู <a href="https://github.com/yongsa-nut/SF323_CN408_AIEngineer">code</a> ต่อ</p><pre>!pip install sentence_transformers datasets</pre><p>ลง package ตัว embedding ของ HuggingFace</p><pre>import torch<br>from sentence_transformers import SentenceTransformer<br>from sklearn.metrics.pairwise import cosine_similarity</pre><pre>documents = [<br>    &quot;The quick brown fox jumps over the lazy dog&quot;,<br>    &quot;Machine learning helps computers learn from data&quot;,<br>    &quot;Natural language processing enables computers to understand human language&quot;,<br>    &quot;Foxes are wild animals found in forests and grasslands&quot;,<br>    &quot;Dogs are common household pets and loyal companions&quot;<br>]</pre><pre>embed_model = SentenceTransformer(&#39;all-MiniLM-L6-v2&#39;)</pre><p>Instantiate โมเดล embedding</p><pre>doc_embeddings = embed_model.encode(documents)</pre><p>Embed (หรือ encode) documents</p><pre>len(doc_embeddings[0])</pre><p>เช็คดูความยาว จะเป็นตัวเลขมา หมายความว่ามี จำนวน x dimension ที่จะ represent ความหมายของคำ</p><pre><br>def embedded_retriever(query, top_k=1):<br>    # เอา query มาเข้าโมเดล embedding<br>    query_embedded= embed_model.encode([query])<br><br>    &quot;&quot;&quot;<br>    หาความใกล้เคียงด้วย cosine similarity ระหว่าง query ที่ embed แล้ว <br>    กับ docs ที่ embed แล้วตะกี้ข้างบน จะได้ออกมาเป็น array<br>    &quot;&quot;&quot;<br>    similarities = cosine_similarity(query_embedded, doc_embeddings)[0]<br><br>    &quot;&quot;&quot;<br>    เอา docs ที่เกี่ยวข้อง เฉพาะ top k โดยเอา array มา sort ก่อนจากน้อยไปมาก<br>    [-top_k:] คือเอา index อันที่มีค่ามากที่สุด<br>    [::-1] คือสลับอันดับ จากน้อยไปมาก เป็น มากไปน้อย<br>    &quot;&quot;&quot;<br>    top_indices = similarities.argsort()[-top_k:][::-1]<br><br>    # return ออกมาเป็นทุกเอกสารที่อยู่ในตัวท็อป<br>    return [documents[i] for i in top_indices]</pre><p>Function ข้างบนคือเราจะ embed retrieval ก่อน อธิบายโค้ดใน comment นะคะ</p><pre>def RAG_generate(query, top_k=3):<br>  # R-Retrieval เรียก function embbed_retriever เมื่อตะกี้<br>  retrieved_docs = embedded_retriever(query, top_k)<br>  context = &quot;\n&quot;.join(retrieved_docs)<br><br>  # A-Augmented<br>  prompt = f&#39;&#39;&#39;&lt;question&gt;{query}&lt;/question&gt;<br>  Please use context in  tags to answr the question.<br>  &lt;context&gt;{context}&lt;/context&gt;&#39;&#39;&#39;<br><br>  # G-Generation<br>  response = generate(prompt)<br><br>  print(&#39;Query:&#39;, query)<br>  print(&#39;Retrieved documents:&#39;, retrieved_docs)<br>  print(&#39;\nResponse:&#39;, response)<br><br>query = &quot;Can you tell me about machine learning?&quot;<br>RAG_generate(query)</pre><p>RAG ก็เหมือนเดิมเลยย เพิ่มเติมคือจะเอา query มา embed ก่อน จบ อันนี้ถ้าเราไม่ได้ถามคำตอบงี้เป๊ะๆ แต่ความหมายใกล้เคียงกัน มันก็ยังหาเจอ จะต่างกับ Keyword Search ตรงนี้ค่ะ แต่ปัญหาก็คือ…</p><pre>similarities = cosine_similarity(query_embedded, doc_embeddings)[0]<br>top_indices = similarities.argsort()[-top_k:][::-1]</pre><p>ตอนหา cosine similarity แล้ว documents มี n docs runtime จะเป็น O(n) ลองจินตนาการว่าถ้ามี documents เยอะแบบวัวตายความล้ม ก็จะค่อนข้างใช้เวลาถ้าเรามานั่งเขียนเองท่านี้</p><p>จริงแล้วๆ เราสามารถใช้ vector database ได้ ที่จัดการให้เราได้เร็ว (อาจจะไม่จำเป็นในการใช้ทำ RAG ก็ได้ แต่ถ้าเริ่ม scale อาจจะต้องมีการเก็บที่เป็นกิจจะลักษณะขึ้น)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PzApPz-cFBxozwECtmPhBA.png" /><figcaption>Source: <a href="https://www.graft.com/blog/top-vector-databases-for-ai-projects">https://www.graft.com/blog/top-vector-databases-for-ai-projects</a></figcaption></figure><p>Vector DB มีหลายเจ้ามาก ส่วนตัวเราใช้ chroma เพราะมันเป็น opensource = ฟรี อิ__อิ ศรัทธาอันไหนก็ไปอ่าน docs ของเจ้านั้นได้เลยยย</p><h4><strong>Hybrid Search</strong></h4><p>ก็เป็นอีกทางนึงที่ทำทั้ง Keyword Search และ Semantic Search เลย แต่จะผลลัพธ์ของทั้งสอง search นี้จะมาจัดให้เป็น rank อันเดียวยังไงเนี่ยสิ</p><p>วิธีแรกคือ <strong>Reciprocal Rank Fusion</strong>: คือแปลง rank ให้เป็น score</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UkD51DWDHKOz5IMU3xMj6A.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=_I-S3TcOOoHowgL7">https://youtu.be/eIVv7eFg6cs?si=_I-S3TcOOoHowgL7</a></figcaption></figure><p>score เท่ากับ 1/rank เช่น อันดับ 1 = 1/1 score ก็จะเป็น 1 <br>อันดับ 2 = 1/2 score ก็จะเป็น 0.5 จากนั้นเอามาบวกกัน</p><p>สามารถใส่ k เข้าไปได้ เพิ่มความแรง (ไม่ใช่สปริงนะ 555) ถ้า k มาก ความต่างของอันดับไม่มีผลไรมาก</p><p>อีกวิธีคือ <strong>Beta Weighting</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q1r6IEFfCByL8V59NytBSA.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=_I-S3TcOOoHowgL7">https://youtu.be/eIVv7eFg6cs?si=_I-S3TcOOoHowgL7</a></figcaption></figure><h4><strong>Reranking</strong></h4><p>คือเทคนิคในส่วน retrieval คือจะมีอีกโมเดลมาแทรกก่อนจะเอาไปเข้าโมเดล LLM ซึ่งเทคนิคที่พูดถึงไปแล้ว (ที่ผ่าน embedding มาแล้ว) อาจจะไม่ได้ดีขนาดนั้น แต่มันก็ไวกว่าให้ไปค้น docs ใน knowledge base ทั้งหมด ถ้ามีหลายๆ docs เป็นหมื่นๆ</p><p>ซึ่ง reranking เหมือนจะมาช่วยเช็คอีกทีว่าที่ retrieve มามันเกี่ยวข้องกับ query จริงๆไหม แล้วจำมาจัดอันดับว่าอันไหนเกี่ยวสุด แล้วอาจจะมาเลือกมาแค่ top 5 ที่ดีที่สุดไปเข้า LLM</p><p>ข้อเสียของ reranking คือ แพงกว่าเทคนิคที่ใช้การหา cosine similarity</p><p>เจ้าที่ทำ reranking มี <a href="https://cohere.com/rerank">Cohere</a> กับ <a href="https://docs.voyageai.com/docs/reranker">Voyage AI</a> ส่วนเราไม่เคยใช้อะ 5555 หรือใช้ LLM as a judge ได้ซึ่งเราก็ไม่เคยทำท่านี้เหมือนกัน</p><p>ตัวอย่าง <a href="https://github.com/yongsa-nut/SF323_CN408_AIEngineer/blob/main/SF323_CN408_Lecture_4_RAG_Demo.ipynb">code</a> ดูได้ของอาจารย์เลย ขี้เกียจเขียนอธิบายแล้ว เพราะมันคล้ายๆกับที่อธิบายไว้ข้างบน แต่มา merge ตอนท้ายค่ะ ส่วน vector store ใช้ pinecone</p><p>นอกเหนือจากการ Retrieve ที่อาจจะเล่นใหญ่ไปหน่อยในบางกรณี มันก็มีอีกวิธีนึงคือการทำ <strong>Metadata Filtering </strong>ที่ทำได้ง่ายๆ<strong> </strong>ซึ่งก็คือการ filter อันที่ไม่เกี่ยวออกจากคำถาม เพื่อไม่ให้เสียเวลา search เช่น หัวเรื่อง ผู้เขียน วันที่ ฯลฯ</p><p>Filter อื่นๆก็มี Subscription Filtering, Geography Filtering ก็คือเอาบาง metadata ที่ไม่ต้องการออก</p><h3><strong>Chunking Strategies</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vXnCQt-cNnkRUK8YCKWvAg.jpeg" /></figure><p>รูปไม่เกี่ยวกับเนื้อหา แค่พูดคำว่า chunking แล้วนึกถึง chucky 5555</p><p>Chunking คือการตัดแบ่ง documents เป็นส่วนๆ ที่ต้องทำแบบนี้ เพราะถ้ายัด docs เข้าไปทั้งเล่มเข้าไปใน embedding มันจะอลังการงานสร้างขนาดไหน token เกิน</p><p>ถามว่าตัดแบบไหนดีล่ะ? จริงๆตัดเป็นหน้า เป็น paragraph เป็นประโยค ก็ได้ ขึ้นอยู่กับว่า</p><ol><li>Documents เข้ามาเป็นยังไง เป็นหนังสือแบบไหน มี chapter section อะไรไหม เลือกตามความเหมาะสม</li><li>Embedding model ที่ใช้ แบ่งมากี่ token โมเดลถึงจะ optimized เช่น Sentence Transformer ก็จะมี prefer chunk แบบประโยค</li><li>User’s query ว่าจะโบ้ๆเบ้ๆ แค่ไหน 5555 ถามสั้นๆ หรือถามอะไรยาวๆ ซับซ้อนๆ</li><li>เอาไปใช้ยังไง semantic search? summary? ถ้าเอาไปเข้าโมเดล LLM ต่ออาจจะพิจารณา token limit ที่โมเดลนั้นรับได้ด้วย</li></ol><h4><strong>Fixed Size Chunking</strong></h4><p>คือกำหนดเลยว่า chunk นึง จะตัดกี่ตัว แต่อาจจะตัดมาไม่เต็มประโยค (fragment) ก็อาจจะกำหนดให้ overlap ได้ มีเหลื่อมๆมาด้วยได้</p><p>ใช้ library ได้ code ตัวอย่างด้านล่างใช้ Langchain ตัดออกมาซื่อๆเลย ไม่ได้ดูความหมายอะไรทั้งสิ้นนะ</p><pre>text = &quot;...&quot;<br>from langchain.text_splitter import CharacterTextSplitter<br>text_splitter = CharacterTextSplitter(<br>    separator = &quot;\n\n&quot;,<br>    chunk_size = 256,<br>    chunk_overlap = 20<br>)<br><br>docs = text_splitter.create_documents([text])</pre><h4><strong>Sentence Splitting</strong></h4><p>คือการตัดตามประโยค ใช้ library NLP ต่างๆมาช่วยตัดได้ ซึ่ง logic ง่ายๆในการตัดประโยคก็คือ full stop ในประโยค หรือ question mark อะไรแบบนี้ ซึ่งใช้กับภาษาไทยอาจจะไม่เหมาะ เพราะภาษาไทยเป็นภาษาที่บรรยายแบบฉ่ำ 5555 คนไทยไปเรื่อยคือเรื่องจริง</p><p>ตัวอย่าง code</p><pre>text = &quot;...&quot;<br>from langchain.text_splitter import SpacyTextSplitter<br>text_splitter = SpacyTextSplitter()<br><br>docs = text_splitter.split_text(text)</pre><h4><strong>Recursive Chunking</strong></h4><p>เห็นคำว่า recursive ก็อาจจะนึกถึงการเขียนโค้ดแบบ recursive function ที่เรียกตัวมันเองเนอะ เพื่อลด complexity ของโปรแกรม anyway ในที่นี้เรากำหนด chunk size ไว้ แล้วถ้าตอนตัดมันตัดมาโบ้ๆเบ้ๆ ก็จะลด chunk size ลงไปเรื่อยๆจนกว่าที่ตัดมาจะได้ structure ที่โอเค</p><p>ตัวอย่าง code</p><pre>text = &quot;...&quot;<br>from langchain.text_splitter import RecursiveCharacterTextSplitter<br>text_splitter = RecursiveCharacterTextSplitter(<br>    chunk_size = 256,<br>    chunk_overlap = 20<br>)</pre><h4><strong>Specialized Chunking</strong></h4><p>คือ ตัดตาม Markdown (แบ่งตาม header # ## ###) ตัดตาม Latex ตัดตาม HTML (&lt;h1&gt;…&lt;/h1&gt; ตัดตาม function Python (def foo(): …)</p><pre>from langchain.text_splitter import MarkdownTextSplitter<br>markdown_text = &quot;...&quot;<br><br>markdown_splitter = MarkdownTextSplitter(chunk_size=100, chunk_overlap=0)<br>docs = markdown_splitter.create_documents([markdown_text])</pre><h4><strong>Semantic Chunking</strong></h4><p>คือตัดตามความหมาย ให้แต่ละ chunk มีความหมายใกล้เคียงกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nkiU0xMDiOJ8-HwrIyzXxw.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=dExVs9rDABT8XocC">https://youtu.be/eIVv7eFg6cs?si=dExVs9rDABT8XocC</a></figcaption></figure><p>แล้วตัดยังไง?</p><p>แบ่ง docs เป็นประโยคก่อน แล้วจัดการแปลงเป็น vector แล้วเทียบระหว่างประโยคด้วยการหา distance (cosine similarity) ถ้าค่า distance ออกมาต่ำกว่า threshold ก็ทำการเพิ่มประโยคเข้าไปใน chunk ถ้าเกิน threshold ก็หยุด ไปดู chunk ใหม่</p><p>ถ้าอยากอ่านเพิ่มเติมเราแนะนำอ่าน<a href="https://medium.com/the-ai-forum/semantic-chunking-for-rag-f4733025d5f5">อันนี้</a>ค่ะ</p><h4><strong>Language Based Chunking</strong></h4><p>เอา LLM มาใช้ให้เกิดประโยชน์ 5555 คือเรา prompt LLM ให้มันตัดให้ ใช้เงินแก้ปัญหา</p><p>หลังจากทำ chunking เสร็จ ยังไม่จบเท่านี้ ก็ยังมีปัญหาอยู่ บางทีตัดแล้ว information บางอย่างหาย อย่างเช่น อีกประโยค ประธานอาจจะเป็น pronoun (He, she ,it) ซึ่งเราก็ไม่รู้ว่าหมายถึงใคร เราจะรู้ก็ต่อเมื่อเราเห็นประโยคก่อนหน้าอีก chunk นึง บางทีอารัมภบทเยอะ อยู่ซะไกลเลย 5555 ความไม่รู้นี้ก็มีผลกับการตอบคำถามของโมเดลเหมือนกัน</p><p>ก็เลยมี Contextual Retrieval มาเติม chunk เดิม ให้มีข้อมูลเพิ่ม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*awha3L6SQz_Zdae9f2YLLA.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=sU7fKh_MQBjCVkMS">https://youtu.be/eIVv7eFg6cs?si=sU7fKh_MQBjCVkMS</a></figcaption></figure><p>วิธีการทำคือ ใช้โมเดล LLM ทำ ด้วยการ prompt</p><pre>&lt;document&gt; <br>{{WHOLE_DOCUMENT}} <br>&lt;/document&gt; <br>Here is the chunk we want to situate within the whole document <br>&lt;chunk&gt; <br>{{CHUNK_CONTENT}} <br>&lt;/chunk&gt; <br>Please give a short succinct context to situate this chunk within <br>the overall document for the purposes of improving search retrieval <br>of the chunk. Answer only with the succinct context and nothing else. </pre><p>เทียบระหว่าง RAG ท่าปกติ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*QBKeawcxzmWytjzo" /><figcaption>Source: <a href="https://www.anthropic.com/engineering/contextual-retrieval">https://www.anthropic.com/engineering/contextual-retrieval</a></figcaption></figure><p>กับ RAG ที่ใช้เทคนิค contextual retrieval ก่อนเข้าโมเดล embedding</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_vN2t9bBE9YRkQHv" /><figcaption>Source: <a href="https://www.anthropic.com/engineering/contextual-retrieval">https://www.anthropic.com/engineering/contextual-retrieval</a></figcaption></figure><h3><strong>Query Rewriting</strong></h3><p>คือการเอาคำถามมาแต่งใหม่ เพราะบางที user ถามhaอะไรก็ไม่รู้ 555 ซึ่ง embedding model ก็ไม่ได้ฉลาดขนาดนั้น เราอาจจะต้องช่วยมันด้วย</p><p>วิธีทำ ใช้ LLM ทำ เช่นอาจจะ prompt ว่า ให้เขียนใหม่ เป็นภาษาทางการมากขึ้น ตัดที่ไม่เกี่ยวออก paraphase เพื่อให้มีโอกาสค้น documents เจอ อะไรแบบนี้</p><ul><li>Multi-Query คือการ prompt ให้โมเดล generate คำถามออกมาหลายๆเวอร์ชั่น</li><li>HyDE: Hypothetical Document Embeddings คือการแปลงคำถามเป็น documents โดย prompt ให้ LLM แปลงคำถามพวก wh questions(What, when, …) สร้าง hypothetical docs</li></ul><h3>RAG Evaluations</h3><p>ได้เวลาวัดแล้ว 5555</p><p>สิ่งที่จะวัดได้คือ docs ที่ออกมาจาก retrieval เกี่ยวข้องแค่ไหน จำเป็นไหม หรือ ออกทะเล กับ คำตอบตอบตรงคำถามไหม</p><p>RAG แบ่งออกเป็น 3 ส่วนคือ <strong>Question (Q) Retrieved Context (C) Answer (A)</strong></p><ol><li><strong>Context Relevance (C|Q)</strong> คือวัดว่าที่ retrieval ตรงกับคำถามไหม <br>Metrics ในการวัดคือ คำถาม คำตอบของโมเดล และเฉลย(อาจจะต้องใช้ domain expert)</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LOUdEENu-8qRHXWoCWBPnQ.