In-context learning

In-context learning คือความสามารถของโมเดลในการเรียนรู้จากสิ่งที่อยู่ในคำสั่งแบบชั่วคราว นิยามที่ใช้กันคือความสามารถของโมเดลที่จะเรียนรู้จาก prompt ได้ชั่วคราว จุดสำคัญที่แยกมันออกจากการเทรนคือมันไม่ทำให้เกิดการเปลี่ยนแปลงถาวรใดๆ กับค่าน้ำหนักของโมเดล การเรียนรู้นั้นมีอยู่เฉพาะในบทสนทนานั้นเท่านั้น จบแล้วหายไป ต่างจากการเทรนและ fine-tuning ที่เปลี่ยนค่าน้ำหนักอย่างถาวร เอกสารยังระบุว่านี่เป็นความสามารถที่โผล่ขึ้นมาเองในโมเดลภาษาขนาดใหญ่ และยิ่งโมเดลใหญ่ก็ยิ่งแสดงความสามารถนี้ได้ดี

ในทางปฏิบัติ นี่คือคำอธิบายว่าทำไมการแนบตัวอย่างเข้าไปในคำสั่งถึงได้ผลดีมาก เมื่อเราให้ตัวอย่างสองสามอันของรูปแบบที่ต้องการ แล้วโมเดลทำตามได้ทันที นั่นคือ in-context learning ทำงานอยู่ และเป็นเหตุผลที่เทคนิคอย่าง few-shot-learning ใช้ได้ผลโดยไม่ต้องแตะกระบวนการเทรนเลย

เดือนสิงหาคม 2026 มีงานวิจัยที่ทำให้ความสามารถนี้มีน้ำหนักมากขึ้นในการตัดสินใจเชิงสถาปัตยกรรม ชุดทดสอบ ContinualSkillBench ตั้งคำถามว่า agent ที่มีคลังทักษะให้เก็บและหยิบใช้ซ้ำนั้นพัฒนาตัวเองได้จริงหรือไม่ แล้วพบว่าการเรียนรู้จากบริบทเฉยๆ ให้ผลเทียบเท่ากับการมีระบบจัดการคลังทักษะอย่างเป็นทางการโดยเฉลี่ย ผู้เขียนสรุปว่าผลที่ดีขึ้นส่วนใหญ่มาจากการปรับตัวตามบริบทและผลตอบรับ มากกว่าการสร้างทักษะที่นำกลับมาใช้ใหม่ได้จริง สิ่งที่องค์กรเอาไปใช้ได้ทันทีคือก่อนจะลงทุนสร้างระบบความจำหรือคลังทักษะที่ซับซ้อน ให้ลองวิธีที่ง่ายที่สุดก่อน คือแนบตัวอย่างงานที่ผ่านมาเข้าไปในคำสั่งตรงๆ แล้ววัดเทียบกัน เพราะมีโอกาสสูงที่ผลจะไม่ต่างกันมาก

ตัวอย่างจากบทสนทนาจริง

นักพัฒนา: "ผมกำลังจะ fine-tune โมเดลให้เขียนอีเมลตอบลูกค้าด้วยน้ำเสียงของบริษัทเราครับ ต้องเตรียมข้อมูลกี่ตัวอย่างดี"

หัวหน้าทีม: "ก่อนไปถึงตรงนั้น ลองวิธีที่ถูกกว่ามากก่อนครับ เอาอีเมลตัวอย่างที่เขียนดีที่สุดสัก 5 ฉบับแนบไปในคำสั่งเลย แล้วดูว่าผลออกมาใกล้เคียงที่ต้องการแค่ไหน อันนี้คือ in-context learning ซึ่งมักได้ผลดีเกินคาดและแก้ไขได้ทันทีถ้าไม่ถูกใจ ส่วน fine-tune ต้องเตรียมข้อมูลเป็นพันตัวอย่าง ใช้เวลาเป็นสัปดาห์ และพอจะแก้น้ำเสียงทีต้องเทรนใหม่ ถ้าวิธีแรกพอใช้แล้วเราประหยัดไปเยอะเลยครับ"

ระวังสับสนกับ

• fine-tuning : fine-tuning เปลี่ยนค่าน้ำหนักของโมเดลอย่างถาวร จึงติดตัวไปทุกการใช้งานและไม่ต้องแนบตัวอย่างซ้ำ ส่วน in-context learning ต้องแนบตัวอย่างเข้าไปใหม่ทุกครั้งและกินพื้นที่ context-window แต่แก้ไขได้ทันทีโดยไม่ต้องเทรน
• skill-library : skill library คือระบบที่ให้ agent เก็บทักษะไว้ใช้ซ้ำอย่างเป็นทางการ ซึ่งงานวิจัยปี 2026 พบว่าให้ผลไม่ต่างจากการปล่อยให้โมเดลอ่านบริบทงานก่อนหน้าเฉยๆ อย่างมีนัยสำคัญ
• memory-system : memory system คือการที่ AI จำข้อมูลข้ามบทสนทนาได้ ซึ่งเก็บไว้นอกตัวโมเดล ส่วน in-context learning หายไปเมื่อจบบทสนทนา ระบบความจำจึงทำงานโดยการดึงของเก่ากลับเข้ามาในบริบทใหม่อีกรอบ