การเขียนในยุคของ LLM

• ช่วงหลังมานี้ เมื่อมีการใช้ LLM ในการเขียน มากขึ้น ก็เริ่มเห็นรูปแบบการเขียนที่ไม่เป็นธรรมชาติมากขึ้นอย่างชัดเจน
• ประโยคสรุปที่อ่อนแรง, การใช้ bullet point มากเกินไป, จังหวะประโยคที่ราบเรียบเกินไป เป็นปัญหาตัวแทนของงานเขียนจาก LLM
• มักมีแนวโน้มที่ ความหนาแน่นของข้อมูลต่ำ หรือมี ถ้อยคำกำกวม ปรากฏบ่อย จนทำให้ขาดอินไซต์ที่ใช้งานได้จริง
• ในทางกลับกัน การทำซ้ำอย่างตั้งใจ, วลีชี้ทางที่ชัดเจน, โครงสร้างแบบขนาน มักถูกเข้าใจผิดว่าเป็นสไตล์ของ LLM ทั้งที่จริงแล้วเป็นเครื่องมือการเขียนที่มีประสิทธิภาพ
• ผู้เขียนเน้นว่า แม้จะใช้ LLM ช่วยในด้าน การออกแบบโครงร่าง, การสร้างร่างแรก, และ การเขียนใหม่เป็นส่วน ๆ แต่การตัดสินใจขั้นสุดท้ายและการประกอบเนื้อหาให้ลุ่มลึกยังคงเป็นหน้าที่ของมนุษย์

---

Common Patterns of Bad Writing I See from LLM Tools

• ตลอดช่วงไม่กี่ปีที่ผ่านมา ระหว่างที่เขียนและรีวิว บทความเชิงเทคนิคและบล็อกโพสต์หลายชิ้น ผู้เขียนมักรู้สึกว่างานเขียนจาก LLM มีความ “แปลก ๆ และไม่น่าดึงดูด” อยู่เสมออย่างละเอียดอ่อน
• ในขณะเดียวกัน ผู้เขียนก็พบว่าการใช้ LLM กับ การทำร่างแรก, การสรุปข้อมูลซับซ้อน, การจัดระเบียบความคิดที่กระจัดกระจาย มีประโยชน์มาก
• บทความนี้จะแชร์ทั้ง รูปแบบการเขียนที่แย่ ที่ LLM มักสร้างขึ้น, พฤติกรรมการเขียนที่มักถูกเข้าใจผิดว่าเป็น “สไตล์แบบ LLM” ทั้งที่จริงแล้วใช้ได้ดี, รวมถึง แนวทางการเขียนและกฎการพรอมป์ต ที่ผู้เขียนใช้จริง

Empty “summary” sentences that pretend to conclude a thought

• ท้ายย่อหน้ามักมีประโยคอย่าง “By following these steps, we achieve better performance.”, “By internalizing these principles, you can cut through the noise.” ซึ่งเป็น ประโยคสรุปที่ดูเหมือนจะสรุป แต่จริง ๆ แล้วไม่มีความหมายเชิงสาระ ปรากฏบ่อย
  • “การทำตามขั้นตอนนี้จะช่วยให้ได้ประสิทธิภาพที่ดีขึ้น”
  • “ถ้าซึมซับหลักการเหล่านี้ คุณจะฝ่าความสับสนไปได้”
• ประโยคแบบนี้ไม่ได้มอบอินไซต์ใหม่หรือประเด็นให้ผู้อ่านขบคิด
• แม้แต่ผู้เขียนเองก็ยังไม่พบวิธีที่แน่นอนในการทำให้ LLM เขียน ประโยคที่มีสารจริง ๆ แบบนี้ออกมาได้

Overuse of bullet points and outlines

• LLM มีแนวโน้มจะ ใช้ bullet point (ลิสต์) และโครงร่างมากเกินไป
• ลิสต์มีประโยชน์เมื่อแต่ละข้อขนานกันและแยกจากกันได้ แต่เมื่อ ไอเดียมีความเชื่อมโยงกันหรือบริบทมีความสำคัญ การเขียนเป็นย่อหน้าจะเหมาะกว่า

Flat sentence rhythm

• หาก ทุกประโยคมีความยาวและโครงสร้างคล้ายกัน ซ้ำไปมา งานเขียนจะน่าเบื่อและทำให้ผู้อ่านตามได้ยาก