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp">https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp</a></figcaption></figure><ul><li><strong>Recall</strong>: หาว่าข้อมูลที่จะต้องดึงมา เอามาครบเท่าไหร่ <br>หาโดยการ เอาข้อมูลที่ดึงมา หารด้วย ข้อมูลที่จะต้องดึงมาทั้งหมด <br>(Relevant Retrieved / Total Relevant)</li><li><strong>Precision</strong>: หาว่าข้อมูลที่ดึงมาทั้งหมด ที่มันเกี่ยวข้องจริงๆมีเท่าไหร่<br>หาโดยการ เอาข้อมูลที่ดึงมา หารด้วย ข้อมูลที่ดึงมาทั้งหมด<br>(Relevant Retrieved / Total Retrieved)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/532/1*rLqEmkarkjDuGiFSXJk8YA.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp">https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp</a></figcaption></figure><p>ตัวอย่าง สมมติว่าอันนี้เป็น top k docs ที่ดึงมา k =10</p><p>Precision @ 5 = 2/5 = 40%<br>Precision @ 10 = 6/10 = 60%</p><p>Recall ติ้งต่างว่าที่เกี่ยวข้องมีทั้งหมด Total Relevant = 8</p><p>Recall @ 10 = 6/8 = 75%</p><p>ในกรณีที่ไม่มีเฉลย (ground truth) อาจจะใช้ LLM ช่วยสร้างคำถาม โดย sample chunk มาจาก knowledge base แล้วเอาคำถามมาเช็คด้วย LLM อีกตัว (LLM-as-a-judge) ว่าคำถามดีไหม เช็คว่า คำถามเอามาจาก context จริงๆ กับ คำถามเป็นไปตามที่เราต้องการ และ คำถามนั้นใช้ context มาตอบพอไหม หรือต้องใช้ context นอกเหนือจากนี้ด้วย</p><p>2. <strong>Faithfulness/Groundedness (A|C)</strong> คือวัดว่าโมเดลตอบคำถามจาก context ที่ดึงมาไหม ตอบเกินเบอร์ไหม หรือไม่เกินไม่ขาดพอดีเป๊ะ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lay63WhFr2XX73bZL9N46g.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp">https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp</a></figcaption></figure><p>3. <strong>Answer Relevance (A|Q)</strong> คือวัดว่าตอบตรงคำถามไหม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*13rtY4L4N8BfTfd2Mkm_UQ.png" /><figcaption>Source: <a href="https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp">https://youtu.be/eIVv7eFg6cs?si=FQE1Av8Vk7BGscGp</a></figcaption></figure><h4><strong>Advanced RAG Relationships</strong></h4><p>4. <strong>Context Support Coverage (C|A)</strong> คือ context ที่ดึงมาตอบคำถามได้ไหม พอไหม</p><p>5. <strong>Question Answerability (Q|C)</strong> คือ context ที่ให้มาดึงมาครบไหม</p><p>6.<strong> Self-Containment (Q|A)</strong> คือ ข้อมูลที่มีเอามาตอบคำถามได้จริงไหม</p><p>สิ่งอื่นๆที่ต้องพิจารณาคือ Latency และ Cost</p><p>จบบแล้วววกับ RAG สมองบวม ตอนนี้นานนิดนึง ใช้เวลาเขียนพอสมควรอยู่ 5555 หวังว่าจะไม่งงนะคะ วันนี้ขอลาไปก่อน พบกันใหม่ในตอนหน้านะคะ</p><p>ขอบคุณที่ติดตามค่าา ฝาก IG: @chaofitchick ไปตามดูเราออกกำลังกายซ้อมแข่ง Hyrox ได้ ทุกกำลังใจมีความหมายมากๆค่า</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bc555cc74bd6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.7 — Prompt Engineering ระดับพระกาฬ]]></title>
            <link>https://medium.com/@chawadesu/llm-%E0%B8%AA%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B8%9A%E0%B8%B4%E0%B8%99-ep-7-prompt-engineering-%E0%B8%A3%E0%B8%B0%E0%B8%94%E0%B8%B1%E0%B8%9A%E0%B8%9E%E0%B8%A3%E0%B8%B0%E0%B8%81%E0%B8%B2%E0%B8%AC-b8df18c47105?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/b8df18c47105</guid>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[prompt-en]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Wed, 26 Nov 2025 04:53:16 GMT</pubDate>
            <atom:updated>2025-11-26T04:53:16.509Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM สมองบิน EP.7 — Prompt Engineering ระดับพระกาฬ</h3><p>สวัสดีค่าาา กลับมาสรุปเลคเชอร์ทรงคุณค่าที่เราเจอใน <a href="https://www.youtube.com/@nutchanonyongsatianchot7510">youtube</a> โดยบังเอิญกันต่อ จาก<a href="https://medium.com/@chawadesu/llm-%E0%B8%AA%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B8%9A%E0%B8%B4%E0%B8%99-ep-6-prompt-engineering-with-evals-%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99-prompt-%E0%B9%80%E0%B8%9E%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%A7%E0%B8%B1%E0%B8%94%E0%B8%A2%E0%B8%B1%E0%B8%87%E0%B9%84%E0%B8%87-56ca07107c4a">ตอนที่แล้ว</a>ที่เราพูดถึงการทำ Prompt Engineering สำหรับการทำ evaluation ไปแล้ว ต่อไปมาดูว่าการ prompt เทพเซียน ที่ระดับตัวตึงเขาเขียนกันสำหรับโมเดลใหม่ๆ เขาทำท่าไหนกันบ้าง</p><ol><li>บอกว่าต้องการ output แบบไหน JSON XML หรือ template ที่ต้องการ อย่างโปรเจคที่ บ. เราก็มี use case ที่แบบลูกค้าต้องการให้ออกมาเป็นหน้ารายงาน มีข้อมูลเป็นๆข้อๆ หนึ่งสองสามสี่ เราก็ต้องมา prompt โมเดลดีๆว่าเราต้องการแบบไหน</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aO7U19D_GpW6r45FADEVKQ.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=Dt8AMbL0u3AJtmix">https://youtu.be/HqLf1Cvco2k?si=Dt8AMbL0u3AJtmix</a></figcaption></figure><p>2. สำหรับ task ที่ต้องการให้โมเดลช่วยวิเคราะห์อะไรซับซ้อนๆ ก็จะให้มันคิดก่อนตอบ หรือเรียกว่า chain of thought (เป็นท่าสมัยก่อน แรงมากแม่ 5555 สมัยก่อนที่เท่ากับปีที่แล้ว) ทำได้ 3 แบบ</p><ul><li>ให้มันคิดเป็นเสต็ป</li><li>บอกขั้นตอนเลย หนึ่งสองสามสี่ พร้อมยกตัวอย่าง</li><li>ใช้ XML ให้ prompt เป็น structured มี &lt;thinking&gt; กับ &lt;answer&gt; เพื่อแยก</li></ul><p>ข้อเสียคือ ช้า และ เปลือง แต่ปัจจุบันโมเดลสมัยใหม่มันมี reasoning ในตัวอยู่แล้ว</p><p>3. ใส่ Persona เข้าไป เหมือนเวลาทำ design thinking 555 มันคือการบอกโมเดลว่า เธอเป็นใคร ทำหน้าที่อะไร อันนี้จะใส่ใน system prompt เช่น “You are a data scientist at a financial institution.”</p><p>4. Prefill ทำได้เฉพาะ API มันคือการเตรียมคำพูดให้โมเดล เช่นทักทาย user สวัสดีครับ ยินดีต้อนรับสู่ระบบคนละครึ่ง หรือ เตรียมรูปแบบการตอบ</p><p>5. Chain complex prompts คือการแบ่ง task ออกเป็น task ย่อย โดยให้1 prompt ต่อ 1 function ยกตัวอย่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4I1uyjNKMkti7Tyuf9OQIQ.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=mBsJEYLpFDxPjgL-">https://youtu.be/HqLf1Cvco2k?si=mBsJEYLpFDxPjgL-</a></figcaption></figure><p>เราจะเห็นว่า prompt นึงจะสั่งงานอย่างนึง แล้วเอาไปทำต่อ</p><p>อีกตัวอย่างนึง เป็นแบบ self-correction chains</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1ixkzBVdFXllfqwIgvUCwA.png" /><figcaption>Source: Source: <a href="https://youtu.be/HqLf1Cvco2k?si=mBsJEYLpFDxPjgL-">https://youtu.be/HqLf1Cvco2k?si=mBsJEYLpFDxPjgL-</a></figcaption></figure><p>Prompt แรกให้สรุป paper แล้ว prompt ที่ 2 ให้ feedback ที่สรุปมาจาก prompt ตะกี้ และก็ prompt 3 ไปอัปเดตการสรุปจาก feedback ก่อนหน้า วนไป</p><p>ข้อเสียคือเรื่องความเปลือง และ latency อีกแล้ว ก็ต้องมา exercise judgement ว่าคุ้มไหมที่จะแลก</p><p>ส่วนประกอบของ prompt ก็หน้าตาประมาณนี้ มาเป็นช่องเจ็ดสี ทีวีเพื่อคุณเลย 55555</p><p>ส่วนตัวเราว่าอันนี้ดีมาก เป็น guide ที่เราได้เอาไปใช้จริงๆ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OTGjGE5qw2mAydOQfHMEBA.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=F2umEk2FMc9aWpgA">https://youtu.be/HqLf1Cvco2k?si=F2umEk2FMc9aWpgA</a></figcaption></figure><p>สำหรับข้อ 3 สีส้มๆ เดี๋ยวครั้งหน้าเราจะมาลงรายละเอียดกันในเรื่องของ RAG นะจ๊ะ</p><p><strong>Prompt Engineering vs. Fine Tuning</strong> ควรทำอะไรดี</p><p>คนที่ทำ machine learning/ deep learning มาก่อนก็อาจจะตอบว่า ก็ต้อง fine tune สิคร้าบบบบ แต่จริงๆแล้วการ fine tune มันก็ costly ซึ่งควรเอาเป็นตัวเลือกสุดท้ายถ้าหมดหนทางแล้วถึงค่อยมาทำ อาจจะขัดใจแต่ก็ต้องยอมรับว่าโมเดลมันเก่งมากๆแล้ว วางอัตตาลงแล้วไปทำ prompt engineering ให้ดีแล้วกัน 5555</p><p>ต่อไปเราจะมาดูว่าบริษัทใหญ่ๆเค้าเขียน prompt กันยังไง</p><p>และนี่คือ System Prompt ของโมเดล Claude 3</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Pj4o_TkWUyBteK3nuxUYUg.png" /></figure><p>รูปข้างบนของตัวอย่าง system prompt ของโมเดล Claude 3 เขียนโดยเจ้าแม่ Amanda Askell ใน X ซึ่งขุ่นแม่ก็ได้ breakdown ว่าเขียนยังไง ไปอ่านเอง<a href="https://x.com/AmandaAskell/status/1765207842993434880">ในนี้</a>ได้เลย เพราะขี้เกียจเขียน 55555 ยาวอ่ะ</p><p>ส่วนของ Claude 4 ไปดูใน <a href="https://x.com/AmandaAskell/status/1953147658031513860">X</a> ของขุ่นแม๊ได้เลย ไม่เขียนแล้ววว เยอะเกินนน</p><p>ส่วน System prompt ของ Claude ทั้งหมด ไปดู<a href="https://platform.claude.com/docs/en/release-notes/system-prompts">ในนี้</a>ได้เลย</p><p>ต่อไปเป็นตัวอย่าง Use cases ที่ใช้ในชีวิตจริง เวลาไป deploy ขึ้นเป็น production</p><ul><li><strong>Classification</strong>: ใช้โมเดล LLM ทำก็ได้นะเออ ถ้าเราไม่มี pattern หรือขาดแคลนเฉลย ก็ทำเป็น few shot learning ได้ หรือ task ยากๆแล้วซีเรียสกับ accuracy ถ้ายอมรับกับ cost ได้ ก็ใช้ LLM ทำได้</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FEVwZ7DJBGiSOp3CzrTn6A.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=DyzeehLC_lFcxc4Q">https://youtu.be/HqLf1Cvco2k?si=DyzeehLC_lFcxc4Q</a></figcaption></figure><p>ตัวอย่างการ prompt การทำ classification task ที่เป็น structure ตามสีรุ้งกินน้ำที่แปะไว้ข้างบนเลย อะไรเป็นอะไรบ้างย้อนขึ้นไปดูได้ เราก็เลื่อนขึ้นลงดูตาแตกเหมือนกัน 5555</p><ul><li>ต่อไปเป็น <strong>Claude Prompt Generator</strong> เป็นการ prompt เพื่อสร้าง prompt อีกที 55555 ใครสนใจแงะ ไปดูได้<a href="https://colab.research.google.com/drive/1SoAajN8CBYTl79VyTwxtxncfCWlHlyy9">ที่นี่</a>เลย จริงๆมันก็คือเขียนตาม structure รุ้งกินน้ำแหละ แต่เขียนให้มันช่วยเราเขียน prompt อีกทีนึง</li><li><strong>OpenAI </strong><a href="https://openai.com/index/chatgpt-study-mode/"><strong>Study Mode</strong></a><strong> </strong>คือแทนที่จะเฉลยมาเลย ก็จะสอนเป็นขั้นตอนให้เราคิดเองก่อน ส่วน system prompt ไปดูได้<a href="https://gist.github.com/simonw/33d5fb67d6b8e1b1e2f6921ab0ccb9fb">ที่นี่</a></li><li><a href="https://github.com/features/spark"><strong>Github Spark</strong></a><strong> </strong>สาย vibe coding ห้ามพลาด 5555 ไปแงะ <a href="https://system-exploration-g--simonw.github.app/#system-prompt">system prompt</a> ได้ แต่ยาวมากกกก ถ้าปริ้นออกมาน่าจะได้หนังสือมารองขาโต๊ะอ่ะ</li></ul><p><strong>Model Specific Prompting</strong></p><p>โมเดลแต่ละค่ายก็จะมีการ prompt ไม่เหมือนกัน แต่โมเดลใหม่ๆจะฉลาดขึ้น เราบอกอะไรมัน มันเก็บทุกเม็ด หมายความว่าต้อง prompt ให้ดีๆ สั่งให้ละเอียด context ต้องอธิบาย</p><p>ส่วน Cluade เลี่ยงการบอกว่า Do not แต่ต้องบอกว่าต้องทำอะไร หรือใช้คำว่า avoid หรือจริงๆก็เปลี่ยนประโยคไม่ให้เป็น negative เลยดีกว่า</p><p>ของ OpenAI เริ่มจาก intruction อธิบาย task ขั้นตอน อะไรไม่ควรทำ แล้วก็ระวังอะไรที่มันย้อนแย้งในตัวเอง 5555 แล้วก็ยกตัวอย่าง</p><p>สุดท้าย โมเดล Reasoning มันเป็น high level แล้ว อารมณ์พนักงานอาวุโส ก็ไม่ต้องอธิบายมาก แค่ brief แล้วบอกเป้าหมายก็ได้ อ่านต่อได้<a href="https://www.latent.space/p/o1-skill-issue">ที่นี่</a> มาสรุปให้ฟังด้วย 5555</p><p>หมดแล้วววว ปิดท้ายด้วย <a href="https://platform.openai.com/chat/edit?models=gpt-5&amp;optimize=true">GPT-5 Prompt Optimizer</a> ไปลองเล่นได้</p><p>จบไปแล้วกับ LLM สมองบินนนนน ตอนนี้ปวดหมองมากก 5555 หวังว่าจะเป็นประโยชน์นะคะ และขอบคุณความรู้ดีๆจากอาจารย์นัทด้วยค่ะ</p><p>แล้วเจอกันใหม่ตอนหน้า จะได้สรุป RAG แล้ววว เย้ๆ</p><p>ขอบคุณที่ติดตามนะคะ ฝาก IG: @chaofitchick ไปตามดูเราออกกำลังกายซ้อมแข่ง Hyrox ได้ อิ__อิ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b8df18c47105" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.6 — Prompt Engineering with Evals เขียน prompt เพื่อวัดยังไง]]></title>
