วิธีสร้าง AI Workflows เมื่อคุณเบื่อกับการปรับแต่ง Prompt

สวัสดีทุกคน ผม leopardracer นะครับ!

กว่าจะหาไอเดียเนื้อหาดีๆ ได้แต่ละที ผมเคยต้องใช้เวลาหลายชั่วโมงทุกสัปดาห์ เปิด Reddit ไว้แทบหนึ่ง เปิดข่าวอีกแทบ เปิด arXiv อีกแทบ แล้วก็เปิด Obsidian โน๊ตไว้สำหรับวางทุกอย่างที่เจอ พยายามจำว่าชิ้นส่วนไหนเชื่อมต่อกันยังไง การค้นหา AI แต่ละครั้งใช้เวลาแค่วินาทีเดียว แต่ที่เหลือผมต้องเป็นคนคอยเชื่อมทุกอย่างเข้าด้วยกัน

ที่แย่กว่านั้นคือผมเสียสมาธิไปเยอะมาก แค่กับการย้ายไปมาระหว่างแท็บและแชท ทุกครั้งที่สลับก็สูญเสียโฟกัส และทุกครั้งที่ต้องเริ่มใหม่ก็ทำให้งานรู้สึกหนักกว่าที่เป็น

ตอนนั้นผมยังไม่รู้ แต่สิ่งที่ควรทำไม่ใช่การปรับแต่ง prompt จนเกินเหตุ แต่คือการสร้าง workflow ขึ้นมา ใช้เวลาพอสมควรกว่าจะหาวิธีที่ดีที่สุดเจอ และตอนนี้ผมพร้อมแล้วที่จะแชร์วิธีเปลี่ยน prompt ให้เป็น workflow

ในบทความนี้:

• ทำไมนิสัยการใช้ prompt ถึงพังเมื่อต้องใช้งานในวงกว้าง
• วิธีสังเกต candidate ตัวแรกสำหรับ workflow
• วิธีหารอยต่อในบทสนทนายาวๆ
• รูปแบบการส่งต่อที่รักษาบริบทให้ต่อเนื่อง

ถ้าคุณกำลังคัดลอกผลลัพธ์ระหว่างแท็บแชท AI แสดงว่าคุณกำลังทำงานประสานงานที่ AI ควรจะเป็นคนทำ วิธีแก้คือเปลี่ยน prompt ของคุณให้เป็น workflow ที่แต่ละขั้นตอนเขียนลงไฟล์ แล้วขั้นตอนถัดไปก็อ่านไฟล์นั้น บริบทจะถูกส่งต่อไปโดยอัตโนมัติโดยที่คุณไม่ต้องถือมันเอง คุณจะหยุดก็ตรงที่มีการตัดสินใจจริงๆ เท่านั้น

เมื่อ Prompting เริ่มใช้ไม่ได้ผล

เกือบทุกคนเริ่มใช้ AI ด้วยวิธีเดียวกัน พิมพ์คำถาม ได้คำตอบ คัดลอกไปวางที่อื่น ทำซ้ำ นี่คือวิธีที่ผมใช้ในปีแรก และผมเข้าใจว่ามันรู้สึกมีประสิทธิผล เพราะแต่ละครั้งที่โต้ตอบก็ได้ผลลัพธ์ที่เป็นรูปธรรม

แล้วคุณก็เริ่มสังเกตว่าคุณใช้เวลาจัดการ AI มากกว่าเวลาที่ AI ช่วยคุณประหยัดไป คุณเป็นคนคัดลอกระหว่างขั้นตอน คุณเป็นคนจำว่าขั้นตอนที่สามต้องการอะไรจากขั้นตอนที่หนึ่ง

การศึกษาจากตุลาคม 2025 ที่ตีพิมพ์บน arXiv พบว่าความแม่นยำของ LLM ลดลงอย่างมากเมื่อข้อมูลที่เกี่ยวข้องถูกฝังอยู่ในบริบทที่ยาว แม้ว่า token ที่ไม่เกี่ยวข้องทั้งหมดจะถูกซ่อนไว้ก็ตาม

