วิศวกร Anthropic เพิ่มผลผลิตได้ 8 เท่า นี่คือระบบ Context Engineering เบื้องหลังความสำเร็จ

วิศวกรของ Anthropic รวมโค้ดได้มากกว่าเมื่อปีก่อนถึง 8 เท่า โดยที่ตัวโมเดลไม่ได้เปลี่ยน ฮาร์ดแวร์ไม่ได้เปลี่ยน และขนาดของทีมก็ไม่ได้เปลี่ยน สิ่งที่เปลี่ยนไปคือสิ่งที่ Claude มองเห็นก่อนที่จะเริ่มลงมือทำงาน

นักพัฒนาส่วนใหญ่ใช้เวลาไปกับการเขียนพรอมต์ให้ดีขึ้น แต่วิศวกรของ Anthropic ใช้เวลาไปกับการสร้างบริบท (Context) ที่ดีขึ้น ความเปลี่ยนแปลงเพียงจุดเดียวนี้นี่เองที่เป็นสาเหตุของช่องว่างประสิทธิภาพที่เพิ่มขึ้นถึง 8 เท่า

งานวิจัยของ Anthropic ระบุไว้อย่างชัดเจนว่า: คุณภาพของ AI Agent ถูกกำหนดโดยตัวโมเดลน้อยกว่าบริบทที่คุณมอบให้ Claude มองเห็นเฉพาะสิ่งที่อยู่ในหน้าต่างบริบท (Context Window) เท่านั้น ทุกสิ่งที่อยู่นอกหน้าต่างนั้นถือว่าไม่มีตัวตน ซึ่งหมายความว่างานทั้งหมดของวิศวกร AI มืออาชีพไม่ใช่การเขียนพรอมต์ที่ชาญฉลาด แต่คือการทำให้แน่ใจว่า Claude มีข้อมูลที่ถูกต้องแม่นยำก่อนที่จะดำเนินการใดๆ เพียงขั้นตอนเดียว

ระเบียบวิธีนี้มีชื่อเรียกแล้วว่า Context Engineering และมันกำลังเข้ามาแทนที่ Prompt Engineering ในแบบเดียวกับที่ Prompt Engineering เคยเข้ามาแทนที่การเขียนสคริปต์ด้วยมือเมื่อสองปีก่อน

บุ๊กมาร์กหน้านี้ไว้และกดติดตาม

ฉันคือ Noisy นักพัฒนาที่มีประสบการณ์ 4 ปี ฉันสร้างระบบ AI, ไปป์ไลน์ระบบอัตโนมัติ และค้นหาวิธีเปลี่ยนเทคโนโลยีให้กลายเป็นรายได้จริง

ทำไม AI Agent ของคุณถึงให้คำตอบที่แย่

คนส่วนใหญ่มักโทษตัวโมเดลเมื่อ AI Agent ทำงานพลาด เช่น แก้ไขไฟล์ผิด สมมติฐานผิด หรือทำผิดพลาดอย่างชัดเจนที่นักพัฒนาคนไหนก็ควรจะมองเห็น

ปัญหาแทบไม่เคยอยู่ที่ตัวโมเดล ปัญหาอยู่ที่การขาดบริบท

1สิ่งที่คนส่วนใหญ่ให้ Claude      |  พรอมต์
2สิ่งที่ Claude ต้องการจริงๆ     |  ความรู้, ความจำ, ไฟล์,
3                                 |  กฎ, ตัวอย่าง, เครื่องมือ,
4                                 |  สถานะ, การกระทำก่อนหน้า

พรอมต์เป็นเพียงประโยคเดียว แต่บริบทคือสภาพแวดล้อมข้อมูลทั้งหมดที่ Claude ใช้ในการทำงาน ความแตกต่างระหว่าง Agent ที่ทำงานได้กับที่ทำงานไม่ได้ แทบจะขึ้นอยู่กับสิ่งที่อยู่ในสภาพแวดล้อมนั้นเสมอ ไม่ใช่ว่าใช้โมเดลตัวไหน

Anthropic อธิบายไว้เช่นนี้ว่า: LLM มองเห็นเฉพาะสิ่งที่อยู่ในหน้าต่างบริบท บริบทคือระบบปฏิบัติการสำหรับ AI หากคุณสร้างมันมาผิด วิธีการทำงานก็จะล้มเหลวไม่ว่าโมเดลจะมีความสามารถสูงเพียงใดก็ตาม