• การปรับความยาวและจังหวะของประโยคให้หลากหลายจะช่วยให้ เน้นประเด็น, ดึงความสนใจ, และควบคุมความเร็วในการอ่าน ได้

  • Bad example:
    "We recently launched a conversational AI feature that lets users ask questions in plain English and get responses based on their past activity and current session. The system searches a database of help articles, ranks the most relevant ones using a custom scoring function, and passes the top result into a language model to generate the final answer. We spent weeks optimizing each step to keep latency under 300 milliseconds, including caching, pruning irrelevant articles, and tuning prompt templates."
    "เราเพิ่งเปิดตัวฟีเจอร์ conversational AI ที่ให้ผู้ใช้ถามคำถามด้วยภาษาธรรมดาและรับคำตอบโดยอิงจากกิจกรรมก่อนหน้าและเซสชันปัจจุบัน ระบบนี้ค้นหาฐานข้อมูลบทความช่วยเหลือ คัดอันดับรายการที่เกี่ยวข้องที่สุดด้วยฟังก์ชันให้คะแนนแบบกำหนดเอง แล้วส่งผลลัพธ์อันดับสูงสุดเข้าไปยัง language model เพื่อสร้างคำตอบสุดท้าย เราใช้เวลาหลายสัปดาห์ในการปรับแต่งแต่ละขั้นตอนเพื่อให้ latency ต่ำกว่า 300 มิลลิวินาที รวมถึงการทำ caching การตัดบทความที่ไม่เกี่ยวข้องออก และการปรับแต่ง prompt template"

  • Good example:
    "We just launched a new conversational AI feature. It answers user questions in plain language, using context from the current session. The system searches help articles, scores them with a custom ranking function, feeds the top result into a fine-tuned language model, and runs in under 300ms using caching, pruning, and prompt tuning techniques."
    "เราเพิ่งเปิดตัวฟีเจอร์ conversational AI ใหม่ ฟีเจอร์นี้ตอบคำถามของผู้ใช้ด้วยภาษาธรรมดา โดยใช้บริบทจากเซสชันปัจจุบัน ระบบจะค้นหาบทความช่วยเหลือ ให้คะแนนด้วยฟังก์ชันจัดอันดับแบบกำหนดเอง ป้อนผลลัพธ์อันดับต้นเข้าไปยัง language model ที่ผ่านการ fine-tune แล้ว และทำงานได้ภายใน 300ms ด้วยเทคนิค caching, pruning และ prompt tuning"

Not the right subject

• เมื่อ เลือกประธานของประโยค ไม่เหมาะสม ใจความสำคัญของประโยคจะพร่าเลือนไป
  • Bad example:
    "Readers are better guided when the subject matches the main idea of the sentence."
    "ผู้อ่านจะถูกนำทางได้ดีกว่าเมื่อประธานสอดคล้องกับใจความหลักของประโยค"
  • Good example:
    "Choosing the right subject keeps the writing clear and focused."
    "การเลือกประธานที่ถูกต้องช่วยให้งานเขียนชัดเจนและมีจุดโฟกัส"
• การเลือกประธานที่เหมาะสมสำคัญต่อ ความสม่ำเสมอและสมาธิของงานเขียน

Low information density

• ด้านล่างคือตัวอย่างข้อความที่ LLM สร้างจาก Gemini 2.5 Pro:
  > "As someone who writes, reviews, and deconstructs complex information for a living, I’ve developed a strong allergy to bad writing. And lately, a lot of that bad writing has a specific, synthetic flavor—the unmistakable scent of an LLM. This post is a guide to navigating the new world of writing, with or without LLM assistance. First, I’ll cover the true pitfalls of LLM-generated text—the red flags that make it feel sterile and unconvincing."
  > "ในฐานะคนที่ทำงานกับการเขียน การรีวิว และการแยกแยะข้อมูลซับซ้อนเป็นอาชีพ ฉันจึงแพ้งานเขียนที่แย่เข้าอย่างจัง ช่วงหลังมานี้ งานเขียนแย่จำนวนมากมีกลิ่นสังเคราะห์เฉพาะตัว—กลิ่นที่บ่งบอกชัดว่าเป็น LLM บทความนี้เป็นคู่มือสำหรับโลกการเขียนแบบใหม่ ไม่ว่าจะใช้ LLM ช่วยหรือไม่ก็ตาม ก่อนอื่นฉันจะพูดถึงกับดักสำคัญของข้อความที่สร้างโดย LLM—สัญญาณเตือนที่ทำให้มันดูไร้ชีวิตและไม่น่าเชื่อถือ"
• แม้โครงสร้างประโยคและไวยากรณ์จะสมบูรณ์ แต่ก็ ไม่มีอินไซต์ที่จับต้องได้, ไม่มีข้อมูลเฉพาะ, และไม่มีการพัฒนาเหตุผลของข้อเขียน