บล็อกและคอร์สเกี่ยวกับ prompt engineering ยังคงขายแนวคิดว่าคำพูดที่ถูกต้องจะแก้ทุกอย่างได้ พวกเขากำลังปรับเลเยอร์ที่ผิด คุณกำลังพยายามรัน pipeline ผ่านหน้าต่างแชท และไม่ว่าคุณจะเลือกใช้คำสวยหรูแค่ไหนก็เปลี่ยนความจริงข้อนั้นไม่ได้

การชนเพดานของ prompting หมายความว่าคุณมีปัญหาเรื่องสถาปัตยกรรม

วิธีสังเกต AI Workflow ตัวแรกของคุณ

ก่อนไปต่อ ลองทำแบบนี้ คิดถึงงานซ้ำๆ ชิ้นล่าสุดที่คุณใช้ AI ทำ งานนั้นที่ใช้เวลา 45 นาทีและทำให้คุณอยากกรีดร้องเมื่อถึงนาทีที่ 30 แล้วถามตัวเองว่า

• ฉันต้องคัดลอกวางระหว่างขั้นตอนหรือเปล่า?
• ฉันต้องเปิดหน้าต่างแชทหลายอันเพราะบริบทปนเปื้อนเรื่อยๆ หรือเปล่า?
• ฉันต้องจำว่าขั้นตอนที่สามต้องการอะไรจากขั้นตอนที่หนึ่งหรือเปล่า?
• AI สร้างผลลัพธ์ที่ดีในแต่ละขั้นตอน แต่ผลลัพธ์สุดท้ายกลับธรรมดาหรือเปล่า?

ถ้าคุณตอบว่าใช่ข้อใดข้อหนึ่ง แสดงว่าคุณมี candidate สำหรับ workflow อยู่แล้ว คุณกำลังทำงานประสานงานด้วยมือ

นี่คือ prompt ที่คุณสามารถใช้ได้ตอนนี้ วางไว้ท้ายบทสนทนา AI ยาวๆ ครั้งต่อไป หลังจากคุณทำงานเสร็จ:

1ลองย้อนกลับไปดูบทสนทนาที่เรามีกันเมื่อกี้ ผมจะวาง prompt แรกที่ผมเริ่มด้วยไว้ข้างล่างนี้ ให้คุณวิเคราะห์ว่างานนี้สามารถแปลงเป็นทักษะหรือ workflow ที่ใช้ซ้ำได้หรือไม่
2
3โดยเฉพาะ:
41. ขั้นตอนที่ผมทำไป สามารถจัดเป็นลำดับที่แต่ละขั้นตอนสร้างผลลัพธ์ที่ขั้นตอนถัดไปต้องการได้หรือไม่?
52. มีจุดส่งต่อที่บริบทต้องถูกส่งต่อไปหรือไม่?
63. งานนี้จะดีขึ้นหรือไม่ถ้าแยกเป็นขั้นตอนย่อยๆ ที่มีบริบทสะอาด แทนที่จะรันเป็นบทสนทนายาวๆ เดียว?
74. input, instructions, output และ checkpoint จะเป็นอย่างไรถ้าสิ่งนี้กลายเป็น workflow?
8
9นี่คือ prompt แรกที่ผมใช้: [วาง PROMPT แรกของคุณตรงนี้]
10
11บอกผมว่าสิ่งนี้เป็น candidate ที่ดีสำหรับ workflow หรือไม่ และถ้าใช่ ให้ร่างคร่าวๆ ว่าขั้นตอนต่างๆ จะเป็นอย่างไร

รัน prompt นี้หลังจากงานซ้ำๆ ครั้งต่อไปของคุณ คุณอาจพบว่าคุณกำลังทำงานที่มีโครงสร้างแบบ workflow อยู่แล้วด้วยมือ