บริบทคืออะไรกันแน่

คนส่วนใหญ่มักคิดว่าบริบทหมายถึงข้อความที่พวกเขาวางก่อนถามคำถาม นั่นเป็นเพียงชั้นเดียว บริบทที่ได้รับการออกแบบมาอย่างเหมาะสมจะมีองค์ประกอบ 7 อย่างที่ทำงานร่วมกัน

1ความจำ (Memory)          |  สิ่งที่ Agent รู้จากเซสชันที่ผ่านมา
2คำสั่ง (Instructions)    |  กฎ, ข้อจำกัด, รูปแบบการเขียนโค้ด
3ตัวอย่าง (Examples)      |  ผลลัพธ์ที่ดีควรมีหน้าตาเป็นอย่างไร
4ไฟล์ (Files)             |  โค้ด, เอกสาร, สถาปัตยกรรมที่เกี่ยวข้อง
5การกระทำก่อนหน้า         |  สิ่งที่ Agent ได้ลองทำไปแล้ว
6ผลลัพธ์จากเครื่องมือ      |  สิ่งที่การค้นหาและฟังก์ชันส่งกลับมา
7สถานะ (State)            |  สถานะปัจจุบันของงาน

ทุกครั้งที่ Claude ดำเนินการ บริบทจะขยายตัวขึ้น ผลลัพธ์จากเครื่องมือจะถูกส่งกลับมา ไฟล์ใหม่ๆ จะถูกอ่าน สถานะจะถูกอัปเดต Claude จะมองเห็นบริบทใหม่และตัดสินใจดำเนินการในขั้นตอนถัดไป วัฏจักรนี้คือกลไกที่แท้จริงของ Agent ไม่ใช่พรอมต์ ไม่ใช่โมเดล แต่เป็นบริบทที่พัฒนาไปพร้อมกับทุกย่างก้าว

1คำขอของผู้ใช้
2↓
3สร้างบริบทจากองค์ประกอบทั้ง 7
4↓
5Claude ตัดสินใจดำเนินการ
6↓
7เครื่องมือทำงาน
8↓
9ผลลัพธ์ถูกเพิ่มลงในบริบท
10↓
11Claude มองเห็นบริบทใหม่
12↓
13ดำเนินการถัดไป
14↓
15ทำซ้ำจนกว่าจะเสร็จ

Agent ที่แย่จะทำลายวัฏจักรนี้ที่ขั้นตอนที่สอง บริบทไม่สมบูรณ์ทำให้ Claude ต้องคาดเดา และเมื่อการคาดเดานั้นผิด ผลลัพธ์จึงผิดพลาด นักพัฒนาส่วนใหญ่มักแก้ปัญหานี้ด้วยการเขียนพรอมต์ใหม่ แต่การแก้ไขที่แท้จริงคือการสร้างบริบทให้ถูกต้อง

โครงสร้างบริบท 3 ชั้น

Anthropic แนะนำให้คิดถึงบริบทใน 3 ชั้น แต่ละชั้นมีจุดประสงค์ต่างกันและจะถูกโหลดในจุดที่ต่างกันระหว่างการทำงานของ Agent

1บริบทส่วนกลาง (Global)    |  มีอยู่เสมอในทุกเซสชัน
2บริบทโครงการ (Project)   |  โหลดเมื่อเริ่มโครงการ
3บริบทงาน (Task)          |  โหลดสำหรับงานเฉพาะเจาะจง

Global Context คือชั้นถาวร ได้แก่ ตัวตน กฎหลัก รูปแบบการเขียนโค้ด และสิ่งที่ Agent ไม่ควรทำเด็ดขาด สิ่งนี้จะไม่เปลี่ยนแปลงระหว่างเซสชันและไม่จำเป็นต้องอธิบายซ้ำ

1Global context ประกอบด้วย:
2- ตัวตนและบทบาทของ Agent
3- มาตรฐานการเขียนโค้ดและกฎรูปแบบ
4- ข้อจำกัดด้านความปลอดภัย
5- สิ่งที่ไม่ควรแตะต้องหรือแก้ไข
6- วิธีจัดการกับความไม่แน่นอน

Project Context คือชั้นความรู้ ทุกสิ่งที่ Claude จำเป็นต้องเข้าใจเกี่ยวกับ codebase นี้โดยเฉพาะ เช่น สถาปัตยกรรม รูปแบบที่ใช้ การตัดสินใจที่ผ่านมาและเหตุผล รวมถึงสิ่งที่เคยผิดพลาดมาก่อน