Vagueness

• งานเขียนจาก LLM มักมีแนวโน้ม หลีกเลี่ยงความเฉพาะเจาะจง อย่างชัดเจน
• มักไม่ให้นิยามไอเดียอย่างชัดเจน ตั้งข้ออ้างโดยไม่มีหลักฐาน หรือเขียนแบบไม่ชัดว่ากำลังพูดถึงใคร
  “Some experts say prompt engineering is becoming less important. The ability to simply prompt LLMs can have a major impact on productivity.”
  “ผู้เชี่ยวชาญบางคนบอกว่า prompt engineering กำลังสำคัญน้อยลง ความสามารถในการพรอมป์ต LLM ได้อย่างง่าย ๆ อาจส่งผลอย่างมากต่อผลิตภาพ”
  → ขาด หลักฐานและกลุ่มเป้าหมายที่ชัดเจน เช่น ใครพูด ในบริบทไหน และส่งผลต่อใคร

Overuse of demonstrative pronouns

• มีการใช้ คำสรรพนามชี้เฉพาะ อย่าง "this", "that", "these", "those" มากเกินไป
• หากคำนามที่อ้างถึงไม่ชัดเจน ผู้อ่านก็จะพลาดใจความได้ง่าย
  “This creates friction in production.”
  “สิ่งนี้ทำให้เกิดแรงเสียดทานใน production”
  ตรงนี้ไม่ชัดเจนว่า "this/สิ่งนี้" หมายถึงอะไร

Fluency without understanding

• มักมี ประโยคที่ลื่นไหลบนผิวหน้า แต่จริง ๆ แล้วอธิบายอะไรไม่ได้มาก ปรากฏอยู่บ่อย
  “LLMs use attention mechanisms to generate contextually appropriate responses.”
  “LLM ใช้ attention mechanisms เพื่อสร้างคำตอบที่เหมาะสมกับบริบท”
  → ถ้าผู้อ่านไม่รู้ว่า attention คืออะไร ประโยคนี้ก็แทบไม่ได้สื่อข้อมูลใดเลย
• LLM ยัง ชอบสร้างคำศัพท์ที่ไม่มีอยู่จริงขึ้นมา บ่อยด้วย
  “We used GPT-4 for summarization, but it hallucinated details, so we added retrieval grounding.”
  “เราใช้ GPT-4 สำหรับการสรุป แต่โมเดลสร้างรายละเอียดที่ไม่จริงขึ้นมา จึงเพิ่ม retrieval grounding เข้าไป”
  → “retrieval grounding” เป็นคำที่ไม่มีอยู่จริง
• LLM แยกไม่ออกว่าผู้อ่านมีพื้นความรู้แค่ไหน และจุดไหนจำเป็นต้องอธิบาย จึงมักข้ามส่วนที่ยากไป

Writing Patterns People Flag as “LLM-Like,” But Are Actually Fine

• ยังมีรูปแบบการเขียนที่ผู้คน ระแวงเกินไปว่าเป็นสไตล์ LLM ทั้งที่จริงแล้วเป็นรูปแบบที่ใช้ได้ดีและพบได้ทั่วไป
• สิ่งสำคัญไม่ใช่ การเขียนให้ดูไม่เหมือนโมเดล แต่คือการเขียนให้มี ความชัดเจน, เจตนา, และการควบคุม

Intentional repetition

• การทำซ้ำ มีประสิทธิภาพเมื่อใช้เพื่อทำให้ไอเดียที่ซับซ้อนชัดเจนขึ้นหรือใช้เน้นประเด็น
  "Vector databases store embeddings, or mathematical representations that capture semantic meaning in hundreds of dimensions. In other words, vector databases help find results that are “close” in meaning, not just exact text matches."
  “Vector database เก็บ embeddings หรือการแทนค่าทางคณิตศาสตร์ที่จับความหมายเชิง semantic ไว้ในมิติหลายร้อยมิติ พูดอีกอย่างคือ vector database ช่วยค้นหาผลลัพธ์ที่ ‘ใกล้กันในเชิงความหมาย’ ไม่ใช่แค่ข้อความที่ตรงกันเป๊ะ”