วิธีนี้ใช้ได้ไม่ว่าคุณจะใช้ Hermes, Claude Code, Codex, Cowork หรือเครื่องมือสนทนา AI อื่นๆ รูปแบบยังคงเดิม เครื่องมือไม่สำคัญ โครงสร้างต่างหากที่สำคัญ

จะหารอยต่อในบทสนทนายาวๆ ได้ที่ไหน

การแปลงบทสนทนายาวๆ เป็น workflow เริ่มจากการมองเห็นว่าระบบปัจจุบันของคุณมีรอยต่อตรงไหน

เมื่อคุณมีบทสนทนา AI ที่ยาว ให้มองหาช่วงเวลาที่คุณเปลี่ยนเกียร์ ตอนที่คุณพูดว่า "โอเค ทีนี้มาทำ X กัน" และเริ่มบริบททางความคิดใหม่ ตอนที่คุณคัดลอกบางอย่างจากตอนต้นแชทแล้ววางลงในคำขอใหม่ ตอนที่คุณต้องเตือน AI ว่าคุณกำลังทำอะไรอยู่เพราะมันลืม รอยต่อพวกนี้คือจุดที่ scope creep เกิดขึ้น

พวกมันคือรอยต่อของคุณ แต่ละรอยต่อคือขั้นตอนที่เป็นไปได้ใน workflow

จุดแตกหักของผมเกิดขึ้นตอนโปรเจกต์การหาไอเดียเนื้อหา ผมต้องหามุมที่น่าสนใจสำหรับบทความในจดหมายข่าว ซึ่งหมายถึงการดึงข้อมูลจากหลายแหล่ง กระทู้ Reddit เผยข้อร้องเรียนเกี่ยวกับปัญหาเฉพาะ บทความข่าวครอบคลุมเครื่องมือใหม่ที่กำลังเกิดขึ้น และเอกสาร arXiv บอกใบ้ถึงความสามารถใหม่ๆ

ผมเริ่มด้วยการทำเอง คัดลอกโพสต์ Reddit ลงในเอกสาร ขูดหัวข้อข่าว รันค้นหา arXiv และบันทึกบทคัดย่อ แต่ละแหล่งอยู่ในเซสชันแชทของตัวเองเพราะบริบทถูกปนเปื้อนตลอด พอผมจัดการ Reddit เสร็จ ผมก็ลืมไปแล้วว่าเจออะไรในการค้นหาข่าว

จากนั้นผมสร้างสกิลแยกสำหรับแต่ละแหล่ง สกิลหนึ่งสำหรับค้นหา Reddit อีกสกิลสำหรับขูดข่าว สกิลที่สามสำหรับเอกสาร arXiv แต่ละสกิลทำงานได้ดีด้วยตัวเอง แต่ผมยังคงเป็นคนประสานงานระหว่างสกิล ผมจะรันสกิล Reddit บันทึกผลลัพธ์ รันสกิลข่าว บันทึกผลลัพธ์นั้น รันสกิล arXiv บันทึกผลลัพธ์นั้น จากนั้นก็รวมทั้งสามเข้าด้วยกันเป็นลิสต์ไอเดียสุดท้ายด้วยมือ

ผมกำลังทำงานประสานงานของ agent ด้วยมือ AI ทำแต่ละขั้นตอนได้ดี ปัญหาคือการส่งต่อ ผมคือ middleware

วิธีส่งต่อบริบทอย่างถูกต้อง

Workflow คือลำดับขั้นตอนที่แต่ละขั้นตอนสร้างสิ่งที่ขั้นตอนถัดไปต้องการ สิ่งที่ทำให้ workflow แตกต่างจากการ prompting คือบริบทถูกส่งต่อไปโดยอัตโนมัติ แทนที่คุณจะต้องแบกมันด้วยมือ

คู่มือ "Building Effective Agents" ของ Anthropic ที่เผยแพร่ในเดือนธันวาคม 2024 และถูกอ้างถึงอย่างกว้างขวางว่าเป็นแหล่งข้อมูลที่ดีที่สุด ได้แยกความแตกต่างอย่างชัดเจน Workflow คือระบบที่ LLM และเครื่องมือถูกจัดลำดับผ่านเส้นทางโค้ดที่กำหนดไว้ล่วงหน้า Agent คือระบบที่ LLM ควบคุมกระบวนการของตัวเองอย่างไดนามิก