1Project context ประกอบด้วย:
2- README และภาพรวมสถาปัตยกรรม
3- AGENTS.md พร้อมกฎเฉพาะของโครงการ
4- โครงสร้างโฟลเดอร์และข้อตกลงในการตั้งชื่อ
5- ข้อกำหนดและรูปแบบการทดสอบ
6- Dependency หลักและเหตุผลที่เลือกใช้

Task Context คือชั้นการดำเนินการ เช่น ไฟล์ที่กำลังทำงานอยู่, Ticket ปัจจุบัน, เป้าหมายเฉพาะหน้า และข้อจำกัดที่ใช้กับงานนี้โดยเฉพาะ

1Task context ประกอบด้วย:
2- ไฟล์ปัจจุบันและไฟล์ที่เกี่ยวข้อง
3- เป้าหมายเฉพาะสำหรับเซสชันนี้
4- การเปลี่ยนแปลงล่าสุดและผลลัพธ์
5- ผลการทดสอบปัจจุบัน
6- ข้อจำกัดเฉพาะสำหรับงานนี้

นักพัฒนาส่วนใหญ่มอบเพียง Task Context ให้ Claude ทำให้ Agent เริ่มต้นทุกเซสชันโดยไม่มี Global หรือ Project Context และต้องเดาทุกอย่างที่ไม่รู้ ซึ่งการเดานั่นเองคือที่มาของความผิดพลาด

AGENTS.md - ไฟล์ที่เปลี่ยนทุกอย่าง

https://docs.claude.com/en/docs/claude-code/memory

นี่คือไฟล์ที่สำคัญที่สุดในระบบ Claude Code ที่จริงจัง นักวิจัยระบุว่า AGENTS.md คือมาตรฐานใหม่สำหรับบริบทของ AI Coding Agent ซึ่งปัจจุบันถูกนำไปใช้ใน Repository ระดับโปรดักชันหลายพันแห่งเพราะมันได้ผลจริง

AGENTS.md คือที่ที่ Project Context จะคงอยู่ถาวร Claude จะอ่านไฟล์นี้โดยอัตโนมัติเมื่อเริ่มทุกเซสชัน หลังจากนั้นก็ไม่จำเป็นต้องบอกข้อมูลเหล่านั้นอีกเลย

1# AGENTS.md
2
3## สถาปัตยกรรม
4Monorepo ที่มี Next.js frontend และ Express backend
5API routes ทั้งหมดอยู่ใน /api ห้ามแก้ไข /legacy โดยตรง
6
7## กฎการเขียนโค้ด
8ห้ามใช้ axios ให้ใช้ fetch เสมอ
9ทุกคอมโพเนนต์: TypeScript, Tailwind, Server Actions
10ไม่มี default exports ยกเว้นสำหรับหน้าเพจ
11
12## การทดสอบ
13Vitest สำหรับ unit tests, Playwright สำหรับ E2E
14รัน npm test ก่อน commit ทุกครั้ง
15ห้ามปิดการใช้งานการทดสอบที่ล้มเหลว - ให้แก้ไขหรือแจ้งปัญหา
16
17## Git
18ห้าม commit ลง main โดยตรง
19เปิด PR พร้อมคำอธิบายที่ชัดเจนเสมอ
20เชื่อมโยงทุก PR เข้ากับ Linear ticket
21
22## สิ่งที่ห้ามแตะต้อง
23src/payments/ - การเปลี่ยนแปลงใดๆ ต้องได้รับการอนุมัติจากมนุษย์
24src/auth/tokens/ - ต้องผ่านการตรวจสอบความปลอดภัย
25ไฟล์ .env - ห้ามอ่านหรือแก้ไข

ทุกกฎในไฟล์นี้คือความผิดพลาดหนึ่งอย่างที่ Claude จะไม่ทำซ้ำอีก ยิ่งโครงการดำเนินไปนานเท่าไร AGENTS.md ก็จะยิ่งมีความเฉพาะเจาะจงและมีค่ามากขึ้นเท่านั้น มันคือองค์ความรู้ที่สั่งสมมาจากทุกข้อผิดพลาดที่ Agent เคยทำและทุกข้อตกลงที่ทีมได้วางไว้