            <link>https://medium.com/@chawadesu/llm-%E0%B8%AA%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B8%9A%E0%B8%B4%E0%B8%99-ep-6-prompt-engineering-with-evals-%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99-prompt-%E0%B9%80%E0%B8%9E%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%A7%E0%B8%B1%E0%B8%94%E0%B8%A2%E0%B8%B1%E0%B8%87%E0%B9%84%E0%B8%87-56ca07107c4a?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/56ca07107c4a</guid>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[prompt-engineering]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Mon, 24 Nov 2025 17:12:00 GMT</pubDate>
            <atom:updated>2025-11-26T04:54:32.001Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM สมองบิน EP.6 — Prompt Engineering with Evals เขียน prompt เพื่อวัดยังไง</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*v98BmD3YcToWxG_w" /><figcaption>Photo by <a href="https://unsplash.com/@almoya?utm_source=medium&amp;utm_medium=referral">Aerps.com</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>หลังจากเราทราบแล้วว่าวัด prompt ยังไงจาก <a href="https://medium.com/@chawadesu/llm-%E0%B8%AA%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B8%9A%E0%B8%B4%E0%B8%99-ep-5-prompt-evaluations-%E0%B8%A1%E0%B8%B2%E0%B8%A7%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B9%84%E0%B8%AB%E0%B8%A1-%E0%B8%A5%E0%B8%B0%E0%B9%80%E0%B8%AD%E0%B8%B5%E0%B8%A2%E0%B8%94%E0%B8%A2%E0%B8%B4%E0%B8%9A%E0%B8%A2%E0%B8%B1%E0%B8%9A-38e4735788b4">EP.5</a> เนื้อหาจุกๆ (เราเนี่ยจุก เขียนไปเขียนมาเริ่มเยอะ 555) ต่อไปเราจะมาดูว่าเขียน prompt สำหรับการ eval ยังไง</p><p>เดี๋ยวเรามาเชื่อม API กันก่อน เราดัดแปลงโค้ดของอาจารย์นิ๊ดดเดียว เพราะอันนี้เรารันบน vs code (สามารถไปดู <a href="https://medium.com/@chawadesu/ep-3-llms-%E0%B8%A1%E0%B8%B2%E0%B8%A5%E0%B8%AD%E0%B8%87-hands-on-%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99-chatbot-%E0%B8%AB%E0%B8%99%E0%B9%88%E0%B8%AD%E0%B8%A1%E0%B9%81%E0%B8%99%E0%B9%89%E0%B8%A1-bb625ee386c0">EP.3</a> ได้นะคะ เคยเขียนอธิบายการเชื่อม API ไว้ ละเอียดอยู่ เพราะนั่งเขียนอยู่พักใหญ่5555)</p><pre>from openai import OpenAI<br>import os<br><br>load_dotenv(override=True)<br>api_key = os.getenv(&quot;OPENAI_API_KEY&quot;)<br>client = OpenAI(<br>    base_url=&quot;https://openrouter.ai/api/v1&quot;,<br>    api_key=api_key,<br>)</pre><pre>def gen_answer(prompt, model=&#39;google/gemini-2.5-flash-lite&#39;):<br>    response = client.chat.completions.create(<br>      model=model,<br>      messages=[<br>          {&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: prompt}<br>      ],<br>      temperature=0<br>    )<br><br>return response.choices[0].message.content<br>gen_answer(&#39;Hello&#39;)</pre><p>ข้างบนคือเอาไอ้บรรทัด boiler plate มาใส่ใน function เคยอธิบายไปแล้วฮับ</p><p>ต่อไปข้างล่างนี้ คือการทำ sample dataset โดยให้ LLM ช่วยคิด แล้วก็ก๊อบมาแปะ เป็น test cases</p><pre>test_cases = [<br>    {<br>        &#39;dietary_restrictions&#39;: &#39;vegetarian&#39;,<br>        &#39;cooking_theme&#39;: &#39;Italian&#39;,<br>        &#39;ingredients&#39;: [&#39;tomatoes&#39;, &#39;pasta&#39;],<br>        &#39;time&#39;: &#39;30 minutes&#39;<br>    },<br>    {<br>        &#39;dietary_restrictions&#39;: &#39;none&#39;,<br>        &#39;cooking_theme&#39;: &#39;Thai&#39;,<br>        &#39;ingredients&#39;: [&#39;chicken&#39;, &#39;rice&#39;],<br>        &#39;time&#39;: &#39;15 minutes&#39;<br>    },<br>    {<br>        &#39;dietary_restrictions&#39;: &#39;none&#39;,<br>        &#39;cooking_theme&#39;: &#39;Italian&#39;,<br>        &#39;ingredients&#39;: [&#39;shrimp&#39;, &#39;garlic&#39;, &#39;olive oil&#39;],<br>        &#39;time&#39;: &#39;15 minutes&#39;<br>    },<br>    {<br>        &#39;dietary_restrictions&#39;: &#39;vegan&#39;,<br>        &#39;cooking_theme&#39;: &#39;French pastry&#39;,<br>        &#39;ingredients&#39;: [&#39;flour&#39;, &#39;coconut oil&#39;, &#39;maple syrup&#39;],<br>        &#39;time&#39;: &#39;20 minutes&#39;<br>    },<br>    {<br>        &#39;dietary_restrictions&#39;: &#39;paleo&#39;,<br>        &#39;cooking_theme&#39;: &#39;Japanese breakfast&#39;,<br>        &#39;ingredients&#39;: [&#39;eggs&#39;, &#39;mushrooms&#39;, &#39;spinach&#39;, &#39;avocado&#39;],<br>        &#39;time&#39;: &#39;25 minutes&#39;<br>    }<br>]</pre><p>แล้วมาทำ LLM-as-a-judge กันต่อยาวเฟื้อยยยเลยยย 5555</p><pre>eval_prompt = &quot;&quot;&quot;Your task is to evaluate the following AI-generated recipe with EXTREME RIGOR.Original task description:<br>Generate a single-serving recipe based on the given dietary restrictions, cooking theme, ingredients, and time constraint. The recipe must follow a specific format with sections for Title, Time, Ingredients, and Instructions.<br><br>Original task inputs:<br>{prompt_inputs}<br><br>Solution to Evaluate:<br>{output}<br><br>Criteria you should use to evaluate the solution:<br>MANDATORY REQUIREMENTS (violation = score 3 or lower):<br>1. Section compliance: Must have exactly these sections in order: Title, TIME, INGREDIENTS, INSTRUCTIONS.<br>2. Ingredient usage: ALL specified ingredients from the input must be used in the recipe<br>3. Dietary compliance: Must strictly follow dietary restrictions (no meat in vegetarian, no gluten ingredients in gluten-free)<br>SECONDARY CRITERIA:<br>4. Time feasibility: The recipe can realistically be completed in the stated time by an average home cook<br>5. Theme authenticity: The recipe genuinely reflects the specified cuisine theme (Italian/Asian/comfort food)<br>6. Instruction clarity: Each step starts with an action verb, includes specific details (time/temperature/visual cues), and contains one clear action. No vague terms like &quot;cook until done&quot;<br>7. Format fules:<br>  - Title should be plain text (no special characters or markers)<br>  - TIME: must be followed by the number and &quot;minutes&quot;<br>  - INGREDIENTS: must use bullet points (•) with &quot;ingredient - amount&quot; format<br>  - INSTRUCTIONS: must use numbered list (1. 2. 3. etc)<br>  - NO other sections allowed<br>8. Length control: Maximum 8 ingredients, maximum 6 instruction steps, no extra sections/stories/tips<br><br>Quick Asian Garlic Chicken Stir-Fry<br>TIME: 15 minutes<br>INGREDIENTS:<br>- Chicken breast - 1 lb, cubed<br>- White rice - 2 cups, cooked<br>- Garlic - 4 cloves, minced<br>- Soy sauce - 3 tablespoons<br>- Vegetable oil - 2 tablespoons<br>- Green onions - 2 stalks, sliced<br>- Sesame oil - 1 teaspoon<br>INSTRUCTIONS:<br>1. Heat vegetable oil in wok over high heat until shimmering (about 1 minute).<br>2. Add cubed chicken and cook for 3-4 minutes until golden brown on all sides.<br>3. Push chicken to sides and add minced garlic to center, stir-fry for 30 seconds until fragrant.<br>4. Pour soy sauce over chicken and toss everything for 1 minute until well-coated.<br>5. Add cooked rice and stir-fry for 2 minutes until heated through.<br>6. Drizzle sesame oil and garnish with sliced green onions before serving.<br><br>Scoring Guidelines:<br>* Score 1-3: Solution fails to meet one or more MANDATORY requirements<br>* Score 4-6: Solution meets all mandatory requirements but has significant deficiencies in secondary criteria<br>* Score 7-8: Solution meets all mandatory requirements and most secondary criteria, with minor issues<br>* Score 9-10: Solution meets all mandatory and secondary criteria<br>IMPORTANT SCORING INSTRUCTIONS:<br>* Grade the output based ONLY on the listed criteria. Do not add your own extra requirements.<br>* If a solution meets all of the mandatory and secondary criteria give it a 10<br>* Don&#39;t complain that the solution &quot;only&quot; meets the mandatory and secondary criteria. Solutions shouldn&#39;t go above and beyond - they should meet the exact listed criteria.<br>* ANY violation of a mandatory requirement MUST result in a score of 3 or lower<br>* The full 1-10 scale should be utilized - don&#39;t hesitate to give low scores when warranted<br>Output Format<br>Provide your evaluation as a structured JSON object with the following fields, in this specific order:<br>- &quot;strengths&quot;: An array of 1-3 key strengths<br>- &quot;weaknesses&quot;: An array of 1-3 key areas for improvement<br>- &quot;reasoning&quot;: A concise explanation of your overall assessment<br>- &quot;score&quot;: A number between 1-10<br>Respond with JSON. Keep your response concise and direct.<br>Example response shape:<br>{<br>      &quot;strengths&quot;: string[],<br>      &quot;weaknesses&quot;: string[],<br>      &quot;reasoning&quot;: string,<br>      &quot;score&quot;: number<br>}<br>&quot;&quot;&quot;</pre><p>ใน eval_prompt นี้จะมี task description, {prompt_inputs}, {output}, criteria การ eval, scoring, output format</p><p>ต่อไปเป็น function ไว้ใส่ค่าในไอ้เจ้าพวกวงเล็บปีกกา {} ({prompt_inputs}, {output}) ไม่ต้องกังวล เดี๋ยวเราอธิบายให้ เย้ๆ</p><pre>import re<br>def fill_prompt(template_string, variables):<br>    placeholders = re.findall(r&quot;{([^{}]+)}&quot;, template_string)<br>    result = template_string<br>    for placeholder in placeholders:<br>         if placeholder in variables:<br>            result = result.replace(<br>                &quot;{&quot; + placeholder + &quot;}&quot;, str(variables[placeholder])<br>            )<br>    return result.replace(&quot;{{&quot;, &quot;{&quot;).replace(&quot;}}&quot;, &quot;}&quot;)</pre><p>ดูทีละบรรทัดเลย</p><pre>placeholders = re.findall(r&quot;{([^{}]+)}&quot;, template_string)</pre><p>บรรทัดนี้จะหาสัญลักษณ์ {([^{}]+)} แล้วเอาข้อความที่อยู่ข้างใน มาเก็บไว้ใน placeholders</p><pre>result = template_string</pre><p>ให้ค่าตั้งต้น result เป็นข้อความในปีกกา (template) ก่อน</p><pre>for placeholder in placeholders:<br>    if placeholder in variables:<br>        result = result.replace(<br>            &quot;{&quot; + placeholder + &quot;}&quot;, str(variables[placeholder])<br>        )</pre><p>อันนี้เอาไว้ดูว่า ถ้าข้อความ มันมีวงเล็บปีกกาซ้อนอีก ก็เอาวงเล็บออก โดยแต่ละ placeholder ถ้าเจอใน variables ให้ดึงข้อความนั้นจาก variables แล้วครอบด้วย string เก็บใน result</p><p>เช่น Hello {Chawanee} → Hello Chawanee</p><pre>return result.replace(&quot;{{&quot;, &quot;{&quot;).replace(&quot;}}&quot;, &quot;}&quot;)</pre><p>return result โดย ถ้าวงเล็บซ้อน ก็ให้เหลือแค่ชั้นเดียว เช่น {{apples}} → {apples}</p><p>..พักหายใจ 1 เฮือกกกก..