วิธีทําการศึกษาแบบย่อ กับกระแสไฟของ คลอด
อะไรคือความลึกของงานวิจัย ที่คนในวัย AI ควรจะทํา และจะสร้างความสัมพันธ์ที่เสริมสร้าง。
ในสามปีที่ผ่านมา ผมได้ทําวิจัยอุตสาหกรรมด้วยการสนับสนุน AI และผมได้สร้างชุดของทักษะและระบบช่วยเหลือ。
จนกระทั่งสัปดาห์ผ่านไป ผ่านการทํางานอย่างดุดันของ Claude Code ซึ่งความหมายที่แท้จริงของคําว่า "คนไม่ต่อสู้กับช่วงเวลาที่ยิ่งใหญ่"。
คิดอีกที อะไรคือความลึกของงานวิจัย ที่คนในวัย AI ควรจะทํา และสร้างความสัมพันธ์ที่เสริมสร้าง。
เริ่มด้วยกับดักของการวิจัย
ที่ จริง การ วิจัย ทาง เทคนิค คือ กับ ดัก (ทั้ง สําหรับ ผู้ คน และ สําหรับ AI) และ ที่ จริง ข้อมูล มาก มาย กําลัง ได้ รับ จาก การ เริ่ม การ ศึกษา โดย มี มุม มอง มาก ขึ้น และ ข้อ สรุป ที่ คลุมเครือ ขึ้น เรื่อย ๆ. ดังนั้นมันถึงเวลาที่จะเข้าใจ เป้าหมายของการกลับมาของตัวเอง。
และนั่นคือสาเหตุที่ AI ไม่ดีพอ เพราะจากมุมมองของความสนใจและความสัมพันธ์เขาจะถูกกักขังมากกว่ามนุษย์ ในปริมาณของข้อมูลปัจจุบัน และอ่อนแอ ในการเชื่อมต่อข้ามพรมแดนที่มีคุณค่าอย่างแท้จริง。
แน่นอน AI ดีพอ ที่จะสามารถทําหน้าที่ค้นหา ประมวลผล และหลีกเลี่ยงการสูญเสียรายละเอียดได้。
ถึงแม้ว่าผมจะไม่ได้เปิดเผยข้อมูลมากนัก ในช่วงหกเดือนที่ผ่านมานี้ ผมได้ค้นหาและค้นคว้าวิจัย เกือบทุกสาขาวิชาหลักในวงการอุตสาหกรรม。
และในใบหน้าของรหัส Claude ของสัปดาห์ที่ผ่านมาบนบรรทัด, การไหลของการทํางานแบบไม่ตายตัว ฉันอยากจะลงไปกับแต่ละอื่น ๆ。
อะไร คือ การ ไหล เวียน ของ งาน ที่ มี พลัง
เส้นหลักของการทํางานที่ผันผวนคือ:ก่อน ปฏิบัติ ภารกิจ เอไอ จะ ออก แบบ สิ่ง ที่ ควร ใช้ เพื่อ ทํา งาน นี้ โดย อัตโนมัติ แล้ว เริ่ม การ ประหาร ชีวิต。
อันนี้ต่างจาก "แบบจําลอง" และ "การฆ่า" ที่เราเคยใช้ แผนการ ที่ วาง ไว้ คือ รื้อ ทิ้ง งาน นั้น แต่ ไม่ จําเป็น ต้อง ตรง กับ การ ทํา งาน ที่ มี เหตุ ผล. เป็น ไป ได้ ที่ จะ เพิ่ม เครื่อง บ่ง ชี้ การ ยอม รับ (ซึ่ง เป็น สิ่ง จําเป็น สําหรับ การ วิจัย) ด้วย คํา แนะ นํา ของ คุณ และ คุณ จะ เตรียม การ ดี กว่า ที่ จะ ตั้ง กฎ ควบคุม บาง อย่าง หาก คุณ มี กฎ ข้อ หนึ่ง。
อย่าง ไร ก็ ตาม การ ทํา งาน ที่ คล่อง ตัว จะ รวม เอา การ หา เหตุ ผล ที่ ยอม รับ, การ ยึด มั่น กับ ผล งาน, และ การ เผชิญ หน้า เพื่อ พิสูจน์ ว่า สิ่ง เหล่า นี้ เป็น จริง。