สำหรับคนที่ไม่ใช่นักเขียนโค้ด Workflow คือจุดพอดี คุณกำหนดเส้นทาง AI ทำงานในแต่ละจุดหยุด

Anthropic อธิบายรูปแบบ workflow ไว้ 5 แบบ อธิบายเป็นภาษาง่ายๆ:

Prompt chaining ทำงานเหมือนสายการประกอบ ผลลัพธ์ของขั้นตอนที่หนึ่งกลายเป็น input ของขั้นตอนที่สอง แต่ละขั้นตอนยังคงเรียบง่ายและตรงประเด็น

Routing จัดเรียง input ที่แตกต่างกันไปตามเส้นทางที่ต่างกัน เหมือนเครื่องคัดแยกจดหมายที่ส่งจดหมายไปยังรหัสไปรษณีย์ที่ถูกต้อง

Parallelization รันหลายสิ่งพร้อมกัน เหมือนมีนักวิจัยสามคนแทนที่จะเป็นคนเดียว

Orchestrator-workers ใช้ agent หลักที่แบ่งงานและมอบหมายให้ agent ผู้ทำงาน

Evaluator-optimizer มี agent หนึ่งทำงานและอีกตัวตรวจสอบ ตัวแรกแก้ไขตาม feedback

ผมเรียกไฟล์ที่ยึดทุกอย่างเข้าด้วยกันว่าไฟล์ส่งต่อ แต่ละขั้นตอนจะบันทึกงานของตัวเองลงไป เพื่อที่ขั้นตอนถัดไปจะได้ไม่ต้องเดา รูปแบบไฟล์ไม่สำคัญเท่าหลักการ อาจเป็นไฟล์ markdown, Google Doc, หรือบล็อกข้อความที่มีโครงสร้าง สิ่งสำคัญคือแต่ละขั้นตอนต้องสร้างสิ่งที่ขั้นตอนถัดไปอ่านได้

ผมลองทุกวิธีในการเก็บบริบทระหว่างขั้นตอน ตัวแปรในหน่วยความจำหายไปเมื่อเซสชันสิ้นสุด รายการในฐานข้อมูลต้องตั้งค่าและบำรุงรักษา ไฟล์สถานะที่ใช้ร่วมกันเสียหายเมื่อสองขั้นตอนเขียนพร้อมกัน

ไฟล์ Markdown ใน Obsidian ชนะเพราะมันธรรมดาและเชื่อถือได้

แต่ละขั้นตอนใน workflow เขียนผลลัพธ์ลงไฟล์ markdown และขั้นตอนถัดไปอ่านไฟล์นั้น ไฟล์อยู่ในโครงสร้างโฟลเดอร์ที่สะท้อน workflow เมื่อเกิดข้อผิดพลาด ผมเปิดไฟล์และเห็นว่าขั้นตอนที่สามสร้างอะไรได้บ้าง ผมย้อนรอยปัญหาผ่านลูกโซ่

นี่ยังให้สิ่งที่ผมไม่คาดคิดอีกด้วย ผมติดตามสิ่งที่ agent ย่อยหรือแต่ละขั้นตอนทำ โดยมีลิงก์ไปยังไฟล์เฉพาะที่มันสร้างขึ้น เมื่อผลลัพธ์สุดท้ายฟังดูไม่น่าเชื่อถือ ผมเปิดไฟล์ระหว่างกลางและหาว่าการเบี่ยงเบนเริ่มต้นที่ตรงไหน