</p><p>ต่อไปเป็น function ไว้ทำ eval แล้วว</p><pre>def gen_eval(prompt, testset, eval_prompt):<br>    results = []<br>    for test in testset:<br>        filled_prompt = fill_prompt(prompt, test)<br>        response = gen_answer(filled_prompt)<br>         temp_variables = {<br>                  &#39;prompt_inputs&#39;:filled_prompt,<br>                  &#39;output&#39;:response<br>              }<br>          filled_eval_prompt = fill_prompt(eval_prompt, temp_variables)<br>          eval_result = gen_answer(filled_eval_prompt, &#39;google/gemini-2.5-pro&#39;)<br>          eval_result = json.loads(eval_result.replace(&#39;```json&#39;, &#39;&#39;).replace(&#39;```&#39;, &#39;&#39;))<br>          result = temp_variables | eval_result<br>          results.append(result)<br><br>    return pd.DataFrame(results)</pre><p>มาดูโค้ดกัน ก่อนอื่น สร้าง list [] result จากนั้นวนลูปแต่ละอันที่อยู่ใน test case</p><pre>results = []<br>    for test in testset:<br>        filled_prompt = fill_prompt(prompt, test)<br>        response = gen_answer(filled_prompt)</pre><p>เช่น</p><pre>{<br> &#39;dietary_restrictions&#39;: &#39;vegetarian&#39;,<br> &#39;cooking_theme&#39;: &#39;Italian&#39;,<br> &#39;ingredients&#39;: [&#39;tomatoes&#39;, &#39;pasta&#39;],<br> &#39;time&#39;: &#39;30 minutes&#39;<br> }</pre><p>เอามาเข้า function fill_prompt ที่อธิบายไปตะกี้ เก็บใน filled_prompt</p><p>แล้วก็ไปเข้า function gen_answer (ที่ต่อ API) เก็บใน response</p><p>ได้ผลลัพธ์ (filled_prompt กับ response) แล้วก็เอามาเก็บใน temp_variables ก่อน แบบ dictionary</p><pre>for test in testset:<br>        filled_prompt = fill_prompt(prompt, test)<br>        response = gen_answer(filled_prompt)<br>        temp_variables = {<br>                    &#39;prompt_inputs&#39;:filled_prompt,<br>                    &#39;output&#39;:response<br>                   }</pre><p>เสร็จแล้วเอา eval_prompt (ไอ้ LLM-as-a-judge ยาวๆข้างบน) กับ temp_variables เมื่อกี้ มาเข้า function fill_prompt อีกที ก่อนเอาไปเข้า function gen_answer (มีการเปลี่ยนโมเดลมาใช้ตัวเก่งกว่าในการ eval)</p><pre>filled_eval_prompt = fill_prompt(eval_prompt, temp_variables)<br>eval_result = gen_answer(filled_eval_prompt, &#39;google/gemini-2.5-pro&#39;)</pre><p>แล้วก็เอาผลลัพธ์มาเก็บเป็น json ทำการเอา tag json ออก</p><p>แล้วก็เอา dict temp_variables กับ ผลลัพธ์อันนี้มา merge กันด้วย “|” เก็บใน result แล้วก็ append เข้าไปใน list ชื่อ results ที่สร้างไว้ก่อนหน้า</p><pre>eval_result = json.loads(eval_result.replace(&#39;```json&#39;, &#39;&#39;).replace(&#39;```&#39;, &#39;&#39;))<br>        result = temp_variables | eval_result<br>        results.append(result)</pre><p>วิธีทำ prompt eval ก็แค่เรียก function gen_eval ที่เพิ่งอธิบายไปได้เลย</p><pre>prompt = &quot;&quot;&quot; ใส่ prompt ตรงนี้ {ingredients} {dietary_restrictions} <br>{cooking_theme} {time}<br>&quot;&quot;&quot;<br><br>results = gen_eval(prompt, test_cases, eval_prompt)<br>results.to_csv(&#39;prompt.csv&#39;)<br>print(f&quot;mean score = {results[&#39;score&#39;].mean()}&quot;)<br>results</pre><p>ตัวอย่าง prompt แบบต่างๆไปดู<a href="https://github.com/yongsa-nut/SF323_CN408_AIEngineer/blob/main/SF323_CN408_Lecture_3_Demo_(updated).ipynb">โค้ด</a>ของอาจารย์ได้เลย ส่วนวิธีการเขียน prompt ให้ดี เราเคยเขียนไว้ใน <a href="https://medium.com/@chawadesu/ep-4-llms-prompt-engineering-%E0%B8%AA%E0%B8%A3%E0%B8%B8%E0%B8%9B%E0%B8%89%E0%B8%B1%E0%B8%99-prompt-%E0%B8%81%E0%B8%B2%E0%B8%81%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%99%E0%B8%B5%E0%B9%88-%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%8B%E0%B8%B4%E0%B8%81%E0%B9%86-109477f3eeee">EP.4</a> กลับไปอ่านก่อนได้ค่ะ แล้วจะเดี๋ยวมีลงรายละเอียดใน <a href="https://medium.com/@chawadesu/llm-%E0%B8%AA%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B8%9A%E0%B8%B4%E0%B8%99-ep-7-prompt-engineering-%E0%B8%A3%E0%B8%B0%E0%B8%94%E0%B8%B1%E0%B8%9A%E0%B8%9E%E0%B8%A3%E0%B8%B0%E0%B8%81%E0%B8%B2%E0%B8%AC-b8df18c47105">EP.7</a> ตามไปดูได้เลยยย</p><p>ส่วนสำหรับ eval prompt ลองดูตัวอย่างข้างบนก็ได้ เราก็จะเห็นว่า prompt ที่ดีคือ</p><ol><li>ชัดเจน ตรงไปตรงมา เขียนประโยคแบบ imparative (ประโยคคำสั่ง ขึ้นต้นด้วย action verb) ไม่ต้องอารัมภบท เช่น “Write a paragraph about Hyrox.”</li><li>เขียนให้เฉพาะเจาะจง ต้องการอะไร เขียนเป็นข้อๆไปเลย 1 2 3 ปลาฉลามขึ้นบก 5555 ใครเก็ตคือ แก่!!</li><li>ที่เขียนเป็นข้อๆ ให้บอกไปเลยว่าต้องการ output แบบไหน ตอบยาว ตอบสั้น format แบบไหน ต้องมีคำอะไรในคำตอบไหม โทนการตอบ หรือเขียนแบบให้มันช่วยเราคิดอีกทีในกรณีที่ต้องการให้โมเดลช่วยคิด วิเคราะห์ แยกแยะ พวกปัญหาซับซ้อนๆ แต่ต้องบอกทีละขั้นตอน</li><li>ใช้ XML tags เพื่อแบ่งก้อน เช่น ก้อนตัวอย่าง &lt;example&gt; …. &lt;/example&gt; หรือใช้ Markdown # ## ### ก็ได้ถ้าถนัดกว่า หรือบางทีก็ใช้ “““ …… ””” ก็ได้ ใช้รวมกันก็ได้</li><li>การยกตัวอย่าง เช่น ยก edge cases ยก output format เช่น JSON ยกสไตล์ที่ต้องการ ยกวิธีจัดการ input โบ้ๆเบ้ๆ</li></ol><p>วันนี้พอแค่นี้ก่อน ตอนแรกจะเขียนการ prompt ท่า advance ไปในตอนเดียวกันเลย แต่คิดไปคิดมา ขอแยกตอนดีกว่า เพราะมันจะยาวเกินไป เนื้อหาสรุปสุดติ่งกระดิ่งแมววันนี้จะไม่มี ถ้าไม่มีเลคเชอร์ของ<a href="https://www.youtube.com/@nutchanonyongsatianchot7510">อาจารย์นัท</a> ขอบคุณทุกครั้งเลย เพราะความรู้มีทุกที่ แต่ความรู้ดีๆฟรีๆก็มีเหมือนกันนนน</p><p>วันนี้พอแค่นี้ก่อน ต้องไปซ้อม Hyrox อีกแล้ว 5555 ซ้อมเสร็จเดี๋ยวมาเขียนต่อ</p><p>บั้ยบายค่าาา ขอบคุณที่ติดตามผู้หญิงตัวเล็กๆแต่มวลกล้ามแน่น บอดี้แฟต21% มีไอจีฟิตหุ่น @chaofitchick นะคะ 5555555</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=56ca07107c4a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.5 — Prompt Evaluations มาวัดกันไหม]]></title>
            <link>https://medium.com/@chawadesu/llm-%E0%B8%AA%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B8%9A%E0%B8%B4%E0%B8%99-ep-5-prompt-evaluations-%E0%B8%A1%E0%B8%B2%E0%B8%A7%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B9%84%E0%B8%AB%E0%B8%A1-%E0%B8%A5%E0%B8%B0%E0%B9%80%E0%B8%AD%E0%B8%B5%E0%B8%A2%E0%B8%94%E0%B8%A2%E0%B8%B4%E0%B8%9A%E0%B8%A2%E0%B8%B1%E0%B8%9A-38e4735788b4?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/38e4735788b4</guid>
            <category><![CDATA[prompt-engineering]]></category>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Mon, 24 Nov 2025 16:49:12 GMT</pubDate>
            <atom:updated>2025-11-24T17:15:34.927Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM สมองบิน EP.5 — Prompt Evaluations มาวัดกันไหม</h3><p>สวัสดีค่าา กลับมาแล้ววว ยินดีต้อนรับสู่ซีรี่ส์ LLM สมองบิน ที่จะมาสรุป<a href="https://www.youtube.com/@nutchanonyongsatianchot7510">เลคเชอร์</a>ของอาจารย์นัท ใน EP นี้เปิดมาก็จะวัดเลย 5555 <a href="https://medium.com/@chawadesu/ep-4-llms-prompt-engineering-%E0%B8%AA%E0%B8%A3%E0%B8%B8%E0%B8%9B%E0%B8%89%E0%B8%B1%E0%B8%99-prompt-%E0%B8%81%E0%B8%B2%E0%B8%81%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%99%E0%B8%B5%E0%B9%88-%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%8B%E0%B8%B4%E0%B8%81%E0%B9%86-109477f3eeee">ครั้งก่อน</a>พูดถึง Prompt Engineering แบบเบสิคๆไปพอสังเขป คราวนี้จะขอวัดก่อน ถาม วัดอะไร ตอบ วัดกะกูป่ะล่าาาา (มุกนี้ยังมีใครเล่นอยู่ไหม 555)</p><p><strong>Evaluations ของการทำ Prompt Engineering</strong></p><p><a href="https://medium.com/@chawadesu/ep-4-llms-prompt-engineering-%E0%B8%AA%E0%B8%A3%E0%B8%B8%E0%B8%9B%E0%B8%89%E0%B8%B1%E0%B8%99-prompt-%E0%B8%81%E0%B8%B2%E0%B8%81%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%99%E0%B8%B5%E0%B9%88-%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%8B%E0%B8%B4%E0%B8%81%E0%B9%86-109477f3eeee?source=friends_link&amp;sk=b7e7487eb400c1e1a159d17a93a39c62">ครั้งที่แล้ว</a>ฉันพูดถึง Consumer prompts vs. Enterprise prompts ไปบ้างแล้ว ซึ่งในที่นี้เราจะโฟกัสกับ Enterprise prompts</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GQ1wYPaEMrLMYxWjbtrcnA.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=hj8O8Y8iMzatQsYD">https://youtu.be/HqLf1Cvco2k?si=hj8O8Y8iMzatQsYD</a></figcaption></figure><p>การทำ prompt ที่ดีต้องสามารถทดสอบ และปรับปรุงให้เก่งขึ้นได้ เริ่มจากทำ test case แล้วเอา prompt เอาไปทดสอบ แล้วดูว่า prompt ดีไหมด้วยขั้นตอนการ evaluation ทำเป็น back and fourth ไปเรื่อยๆจนมันเก่ง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/1*zgPuMAbu7pHFrZIA782oKw.png" /></figure><p>มันจะอะไรกันหนักหนากับคำว่า all you need 55555</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*teWhswiphGNp_SOD" /></figure><p>สรุปได้ว่าการวัดสำคัญมาก จะทำโปรเจค Generative AI อะไรมา อย่าลืมวัด!!! วัดอะไร ยังอีกก ยังไม่เลิกเล่น 55555</p><p>Evaluation ต่อไปนี้จะเรียกว่า Eval (อี-วาว 5555) คือ การวัด performance ของโมเดล LLM บน dataset ที่เราจัดให้มัน</p><p>แล้ววัดอะไรบ้าง?</p><ul><li>วัดกะกูป่ะล่ะ เห้ยย! ไม่ใช่ 5555 วัดความรู้ของโมเดลสำหรับ domain ที่เราสนใจ</li><li>วัดความสามารถของโมเดลในการทำ task อะไรบางอย่าง</li><li>วัด progress หรือ ความเปลี่ยนแปลง เวลาเปลี่ยนการ prompt แล้วดูการ generate ของโมเดล</li></ul><p>วันนี้จะมาดู P<strong>rompt Evaluation</strong> แบบ deep ๆ<strong> </strong>กัน</p><p>ความแตกต่างระหว่าง Prompt Engineering กับ Prompt Eval คือ</p><ul><li><strong>Prompt Engineering</strong> เราเขียนไปใน <a href="https://medium.com/@chawadesu/ep-4-llms-prompt-engineering-%E0%B8%AA%E0%B8%A3%E0%B8%B8%E0%B8%9B%E0%B8%89%E0%B8%B1%E0%B8%99-prompt-%E0%B8%81%E0%B8%B2%E0%B8%81%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%99%E0%B8%B5%E0%B9%88-%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%8B%E0%B8%B4%E0%B8%81%E0%B9%86-109477f3eeee?source=friends_link&amp;sk=b7e7487eb400c1e1a159d17a93a39c62">EP</a> ที่แล้ว ก็คือเขียน prompt ให้ดีๆ แบบไหนคือดี ย้อนกลับไปอ่านแบบน้ำจิ้มใน <a href="https://medium.com/@chawadesu/ep-4-llms-prompt-engineering-%E0%B8%AA%E0%B8%A3%E0%B8%B8%E0%B8%9B%E0%B8%89%E0%B8%B1%E0%B8%99-prompt-%E0%B8%81%E0%B8%B2%E0%B8%81%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%99%E0%B8%B5%E0%B9%88-%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%8B%E0%B8%B4%E0%B8%81%E0%B9%86-109477f3eeee">EP.4</a> ได้เลยค่ะ (จริงๆมีลงรายละเอียดอีกอยู่ใน EP.7)</li><li><strong>Prompt Evaluation</strong> คือการทำ automate testing เพื่อวัดว่าโมเดลตอบดีแค่ไหนเทียบกับคำตอบที่เราคาดหวัง และเปรียบเทียบความเปลี่ยนของ prompt และสุดท้ายดูว่ามันพลาดตรงไหนจะได้ไปแก้ถูก</li></ul><p><strong>การ Eval prompt</strong> นั้นมี 3 รูปแบบ เรียงจากง่ายไปยาก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZtIUj77gdiumHf5kYnOcwQ.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=ekHgqYI4KobAa7Fp">https://youtu.be/HqLf1Cvco2k?si=ekHgqYI4KobAa7Fp</a></figcaption></figure><p><strong>แบบง่าย #1 </strong>: ทดสอบครั้งเดียวก็เฟี้ยวได้ 555 แต่ก็เสี่ยงว่าจะเจ๊งตอนขึ้น production</p><p><strong>แบบกลางๆ #2</strong> : ทดสอบ &gt;1 ครั้ง มีทดสอบ corner case ถ้า user ใส่ไรมาโบ้ๆเบ้ๆ แก้ได้ไหม แต่ก็อาจจะไม่ได้ดั่งใจ เพราะไม่ได้ทดสอบมากพอ</p><p><strong>แบบสุดท้าย #3 </strong>:<strong> </strong>เล่นใหญ่สุดคือ เขียน eval pipeline เพื่อให้ score วัดว่ามันดีพอ</p><p>..พักหายใจลึกๆ 1 ที..</p><p><strong>Eval Workflow </strong>มีหน้าตาประมาณรูปด้านล่างนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/376/1*B3ONRNBJbei5l6pOg6LRdg.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=ekHgqYI4KobAa7Fp">https://youtu.be/HqLf1Cvco2k?si=ekHgqYI4KobAa7Fp</a></figcaption></figure><p>มาดูทีละอันกัน</p><ol><li><strong>Draft a Prompt</strong>: เขียน prompt มาก่อน ดีไม่ดีไม่รู้แหละ มันจะรู้ตอน eval</li></ol><pre>prompt = f&quot;&quot;&quot;<br>Please answer the user&#39;s question:<br>{question}<br>&quot;&quot;&quot;</pre><p>2. <strong>Create an Eval Dataset</strong>: สร้างชุดคำถามมา เพื่อเอามา merge กะ prompt เรา</p><p>3. <strong>Feed through Claude</strong> (หรือโมเดล LLM อื่นๆ): เอาไปเข้าโมเดล</p><p>4. <strong>Feed through a Grader</strong>: เอาคำตอบผ่าน grader ออกมาเป็นคะแนน</p><p>5. <strong>Change Prompt and Repeat</strong>: แก้ prompt แล้วทำใหม่ ดูว่าคะแนนดีขึ้นไหม</p><p><strong>Types of Evaluations</strong></p><p>แล้วประเภทของการ eval มีอะไรบ้าง มาดูกัน</p><ol><li><strong>Choices คำถามแบบมีตัวเลือกคำตอบให้</strong></li></ol><ul><li>True or False: อันนี้ตรวจง่ายมาก เพราะคำตอบมีแค่ true หรือ false</li><li>Multiple choices: คำถามช้อยส์ ตรวจง่ายเช่นกัน</li></ul><p>2. <strong>Free Response คำถามแบบตอบเป็น text</strong></p><ul><li>Keyword: คำถามปลายเปิด เริ่มตรวจยากและ ถ้าเจอ keyword ในคำตอบ ถือว่าผ่าน</li><li>Short answer: ตรวจยาก ต้องเค้นสมองหน่อย 5555 ใช้มนุษย์ช่วยตรวจได้ rubric ต้องชัดเจน</li><li>Essay: เหมือนกัน</li><li>Comparison (A/B Testing): เปรียบเทียบคำตอบ แล้วให้มนุษย์เลือกว่าอันไหนตอบดีกว่า</li></ul><p>มีคำถามแล้ว ไม่มีคนตรวจได้ไง มาดูกันว่า <strong>Graders</strong> หรือคนตรวจมีแบบไหนบ้าง</p><p>Graders มี 3 แบบ</p><ol><li><strong>Code</strong>: ใช้โปรแกรมตรวจ พวกคำถาม choice ทำได้ เร็ว ประหยัด แต่คำถามปลายเปิดระดมสมองตรวจไม่ได้</li><li><strong>Model</strong>: ใช้โมเดล LLM-as-a-judge เป็นคนตรวจ ทำได้เร็ว ง่าย งานยากๆก็ได้ แต่ดูอีกทีว่าตรวจได้จริงไหม</li><li><strong>Human</strong>: ใช้คน แต่บาง domain ก็อาจจะหาคนยาก คิวฮอต ทำได้ช้า แพง</li></ol><p>ยกตัวอย่างการใช้ LLM-as-a-judge แบบรูปข้างล่าง คือคำตอบออกมา 2 แบบ ก็ให้โมเดลเลือกว่าแบบไหนตอบดีกว่า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*M2F8TpbLrq9I_-9jtTAULA.