ไกจะง่าย, โดยตรงใน cc/ direct-rearch& nbsp;ถ้า เช่น นั้น ก็ จะ เพียง พอ ที่ จะ ให้ แม่ แบบ ค้นคว้า และ ข้อมูล บาง อย่าง ที่ ใช้ ได้ และ ถ้า ความ สามารถ ใน การ ใช้ งาน ที่ ทรง พลัง เพียง อย่าง เดียว นั้น เป็น คํา บอก ใบ้ หรือ รหัส ขนาด ใหญ่ โดย ตรง ก่อน จะ ใช้ ก็ จะ มี การ กิน เครื่องหมาย ประมาณ หลาย สิบ ครั้ง。
3 แทรกโหมดการทํางาน 6 แบบ
ส่วนล่างของการทํางานแบบไดนามิค คือรูปแบบการเคลื่อนไหวหลัก 6 แบบที่ถูกสรุปไว้อย่างเป็นทางการ ซึ่งเป็นเหตุผลที่มันแข็งแรงกว่า กล่องโต้ตอบ/เอเจ้นท์/สารฆ่าปกติ。
ที่ จริง มี ประเด็น หลัก เพียง สอง ประเด็น เบื้อง หลัง หก แบบ คือ จะ ทํา ให้ งาน นั้น เสีย ไป ได้ อย่าง ไร? มันพอดียังไง。
3. 1 & nbsp; โหมดเส้นทาง (Clastify- & Action)
งานพิมพ์นี้จะถูกจําแนกครั้งแรกโดยตัวแทน แล้วแจกจ่ายไปยังรายการพิเศษที่เหมาะสมที่สุด & nbsp;เอเจ้นท์ httpnbsp;ทําสิ เหตุผลหลักก็คือตรรกะของการเลือกเส้นทางไม่ใช่แบบขนานหรือความหมาย ภารกิจหนึ่งตามเส้นทางเดียว อีกเส้นทางหนึ่งไม่สมบูรณ์。
ยกตัวอย่างเช่น ผมสามารถเริ่มด้วยบทบาทพื้นฐาน 3 อย่าง คือ วิเคราะห์ข้อมูลอย่างรัดกุม ให้ผู้ติดตามตัดสินว่า ใครเป็นเรือดําน้ําตัวปัจจุบัน แทนที่จะปล่อยให้ฝูงส่วนตัว。
คุณค่าของโมเดลนี้ คือมันมีความแม่นยําและประหยัด และคําใบ้ของตัวแทนแต่ละราย สามารถเป็นอิสระจากเป้าหมายอื่น ๆ การบริโภคที่ต่ําที่สุด การตอบสนองที่เร็วที่สุด ขอบเขตความรับผิดชอบ ชัดเจนมาก。
นอกจากนี้ยังมีข้อบกพร่องที่สําคัญและความสามารถที่อ่อนแอในการจัดการกับงานที่เบลอ (เช่น "ปัญหาทางเทคนิคและบัญชี"。
3. 2 แบ่งกลุ่ม (Fan-out & amp; ผนวกรวม)
มันยังเป็นแบบทั่วไปที่สุดของผมด้วย, และ ตรรกะหลักนั้นขนานกัน บวก อนุพันธ์ งานถูกแบ่งออกเป็น N SUB-TASKS, ทํางานพร้อมกันและคอมไพล์มันเมื่อทั้งหมดเสร็จสมบูรณ์。
ข้อดีคือความเร็วและการแยกตัวออกมา เวลาทั้งหมดเป็นเรื่องของการยอมจํานนที่ช้าที่สุด ไม่ใช่รวมทั้งหมด การ ยอม อยู่ ใต้ อํานาจ แต่ ละ ครั้ง เป็น เรื่อง ที่ ไม่ ขึ้น กับ ใคร โดย ไม่ มี การ รบกวน และ ไม่ ทํา ให้ การ ยอม อยู่ ใต้ อํานาจ อีก ฝ่าย หนึ่ง เสีย หาย เนื่อง จาก เสียง ที่ เกิด จาก การ ยินยอม คน เดียว。
ความอ่อนแอคือค่าใช้จ่ายเป็นสามเท่าของจํานวน อนุกรม และส่วนชั้นของคอนกรีตเองนั้นยาก - วิธีรวมผลลัพธ์ การแบ่งงานกันอย่างยากจน นําไปสู่การไม่เปิดเผย หรือการจําลองการเปิดเผย。