Markdown ยังมีข้อดีในทางปฏิบัติอีกด้วย ข้อความธรรมดาทำงานได้ทุกที่ ไฟล์ย้ายระหว่างระบบได้โดยไม่ต้องแปลง การเปลี่ยนแปลงสามารถควบคุมเวอร์ชันได้เมื่อเวลาผ่านไป ทุกอย่างแสดงผลสวยงามใน Obsidian ซึ่งผมใช้จดบันทึกอยู่แล้ว

การเก็บบริบทในฐานข้อมูลหรือกลไกสถานะที่ใช้ร่วมกันเพิ่มความซับซ้อน ต้องตั้งค่า และสร้างความพึ่งพา ไฟล์ Markdown ไม่ต้องการอะไรเลยนอกจากโฟลเดอร์และโปรแกรมแก้ไขข้อความ

แต่ละขั้นตอนบันทึกงานของตัวเอง ขั้นตอนถัดไปอ่านสิ่งที่ขั้นตอนก่อนหน้าเขียน บริบทถูกส่งต่อไปผ่านไฟล์ ไม่ใช่ผ่านความทรงจำ

การสร้าง AI Workflow ทีละขั้นตอน

ให้ผมแสดงให้เห็นว่าสิ่งนี้หน้าตาเป็นอย่างไรในทางปฏิบัติ ผมจะใช้ workflow การหาไอเดียเนื้อหาของผมเป็นตัวอย่าง แต่โครงสร้างใช้ได้กับงานซ้ำๆ ทุกประเภท

สี่ขั้นตอนประกอบกันเป็น workflow นี้ แต่ละขั้นตอนอ่านจากไฟล์ผลลัพธ์ของขั้นตอนก่อนหน้าและเขียนไปยังไฟล์ผลลัพธ์ของตัวเอง

ขั้นตอนที่ 1: ค้นหา Reddit

Input: หัวข้อหรือคีย์เวิร์ดที่จะค้นหา

หน้าที่: ค้นหา Reddit เพื่อหากระทู้ที่ผู้คนบ่นเกี่ยวกับปัญหาที่เกี่ยวข้องกับหัวข้อนั้น

Output: reddit-findings.md พร้อมชื่อกระทู้, URL, และข้อร้องเรียนหลัก

ขั้นตอนที่ 2: ขูดข่าว

Input: หัวข้อเดียวกัน

หน้าที่: ค้นหาแหล่งข่าวเพื่อหาบทความเกี่ยวกับเครื่องมือหรือแนวโน้มใหม่ๆ ที่เกี่ยวข้องกับหัวข้อนั้น

Output: news-findings.md พร้อมหัวข้อข่าว, URL, และบทสรุป

ขั้นตอนที่ 3: ค้นหา arXiv

Input: หัวข้อเดียวกัน

หน้าที่: ค้นหา arXiv เพื่อหาเอกสารที่บอกใบ้ถึงความสามารถใหม่ๆ ที่เกี่ยวข้องกับหัวข้อนั้น

Output: arxiv-findings.md พร้อมชื่อเอกสาร, บทคัดย่อ, และบันทึกความเกี่ยวข้อง

ขั้นตอนที่ 4: การสังเคราะห์

Input: ทั้งสามไฟล์จากขั้นตอนที่ 1-3

หน้าที่: อ่านทั้งสามไฟล์และสังเคราะห์เป็นลิสต์ไอเดียมุมมองสำหรับบทความ

Output: idea-angles.md พร้อมหัวข้อบทความที่มีศักยภาพ 5-10 หัวข้อ แต่ละหัวข้อมีพื้นฐานมาจากการวิจัย

แต่ละขั้นตอนได้รับบริบทที่สะอาดและตรงกับสิ่งที่ต้องการ ไม่มีอะไรถูกฝัง ไม่มีอะไรถูกลืม

ความพยายามครั้งแรกของผมกับ workflow นี้ดูไม่สวยงามนัก ไฟล์บนเดสก์ท็อป รายการตรวจสอบในแอปโน้ต และการคัดลอกวางจำนวนมากที่ยึดทุกอย่างไว้ด้วยกัน แต่มันมีโครงสร้าง แต่ละขั้นตอนมี input และ output ที่ชัดเจน Agent ไม่จำเป็นต้องจำอะไรจากสามขั้นตอนก่อนหน้าเพราะผมให้สิ่งที่มันต้องการอย่างพอดี