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=ygejjlxNUCDygAoS">https://youtu.be/HqLf1Cvco2k?si=ygejjlxNUCDygAoS</a></figcaption></figure><p>กับอีกตัวอย่างนึง มีคำตอบ กับ rubric ให้ว่าคำตอบแบบไหนถึงถือว่าเป็นคำตอบที่ดี แล้วก็ให้โมเดลตรวจตาม rubric</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*p61XqfhgKjsLnFpyrEMlLg.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=ygejjlxNUCDygAoS">https://youtu.be/HqLf1Cvco2k?si=ygejjlxNUCDygAoS</a></figcaption></figure><p>อันตะกี้มีโมเดลตรวจอันเดียว จริงๆใช้หลายตัวได้เหมือนกัน แบบตัวอย่างข้างล่างนี้ (ตอบมาคะแนนต่างกันครึ่งนึงเลย เวรกรรม 555)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1022/1*x4gLnNvS05MMNHzVTLaS9w.png" /><figcaption>Source: <a href="https://youtu.be/HqLf1Cvco2k?si=ygejjlxNUCDygAoS">https://youtu.be/HqLf1Cvco2k?si=ygejjlxNUCDygAoS</a></figcaption></figure><p>การที่เราใช้<strong> LLM-as-a-judge (LLM-based grading)</strong>ให้ปังนั้นก็จะมี best practice อยู่ดังนี้</p><ul><li>Rebric ต้องชัดเจน</li><li>ต้องเฉพาะเจาะจงมากๆ ให้ตรวจว่าถูกหรือผิด แต่พวก scale 1–5 อาจจะต้องระวังความลำเอียง</li><li>ให้โมเดลมี reasoning อธิบายว่า ทำไมถึง eval แบบนี้ ให้คิดก่อน</li><li>เลือกใช้โมเดลดีๆ</li></ul><blockquote>ระวังเรื่อง Ordering Effect คือโมเดล bias เรื่องอันดับ เช่น ชอบตอบ A หรืออันดับที่มาก่อน</blockquote><p>ต่อไปมาดูตัวอย่างการ prompt สำหรับ <strong>LLM-based grading</strong></p><p>วิธีการ prompt ใช้ XML structure (ไอ้วงเล็บ &lt;&gt; &lt;/&gt;) สำหรับแบ่ง part ดูตัวอย่างข้างล่างได้เลย</p><pre>Grade this answer based on the rubric:<br>&lt;rubric&gt;{{rubric}}&lt;/rubric&gt;<br>&lt;question&gt;{{question}}&lt;/question&gt;<br>&lt;answer&gt;{{answer}}&lt;/answer&gt;<br><br>Think through your reasoning in &lt;thinking&gt; tags, then output &#39;correct&#39; <br>or &#39;incorrect&#39; in &lt;result&gt; tags.&quot;&quot;<br></pre><p>แล้วเราจะเลือกใช้ grader อย่างไร</p><ul><li>ให้ task-specific ว่าเราจะทำอะไร คิดเผื่อ edge cases เช่น input โบ้ๆเบ้ๆ</li><li>ถ้าเป็นไปได้ ให้ automate</li><li>Volume &gt; quality เน้นปริมาณ</li></ul><p>สุดท้ายมาดู <strong>Evaluation Metrics </strong>ว่าวัดการ eval ด้วยอะไรได้บ้าง</p><ul><li><strong>Word-Level Metrics </strong>(code grader): วัดแบบเทียบคำต่อคำ วัดด้วย BLEU, ROGUE, Perplexity, etc.</li><li><strong>Exact Match Metrics</strong> (code grader): วัดความแม่นยำ accuracy (correct / total) หรือใช้ confusion matrix ถ้า &gt; 2 classes<br>ดู accuracy อย่างเดียวอาจจะไม่เวิร์คถ้า class มัน imbalance ก็ดู precision recall F1</li><li><strong>Task-Specific Rubrics</strong> (model or human): พวกคำถามปลายเปิด ต้องมี rubric ชัดเจน <br>S — Specific<br>M — Measurable<br>A — Achievable<br>R — Relevant</li></ul><p>แล้ว<strong> Common Rubrics </strong>เราจะวัดด้วยเงื่อนไขอะไรได้บ้าง</p><ul><li>Task fidelity: โมเดลทำได้ดีแค่ไหน</li><li>Consistency: โมเดลตอบเหมือนเดิมไหม</li><li>Relevance and coherence: โมเดลตอบตรงคำถามใช่ไหม</li><li>Tone and Style: ตอบตามสไตล์ที่ต้องการไหม</li><li>Privacy preservation: โมเดลรักษาความลับได้ไหม</li><li>Context Utilization: โมเดลเอาข้อมูลที่เราให้ไปใช้ไหม</li><li>Latency: โมเดลตอบได้เร็วไหม</li><li>Price: ราคา</li></ul><blockquote>เราสามารถใช้ LLM ช่วยคิดว่าจะให้ Rubric มีอะไรบ้าง</blockquote><p><strong>Common Mistakes</strong></p><ul><li>Metrics ที่ใช้ต้องเกี่ยวกับ use case</li><li>จริงๆ Latency กับ ความฉลาดของโมเดลก็ trade off กัน อาจจะต้องดีไซน์ UX เพื่อรองรับ latencyด้วย</li></ul><p><strong>Best Practices</strong></p><ul><li>ต้องรู้ว่า user ซีเรียสเรื่องอะไร intelligent? latency? cost?</li><li>ให้ความสำคัญทั้ง time กับ value</li><li>ทำ UX ดีๆ เพื่อรองรับ latency</li></ul><p><strong>Challenges in Evaluation</strong></p><ul><li>บาง domain อาจจะต้องใช้ domain expert</li><li>บางงานทดสอบยาก</li><li>ความยาวของบทสนทนาก็ทำให้ทดสอบยาก</li><li>บางทีวัดยาก</li><li>edge cases เช่น คำหยาบ</li><li>เอาคนมา eval บางทีก็ subjective ใช้เวลานาน เปลืองตัง</li><li>เอาโมเดลมา eval ก็ bias ความสามารถก็อาจจะจำกัด</li></ul><p>จบแล้วสำหรับตอนวัดนี้ จริงๆเนื้อหายังมีอีก แต่ขอเขียนแยกออกไปอีก EP ดีกว่าเพราะยาวมากก น้ำตาจะไหล 55555 ขอบคุณเลคเชอร์อาจารย์นัทอีกครั้ง เป็นประโยชน์กับประชาชนคนไทยมากๆ</p><p>เดี๋ยวตอนหน้าจะมาเขียนสรุป Prompt Engineering with Evals กันนะคะ ช่วงนี้เขียนบ้างไม่เขียนบ้าง ติดซ้อม Hyrox 5555 ลงแข่งไว้ตอนมีนา บ้ามากก ยังไงก็ขอฝากไอจีฟิตหุ่นของเราหน่อยนะ อิอิ IG: @chaofitchick</p><p>ขอบคุณทุกคนที่หลงเข้ามาอ่าน ขอให้มีวันที่ดี สวัสดีค่าาาา</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=38e4735788b4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.4 — Prompt Engineering ถามยังไงให้ตรงคำตอบ]]></title>
            <link>https://medium.com/@chawadesu/ep-4-llms-prompt-engineering-%E0%B8%AA%E0%B8%A3%E0%B8%B8%E0%B8%9B%E0%B8%89%E0%B8%B1%E0%B8%99-prompt-%E0%B8%81%E0%B8%B2%E0%B8%81%E0%B8%AB%E0%B8%A3%E0%B8%B7%E0%B8%AD%E0%B8%99%E0%B8%B5%E0%B9%88-%E0%B8%81%E0%B8%A3%E0%B8%B0%E0%B8%8B%E0%B8%B4%E0%B8%81%E0%B9%86-109477f3eeee?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/109477f3eeee</guid>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[prompt-engineering]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Sun, 02 Nov 2025 17:07:27 GMT</pubDate>
            <atom:updated>2025-11-10T15:49:51.765Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM สมองบิน EP.4 — Prompt Engineering ถามยังไงให้ตรงคำตอบ</h3><p>สวัสดีค่าาา กลับมาอีกแล้ว กับซีรี่ส์ LLMs ที่ยังไม่ได้ตั้งชื่อ 555 <a href="https://medium.com/@chawadesu/ep-3-llms-%E0%B8%A1%E0%B8%B2%E0%B8%A5%E0%B8%AD%E0%B8%87-hands-on-%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99-chatbot-%E0%B8%AB%E0%B8%99%E0%B9%88%E0%B8%AD%E0%B8%A1%E0%B9%81%E0%B8%99%E0%B9%89%E0%B8%A1-bb625ee386c0">ครั้งที่แล้ว</a>พูดถึงการเชื่อม API แบบง่ายๆไปแล้ว แล้วก็มีพูดถึง Sampling Parameters ที่เอาไว้กันเปลือง 5555 ซึ่งจริงๆแล้วก่อนจะไปยุ่งกับ parameter พวกนั้น จริงๆมาดูที่ prompt ก่อน เพราะบางทีถ้า prompt กาก แล้วไปปรับ parameter ก็อาจจะไม่ช่วยอะไร</p><p>วันนี้เลยจะมาดูเรื่อง Prompt Engineering แบบ Basic กัน</p><p>Prompt → LLM → Response</p><p>Prompt Engineering ง่ายๆก็คือ ให้นึกถึง input ที่เวลาเราสั่งให้ ChatGPT มันทำนู่นทำนี่แหละ อันนั้นคือ prompt แต่เราจะเอามา engineering เพื่อคุมการตอบให้ได้ดั่งใจ high performance เพราะปกติโมเดลมันจะรู้แค่ที่เราบอกมัน ถ้าไม่เคยบอก มันก็ไม่รู้ (มีความเป็น stateless และ non-deterministic)</p><p><strong>Structure ของ Prompt</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CACYbxpsnfyBdZ7BnozC1w.png" /><figcaption>Source: <a href="https://youtu.be/1t1VQHuyYfU?si=RVyb5TM8SkyMOgKA">https://www.youtube.com/watch?v=1t1VQHuyYfU&amp;list=PLsv6S1BSj2Qs5Bvb43kw0jqTOcOXa2lSJ</a></figcaption></figure><p>จะมี system prompt แล้วตามด้วย User → Assistant สลับตากัน แต่ใน ChatGPT ที่เรา prompt มันจะเป็นแบบ consumer prompt ไม่เกี่ยวกับหัวข้อในวันนี้ แต่ที่สรุปใน EP นี้คือจะเป็นแบบ enterprise prompt คือ prompt เป็นกิจจะลักษณะเลย มี structure มี template แล้วต้องมีการทดสอบด้วย</p><p><strong>How? แล้วจะทำยังไง</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/851/1*nqot8_yaN5sRhwID5Oax8A.png" /><figcaption>Source: <a href="https://youtu.be/1t1VQHuyYfU?si=ob2OiH8EhSEXyHiB">https://youtu.be/1t1VQHuyYfU?si=ob2OiH8EhSEXyHiB</a></figcaption></figure><p>เหมือน prompt น้องพนักงานใหม่ ที่ขี้ลืม โดยการ</p><ol><li>ทำให้ชัดเจน บอกว่าจะเอาผลลัพธ์ไปทำอะไร ให้ใครใช้ เป้าหมายคืออะไร ดีคือแบบไหน ไม่ดีคือแบบไหน</li><li>แบ่งงานให้ชัดเจน ต้องทำอะไรบ้าง</li><li>ให้ตัวอย่าง (few shot/ multi shot prompting) สามารถใช้ tag &lt;example&gt;…&lt;/example&gt; ได้</li><li>ให้สามารถถามได้ว่าเข้าใจภาษาเราไหม</li></ol><p>รูปข้างล่างคือตัวอย่าง prompt ที่ไม่ชัดเจน กับ prompt ที่ดีย์ มีความเฉพาะเจาะจง รู้ความต้องการของตัวเอง รูปทั้งหมดนี้ แน่นอนว่าเอามาจาก<a href="https://youtu.be/1t1VQHuyYfU?si=gPGYmjE5HYfJfeko">เลคเชอร์อาจารย์</a> 55555</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OOR-rDPhGqLq0aEkCdCkSQ.png" /></figure><p>ต่อไปตัวอย่าง prompt ที่มีการแบ่งงานชัดเจน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VGHOgr8Za53nA_EXxci0vg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Caz1xlNgVyDQU9TvG372ew.png" /></figure><p>ตัวอย่าง prompt ที่มีการยกตัวอย่างใน tag &lt;example&gt;….&lt;/example&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k77DTDnvzGG6Xd0DPoKNMQ.png" /></figure><p>จบแล้วสำหรับ Promp Engineering Basic ส่วน Prompt Engineering ของจริงขอยกไปเขียน EP หน้าแล้วกัน เพราะน่าจะยาววววว ขอบคุณเลคเชอร์อาจารย์นัทมากๆเลยนะคะ สอนดีมากๆ ความรู้ดีๆก็มีในโลก เย้ๆ</p><p>แล้วพบกัน EP.5 นะคะ ขอบคุณที่ติดตามค่าาา เลิฟฟฟฟ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=109477f3eeee" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.3 — มาลอง Hands On เขียน Chatbot พร้อมอธิบายโค้ดละเอียดจัดๆ]]></title>
            <link>https://medium.com/@chawadesu/ep-3-llms-%E0%B8%A1%E0%B8%B2%E0%B8%A5%E0%B8%AD%E0%B8%87-hands-on-%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99-chatbot-%E0%B8%AB%E0%B8%99%E0%B9%88%E0%B8%AD%E0%B8%A1%E0%B9%81%E0%B8%99%E0%B9%89%E0%B8%A1-bb625ee386c0?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/bb625ee386c0</guid>
            <category><![CDATA[ai-engineering]]></category>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Tue, 28 Oct 2025 17:31:17 GMT</pubDate>
            <atom:updated>2025-11-10T15:49:23.437Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM สมองบิน EP.3 — มาลอง Hands On เขียน Chatbot พร้อมอธิบายโค้ดละเอียดจัดๆ</h3><p>ตอนนี้พอเข้าใจ concept ของ LLMs บ้างแล้วจากใน <a href="https://medium.com/@chawadesu/llms-%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2%E0%B8%99%E0%B8%B4%E0%B8%94%E0%B9%80%E0%B8%94%E0%B8%B5%E0%B8%A2%E0%B8%A7-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B8%B7%E0%B8%AD%E0%B8%A2%E0%B8%B2%E0%B8%81-e04304dc96e2">EP.1</a> และ <a href="https://medium.com/@chawadesu/ep-2-llms-%E0%B9%80%E0%B8%9A%E0%B8%AA%E0%B8%B4%E0%B8%84-%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%A1%E0%B8%B1%E0%B8%98%E0%B8%A2%E0%B8%A1%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%81%E0%B9%87%E0%B9%80%E0%B8%82%E0%B9%89%E0%B8%B2%E0%B9%83%E0%B8%88-%E0%B9%81%E0%B8%95%E0%B9%88%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%AB%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%81%E0%B8%B4%E0%B9%89%E0%B8%9A%E0%B9%80%E0%B8%95%E0%B9%8A%E0%B8%94-9ffcf86ff37f">EP.2</a> วันนี้จะมาลองเขียนโค้ดยิง API กันบ้างนะคะ</p><p>ใน<a href="https://www.youtube.com/@nutchanonyongsatianchot7510">เลคเชอร์อาจารย์นัท</a>แนะนำให้ใช้ <a href="https://openrouter.ai/">OpenRouter</a> นะ อารมณ์ตลาดรวมโมเดลต่างๆให้เลือกสรร ก่อนอื่นเลยสมัคร OpenRouter ก่อน แล้วไปสร้าง API key มา ส่วนเรายังไม่ได้สมัครเพราะเติมของ OpenAI ไว้แล้ว (ใครกลัวเปลือง จริงๆเติมไว้ซัก $5-$10 ก็ได้ ไม่น่าใช้เกินหรอก ยกเว้นเพื่อนเวรขโมยใช้ 555)</p><p>พอสมัครได้ API key มาแล้ว ปกติเราจะเก็บใน .env เพราะเผื่อเผลอ push code ขึ้น GitHub มันจะซวย 5555</p><p>วิธีการทำคือ ไปที่ terminal แล้ว cd ไป directory ของ project เรา</p><pre>nano .env</pre><p>แล้วให้เราใส่</p><p>OPENAI_API_KEY=“ใส่ API key ตรงนี้ โดยไม่ต้องใส่ quotation mark นะ”</p><p>ใครใช้ OpenRouter ก็ปรับเอาได้เลยค่ะ</p><p>ต่อไปเรามาเชื่อม API กัน</p><pre>from openai import OpenAI<br>import os<br><br>load_dotenv(override=True)<br>api_key = os.getenv(&quot;OPENAI_API_KEY&quot;)<br><br>client = OpenAI(<br>    base_url=&quot;https://openrouter.ai/api/v1&quot;,<br>    api_key=api_key,<br>)<br><br>messages = [<br>    {&quot;role&quot;: &quot;user&quot;, <br>     &quot;content&quot;: &quot;Tell me a joke about cats.