โครงสร้างบริบทที่ขับเคลื่อน Agent ระดับมืออาชีพ

วิศวกร AI ที่เก่งที่สุดจะไม่เริ่มงานด้วยการเขียนพรอมต์ แต่พวกเขาจะสร้าง Context Stack ซึ่งเป็นลำดับข้อมูลที่มีโครงสร้างซึ่งจะถูกโหลดก่อนที่ Claude จะดำเนินการใดๆ

1ขั้นตอนที่ 1  |  โหลด Global Context - ตัวตน, กฎ, รูปแบบ
2ขั้นตอนที่ 2  |  โหลด Project Context - AGENTS.md, สถาปัตยกรรม, เอกสาร
3ขั้นตอนที่ 3  |  ค้นหาประสบการณ์ที่เกี่ยวข้องในหน่วยความจำ
4ขั้นตอนที่ 4  |  โหลดไฟล์ที่เกี่ยวข้องสำหรับงานนี้โดยเฉพาะ
5ขั้นตอนที่ 5  |  โหลดสถานะปัจจุบัน - ผลการทดสอบ, การเปลี่ยนแปลงล่าสุด
6ขั้นตอนที่ 6  |  กำหนดเป้าหมายงานพร้อมเกณฑ์ความสำเร็จที่ชัดเจน
7ขั้นตอนที่ 7  |  Claude ดำเนินการด้วยข้อมูลที่ครบถ้วน

ลองเปรียบเทียบ Agent ที่ได้รับการออกแบบบริบทมาอย่างดีกับค่าเริ่มต้น:

1Agent ที่แย่:
2คำถาม → Claude → คำตอบ
3Claude เดาทุกอย่างที่ไม่รู้
4
5Agent ที่ดี:
6คำถาม
7↓ ค้นหาเอกสาร
8↓ ค้นหาหน่วยความจำ
9↓ อ่าน AGENTS.md
10↓ อ่านไฟล์ที่เกี่ยวข้อง
11↓ ตรวจสอบสถานะปัจจุบัน
12↓ Claude
13↓ คำตอบที่สร้างจากข้อมูลที่ครบถ้วน

Agent ตัวที่สองไม่ได้ฉลาดกว่า แต่มันได้รับข้อมูลที่ดีกว่า ตัวโมเดลเหมือนกัน แต่บริบทไม่เหมือนกัน

หน่วยความจำ (Memory) - บริบทที่คงอยู่ระหว่างเซสชัน

Anthropic แยกความแตกต่างระหว่างประเภทของหน่วยความจำที่ส่งผลต่อบริบทอย่างชัดเจน Agent ส่วนใหญ่มีเพียงอย่างเดียวคือบทสนทนาปัจจุบัน นั่นคือเหตุผลที่พวกมันต้องเริ่มจากศูนย์ในทุกเซสชัน

1หน่วยความจำระยะยาว (Long-term)   |  ทุกสิ่งที่เรียนรู้จากเซสชันที่ผ่านมาทั้งหมด
2หน่วยความจำระยะสั้น (Short-term)  |  สิ่งที่เกิดขึ้นก่อนหน้านี้ในบทสนทนานี้
3หน่วยความจำขณะทำงาน (Working)    |  สิ่งที่อยู่ในหน้าต่างบริบทตอนนี้

หน่วยความจำระยะยาวคือสิ่งที่ทำให้ Agent มีมูลค่าเพิ่มขึ้นเรื่อยๆ ตามกาลเวลา ทุกเซสชันจะเพิ่มข้อมูลเข้าไป ทุกข้อผิดพลาดจะถูกบันทึก ทุกรูปแบบที่สำเร็จจะถูกจัดเก็บ Agent ที่ทำงานบน codebase มา 6 เดือนจะรู้เรื่องโครงการนั้นในแบบที่ไม่มีพรอมต์ใดจะเลียนแบบได้

การนำไปใช้จริงคือการสร้างไฟล์หน่วยความจำ (Memory file) ซึ่งเป็นเอกสาร Markdown นอกบทสนทนาที่ Agent จะอ่านเมื่อเริ่มเซสชันและอัปเดตเมื่อจบเซสชัน