ในที่สุดผมก็สร้างสกิลเดียวที่จัดการทั้ง pipeline มันดึงข้อมูลจาก Reddit, แหล่งข่าว และ arXiv ตามลำดับ เขียนแต่ละชุดของสิ่งที่ค้นพบลงในไฟล์ markmarkdown แยกต่างหาก จากนั้นสังเคราะห์ทั้งสามเป็นลิสต์ไอเดียสุดท้าย สกิลรันจากบนลงล่างโดยที่ผมไม่ต้องคัดลอกอะไรระหว่างขั้นตอน

Prompting กับ Workflows: งานเดียวกัน

การหาไอเดียเนื้อหาดูแตกต่างกันโดยสิ้นเชิงระหว่างวิธีใช้ prompt กับวิธีใช้ workflow

วิธีใช้ prompt: คุณเปิดแชทและขอให้ AI ค้นหา Reddit เพื่อหาข้อร้องเรียนเกี่ยวกับหัวข้อหนึ่ง มันให้ลิสต์มา คุณคัดลอกลิสต์นั้นลงในเอกสาร คุณเปิดแชทใหม่และขอให้มันขูดบทความข่าวเกี่ยวกับหัวข้อเดียวกัน มันให้หัวข้อข่าวและบทสรุป คุณคัดลอกสิ่งเหล่านั้นลงในเอกสารของคุณ คุณเปิดแชทอีกอันและขอให้มันค้นหา arXiv เพื่อหาเอกสารที่เกี่ยวข้อง มันให้บทคัดย่อมา คุณคัดลอกสิ่งเหล่านั้นด้วย

พอคุณทำเสร็จ คุณมีข้อความสามส่วนแยกกันในเอกสาร ตอนนี้คุณต้องสังเคราะห์มันเป็นมุมมองไอเดีย คุณวางทุกอย่างลงในแชทใหม่และขอไอเดีย AI สร้างลิสต์มาแต่มันดูทั่วไป มันสูญเสียความละเอียดอ่อนจากข้อร้องเรียนใน Reddit เพราะมันถูกฝังอยู่ในข้อความที่รวมกัน มันพลาดสิ่งที่ค้นพบบน arXiv เพราะมันอยู่ท้าย prompt ที่ยาว 5,000 คำ

วิธีใช้ workflow: คุณรันสกิลที่ค้นหา Reddit และเขียนสิ่งที่พบลงในไฟล์ชื่อ reddit-findings.md จากนั้นสกิลจะค้นหาแหล่งข่าวและเขียนลงใน news-findings.md จากนั้นค้นหา arXiv และเขียนลงใน arxiv-findings.md แต่ละไฟล์สะอาดและตรงประเด็น

ขั้นตอนสุดท้ายอ่านทั้งสามไฟล์และสังเคราะห์เป็น idea-angles.md แต่ละขั้นตอนได้รับบริบทที่สะอาดและตรงกับสิ่งที่ต้องการ ไม่มีอะไรถูกฝังหรือลืม

งานวิจัยของ Clare Liguori ที่ AWS ทดสอบ 5 วิธีในการชี้นำพฤติกรรมของ agent จากการประเมิน 3,000 ครั้ง คำแนะนำ prompt แบบง่ายมีความแม่นยำ 82.5% ซึ่งหมายความว่าประมาณ 1 ใน 5 ครั้งล้มเหลว เมื่อเธอเพิ่มลูป feedback ที่มีโครงสร้าง ซึ่งเธอเรียกว่า steering hooks ความแม่นยำพุ่งไปที่ 100% จากการรัน 600 ครั้ง