&quot;}<br>]<br><br>completion = client.chat.completions.create(<br>    model=&quot;openai/gpt-4o&quot;,<br>    messages=messages<br>)<br><br>print (completion.choices[0].message.content)<br></pre><p>มาดูโครงสร้างของ messages กัน มันคือ list ของบทสนทนาระหว่าง user กับ assistant ซึ่งบทสนทนาจะเก็บเป็น dictionary</p><p>key จะมี “role” คือใครพูด กับ “content” คือใครพูดอะไร</p><p>ดูตัวอย่างกัน</p><pre>messages = [<br>    {&quot;role&quot;: &quot;user&quot;, <br>     &quot;content&quot;: &quot;Hello!&quot;},<br>    {&quot;role&quot;: &quot;assistant&quot;,<br>     &quot;content&quot; :&quot;Hello, how can I help you?&quot;},<br>    {&quot;role&quot;: &quot;user&quot;,<br>     &quot;content&quot; : &quot;Can you help me write an email?&quot;},<br>    {&quot;role&quot;: &quot;assistant&quot;,<br>     &quot;content&quot; : &quot;Sure, what is it about?&quot;} <br>]</pre><p>บทสนทนาที่ยกตัวอย่างในเคสนี้คือเราจะต้องจัดการเอง เพราะ API ที่เราส่งไปมันไม่ได้จำบทสนทนา (Stateless Conversation) ถ้าเกิดจะให้บทสนทนามันตอบโต้ไปมา เวลาโมเดลมันตอบมา เราก็ต้องเอามาเก็บใน message ก่อน แล้ววนไปเรื่อยๆ</p><p>ตัวอย่าง code ของอาจารย์</p><pre>msg_history = []<br>while True:<br>    user_query = input(&#39;User: &#39;)<br>    msg_history.append({&quot;role&quot; : &quot;user&quot;,<br>                        &quot;content&quot; : user_query})<br>    response = client.chat.completions.create(<br>      model = &quot;gpt-4.1-mini&quot;<br>      message = msg_history<br>    )<br>    respoonse = response.choices[0].message.content<br>    msg_history.append({&quot;role&quot; : &quot;assistant&quot;,<br>                        &quot;content&quot; : response})<br>    print(&quot;Assistant:&quot; , response)</pre><p>ก็คือสร้าง list ไว้เก็บ history ก่อน แล้วเอา response (choice ที่ 0) มา append ใส่ใน list ได้แล้ว chatbot ง่ายจัง 5555</p><p>ข้างบนมันแค่ตัวอย่างเฉยๆเพื่ออธิบายให้เก็ตนะ จริงๆควรเขียนเป็น function นะ จะเขียนยังไงก็ตามใจ ตราบใดที่กลับมาดู code ตัวเองแล้วไม่งง แต่เพื่อนงงมากกก</p><p>ตัวอย่างของเราจะประมาณนี้</p><pre>def chat(message, history):<br>    history = [{&quot;role&quot;:h[&quot;role&quot;], <br>                &quot;content&quot;:h[&quot;content&quot;]} for h in history]<br>    messages = [{&quot;role&quot;: &quot;system&quot;, <br>                 &quot;content&quot;: system_message}<br>                ] + history + [<br>                     {&quot;role&quot;: &quot;user&quot;, <br>                      &quot;content&quot;: message}]<br>    response = openai.chat.completions.create(model=MODEL, messages=messages)<br>    return response.choices[0].message.content</pre><p>อธิบาย code สักนิด จิตแจ่มใส</p><pre>def chat(message, history):<br>    ....</pre><p>Function นี้เอาไว้ส่ง chat request ไปยัง OpenAI (หรือ OpenRouter) คือแทนที่มันจะถามคำตอบคำ จำอะไรก็ไม่ได้ เราก็จะเก็บ chat history ไว้ใน list ด้วย + กับ message ใหม่ของ user + กับ system message (เป็น instruction message เช่น You are a useful assistant หลายๆคนใช้ ChatGPT ก็จะมี prompt แบบนี้บ้าง ให้ตอบเฟรนด์ลี่ๆ หรือบางทีขอแบบดุดัน กวนตรีน ก็แล้วแต่ 555)</p><p>Parameter ที่รับจะเป็น message ใหม่ของ user กับ history ที่เป็น list เก็บบทสนทนาเก่า (หน้าตาเหมือนตัวอย่างโครงสร้าง message ข้างบนเลย)</p><pre>history = [{&quot;role&quot;:h[&quot;role&quot;], <br>                &quot;content&quot;:h[&quot;content&quot;]} for h in history]</pre><p>บรรทัดนี้เขียนเป็น list comprehension คือทุกๆ element h ใน list ที่ชื่อ history ให้สร้าง dictionary ที่มี key “role” กับ “content” พอมันมีบทสนทนาไปมาเยอะๆ มันก็จะมาวนลูปสร้าง list ในบรรทัดนี้</p><pre>messages = [{&quot;role&quot;: &quot;system&quot;, <br>                 &quot;content&quot;: system_message}<br>                ] + history + [<br>                     {&quot;role&quot;: &quot;user&quot;, <br>                      &quot;content&quot;: message}]</pre><p>บรรทัดนี้จะสร้าง list message เริ่มด้วย system message (ประกาศไว้นอก function) + history ที่อธิบายไปตะกี้ แล้วก็ message ที่จะเข้ามาใหม่ ทีนี้มันก็จะเก็บ chat history และ</p><pre>response = openai.chat.completions.create(model=MODEL, messages=messages)</pre><p>บรรทัดนี้จะเรียก API และ ตรง MODEL ประกาศไว้นอก function หรือจะใส่ไว้ในนี้ก็ได้ ไม่มีไรมาก เหมือนตัวอย่างข้างบน เขียนเหมือนเดิม เป็น boiler plate code</p><pre>return response.choices[0].message.content</pre><p>บรรทัดนี้ให้ function return เป็น choice 0 เพราะปกติมันจะพ่นอะไรมามากมาย เราต้องการแค่ response message จากโมเดลเท่านั้น</p><p>ประมาณนี้ค่ะ น่าจะได้ chatbot แล้วนะ ฮูเลลลล!</p><p><strong>Sampling Parameters</strong></p><p>มีไว้คุมการ generate token (ในเลคเชอร์ อาจารย์บอกกันเงินไหลด้วย 5555) มีหลายอันเลย แต่หลักๆก็จะมี</p><p><strong>Temperature</strong> เอาไว้คุมความกาว มีค่าระหว่าง 0–2 ยิ่งเยอะยิ่งกาว โคตรจะแรนด้อม จริงๆไม่ควรเกิน 1</p><p>ถ้าค่าเป็น 0 จะถามหัวใจกี่ครั้งก็ยังตอบเหมือนเดิม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DAvslaUHRNEUgYHfJw1-dg.png" /><figcaption>Source: <a href="https://youtu.be/1t1VQHuyYfU?si=y1SYBs7XO1oeh77v&amp;t=7121">https://youtu.be/1t1VQHuyYfU?si=y1SYBs7XO1oeh77v&amp;t=7121</a></figcaption></figure><p><strong>Top K (hard cut off sampler)</strong> จะเลือกเอาแค่ token ที่ probability ตัวท็อป</p><p>k=1 คือเอาท๊อป 1</p><p>k=100 เอาท๊อป 100</p><p>ถ้า k=0 ได้หมด ถ้าสดชื่น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GeOZb8zc0vPXOw5quPqbMg.png" /><figcaption>Source: <a href="https://youtu.be/1t1VQHuyYfU?si=LJxw6vBL1VtEhbON&amp;t=7196">https://youtu.be/1t1VQHuyYfU?si=LJxw6vBL1VtEhbON&amp;t=7196</a></figcaption></figure><p><strong>Top P (nucleus sampler) </strong>เอา token ที่ probability รวมกันได้ P ที่เลือก</p><p>P=1 เอาหมด</p><p>P=0.5 เอาเฉพาะ token ที่รวม prob กันได้ 0.5</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LbuW4tHdGzDDEh69dDztaQ.png" /><figcaption>Source: <a href="https://youtu.be/1t1VQHuyYfU?si=Rio2W3JEsG8MEQ0P">https://youtu.be/1t1VQHuyYfU?si=Rio2W3JEsG8MEQ0P</a></figcaption></figure><p>สำหรับ parameters ตัวอื่นๆ ดูได้<a href="https://openrouter.ai/docs/api-reference/parameters">ที่นี่</a>เลยค่ะ จริงๆ in practice เราควรจัดการกับ prompt ก่อนเลย แล้วก็ temperature ด้วยก็ได้ขึ้นอยู่กับว่าอยากให้คำตอบสร้างสรรค์มากน้อยแค่ไหน แต่ละโมเดลก็จะมี recommendation ของค่า temp ไม่เหมือนกันด้วยนะ</p><p>เดี๋ยวครั้งหน้าจะมาเขียนเรื่อง Prompt Engineering บ้าง น่าจะได้อัปเดตถี่ขึ้น เพราะปรับตารางเวลาเข้ายิม จากสัปดาห์ละ 6 วัน เหลือ 5 วันพอ 5555 นักกายภาพเท้าสะเอวแล้ว</p><p>ขอบคุณทุกคนที่หลงเข้ามาอ่านนะคะ แล้วก็ขอบคุณ lecture อาจารย์นัทด้วย แบบดีมากจริงๆ คุณค่าที่คุณคู่ควร แนะนำให้ทุกคนที่สนใจด้านนี้ลองไปดูได้ค่ะ ความรู้ฟรีๆมีอยู่ทั่วไป แต่ความรู้ฟรีๆและดีด้วยทำให้รู้สึกว่าเหมือนเจอขุมทรัพย์ความรู้เลย เรานี่โชคดีจริงๆ</p><p>วันนี้ลาไปก่อน บั้ยบายยยค่าา</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bb625ee386c0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.2 — LLMs เบสิค เด็กมัธยมอ่านก็เข้าใจ แต่เป็นเด็กห้องกิ้บเต๊ด]]></title>
            <link>https://medium.com/@chawadesu/ep-2-llms-%E0%B9%80%E0%B8%9A%E0%B8%AA%E0%B8%B4%E0%B8%84-%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%A1%E0%B8%B1%E0%B8%98%E0%B8%A2%E0%B8%A1%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B8%81%E0%B9%87%E0%B9%80%E0%B8%82%E0%B9%89%E0%B8%B2%E0%B9%83%E0%B8%88-%E0%B9%81%E0%B8%95%E0%B9%88%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99%E0%B9%80%E0%B8%94%E0%B9%87%E0%B8%81%E0%B8%AB%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%81%E0%B8%B4%E0%B9%89%E0%B8%9A%E0%B9%80%E0%B8%95%E0%B9%8A%E0%B8%94-9ffcf86ff37f?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/9ffcf86ff37f</guid>
            <category><![CDATA[ai-engineering]]></category>
            <category><![CDATA[llms-reasoning]]></category>
            <category><![CDATA[transformers]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Mon, 27 Oct 2025 08:59:39 GMT</pubDate>
            <atom:updated>2025-11-10T15:48:51.622Z</atom:updated>
            <content:encoded><![CDATA[<h3>LLM สมองบิน EP.2 — LLMs เบสิค เด็กมัธยมอ่านก็เข้าใจ แต่เป็นเด็กห้องกิ้บเต๊ด</h3><p>ครั้งก่อนเราพูดถึง<a href="https://medium.com/@chawadesu/llms-%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2%E0%B8%99%E0%B8%B4%E0%B8%94%E0%B9%80%E0%B8%94%E0%B8%B5%E0%B8%A2%E0%B8%A7-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B8%B7%E0%B8%AD%E0%B8%A2%E0%B8%B2%E0%B8%81-e04304dc96e2">เรื่องทั่วไปของ LLM</a> ครั้งนี้มาสรุปเลคเชอร์<a href="https://youtu.be/1t1VQHuyYfU?si=uKdSdy35a8ARuhdh">อาจารย์นัท</a>ต่อกันด้วยเรื่องโมเดลเบื้องหลังของ LLM หลายๆคนน่าจะมาผ่านหูมาบ้าง นั่นก็คือโมเดล <strong>Transformer</strong> (มี mention อยู่ใน paper ชื่อ <a href="https://arxiv.org/abs/1706.03762">Attention is all you need</a>) หน้าตาสถาปัตยกรรมมันก็เป็นแบบนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*MUyIXdUPkRAILc-S.png" /><figcaption>source: <a href="https://heidloff.net/article/foundation-models-transformers-bert-and-gpt/">https://heidloff.net/article/foundation-models-transformers-bert-and-gpt/</a></figcaption></figure><p>ซึ่ง LLM จะเอาแค่ฝั่ง Decoder มาใช้ อย่างที่พูดไปใน <a href="https://medium.com/@chawadesu/llms-%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2%E0%B8%99%E0%B8%B4%E0%B8%94%E0%B9%80%E0%B8%94%E0%B8%B5%E0%B8%A2%E0%B8%A7-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B8%B7%E0%B8%AD%E0%B8%A2%E0%B8%B2%E0%B8%81-e04304dc96e2">EP ที่แล้ว</a>คือ หน้าที่ของโมเดลคือ predict next token โดย feed sequence ของ token เข้าไป แล้วพ่นออกมาเป็น probability distribution ของทุก token</p><p>ในรูปดูฝั่ง Decoder จะเห็นว่า ตรง Outputs (จริงๆต้อง Inputs เพราะหยิบเอามาแค่ Decoder) จะเป็น input ที่ tokenize มาแล้ว เอาเข้า embedding ให้มันมี semantic information (ให้คำมีการเก็บความหมาย) จากนั้นก็เข้าไปส่วนสีเทาๆ คือเป็น layer ของ Transformers จะผ่าน Mutli Head Attention (เป็นตัวที่ทำให้เข้าใจความสัมพันธ์ของคำในประโยคได้) แล้วก็ผ่าน Feed forward ออกจากโซนเทา ก็จะพ่นออกมาเป็น Linear เป็น score ตามความยาว token แล้วก็ไปผ่าน softmax เพื่อ normalize คะแนนเต็ม 1 (ก็คือ probability)</p><p>เดี๋ยวมาดูแต่ละตัวกันว่ามันทำอะไร ทำยังไง</p><p><strong>Word Embeddings </strong>คือการแปลง token เป็น vector ที่มีหลาย dimension แต่ละ dimension ก็จะเก็บ information ต่างกัน เป้าหมายของโมเดลคือให้คำที่มีความหมายใกล้เคียงกัน อยู่ใกล้กันใน vector space</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/753/1*UoPs-3_9E2WQ5Uc6dsV1xQ.png" /><figcaption>Source: <a href="https://www.scaler.com/topics/tensorflow/tensorflow-word-embeddings/">https://www.scaler.com/topics/tensorflow/tensorflow-word-embeddings/</a></figcaption></figure><p>รูปข้างบนเขาทำดีแฮะ ขอยืมมาใช้หน่อย คำในฝั่งซ้ายมือ เอามาแปลงเป็น vector แล้วแต่ละกล่อง (dimension) ก็จะเก็บ feature ของคำนั้นๆไว้ แล้วอย่างที่บอกไปก่อนหน้านี้ว่า โมเดลต้องการหาคำที่ใกล้เคียงกันมาอยู่ใกล้ๆกัน วิธีหาคือจะหาโดย cosine similarity</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*6TphI9PCMn05iVcz.png" /></figure><p>เห็นสูตรแล้วอาจจะตกใจ อ่านต่อไปจะเข้าใจ</p><p>อธิบายสูตร: เอา vector 2 vector หา dot product (เอาแต่ละกล่องของ vector คูณกัน แล้ว sum) หารด้วย normalise (ให้อยู่ระหว่าง -1 ถึง 1)</p><p>ค่ายิ่งมากยิ่งใกล้กันใน vector space ถ้างง เดี๋ยวดูตัวอย่างกัน</p><p>เราจะลองหา cosine similarity ของ man กับ woman แล้วก็ man กับ king