3. 3 & nbsp; ค้านคํายืนยัน (ตรวจสอบสิทธิ์)
เหตุผลหลักก็คือทดสอบจํานวน & nbsp สําหรับข้อสรุปเดียวกัน;เอเจ้นท์ httpnbsp;จากมุมมองที่ "หลอกลวง" มันมากกว่าครึ่งคะแนนเสียง。
ข้อได้เปรียบก็คือ เพราะเวอร์เฟียร์ไม่รู้ว่า วอล์คเกอร์คิดอะไรอยู่ มันมองผลลัพธ์ออก。
รูปแบบนี้แก้ปัญหาที่ยาวนาน เรามักจะพูดคุยกับ AI ในทางปาก แต่ AI มักตอบสนองต่อความคาดหวังของคุณ โดยการเผชิญหน้ากับความถูกต้อง บังคับให้ AI หาตัวอย่างย้อนกลับ เพื่อทดสอบมันบนพื้นฐานของข้อมูลและการทดลอง。
แต่ เพื่อตรวจสอบเรื่องนี้ ถ้าเขาตัดสินผิด เขาจะพาเขาไปที่เวอร์เฟียร์ ดัง นั้น ทาง เลือก ที่ เลือก มาก กว่า จึง อาศัย ข้อ เท็จ จริง ที่ สามารถ อธิบาย ได้ แทน ที่ จะ อาศัย มุม มอง。
ผมล้อเล่นที่บอกว่า ถ้าคุณปล่อยให้ AI หาปัญหา เขาสามารถทําได้ตลอดเวลา ดังนั้นคุณก็ต้องจํากัดขอบเขตที่เขาเจอปัญหา。
3. 4 การขยายและกรอง (ส่วนกรอง & amp; ตัวกรอง)
เหตุผลหลักก็คือมันจะกระจาย, แล้วมันก็ลดลงฉันไม่รู้ ขั้นแรก คุณจงใจสร้างผู้สมัครจํานวนมาก จากนั้นคุณก้าวออกมาพร้อมกับคันเร่ง และเก็บความมั่นใจไว้สูง。
แทนที่จะให้ตัวแทนออกคําตอบ "ดี" มันจะดีกว่าถ้าผลิต 10 แล้วกรองมันด้วยชั้นการตกแต่ง ฉะนั้น ข้อ ดี จึง มี อยู่ ใน ความ หลาก หลาย. เครื่องกําเนิดไฟฟ้าหลายเครื่องสามารถใช้กลยุทธ์ที่แตกต่างกัน คําใบ้ที่แตกต่างกัน ทางออกที่ออกมายากต่อการคาดการณ์。
ความอ่อนแอคือ มวลของตัวกรองที่ทับถมกัน เป็นตัวกําหนดผลการสิ้นสุดโดยตรง
สภาพ การณ์ ที่ เหมาะ สม เป็น สภาพ การณ์ ซึ่ง คํา ตอบ ที่ ถูก ต้อง ไม่ เป็น ที่ รู้ จัก กัน ล่วง หน้า ซึ่ง จําเป็น ต้อง ได้ รับ ประโยชน์ จาก ความ เป็น ไป ได้ หลาก หลาย และ มี ความ จําเป็น อย่าง ชัดเจน ที่ จะ มี ความ หลาก หลาย。
anout and-Synthesize เป็นเหมือนพื้นผิว"ถนนคู่ขนานมากขึ้น ผลลัพธ์เดียว" เป็นทางที่ง่ายที่สุดที่จะสับสน。
ความแตกต่างที่สําคัญคือ..ตั้งใจ( ก) ถนน ใน ความ เพ้อ ฝัน ทุก สาย ดําเนิน การ กับ ส่วน ต่าง ๆ ของ ภารกิจ ผล ที่ ได้ ก็ คือ การ เสริม สร้าง และ แนว ทาง ทุก อย่าง มี ส่วน ส่ง เสริม การ รวบ รวม ถนน ทุก สาย ใน การ ดําเนิน งาน อย่าง เดียว กัน ผล ก็ คือ การ แข่งขัน และ ส่วน ใหญ่ ของ การ รวบ รวม ก็ ถูก ยก เลิก. ข้อแรกคือปริศนา ข้อที่สองคือการประกวดความงาม。