Signposting phrases

• วลีชี้ทางอย่าง "essentially", "in short", "the point is..." มีประโยชน์ หากหลังจากนั้นมีข้อมูลจริงตามมา
  ตัวอย่าง:
  "Essentially, instead of classifying the document as a whole, we classify each section independently."
  “โดยแก่นแล้ว แทนที่จะจัดประเภทเอกสารทั้งฉบับ เราจะจัดประเภทแต่ละส่วนแยกจากกัน”

Parallel structure

• โครงสร้างแบบขนาน ช่วยจัดระเบียบไอเดียอย่างเป็นระบบ และทำให้การไหลของประโยคราบรื่นขึ้น
  "The system scales across inputs, stays responsive under load, and returns consistent results even with noisy prompts."
  “ระบบนี้รองรับการขยายตัวกับอินพุตหลากหลาย รักษาการตอบสนองได้แม้อยู่ภายใต้โหลด และคืนผลลัพธ์ที่สม่ำเสมอแม้พรอมป์ตจะมีสัญญาณรบกวน”

Section headings that echo a structure

• หัวข้อส่วนแบบคาดเดาโครงสร้างได้ เช่น “Why X fails”, “What to do instead”, “How to know if it worked” ก็มีประสิทธิภาพเพียงพอ หากเนื้อหาชัดเจน

Declarative openings

• การเปิดส่วนด้วย ประโยคบอกเล่าอย่างหนักแน่น หากมีหลักฐานหรือคำอธิบายรองรับ ก็ยิ่งช่วยเสริมโฟกัสของงานเขียน
  ตัวอย่าง:
  "LLM evaluations are hard to get right. Many rely on user-defined gold labels or vague accuracy metrics, which do not work for subjective or multi-step tasks."
  “การประเมิน LLM ให้ถูกต้องเป็นเรื่องยาก การประเมินจำนวนมากพึ่งพา gold labels ที่ผู้ใช้กำหนดเองหรือใช้ตัวชี้วัดความแม่นยำที่กำกวม ซึ่งไม่เหมาะกับงานที่มีอัตวิสัยหรือมีหลายขั้นตอน”

Em dashes

• Em dash (—) มีประโยชน์สำหรับการเสริมคำอธิบายในประโยค การเปลี่ยนจังหวะ หรือการเปลี่ยนประเด็นอย่างรวดเร็ว
• หากใช้เหมาะสม จะช่วยให้ จังหวะแบบภาษาพูดที่เป็นธรรมชาติและการเน้นน้ำหนัก ดีขึ้น

How I Write with LLMs

• ผู้เขียนให้ความสำคัญที่สุดกับ การรักษาโมเมนตัมของการเขียน
• กระบวนการทำงานจริงสำหรับบทความวิชาการหรือบล็อกโพสต์โดยทั่วไปมีดังนี้
  • วางแผนโครงร่าง (เขียนลงกระดาษหรือร่างไว้ในหัว)
  • สร้างร่างแรก
  • อ่านสิ่งที่เขียนแล้วพร้อมทบทวนอย่างวิพากษ์
  • แก้ไข
• กระบวนการนี้สามารถเกิดซ้ำได้ใน หลายระดับ ตั้งแต่ระดับประโยคไปจนถึงระดับส่วน
• แต่ละคนจะติดขัดไม่เหมือนกันในช่วง การวางแผน, การเขียนร่าง, หรือการแก้ไข
  • ผู้เขียนทำโครงร่างได้เร็ว แต่ติดขัดบ่อยในเรื่องการเลือกถ้อยคำ (phrasing)
  • จึงใช้ LLM อย่างจริงจังเป็น เครื่องมือสำหรับก้าวข้ามจุดที่ตันหรือเร่งการประกอบร่างแรก

Narrate the story to the model

• เมื่อต้องเริ่มร่าง ผู้เขียนจะเขียนเรื่องราวแบบคร่าว ๆ ราวกับกำลังอธิบายโครงสร้างให้เพื่อนร่วมงานฟัง แล้วนำไปวางให้ LLM เพื่อขอให้ช่วยสร้างโครงร่างอย่างละเอียด
• ทำซ้ำขั้นตอนนี้จนกว่าโครงสร้างจะชัดเจน