ดูนะ</p><p>เริ่มจาก man กับ woman ก่อน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*FAtSGsjUYC6_RiZRAce0fQ.png" /></figure><p>หา dot product (0.6*0.7) + (-0.2*0.3) + (0.8*0.9) + (0.9*-0.7) + (-0.1*0.1) + (-0.9*-0.5) + (-0.7*-0.4) = <strong>1.17</strong> ทดไว้ก่อน</p><p>ต่อไปมา normalize กัน ด้วย L2 regularization norm โดยการเอาค่าในแต่ละกล่องมายกกำลัง 2 แล้ว sum แล้วก็ครอบด้วย square root</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k6IkgeZm8aFtyrOODI9APQ.png" /></figure><p>(หงุดหงิดจัง ทำไม Medium ไม่ support LaTeX อ่าาา นี่ใช้วิธีเขียนใน Notion แล้วแคปรูปมาแปะอีกที 555)</p><p>จากนั้นเอาที่ normalize มาคูณกัน 1.778 * 1.517 =<strong> 2.697</strong></p><p>เอาที่ทดไว้ <strong>1.17</strong> หารด้วย<strong> 2.697</strong></p><p><strong>1.17 / 2.697 ≈ 0.434</strong></p><p>cosine similarity ระหว่าง man กับ woman จะเป็น ≈ 0.434</p><p>ต่อไปลองระหว่าง man กับ king ดูบ้าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*Fr5adp6n56xynNXndG73XQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/712/1*LYtLNJUHbC8QiJ_0-RGSVw.png" /></figure><p>ทำเหมือนเดิม เราขอเฉลยคำตอบเลยนะ cosine similar ระหว่าง man กับ king จะเป็น ≈ 0.824 ก็คือ man กับ king อยู่ใกล้กันใน vector space เหมือนกัน (เพราะค่ามันวิ่งเข้าหา 1)</p><p>นี่แหละการทำงานของโมเดล embedding</p><p>พักดมยาดมสักครู่…</p><p><strong>Self Attention</strong></p><p>หลังจากทำ embedding แล้วมันก็จะได้ semantic information หรือความหมายของคำมาแล้ว แต่บางคำก็ไม่ได้มีความหมายเดียว เช่นในเลคเชอร์อาจารย์นัทยกตัวอย่าง คำว่า Bank ที่มีความหมายว่า ธนาคาร และ ต้นน้ำ ซึ่งเราก็จะรู้ว่า ถ้ามี bank ในประโยคมันหมายถึง bank ไหนกันแน่ (พิจารณาจาก context)</p><p>ขออนุญาตแคปรูปจาก lecture อาจารย์มาเลยแล้วกันนะ เพราะเซิชหาแล้วมันเอามาอธิบายยาก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*yb3Txa0V2Z0lWGsxEP1iDw.png" /></figure><p>ในรูป คำว่า milk ก็อาจจะพิจารณาความเกี่ยวข้องกับคำว่า cat ที่เป็นประธาน และ drank ที่เป็นกริยาในประโยค</p><p>ไอกล่องเขียวๆข้างล่างที่เราเห็นก็คือ vector มาจากการทำ embedding ที่อธิบายไปแล้วก่อนหน้านี้ ซึ่งมันก็เก็บความหมายของคำไว้ด้วย</p><p>วิธีการหาว่า คำที่เราสนใจ เช่น milk ต้อง pay attention กับ คำอื่น เช่น The มากน้อยแค่ไหน จะใช้การหา <strong>Attention map</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/404/1*SUZdSLoMnnVO5YfN6uK3Jw.png" /></figure><p>ในสมการนี้ก็คือเอา vector x5 กับ vector x1 มา dot product กัน แล้วครอบด้วย softmax อีกที ให้ค่าอยู่ระหว่าง 0 กะ 1</p><p>พอได้ค่าแล้วว่าควร pay attention มากแค่ไหน ก็เอาค่านั้นมา dot product กับ คำอื่นๆในประโยค แล้ว sum</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/356/1*AVa3HusAN7kjNsECI2q9cg.png" /></figure><p>รวมกันเป็น 1 ก้อนที่ represent ความหมายของคำว่า milk (ถ้าความเข้าใจเรานะ คือเหมือนเป็น auxillary information เพิ่มเติม นอกหนือจาก semantic คือ relationship กับคำอื่นๆด้วย ทำให้โมเดลมันฉลาดขึ้น)</p><p>แต่มันยังไปได้อีกกกกกค่ะ คือที่อธิบายมาข้างบน มันก็ยังขาดความรู้ตรงที่ ควรจะ pay attention คำไหนมากน้อยยังไง ก็มีเลย parameter เพิ่มเติมมา คือ QKV (ทำไมเรานึกถึงร้านหมาล่าก็ไม่รู้ นั่นมัน CQK ป่ะ ชื่อคล้ายๆ ตอนเขียน หิว! 5555)</p><p>QKV มันย่อมาจาก Query Key Value</p><p>Query เป็น parameter เอามาคูณกะ vector ตัวที่สนใจ (milk)</p><p>Key คูณกะ vector ของคำอื่นในประโยค (The)</p><p>Value คูณกะ vector เพื่อ represent คำที่เราสนใจ (milk)</p><p>ดูสมการ น่าจะเก็ตมากกว่า จะเห็นว่าจะมี weight ของ QKV มาคูณกะ vector ด้วย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/582/1*4ZaAn7Bho-NzWGsQ-Xl9PA.png" /></figure><p>ดูรูปน่าจะเข้าใจมากขึ้น</p><ol><li>เอา vector ของคำที่สนใจ คูณ กับ vector q จากนั้น เอาไปคูณกับ vector คำอื่น ที่ต่อกับ vector k ด้วย เสร็จแล้วครอบด้วย softmax จะได้ค่าออกมาเป็นระหว่าง 0–1 หรือ เป็น % ก็ได้แบบในรูปตัวอย่าง จากข้อนี้จะได้ ค่า attention score มา</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8XUp2m27UY794F1xyqEffw.png" /></figure><p>2. เอาค่า attention score จากข้อตะกี้ มาคูณกับ vector คำอื่นในประโยค คูณด้วย vector v ก็จะได้เป็น vector ที่เก็บ information ของความสัมพันธ์ระหว่างคำในประโยคออกมาด้วย เพื่อเอาไปเข้า Feed forward NN ต่อ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qsc6qCsGGh4X0mDo8KQTBA.png" /><figcaption>Source: <a href="https://jalammar.github.io/illustrated-gpt2/">https://jalammar.github.io/illustrated-gpt2/</a></figcaption></figure><p>สามารถเข้าไปดูเพิ่มเติมในลิงค์ที่มาของรูปได้นะ เราว่าเขาอธิบายได้ดีมากๆเลยค่ะ</p><p>ในทางปฏิบัติจริงๆ มันจะทำพร้อมกัน เร็วมาก ก็เลยต้องใช้ GPU นะ ใครที่อยากรู้มันต่างกับ CPU ยังไง ทำไมการทำอะไรที่มัน parallel ต้องใช้ GPU แนะนำให้ดู<a href="https://youtu.be/8_ZTvG1WQxM?si=q_IUwVD8ximtm4uM">อันนี้</a>ค่ะ คลิปทำดีมาก ดูแล้วกระจ่างแจ่มแจ้ง</p><p>Feed Forward NN ขอไม่อธิบาย เพราะขี้เกียจเขียน มันไม่มีอะไรพิศดาร</p><p><strong>ข้อดี ข้อเสียของโมเดล Transformer</strong></p><p><strong>ข้อดี </strong><br>1. ประโยคยาวๆ (long term dependencies) ก็ไม่มีปัญหา ปกติโมเดลเก่าๆ อย่าง LSTM GRU ถ้าประโยคยาวๆมันจะได้หน้าลืมหลัง 555</p><p>2. run parallel ได้ ไม่ได้เป็น sequential แบบโมเดลสมัยก่อน (ใช้คำว่าสมัยก่อน แรงมากกก เพิ่งผ่านมาไม่กี่ปีเอง 5555) ทำได้เร็ว scale ได้</p><p><strong>ข้อเสีย</strong></p><p>1. O(n²) ช้า แพง เปลือง</p><p>2. Communication ใน GPU มี latency ในการส่งข้อมูลกัน (Distributed System)</p><p>3. Optimize hardware ได้ แต่คนจนล่ะมีสิทธิมั้ยคะ 555</p><p><strong>DeepSeek V3</strong></p><p>ต่อไปมาดู Transformer สมัยใหม่กัน (ณ วันนี้น่าจะโบราณแล้วมั้ง ไปเร็วจัด 5555)</p><p>ถ้าดูที่รูปแบบไวๆ จะเห็นว่า ก็คล้ายๆ Transformer อันเดิม คือมี Attention layer มี Feed Forword NN</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_QkoQvcFlOXb8uvY7I6pJQ.png" /><figcaption>Source : <a href="https://arxiv.org/abs/2412.19437v1">https://arxiv.org/abs/2412.19437v1</a></figcaption></figure><p>แต่สิ่งที่ต่างคือ ตรง Attention มีเพิ่ม Cached During Inference มา (ดูตรงกลมๆที่มีขีดๆข้างใน เหมือนขนมคุ้กกี้) หมายความว่ามันมีการ cache ไว้ เหมือนกักไว้ใช้ซ้ำ เพื่อให้ performance ของโมเดลมันดีขึ้น เลิกกั๊กแล้วรักก่อนนะเตง</p><p>ส่วน Feed forward layer มีตัว Router เพิ่มมา คือจะบาง node อาจจะให้อ่อมไปก่อน ไม่ต้องขยันมาก เลือกเฉพาะ node ที่จำเป็นให้ทำงาน ทำให้ลดเวลาการ inference แม้โมเดลจะมีขนาดใหญ่</p><p>ถ้าชอบอัปเดตข่าวสาร เราแนะนำไปดูต้นคลิปของเลคเชอร์อาจารย์เขาเลย ดีมากๆ เหมือนมีเพื่อนคนขยันมาสรุปให้ฟัง ฟังไปฟังมารู้สึกว่าตัวเองเป็นไดโนเสาร์ ล้าหลัง ชห 5555</p><p><strong>LLM Pipeline</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*3IVDaa8r2Nlza47u" /></figure><p>Source: <a href="https://github.com/giachat/State-of-GPT-2023">https://github.com/giachat/State-of-GPT-2023</a></p><p>การเทรนโมเดล LLM จะแบ่งออกเป็น 2 ก้อน คือ pre-training กับ post-training</p><p><strong>Pre-training</strong> คือการนำ ​data เยอะๆ มา train เพื่อทำ next word prediction (เคยเขียนอธิบายไว้แล้วอยู่ใน <a href="https://medium.com/@chawadesu/llms-%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2%E0%B8%99%E0%B8%B4%E0%B8%94%E0%B9%80%E0%B8%94%E0%B8%B5%E0%B8%A2%E0%B8%A7-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B8%B7%E0%B8%AD%E0%B8%A2%E0%B8%B2%E0%B8%81-e04304dc96e2">EP แรก</a>)ได้ base model ขั้นตอนนี้เหมาะกับคนมีเงินเหลือเพราะใช้ทรัพยากรเยอะมากๆ แต่ base model มันก็ยังเอามาใช้ไม่ได้ เพราะมันถูกเทรนมาให้ทำนายคำต่อไปเท่านั้น จะให้มาตอบคำถาม ทำหน้าที่เป็น Assistant model ก็อาจจะยังน้าาา ต้องเอามา fine tune ในขั้นตอน post training ก่อน</p><p><strong>Post-training</strong> คือการนำ base model มา fine tune โดยให้โมเดลมาเรียนรู้จาก response ที่ high quality สุดๆ (Supervised Fine-tuning) จนมันกลายร่างเป็น Instruct model ที่สามารถตอบคำถามตามที่เราต้องการได้ อารมณ์เหมือนพนักงาน call center ที่ถูกอบรมให้ตอบคำถามลูกค้ายังไงให้ลูกค้าพึงพอใจ แต่ก็ไม่ได้จะตอบให้พอใจได้ทุกคำถาม กรณีที่มีคำถามนอก scope งาน</p><p>ก็ยังมี Preference Fine-tuning ให้ตอบคำถามถูกใจกรรมการยิ่งขึ้น จะแบ่งออกเป็น reward model กับ reinforement learning</p><p>Reward model คือมาดูว่าตอบดีหรือไม่ดี ข้อมูลที่เอามาเทรนคืออาจจะเป็นมนุษย์จัด rank ว่า คำตอบอันไหนดีสุด เช่น โมเดล Intruct GPT หรือไม่ก็อาจจะเป็นโมเดลเปรียบเทียบก็ได้ ว่าคำตอบอันไหนตอบดีกว่า เป็นแบบ preference pairs หลังจากนั้นก็เอามาเทรน reinforemence learning with human feedback (RLHF) คือหยิบเอา sample ใน dataset มาเป็น prompt แล้วพอได้คำตอบออกมา เอาคำตอบไปเข้า reward model วัดว่าคนชอบแค่ไหน ออกมาเป็นคะแนน ถ้าได้คะแนนสูง ก็เอามาอัปเดตโมเดลให้โมเดล generate เพิ่มขึ้น ถ้าคะแนนน้อยก็อัปเดตให้โมเดล generate น้อยลง</p><p><strong>Reasoning Models</strong></p><p>หรือ Thinking model คือ โมเดลที่ OpenAI เอา RL มา fine tune ต่อ ให้มันคิดก่อนตอบ สามารถไปดูเพิ่มเติมได้<a href="https://openai.com/index/learning-to-reason-with-llms/">ที่นี่</a>เลยนะ รูปข้างล่างเทียบระหว่าง LLMs แบบธรรมดา กับแบบที่เป็น Reasoning ก็ชัดเจนตามในรูปเลย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*MGYn0pIrknF_cZs8.png" /><figcaption>Source: <a href="https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-reasoning-llms">https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-reasoning-llms</a></figcaption></figure><p><strong>เบื้องหลังความสำเร็จของ LLMs</strong></p><p>แล้วทำไม LLMs มันเก่งจัง จนหลายๆคนกลัวมันมาแย่งงาน</p><ol><li>ด้วยความที่มันถูกเทรนให้ predict คำต่อไป และมันได้เรียนรู้ word representation เปรียบเสมือนมันต้องเรียนรู้ world model โลกรู้ LLMs รู้</li><li>นอกเหนือจากนั้นยังทำให้เรียนรู้แบบ multi task ได้</li><li>Scaling Law — ข้อมูลที่เอามาเทรน ยิ่งเยอะยิ่งดี แต่ก็แพง ยิ่งเป็น reasoning LLMs นี่นึกพักใหญ่ กว่าจะตอบ</li></ol><p><strong>บทเรียนอันขมขื่น Bitter Lesson</strong></p><p>AI Researcher มักจะยัดความคิดของคนเข้าไปในโมเดล เพื่อให้โมเดลมันฉลาดในสิ่งที่ researcher ต้องการ อันนี้จริงๆมันก็ดีนะ แต่ก็ดีใน short term</p><p>ใน long term จะเริ่มหิดปลาทูและ (hit the plateau) อารมณ์เหมือนออกกำลังกายตามโปรแกรมมานาน ซักพัก %fat เริ่มไม่ลงเว้ยเห้ย 5555 ต้องเปลี่ยนวิธีการลดใหม่ถ้าเป็นโมเดลก็เริ่มตันละ scale ไม่ได้</p><p>แต่ถ้าใช้ approach search and learning คือเหมือนให้ LLMs เป็นเด็กใฝ่รู้ใฝ่เรียนก็เพื่อให้มันสามารถ scale ได้ด้วยตัวมันเอง</p><p>EP.2 ขอพอแค่นี้ก่อน ช่วงนี้งานงอกเต็มไปหมด งานก็ต้องทำ ยิมก็ต้องเข้า ไม่เข้ายิมก็จะว้าวุ้นอีก ชีวิต 5555 เดี๋ยวครั้งหน้ามาต่อกันที่ Demo การต่อ API นะคะ ขอบพระคุณมากๆที่ติดตามค่า</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9ffcf86ff37f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM สมองบิน EP.1 — LLMs ง่ายนิดเดียว ที่เหลือยาก]]></title>
            <link>https://medium.com/@chawadesu/llms-%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2%E0%B8%99%E0%B8%B4%E0%B8%94%E0%B9%80%E0%B8%94%E0%B8%B5%E0%B8%A2%E0%B8%A7-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B8%B7%E0%B8%AD%E0%B8%A2%E0%B8%B2%E0%B8%81-e04304dc96e2?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/e04304dc96e2</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Wed, 08 Oct 2025 16:07:34 GMT</pubDate>