การ ท่อง เที่ยว 3.5
หลักตรรกะคือการแข่งขันระยะออก เอ็น เอเจ้นท์ทําในสิ่งเดียวกันด้วยตัวเอง โดยรับข้อมูลจาก & nbsp; คู่ milt โดยเปรียบเทียบระยะต่อรอบ & nbsp;
อันนี้ที่ผมทําด้วยตนเอง รหัสเดียวกันนี้เปลี่ยนไปสองหรือสามเวอร์ชัน และทําให้ AI ดีกว่าอันที่ถูก ปัจจุบัน สามารถ จัด ระเบียบ ได้ โดย ตรง ใน การ ทํา งาน。
ข้อได้เปรียบคือตัดสินความมั่นคง ความแตกต่างทั้งสอง (A และ B" ซึ่งดีกว่า?") มีเสถียรภาพมากกว่าเรตติ้งสัมบูรณ์ของ "A" (A") มาก เพราะไม่รวมสัดส่วนของการจัดอันดับ ผล ก็ คือ มี การ แข่งขัน กัน หลาย รอบ และ ผู้ ชนะ คน สุด ท้าย มี ความ น่า เชื่อ ถือ สูง。
มันคล้ายกับการสร้างและสร้างทั้งสองคนถูกเลือกจากหลาย ๆ คน ความแตกต่างที่สําคัญคือกลไกการคัดเลือก: ทัวร์นาเมนท์ โดยเปรียบเทียบสองและสองคือ "ผู้เข้าแข่งขัน" เมื่อ ความ ขัด แย้ง และ การ ตัดสิน ใจ เป็น เรื่อง ยาก ก็ เป็น เรื่อง ที่ เชื่อ ถือ ได้ มาก กว่า。
3. 6 วนรอบ
เหตุผลหลักก็คือจากการปรับตัว— ความ พยายาม อย่าง ไม่ ละลด ที่ จะ รวบ รวม ข้อมูล เท็จ เสริม บริบท จน กว่า จะ บรรลุ สภาพ การ ยอม รับ。
ที่สุดแล้วมันขัดแย้งกับความสุ่มของ AI: ลองอีก, จะเจอผลลัพธ์ที่ดีกว่าเสมอ แต่จะเป็นผู้ใหญ่มากขึ้น ที่จะรวมการเผชิญหน้ากัน และช่วยให้แต่ละวงจรถูกนําไปใช้ด้วยข้อมูลมากขึ้น。
ข้อ ได้ เปรียบ อยู่ ที่ ความ สามารถ ใน การ จัด การ กับ งาน ที่ ไม่ มี ใคร รู้ จัก. อีกห้าแบบจําลองสมมติว่าขอบเขตภารกิจมีการแก้ไข, & nbsp; การวนจนกระทั่งทํา end เพียงคนเดียวที่สามารถจัดการ "ไม่รู้ว่ากี่รอบ"
ความ อ่อนแอ เป็น ความ เสี่ยง ที่ อาจ เกิด จาก การ สูญ เสีย การ ควบคุม — สภาพ การ หยุด พัก ไม่ ได้ ถูก ออก แบบ มา อย่าง ดี เพื่อ แพร่ ไป อย่าง ไม่ รู้ สิ้น สุด. มดแต่ละรอบเป็นบริบทใหม่อย่างสมบูรณ์ที่ไม่สามารถเก็บรวบรวมสถานะล้อไขว้ (ยกเว้นว่ามันถูกเขียนอย่างชัดเจนในแฟ้ม)。
IV. ของฉัน SKLLE และ BATLE ส่วนตัว
ฉันออกแบบชุดของฉันของ & nbsp ก่อนการทํางานไดนามิคออกมา; ดีพ-rebsp; ตรรกะทักษะของผมก็คือ
- ข้อความธรรมดาเพียงฉบับเดียว (เช่น คุณสมบัติใหม่ของโครงการ)
- ให้ AI. สืบค้นข้อมูลทั้งหมดที่เกี่ยวข้อง: ไฟล์อย่างเป็นทางการ, แหล่งที่มา, ความคิดเห็นตลาด
- การบีบอัดข้อมูลต่าง ๆ ที่มีความหมาย
- บทบาท ของ ตัว แทน หลาย คน ใน การ ตอบ โต้ และ ก่อ ให้ เกิด รายงาน