1# หน่วยความจำโครงการ (Project Memory)
2
3## การตัดสินใจด้านสถาปัตยกรรม
4- เลือก Supabase แทน Firebase: เพราะการทำงานแบบเรียลไทม์มีความสำคัญน้อยกว่า และต้องการ SQL queries
5- ย้ายจาก REST ไปเป็น tRPC: เพื่อความปลอดภัยของประเภทข้อมูล (type safety) ทั่วทั้ง stack, มิถุนายน 2026
6
7## สิ่งที่ได้ผล
8- การเพิ่ม Test coverage ก่อนการ Refactor ช่วยป้องกัน Regression
9- การแบ่ง PR ขนาดใหญ่เป็น Feature flag ช่วยลดเวลาในการรีวิว
10
11## สิ่งที่ไม่ได้ผล
12- การสร้าง Migration อัตโนมัติ: Schema drift ทำให้เกิดเหตุการณ์ไม่คาดคิดในโปรดักชัน
13- การเขียนไฟล์เดียวกันจาก Agent หลายตัวพร้อมกัน: ให้ใช้ worktrees เสมอ
14
15## รูปแบบที่เกิดซ้ำ
16- ปัญหา Auth มักมีสาเหตุมาจากลำดับของ Middleware
17- ปัญหาประสิทธิภาพมักเริ่มจากชั้นการ Query ฐานข้อมูล

ทุกเซสชันไฟล์นี้จะถูกอ่านและอัปเดต Agent จะไม่มีวันลืม

MCP - บริบทจากทุกที่

บริบทไม่ได้มาจากไฟล์ใน Repository เท่านั้น Agent ระดับโปรดักชันต้องการบริบทจากทุกระบบที่ทีมทำงานอยู่ ไม่ว่าจะเป็นระบบติดตามปัญหา (Issue tracker), ระบบตรวจสอบข้อผิดพลาด, เอกสาร, ฐานข้อมูล และเครื่องมือสื่อสาร

Model Context Protocol (MCP) คือวิธีที่ Claude ดึงบริบทจากระบบภายนอกโดยไม่ต้องสร้างการเชื่อมต่อเฉพาะสำหรับแต่ละระบบ

1Filesystem      |  ไฟล์ในเครื่อง, การตั้งค่า, Codebases
2GitHub          |  Issues, PRs, ประวัติการ commit, ผลลัพธ์ CI
3Linear / Jira   |  Tickets, ลำดับความสำคัญ, สถานะโครงการ
4Slack           |  การตัดสินใจ, บริบทจากการสนทนา
5Postgres        |  ข้อมูลจริง, Schema, ผลลัพธ์ Query
6Google Drive    |  เอกสาร, ข้อมูลจำเพาะ, บันทึกการประชุม
7Sentry          |  ข้อผิดพลาดสด, ความถี่, ผู้ใช้ที่ได้รับผลกระทบ

Agent ที่กำหนดค่า MCP ไว้จะไม่เห็นแค่โค้ด แต่มันจะเห็น Ticket ที่อธิบายว่าทำไมฟีเจอร์นี้ถึงจำเป็น, การสนทนาใน Slack ที่ตัดสินใจเรื่องสถาปัตยกรรม, ข้อผิดพลาดใน Sentry ที่แสดงให้เห็นว่าผู้ใช้เจอบั๊กอย่างไร และ Schema ฐานข้อมูลที่การแก้ไขต้องคำนึงถึง

นั่นคือบริบทที่สมบูรณ์ ทุกสิ่งที่ Claude จำเป็นต้องใช้ในการตัดสินใจที่ถูกต้องโดยไม่ต้องคาดเดา

ขั้นตอนการทำงานของ Context Engineering

นี่คือสิ่งที่งานที่ออกแบบบริบทมาอย่างดีมีหน้าตาเป็นอย่างไรตั้งแต่ต้นจนจบ

แทนที่จะใช้:

1สร้างฟีเจอร์ส่งออกข้อมูล (Export)

คุณให้ข้อมูล Claude ดังนี้:

1เป้าหมาย
2ฟีเจอร์ Export กำลังเป็นอุปสรรคต่อการเปลี่ยนผู้ใช้ฟรีเป็นโปร
3ดูสัญญาณที่: /signals/export-too-hidden.md
4
5ไฟล์ที่เกี่ยวข้อง
6src/features/export/ - การใช้งานปัจจุบัน
7src/components/ui/Button.md - รูปแบบปุ่มที่ต้องปฏิบัติตาม
8tests/features/export.test.ts - Test coverage ที่มีอยู่
9
10ข้อจำกัดด้านสถาปัตยกรรม
11อ่าน AGENTS.md ส่วน: Export Rules
12ห้ามแก้ไขการเชื่อมต่อระบบชำระเงินโดยตรง
13
14เกณฑ์ความสำเร็จ
15การทดสอบที่มีอยู่ทั้งหมดต้องผ่าน
16การทดสอบใหม่ต้องครอบคลุมรูปแบบการ Export ทั้ง 3 แบบ
17เปิด PR พร้อมเชื่อมโยง Linear ticket EXP-47
18ไม่มีการเปลี่ยนแปลงใน src/payments/

