ถ้าคุณจะให้มันหาพารามิเตอร์ คุณจะต้องสอนให้มันรู้จักก่อนว่า parameter ที่เป็นไปได้มีอะไรบ้าง เช่น

Prompt เพื่อตั้งค่า :

ให้ระบุเพศของบุคคล โดยมีตัวเลือกดังต่อไปนี้ [เพศชาย,เพศหญิง] โดยผู้ใช้งานจะพิมพ์ข้อความทักทายเข้ามาโดยมีคำระบุเพศปนเข้ามาด้วย ถ้าเข้าใจให้ตอบว่า ใช่ ถ้าไม่เข้าใจตอบว่าไม่ใช่

ซึ่งถ้าคุณใช้รูปประโยคกำกวมมันจะตอบว่าไม่ใช่ทันที โดยเฉพาะประโยคที่ว่า "โดยผู้ใช้งานจะพิมพ์ข้อความทักทายเข้ามาโดยมีคำระบุเพศปนเข้ามาด้วย" เนื่องจากโดยทั่วไปประโยคมันไม่สามารถระบุเพศได้อยู่แล้ว แต่ถ้าคุณระบุให้ชัดไปเลยว่าข้อความที่เข้ามามีคำระบุเพศเสมอ มันก็จะสามารถจำแนกได้ จากประโยคกำหนดค่าเริ่มต้นดังกล่าว เมื่อคุณพิมพ์ ประโยคถัดไปว่า

"สวัสดีครับ"

มันก็จะตอบว่า "เพศชาย"

"สวัสดีค่ะ"

มันก็จะตอบว่า "เพศหญิง"

"สวัสดีคร้าบ"

มันก็จะตอบว่า "เพศชาย"

"สวัสดีจ้า"

มันจะตอบว่า "ระบุไม่ได้" หรือ "ไม่ใช่"

ซึ่งเราสามารถประยุครูปแบบเหล่านี้โดยการให้ส่งกลับคืนเป็น JSON เพื่อใช้งานต่อได้ แต่ก็ต้องอธิบายให้มันเข้าใจ ซึ่งจากที่ผมลอง พบว่ามันทำได้ในระดับที่พึงพอใจ เพียงแต่คุณจะต้องทดสอบ prompt ที่คุณจะใช้งานผ่าน AI Studio ก่อน แล้วจึงนำมาใช้งานจริงในการคัดกรองข้อมูลจำนวนมากอีกทีนึง เพื่อทดสอบความแปรปรวน อันนี้แค่ตัวอย่างง่ายๆ แต่คุณสามารถทำให้มันซับซ้อนได้มากกว่านี้อีกเยอะ ผมใช้มันแยกภาษาธรรมชาติเพื่อเอาข้อมูลไปบันทึกลง Database ได้ด้วยรูปแบบนี้แหล่ะ โดยไม่จำเป็นต้องมีแบบฟอร์มเลย เพียงแต่คุณจะต้องสอนพารามิเตอร์ที่มันจะปนมาในคำ และหากไม่พบก็ต้องให้ระบุกลับมาเลยว่าอะไรที่ไม่มีเพื่อให้เราถามกลับไปยังผู้ใช้ ถ้า parameter มันมีปริมาณมากก็ทำ fine tuning ไปเลย เพื่อให้ไม่ต้องเสียค่า token ในการสอนที่หัวประโยคทุกครั้ง ซึ่งทั้งหมดนี้คือ รูปแบบที่มันเหมาะกับ LLM แต่ถ้าถามแบบลอยๆ ไป มันก็จะได้คำตอบอย่างที่คุณได้มานั่นแหล่ะ