            <atom:updated>2025-11-24T17:13:37.357Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*lFrg14S2nnQwe28D" /><figcaption>Photo by <a href="https://unsplash.com/@zacwolff?utm_source=medium&amp;utm_medium=referral">Zac Wolff</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>ช่วงนี้บ้าเข้ายิมมาก ระหว่างพักร่างกายไม่รู้จะทำอะไร เลยไถ Youtube หาอะไรเรียนไปเรื่อย บังเอิญเจอคลิปเลคเชอร์ของอาจารย์ท่านหนึ่ง เป็นวิชา AI Engineer ของอาจารย์ <a href="https://www.youtube.com/@nutchanonyongsatianchot7510">Nutchanon Yongsatianchot</a> เราเห็นว่าน่าสนใจเลยลองเข้าไปเรียนดู รอบแรกดูแบบข้ามๆก่อนกะถ้าไม่ชอบก็หาอย่างอื่นดูต่อ ปรากฏว่า เห้ยยยยย! ดี!!!!! เลยนั่งตั้งใจเรียน ตั้งใจจด อยู่จนยิมปิด ค่อยกลับบ้าน 55555</p><p>ก่อนที่สิ่งที่เรียนมาจะหายไปจากสมองเรา ขอเอาที่จดมาเขียนสรุปในสรุปอีกทีนึง เขียนรู้เรื่องบ้างไม่รู้เรื่องบ้าง ลองดู</p><p>ไม่กี่ปีก่อนหน้านี้ ยุคของซอฟแวร์ การเขียนโปรแกรม เรียกว่ายุค 1.0 จะเป็นแบบ code ล้วน โปรแกรมเมอร์ใช้ GitHub ในการแชร์ code ตัวเอง และเรียนรู้ code จากคนอื่น ในยุคนี้ฉันยังเป็น trade specialist ตัวน้อย ณ ธนาคารแห่งหนึ่ง ตอนนั้นยังไม่ก้าวเข้ามาสายงานนี้</p><p>ยุคต่อมาเป็นยุค 2.0 มี machine learning/ neural network ละ เอาดาต้ามาสอนโมเดล แล้วเอามา inference ต่อ platform ยอดฮิตของยุคนี้คือ HuggingFace (เอาจริง เราเพิ่งรู้จักHF เมื่อ 2–3 ปีมานี้นี่เอง โลกมันไปไวมากกกกเลยทุกคน)</p><p>ส่วนยุคตอนนี้คือ 3.0 ไม่เขียน model แล้ว แต่เป็น prompt model เราแอบดีใจนะ แบบบ เวลาของกรูวมาแล้ววว เพราะตอนนี้ programming language ที่ฮอตฮิตที่สุดคือ ภาษาอังกฤษ ซึ่งฉันถนัดมากนะ 5555 และ Large Language Models หรือ LLMs นั้นคือ the new computer แล้วจ้าาา</p><p>อ่ะ แล้วทีนี้ AI engineer ต่างกับ machine learning engineer ยังไงล่ะ</p><p>ในท่าปกติของการทำโมเดล machine learning เราจะก็ input data เข้าไป ให้โมเดลเรียนรู้ ออกมาเป็น product ตามโจทย์ที่ได้รับมอบหมายมาให้ทำ</p><p>role ของ data scientist/ machine learning engineer จะทรงนี้</p><p>Data → Model → Product</p><p>แต่ตอนนี้ role AI engineer จะต่างตรงที่ มี LLMs มันตัวเปิดจ้ะ คือซัด prompt เข้าไปให้มันเลย ถ้า prompt ดี ทำสำเร็จ แล้วได้ข้อมูลมา ก็เอาเข้าโมเดลเพื่อเทรน</p><p>Product → Data → Model</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1-D_gS44bkSAH4aAhjQRpw.png" /></figure><p>ประมาณนี้พอสังเคป ให้รู้เฉยๆว่าเออโลกมันเปลี่ยนไปและ เราเองก็ต้องปรับตัว(เยอะ)พอสมควร 5555</p><p>ต่อไปแล้ว LLMs คืออะไร เรารู้แล้วเนอะว่ามันย่อมากจาก Large Language Models แปลแบบซื่อๆคือก็คือ โมเดลภาษา (ที่มีมากกว่า 1 โมเดล เพราะเป็นพหูพจน์ 5555) ที่มีขนาดใหญ่มว้ากกกก โมเดลท่าปกติที่อาจจะมี parameter จำนวนหนึ่ง (หลักร้อย หลักพัน) แต่อินี่มีเยอะมาก หลักพันล้าน หมื่นล้านนน เป็นล้านเลยหรอเพ่!!!</p><p>ปกติที่เรียน machine learning ไอ้เจ้า multi layer perceptron มันจะมี input node → hidden layer → output layer</p><p>node ใน hidden layer ที่โดนชี้มามันก็จะมี w1 w2 … ไรงี้ แต่ของ LLMs คือ เยอะสลัดรัสเซียหลักพันล้าน งานนี้มี RAM ด้อง อธิบายไม่ถูก ดูรูปกันดีกว่า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*8U1pV2-edHTZDDPu.png" /><figcaption>ที่มา: <a href="https://www.datacamp.com/tutorial/multilayer-perceptrons-in-machine-learning">https://www.datacamp.com/tutorial/multilayer-perceptrons-in-machine-learning</a></figcaption></figure><p>ฉันต้องตั้งสติก่อน และรับรู้ว่ามันคือโมเดลที่ทำหน้าที่ predict next word ทีละคำ แล้ว predict คำต่อๆไปเรื่อยๆ</p><p>This is a ______.</p><p>โมเดล หาความเป็นได้ของคำต่อไป given คำก่อนๆหน้านี้</p><p>P( next token | context)</p><p>เช่น P( book | This is a)</p><p>ซึ่งโมเดลมันใช้ probabilistic model ในการ “สุ่ม” คำต่อไปนะ มันถึงชอบตอบไม่เหมือนเดิม ซึ่งโมเดลในการจุ่มนี้เราก็สามารถใช้ API ได้จ้า</p><p>แล้วถ้ามันทำนายคำต่อไปได้เก่ง เราก็สามารถให้โมเดลช่วยเราตอบคำถาม แต่งเรื่อง นู่นนี่นั่นได้ (แบบมันเข้าใจด้วยนะ ไม่ใช่ทำนายมามั่วๆ) ฮั่นแน่!! มันคือ Generative AI ไงเล่าาาา</p><p>แล้วยังไงต่อล่ะ เราจะทำนายคำต่อไปยังไง จริงๆแล้วสิ่งที่ทำนายมันคือ token</p><p>token = subword หมายความว่าไม่ได้เอาคำมาทั้งก้อน</p><p>เช่น The runners were unstoppable! → [“The”, “runner”, “s”, “were”, “un”, “stop”, “pable”, “!”]</p><p>การ tokenize มันก็จะมี algorithm ที่ทำหน้าที่นี้ เช่น</p><p>Byte Pair Encoding (BPE): Alphabet ที่เกิดคู่กันบ่อยๆ เอามา merge รวมกันเป็น token ใหม่</p><p>การทำ tokenization คือ การแปลงคำเป็นตัวเลข (word to integer)ให้คอมพิวเตอร์เข้าใจนั่นเอง ซึ่งแต่ละสำนักของ Generative AI ก็จะมีการเทคนิคตัดคำที่ไม่เหมือนกัน และมีผลมากกับคำตอบที่มัน generate ออกมา (รวมถึงความเพี้ยนในคำตอบของมันด้วย)</p><p>สรุป language model คือการสุ่มทำนาย “token” ถัดไปด้วย probabilistic model พอได้ token ต่อไป ก็จะทำซ้ำไปเรื่อยๆ เรียกว่า Autoregressive</p><p>Autoregressive คือ การทำนาย token ต่อไปด้วย ข้อมูลก่อนหน้า แล้วต่อตูดไปเรื่อยๆ ดูตัวอย่างข้างล่างกันดีกว่า</p><p>Hello, how ____</p><p>P(“how” | “Hello”)</p><p>Hello, how are ____</p><p>P(“are” | “Hello how”)</p><p>Hello, how are you ____</p><p>P(“you” | “Hello how are”)</p><p>Hello how are you?</p><p>P(“&lt;stop&gt;” | “Hello how are you?”)</p><p>Hello how are you? &lt;stop&gt;</p><p>&lt;stop&gt; เป็น special token ให้มันหยุดทำ</p><p>อะไรประมาณนี้ เราจะเห็นว่า ประโยคมันยาวขึ้นเรื่อยๆ จากตอนแรกแค่ Hello คำเดียว เป็น Hello how are you และ คือ input มันยาวขึ้น เรียกว่า context window</p><p>context window คือ จำนวน token ที่โมเดลเอามาพิจารณาในครั้งเดียว</p><p>ChatGPT ดั้งเดิม context window มีขนาด 4k ส่วนเวอร์ชั่นใหม่ๆมีเป็นล้านแล้วเพร่! แต่โมเดลก็ไม่ได้จะไปสนใจ input หมดทุกตัวหรอกนะ เหมือนเวลาเราอ่านหนังสือ มันก็มีอ่านข้ามๆบ้าง 555</p><p>คุณ Andrej เขาบอกว่า LLMs มันเรียนมาจากภาษาคน มันเลยเหมือนมีจิตวิญญาณคนอยู่ รู้มาก ตอนอกหักเรานี่คุยกับ ChatGPT ฉ่ำ อารมณ์ปรึกษาพี่อ้อยพี่ฉอด 5555 แต่อาจจะต้องระวังเพราะบางทีมันก็ hallucinate หรือ หลอนยา ถ้าเราไปถามให้มันช่วยทำการบ้าน ก็อาจจะตอบอะไรมาผิดๆแต่มั่นหน้ามั่นโหนกได้ เอาเป็นว่า ระวัง</p><p>ปัจจุบัน LLMs ก็มีหลายเจ้า ชอบอันไหนก็ใช้อันนั้น ส่วนเราสายใช้ฟรี 5555</p><p>สำหรับวันนี้ขอสรุปไว้เท่านี้ก่อน เดี๋ยวมาเขียนสรุป Lecture 2 ต่อ เราใช้เศษเวลาหลังออกกำลังกายมาเขียนสรุป อาจจะไม่ได้อัปเดตไวมาก ใครที่หลงเข้ามา หวังว่าจะเป็นประโยชน์นะคะ ใช้ภาษาเขียนไม่ค่อยสลวยเท่าไหร่ ตั้งใจสรุปไว้ให้ตัวเองอ่านเองกันลืมเฉยๆ 5555</p><p>ถ้าชอบเรื่องประสบการณ์ในต่างประเทศ เราเคยเขียนไว้เหมือนกัน ลองมาแอบๆอ่านได้นะคะ ^_^</p><p>วันนี้ลาไปก่อนนะ บั้ยบายยยย</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e04304dc96e2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[เมื่อความรักจากไปแบบไม่ทันตั้งตัว: วิธีรับมือเมื่อโดนบอกเลิกแบบฟ้าผ่า]]></title>
            <link>https://medium.com/@chawadesu/%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%A3%E0%B8%B1%E0%B8%81%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B9%84%E0%B8%9B%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%97%E0%B8%B1%E0%B8%99%E0%B8%95%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B8%95%E0%B8%B1%E0%B8%A7-%E0%B8%A7%E0%B8%B4%E0%B8%98%E0%B8%B5%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%A1%E0%B8%B7%E0%B8%AD%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B9%82%E0%B8%94%E0%B8%99%E0%B8%9A%E0%B8%AD%E0%B8%81%E0%B9%80%E0%B8%A5%E0%B8%B4%E0%B8%81%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B8%9F%E0%B9%89%E0%B8%B2%E0%B8%9C%E0%B9%88%E0%B8%B2-ed618f4100ee?source=rss-82e7850268fb------2</link>
            <guid isPermaLink="false">https://medium.com/p/ed618f4100ee</guid>
            <category><![CDATA[breakups]]></category>
            <category><![CDATA[move-on-after-breakup]]></category>
            <dc:creator><![CDATA[Chawanee S.]]></dc:creator>
            <pubDate>Sun, 03 Aug 2025 12:03:30 GMT</pubDate>
            <atom:updated>2025-11-14T06:49:50.840Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>ไม่มีใครคาดคิดหรอกว่า วันหนึ่งความรักที่เคยดูมั่นคง อบอุ่น และเต็มไปด้วยความหวัง จะหายไปในพริบตา เหมือนฟ้าผ่าลงมากลางใจ การโดนบอกเลิกโดยไม่ทันตั้งตัว เป็นประสบการณ์ที่ทั้งสับสน เจ็บปวด และทำให้ตั้งคำถามมากมายกับตัวเองว่า “ฉันทำอะไรผิด?” หรือ “มันเกิดขึ้นได้ยังไง?”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*VvxAMFs5K4Z8wK80" /><figcaption>Photo by <a href="https://unsplash.com/@kellysikkema?utm_source=medium&amp;utm_medium=referral">Kelly Sikkema</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>บทความนี้เราขอเขียนขึ้นเพื่อแบ่งปันประสบการณ์ และวิธีเยียวยาหัวใจหลังการเลิกราอย่างกะทันหัน จากมุมของคนที่ผ่านมันมาแล้วคนหนึ่ง และยังอยู่ได้ในวันที่ไม่มีเขาอยู่ข้างๆแล้ว</p><h4>1. ยอมรับความจริง</h4><p>ความรู้สึกเจ็บปวด สับสน โกรธ เสียใจ หรือแม้แต่ความรู้สึกผิด ล้วนเป็นเรื่องปกติ อันดับแรก ต้องยอมรับความจริงว่ามันจบแล้ว ไม่ต้องสลักจิต หรือกดดันตัวเองว่าต้องไม่ร้องไห้ หรือ ต้องมูฟออนให้ไว เพราะการเยียวยาเริ่มต้นจากการยอมรับความรู้สึกตัวเอง ถ้าอยากร้องไห้ ก็ร้องออกมาให้เต็มที่ และรับรู้อารมณ์ตัวเองตอนนั้นว่าฉันกำลังเสียใจ</p><p>เราเป็นคนเขียน journal ทุกวัน สิ่งที่เราเขียนลงไปคือ <em>ก</em><strong><em>ารที่ฉันยังอยู่บนโลกใบนี้ ฉันยังมีโอกาสเรียนรู้ เติบโต และรักตัวเอง ถ้าคืนนี้ฉันฝัน ฉันอยากฝันเห็นตัวเองในอนาคตมาบอกฉันในตอนนี้ว่า ฉันเต็มที่แล้ว ฉันทำดีที่สุดแล้ว และฉันจะผ่านทุกอย่างไปได้</em> </strong>เราเขียนเสร็จเราเข้านอนเลย แล้วเรารู้สึกว่าเราโล่ง คืนนั้นเรานอนหลับสบาย ไม่ฝันร้ายแล้วตื่นมาร้องไห้อีกแล้ว</p><p>เราอยากให้แนะนำให้คนที่เจอเหตุการณ์เหมือนเรา ลองเขียน journal หรือจดบันทึกสิ่งที่รู้สึกอยู่ตอนนี้ ไม่ต้องเขียนให้สวย ไม่ต้องมีเหตุผล แค่ระบายออกมาให้หมด จะช่วยให้เข้าใจตัวเอง และค่อย ๆ ฮีลใจได้ดียิ่งขึ้น</p><h4>2. สร้างพื้นที่ปลอดภัยให้ตัวเอง</h4><p>หลังจากเลิกกันแล้ว การเว้นระยะห่าง ตัดขาดการติดต่อเป็นสิ่งที่เราแนะนำให้ทำนะ การทำ “<strong>No contact</strong>” ไม่ใช่เพราะเราโกรธ หรือเกลียดอะไรเขานะ (เราไม่โกรธหรือเกลียดเขาเลย เพราะเราเชื่อว่า ตอนเราเป็นแฟนกัน เขาก็รักเราเต็มที่เหมือนกัน) แล้วก็ไม่ควรทำถ้าจะทำเพื่อเรียกร้องความสนใจจากใคร แต่เราทำเพื่อตัวเราเอง เรารู้สึกว่าหลังจากเราเลิกส่องสตอรี่เขา รวมถึงเพื่อนเขาบางคน เรานอนหลับได้เต็มอิ่มมากขึ้น พอเรานอนดี ชีวิตมันก็ดีตามไปด้วย</p><p>แนะนำว่าถ้าการเห็นความเคลื่อนไหวในโซเชียลของแฟนเก่าทำให้ใจหวิว ลอง mute hide story หรือแม้แต่ block ไปก่อนก็ได้ ไม่จำเป็นต้องรู้ว่าเขาทำอะไรอยู่ หรือเขารู้สึกยังไง เพราะตอนนี้สำคัญที่สุดคือจิตใจเราของเรา ให้ใจเราเป็น first priority ไปก่อนช่วงนี้</p><p>หรือถ้าคิดมโนไปว่า เขาต้องมีคนใหม่แล้วแน่ๆ คือต้องหยุดมโน!!! และถ้าเขามีจริงๆก็ปล่อยเขา และอวยพรให้เขาโชคดี ส่วนเราไม่ควรรีบหาผู้ใหม่ เพราะเราคิดว่า rebound relationship ไม่ทำให้เราได้เรียนรู้อะไรเลย ไม่ได้เรียนรู้ตัวเอง ไม่ได้อยู่กับกระบวนการฮีลลิ่งใดๆ พอมีคนใหม่เราก็จะทำผิดซ้ำซากอยู่ดี ไม่มีใครอยากเป็นได้แค่คนดามใจหรอก ใจเขาใจเรา ความสุขรอเราอยู่เสมอ ไม่ต้องรีบ</p><h4>3. กลับมาโฟกัสที่ตัวเอง</h4><p>เราคิดว่าเราโชคดีอย่างนึงคือ เรามีงานอดิเรกหลายอย่าง โดยเฉพาะเรื่องโยคะ มันเลยทำให้เราไม่ซมซานมาก ลุกขึ้นมาเข้มแข็งได้เร็ว ได้โฟกัสตัวเองเต็มที่ มีเพิ่มเติมคือทำเล็บยาวแหลมเฟี้ยว ที่อยากทำมานานแล้ว แล้วก็เข้ายิม ออกกำลังกายหนักมากๆ มวลกล้ามเนื้อเพิ่มขึ้นจนเป็นที่น่าพอใจมว้ากกกก 5555</p><p>เราเชื่อว่าช่วงนี้เวลานี้เป็นช่วงเวลาที่เราจะได้เติบโตไปอีกขั้นหนึ่ง ไม่ใช้เพราะความต้องการเอาชนะใดๆ แต่เพราะตัวเราเอง อะไรที่ได้แต่คิดว่าจะทำ ก็จะได้ทำ เพราะทุกวินาทีตอนนี้เป็นของเรา เราไม่ต้องจัดสรรเวลาเผื่อใครแล้ว เพราะฉะนั้นใช้โอกาสนี้เติบโตให้เต็มที่ค่ะ</p><h4>4. ถอดบทเรียนจากความสัมพันธ์ครั้งนี้</h4><p>บทเรียนแรกเลยนะ คือเลือกคนที่เราจะเล่าให้ฟังก็ดี 5555 บางคนเรารู้ว่าหวังดีกับเรา อยากให้เราตัดใจได้ แต่อาจจะได้ unsolicited comment ที่ทำให้เรานอยด์กว่าเดิม อย่าลืมว่าคนที่อยู่ในความสัมพันธ์มีแค่ 2 คนคือ เรา กับ เขา คนอื่นเป็นคนนอก จะพูดอะไรก็ได้ ถ้าเจอแบบนี้ฟังผ่านๆไปแล้วกันนะ</p><p>ทุกความสัมพันธ์มีบทเรียนของมัน แม้จะจบลงด้วยน้ำตา แต่มันก็ทำให้เราได้รู้จักตัวเองมากขึ้น รู้ว่าเราต้องการอะไร และไม่ต้องการอะไรในความรักครั้งต่อไป เราถือว่าเราเป็นผู้หญิงที่โชคดีที่ไม่เจอปัญหาโดนนอกใจ หรือโดนทำร้ายร่างกาย</p><h4>5. ไม่มีอะไรต้องเสียดาย</h4><p>ตอนที่คบกัน เรารักอย่างเต็มที่แล้ว แล้วเราก็รักตัวเองมากพอด้วยเหมือนกันที่จะอยู่ได้ตอนไม่มีเขา</p><p>คนเรา ไม่จากเป็น ก็จากตาย คนที่เลี้ยงน้องหมา เขารู้อยู่เต็มอกว่าสักวันน้องหมาก็ต้องกลับดาวหมา แต่เขาเลือกที่จะเลี้ยงเพราะมีความสุข</p><p>ส่วนเรา เราก็มีความสุขมากๆตอนมีเขา เราพูดเสมอว่าทุกความสัมพันธ์มีความไม่แน่นอน ถ้าเรารักกันเต็มที่ ถึงวันจะต้องเลิกลากัน เราก็มีรักดีๆเป็นความทรงจำในชีวิต ไม่มีอะไรต้องเสียดาย เดินหน้าต่อ ชีวิตมีอะไรให้เรียนรู้อีกเยอะ</p><p>ถามว่าเข็ดมั้ย ตอบว่า มั่ย!!!! 5555 แต่คิดว่ากว่าจะเริ่มรักใครอีกครั้งน่าจะอีกนาน ติดใจการอยู่คนเดียวไปแล้ว</p><p>ถามว่าวันนี้เรามูฟออนได้หรือยัง คำตอบคือยัง 55555 บาดแผลมันยังไม่สนิทขนาดนั้น แต่เราคิดว่าเรารับมือกับมันได้ดีมากๆ เราเข้มแข็งพอที่จะพาตัวเองก้าวข้ามผ่านมันไปได้</p><p>สุดท้ายนี้ขอเป็นกำลังใจให้ทุกคนนะคะ ให้เวลาตัวเอง ไม่ต้องกดดัน ไม่ต้องรีบ ใจดีกับตัวเองมากๆ รักตัวเองมากๆ ขอให้มีวันที่ดีทุกๆคนนะคะ ❤ เลิฟค่ะ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ed618f4100ee" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>