งานเดียวกัน แต่บริบทต่างกันโดยสิ้นเชิง ผลลัพธ์ที่ได้ไม่ได้ดีขึ้นเพียงเล็กน้อย แต่มันต่างกันอย่างสิ้นเชิงเพราะ Claude กำลังตัดสินใจด้วยข้อมูลที่ครบถ้วน แทนที่จะเป็นการคาดเดาอย่างชาญฉลาด

การตั้งค่าที่ทำได้จริงในสุดสัปดาห์นี้

วันที่ 1 - สร้าง Context Stack 3 ชั้น เขียนไฟล์ Global Context ที่ระบุตัวตนและกฎหลัก สร้าง AGENTS.md พร้อมสถาปัตยกรรมโครงการ กฎการเขียนโค้ด และรายการสิ่งที่ห้ามแตะต้อง ตั้งค่าไฟล์หน่วยความจำที่โหลดเมื่อเริ่มเซสชันและอัปเดตเมื่อจบเซสชัน

วันที่ 2 - เชื่อมต่อบริบทภายนอกผ่าน MCP ติดตั้ง GitHub connector เพื่อให้ Claude เห็นระบบติดตามปัญหาและประวัติ PR ติดตั้ง Filesystem connector เพื่อให้มันนำทางใน codebase ได้อย่างมีประสิทธิภาพ เพิ่ม Slack หรือ Linear หากทีมของคุณใช้เครื่องมือเหล่านี้ในการตัดสินใจ

วันที่ 3 - ทดสอบความแตกต่าง รันงานเดิมด้วยวิธีเก่าที่ใช้แค่พรอมต์ เทียบกับวิธีที่ใช้ Context Stack เต็มรูปแบบ ช่องว่างของผลลัพธ์ที่ได้คือที่มาของประสิทธิภาพการทำงานที่เพิ่มขึ้น 8 เท่า

ความเปลี่ยนแปลงที่เกิดขึ้นแล้ว

Prompt Engineering คือการหาคำที่ใช่ Context Engineering คือการสร้างสภาพแวดล้อมข้อมูลที่ถูกต้อง

วิศวกร AI ที่เก่งที่สุดที่ Anthropic ไม่ได้ใช้เวลาไปกับการเขียนพรอมต์ที่ชาญฉลาด แต่พวกเขาใช้เวลาเพื่อให้แน่ใจว่า Claude มีความรู้ ความจำ ไฟล์ กฎ และสถานะที่ถูกต้องแม่นยำก่อนที่จะดำเนินการใดๆ พรอมต์เป็นเพียง 1% สุดท้ายของงาน ส่วนบริบทคือ 99% ที่เหลือ

Agent ที่มีพรอมต์สมบูรณ์แบบแต่บริบทแย่จะทำผิดพลาดอย่างชาญฉลาด ส่วน Agent ที่มีพรอมต์ระดับธรรมดาแต่บริบทครบถ้วนจะตัดสินใจได้อย่างถูกต้อง โมเดลตัวเดิม แต่สภาพแวดล้อมข้อมูลไม่เหมือนเดิม

บริบทคือระบบปฏิบัติการสำหรับ AI จงสร้างมันให้ถูกต้อง แล้วช่องว่างของผลลัพธ์ที่เพิ่มขึ้น 8 เท่าจะไม่ใช่สิ่งที่เกิดขึ้นเฉพาะที่ Anthropic แต่จะเป็นสิ่งที่เกิดขึ้นใน codebase ของคุณ

นักพัฒนาส่วนใหญ่จะยังคงเขียนพรอมต์ใหม่ซ้ำแล้วซ้ำเล่าและสงสัยว่าทำไมผลลัพธ์ถึงไม่ดีขึ้น แต่จะมีเพียงไม่กี่คนที่ใช้เวลาหนึ่งสุดสัปดาห์สร้าง Context Stack ที่เหมาะสมและไม่มีวันหันกลับไปใช้วิธีเดิมอีก

**คุณสร้างชีวิตของคุณเอง ดังนั้นจงเลือกเส้นทางที่ถูกต้อง

/ หากสิ่งนี้มีประโยชน์ - กดติดตาม /**