โครงสร้างที่ดีกว่าสร้างความแตกต่าง ไม่ใช่ prompt ที่ดีกว่า

ผมทดสอบสิ่งนี้ด้วยตัวเองเมื่อเปรียบเทียบว่าโมเดลต่างๆ จัดการ workflow จริงของ Hermes อย่างไร โมเดลที่ดูน่าประทับใจใน benchmark มักจะล้มเหลวใน workflow ที่มีโครงสร้างเพราะมันคิดมากเกินไปในขั้นตอนธรรมดาหรือไม่สนใจข้อจำกัดด้านรูปแบบ โครงสร้างสำคัญกว่าความสามารถดิบ

จุดที่มนุษย์ยังต้องตรวจสอบ

ทุก workflow ต้องการ checkpoint แต่ไม่ใช่ทุกขั้นตอนที่ต้องการหนึ่ง การเพิ่มจุดตรวจสอบทุกที่ทำให้กลายเป็นชุดของการขัดจังหวะ

ผมใช้ประตูตัดสินใจ (decision gates) คุณจะหยุดก็ต่อเมื่อต้องมีการตัดสินใจจริงๆ ว่าควรเลือกมุมไหน ควรให้ความสำคัญกับแหล่งข้อมูลไหน ควรตัดส่วนที่ไม่เหมาะสมทิ้งหรือไม่

ถ้าผลลัพธ์ใช้ได้และไม่จำเป็นต้องตัดสินใจ คุณก็ไม่หยุด Workflow จะรันต่อไปจนกว่าจะถึงจุดที่ไม่สามารถดำเนินการต่อได้หากปราศจากดุลยพินิจของคุณ

ประตูตัดสินใจตรวจสอบว่าผลลัพธ์ตรงกับความตั้งใจของคุณหรือไม่ AI สามารถสร้างเนื้อหาที่ถูกต้องตามหลักไวยากรณ์ มีการค้นคว้าดี แต่ยังไปในทิศทางที่ผิด ประตูตัดสินใจจับสิ่งนั้นได้ก่อนที่ขั้นตอนถัดไปจะสร้างต่อจากสมมติฐานที่ผิด

ในช่อง Telegram ของผม ผมเขียนคู่มือเต็มเกี่ยวกับการเพิ่ม approval gate ให้กับ Hermes workflow ถ้าคุณต้องการรายละเอียดทางเทคนิค Gates ปกป้องชื่อเสียงของคุณโดยปิดกั้นการกระทำภายนอกที่คุณยังไม่อนุมัติ ปกป้องข้อมูลของคุณโดยต้องยืนยันก่อนการเปลี่ยนแปลงระบบ และปกป้องกระเป๋าเงินของคุณโดยปิดกั้นการใช้จ่ายเกินเกณฑ์โดยไม่ได้รับอนุมัติ

สำหรับ workflow ส่วนใหญ่ คุณต้องมีหนึ่ง gate ณ จุดที่ผลลัพธ์จะกลายเป็นสาธารณะหรือไม่สามารถย้อนกลับได้ Workflow เนื้อหาอาจมี gate หลังจาก outline ก่อนที่ร่างสุดท้ายจะเผยแพร่ Workflow การวิจัยอาจมี gate หลังจากการสังเคราะห์ ก่อนที่คุณจะดำเนินการตามผลการค้นพบ

ประตูตัดสินใจคือจุดที่คุณยังคงควบคุมทิศทางในขณะที่ AI จัดการการดำเนินการ

จะเริ่มสร้าง Workflow แรกของคุณที่ไหน

เลือกงานซ้ำๆ หนึ่งงาน ไม่ใช่งานที่ซับซ้อนที่สุด เลือกงานที่คุณทำทุกสัปดาห์ที่ใช้เวลา 45 นาทีและทำให้คุณอยากกรีดร้องเมื่อถึงนาทีที่ 30 นั่นคือ workflow แรกของคุณ

ของผมคือการสรุปเช้าที่ดึงงานและบทความก่อนดื่มกาแฟ สองขั้นตอน อ่านจาก Asana, จัดรูปแบบผลลัพธ์, ส่งมอบ ง่ายพอที่จะสร้างในบ่ายวันหนึ่ง มีประโยชน์พอที่จะรันทุกวันตั้งแต่วันที่สร้าง