Write the paragraph myself, even if it’s rough

• เมื่อโครงร่างเสร็จแล้ว ผู้เขียนพยายาม เขียนแต่ละย่อหน้าด้วยตัวเอง แม้จะยังหยาบอยู่ก็ตาม
• หากเขียนประโยคให้จบได้ยาก ก็จะขอ LLM แบบ “finish it” แล้วเลือกฉบับที่ดีที่สุดจากหลายคำตอบ ก่อนนำมาปรับเล็กน้อยหากจำเป็น
  “In the last couple of years, I’ve written and reviewed several technical papers and blog posts. Something always feels slightly off, enough to make the writing quietly uninviting. At the same time, I feel like I get tremendous value from using LLMs to write…” “finish it”
  “ในช่วงสองสามปีที่ผ่านมา ฉันได้เขียนและรีวิวบทความเทคนิคกับบล็อกโพสต์หลายชิ้น มักมีบางอย่างที่รู้สึกแปลก ๆ อยู่เสมอ มากพอจะทำให้งานเขียนค่อย ๆ ไม่น่าดึงดูดใจ ในขณะเดียวกัน ฉันก็รู้สึกว่าได้รับคุณค่ามหาศาลจากการใช้ LLM เพื่อเขียน…” “finish it”
  → โมเดลจะเสนอหลายแบบ แล้วเลือกอันที่ดีที่สุดมาปรับเล็กน้อยก่อนใช้ต่อ

Use scoped rewrite strategies during revision

• เมื่อย่อหน้าหรือประโยคฟังดูแปลก ผู้เขียนจะไม่บอกแค่ว่า “make it better” แต่จะส่ง คำสั่งที่เฉพาะเจาะจงหรือแพตเทิร์นที่ต้องการ (เช่น โครงสร้างเชิงวาทศิลป์) ให้ LLM
• กลยุทธ์ตัวอย่าง:
  • วางประธานและกริยาให้ใกล้กันที่สุด และให้อยู่ช่วงต้นประโยค
  • ใช้โครงสร้าง SWBST (ใครต้องการอะไร แต่เจออุปสรรคอะไร รับมืออย่างไร และผลเป็นอย่างไร)
    • ตัวอย่าง:
      "We used GPT-4 for summarization. We wanted fluent answers, but it hallucinated facts. So we added a retrieval step. Then we re-ranked outputs based on citation accuracy."
      “เราใช้ GPT-4 สำหรับการสรุป เราต้องการคำตอบที่ลื่นไหล แต่โมเดลสร้างข้อเท็จจริงผิดขึ้นมา ดังนั้นเราจึงเพิ่มขั้นตอน retrieval จากนั้นก็จัดอันดับผลลัพธ์ใหม่ตามความถูกต้องของการอ้างอิง”
    • โครงสร้าง SWBST มีประสิทธิภาพแม้ในงานเขียนเชิงเทคนิค เพราะช่วยถ่ายทอด แรงจูงใจ, ปัญหา, วิธีรับมือ, และผลลัพธ์ ได้อย่างกระชับ

Parting Thoughts

• ตอนนี้เราอยู่ในยุคที่ งานเขียนระดับกลาง ๆ (คุณภาพเฉลี่ย) สามารถสร้างด้วย LLM ได้อย่างง่ายดาย
• แต่เรื่อง จะเขียนอะไร จะเลือกมุมมองและโครงสร้างแบบไหน และควรลงลึกตรงไหน ยังเป็นหน้าที่ของมนุษย์อยู่ดี
• งานเขียนที่ดีจริงต้องมี คุณูปการที่เป็นสาระสมกับความยาวของมัน และต้องคุ้มค่ากับเวลาที่ผู้อ่านลงทุนลงไป
• การทำให้ถึงมาตรฐานนี้คือเป้าหมายที่ผู้เขียนพยายามมุ่งไป

[crawler]

ผมคิดว่า GeekNews ดีตรงที่มีความหนาแน่นของข้อมูลสูงในแง่นั้น
การลงท้ายแบบสไตล์ตัดคำก็ดูเหมือนเป็นการปรับความหนาแน่นให้เหมาะที่สุดจริง ๆ