- หนักขึ้นโดยอัตโนมัติ เนื่องจากมีอัตราการทําซ้ําของเนื้อหาหลาย ๆ ตัว
ฉันใช้เวลาสักพักกว่ามันจะมีประโยชน์。แต่มันมีข้อเสียพื้นฐาน การขาดการเติบโตของเป้าหมาย。
และหลายครั้ง แม้จะมีรุ่นเฮฟวีเวตห้าขั้น ณ จุดนี้ เขามักจะเอาข้อมูลที่มีค่าออกไป และถ้ามันไม่หนักพอ。
อย่าง ไร ก็ ตาม สําหรับ “ความ สามารถ ใน การ ตัดสิน ใจ ” นี่ คือ เหตุ ผล ที่ ความ สามารถ หลาย อย่าง หยุด อยู่ ที่ ตัว มัน เอง โดย มี 80 จุด แต่ น้อย กว่า 20 จุด ที่ สําคัญ ที่ สุด。
ถึง ขนาด นี้ หลัง จาก การ ศึกษา เสร็จ สิ้น ขั้น แรก เอไอ จะ ต้อง ทํา การ สะท้อน และ การ สนทนา ต่อ ไป อีก 10 ครั้ง เพื่อ บรรลุ ข้อ สรุป ที่ น่า พอ ใจ และ ครบ ถ้วน。
งาน ที่ ทรง พลัง อย่าง เป็น ทาง การ ทํา อะไร
ผ่านการทดลองหลายครั้งกับภารกิจวิจัยที่ซับซ้อนในสัปดาห์นี้ ผมพบว่ารหัสของ Claude สร้างใน & nbsp; ดีพ งานวิจัย & nbsp; Vorkstreams (ไม่เพียงแค่ทักษะเท่านั้น แต่โมดูลรวมที่ฝังอยู่ใน cc) มีการเชื่อมโยงที่สําคัญต่อทักษะของผมหลายส่วน:
- การ แก้ ปัญหามันไม่ได้เพียงแค่เริ่มต้นการค้นหา แต่เริ่มจากการถามคําถามและทําลายคําถามของผม แล้วมันเกี่ยวอะไรกับคุณ มีมิติไหนที่คุ้มค่าที่จะสํารวจ ฉันเคยทํามาก่อน。
- การประเมินความง่าย• รับ ข้อมูล ต่อ ๆ ไป สําหรับ การ ให้ คํา พยาน ตาม อําเภอ ใจ ซึ่ง เป็น การ จัด เรต ที่ คล้าย กับ ที่ พบ ใน ส. มีการอ้างอิงกี่คน? นั่นคือสิ่งที่ผมไม่ได้คาดหวังที่จะเพิ่ม。
- ลบวัตถุผมเคยเลือกข้อสรุปทั้งหมดโดยเฉลี่ย ไฟล์พวกนี้จึงใหญ่ ผล งาน ที่ มี พลัง กล้า ทํา ให้ ข้อ สรุป แต่ ละ อย่าง ลง คะแนน เสียง ไม่ เพียง พอ แต่ ถูก ลบ ออก และ ไม่ ได้ รวม เข้า ด้วย กัน。
- ส่งออกไปยังเป้าหมายรายงานสุดท้ายไม่ใช่ข้อมูลมากมาย แต่เป็นการตัดสินและข้อเสนอ กุญแจสําคัญของเรื่องนี้ คือความสามารถในการเคลื่อนย้ายเด็กหลายคน และเหตุผลที่ผมมีทักษะมาก่อน คือมันเป็นเรื่องง่ายสําหรับผม ที่จะไม่มีทิศทางที่สิ้นสุดการลดน้ําหนักของคําสั่งฉันไม่รู้。
กลไก เหล่า นี้ ได้ ไข อะไร
มันเกี่ยวกับคําถามทั่วไปสองสามข้อ เกี่ยวกับ AI ที่ทําภาระกิจระยะยาว
เป้าหมายภารกิจเริ่มต้นด้วยรูปร่างที่ดี ไม่รู้จะทําอย่างไรตรงกลาง และจบด้วยจังหวะใหม่ ยิ่งภารกิจนานเท่าไหร่ ก็ยิ่งชัดเจนมากขึ้นเท่านั้น。
หยุดเร็วจังวิ่งหนีอย่างหนัก เอไอคิดว่าเขาทําแล้ว แล้วเขาก็หยุด และในความเป็นจริง ไม่มีการยอมรับ。