ถ้าคุณใหม่กับ Hermes ให้เริ่มด้วย workflow สองขั้นตอนแบบนี้ก่อนที่จะลองทำอะไรที่ซับซ้อน

Workflow ที่เล็กที่สุดที่เป็นไปได้มีสี่ส่วน: input (สิ่งที่เข้าไป), instructions (สิ่งที่ agent ทำ), output (สิ่งที่ออกมา), และ checkpoint (จุดที่คุณตรวจสอบ) คุณไม่ต้องใช้ซอฟต์แวร์ คุณไม่ต้องใช้โค้ด คุณแค่ต้องมีโฟลเดอร์ที่มีไฟล์อยู่ข้างใน

คำแนะนำของ Anthropic จาก "Building Effective Agents" คือให้เริ่มง่ายๆ แล้วเพิ่มความซับซ้อนเมื่อจำเป็นเท่านั้น พวกเขาเตือนอย่างชัดเจนไม่ให้เริ่มต้นด้วยเฟรมเวิร์กหรือสถาปัตยกรรมที่ซับซ้อน เริ่มด้วยสองขั้นตอน ทำให้มันเชื่อถือได้ แล้วค่อยเพิ่มขั้นตอนที่สาม

คำแนะนำของ Confluent เกี่ยวกับ AI workflows ชี้ประเด็นเดียวกัน วิธีแก้ที่เรียบง่ายมักเป็นจุดเริ่มต้นที่ดีที่สุด การเริ่มต้นด้วย prompt engineering ง่ายๆ อาจไม่สมบูรณ์แบบ แต่มันใช้ได้ดีพอในรอบแรก เมื่อคุณชนเพดาน ก็เพิ่มโครงสร้าง อย่าเพิ่มโครงสร้างล่วงหน้า

ความธรรมดาชนะความฉลาด Workflow แรกของคุณควรจะง่ายจนน่าอาย กระบวนการสองขั้นตอนที่มีการส่งต่อไฟล์และการตรวจสอบโดยมนุษย์ เท่านั้นเอง คนที่ได้รับคุณค่าจาก AI workflow สร้างของธรรมดาๆ และรันมัน 50 ครั้ง ไม่ใช่ของน่าประทับใจที่รันแค่สองครั้ง

คำแนะนำด้านประสิทธิภาพ AI ส่วนใหญ่บอกให้คุณเขียน prompt ให้ดีขึ้น การออกแบบการส่งต่อที่ดีกว่าคือที่ที่ผลตอบแทนที่แท้จริงอยู่ Prompt ในแต่ละขั้นตอนอาจจะธรรมดาได้ ถ้าบริบทที่พวกเขาได้รับสะอาด prompt ที่ยอดเยี่ยมในกระทู้แชทที่พองโตก็ยังคงสร้างผลลัพธ์ธรรมดา

การตระหนักว่าคุณกำลังทำงานประสานงานที่ AI ควรทำคือการเปลี่ยนแปลงครั้งใหญ่ เมื่อคุณเห็นรูปแบบแล้ว คุณจะไม่สามารถมองไม่เห็นมันได้อีก ทุกงานซ้ำๆ กลายเป็น candidate สำหรับโครงสร้าง ทุกการส่งต่อด้วยมือกลายเป็นปัญหาการออกแบบ

การชนเพดานของ prompting หมายความว่าคุณมีปัญหาเรื่องสถาปัตยกรรม จงสร้าง pipeline ปล่อยให้บริบทไหล เอามือของคุณไว้กับการตัดสินใจที่สำคัญ

ถ้าสิ่งนี้เปลี่ยนวิธีคิดของคุณเกี่ยวกับ AI workflow ให้ติดตาม @leopardracer เพื่อเนื้อหาแบบนี้เพิ่มเติม และเข้าร่วมช่อง Telegram ของผม: https://t.me/+ygATQAt9sUM1N2U6