มลพิษจากคอนเท็กซ์ปัจเจกบุคคล ทําหน้าที่ที่ซับซ้อน และจํานวนมากของการจัดลําดับ การบีบพื้นที่ดําเนินการภายหลัง วิธีที่ดีกว่าในการเก็บ promp ภายในไม่กี่ k และกระจายบริบทในหลายพรรค。
การไล่ระดับสีAI มักจะทําตามความคาดหวังของคุณ และมันง่ายกว่าที่จะถามคําถามทางปากเพื่อกระตุ้นมัน。
การไหลของงานแบบไม่ตายตัวจะครอบคลุม สี่ประเด็นนี้ในรูปแบบโครงสร้าง: ตัวบ่งชี้การยอมรับอัตโนมัติเพื่อป้องกันการหยุดการทํางานก่อนกําหนด; การแยกบริบทคู่ขนาน; การชดเชยความลําเอียงที่สะท้อนออกมา; และการหักแยกชั้นของเงื่อนไข AI เข้าใจเป้าหมายก่อนการกระทํา。
สรุป
ท้ายที่สุด ในฐานะนักวิจัยถาวร กลไกใหม่ของ CCC ประทับใจกับความจริงที่ว่า โมเดล 6 รุ่นที่ฝังอยู่ในนั้น。
ผมไม่จําเป็นต้องออกแบบการเคลื่อนไหวแบบแอนเจ้นท์ด้วยตัวเอง และผมไม่จําเป็นต้องชั่งน้ําหนักและตรวจสอบตัวเอง。
และเขาได้รับการกําหนดอย่างดีโดยเฉพาะอย่างยิ่งที่จะคิดว่าขาดข้อมูลและการสํารวจของปัญหาการพัฒนา เนื่องจากการแยกของการเคลื่อนไหวตามธรรมชาติ。
ดังนั้น การไหลของงานแบบไดนามิค การไหลของงานแบบไดนามิก ไม่ใช่ "การสนทนาแบบทางเดียวที่ฉลาดกว่า" มันแค่..กระบวนการวิจัยเองถูกออกแบบ。
ผมต้องเริ่มพูดแบบอิสระซักโหล และตอนนี้ผมลงไปสามถึงสี่ แม้ ว่า การ บริโภค ที่ ตรง กับ การ บริโภค โต เคน ได้ เพิ่ม ขึ้น หลาย สิบ ครั้ง。
แล้วทําไมต้องเพิ่มอีกสามหรือสี่ครั้ง& nbsp; ผมคิดว่าสาเหตุรากคือความแตกต่างเหล่านี้ในความต้องการ。
ข้อแรกความ ร้าย แรง ของ กลไก การ ก่อ ตัวผมกําลังทํางานวิจัยเกี่ยวกับเทคโนโลยีใหม่ส่วนใหญ่ ในสายรัด และหลายอย่าง เอกสารทางการกําลังล้าหลัง。
ข้อสองความคิดลึกซึ้งนี้แม้ว่าจะเป็นไปได้ที่จะคิดเกี่ยวกับปัญหาเดียวกันผ่านการจัดองค์ประกอบการทํางาน (แทนตัวแทนซึ่งกําหนดมิติต่างๆ) แต่ AI เก่งเรื่องความคิดหลัก ซึ่งไม่เพียงพอสําหรับข้อมูลใหม่ ที่ลึกซึ้งและขาดข้อมูล。
ข้อสามการ ออก แบบ และ การ พิสูจน์ ว่า ถูก ต้องความหมายของการแก้ปัญหาไม่ใช่เพื่อนําเสนอ แต่เพื่อตรวจสอบ เพื่อสนับสนุน การวัดกลไกที่มีอยู่。
และสุดท้ายข้อมูลที่หนักหน่วงเรื่อง นี้ เกี่ยว ข้อง กับ การ กลับ ไป สู่ ระดับ ความ เข้าใจ ของ ผู้ ฟัง ใน ข่าวสาร ซึ่ง บาง คน ไม่ มี ภูมิ หลัง และ ต้องการ ภาพพจน์ ของ คุณ ขณะ ที่ คน อื่น ต้องการ คํา พูด ของ คุณ เพื่อ ทํา ให้ เขา ประทับ ใจ。
