ทีมส่วนใหญ่ยังคงคิดว่าผลลัพธ์ AI ที่ดีขึ้นส่วนใหญ่มาจากการปรับปรุงพรอมพ์ (prompt)
บางครั้งก็เป็นอย่างนั้น
แต่ในเวิร์กโฟลว์ที่จริงจัง ตัวแปรที่ใหญ่กว่ามักจะเป็น บริบท (context)
นั่นคือหนึ่งในเหตุผลสำคัญที่สุดที่ Claude มักทำงานได้ดีเกินกว่าที่คนคาดหวัง แม้ว่าพรอมพ์เองจะดูไม่ซับซ้อนเป็นพิเศษ
ข้อได้เปรียบมักมาจากวิธีการรวบรวม กรอง จัดโครงสร้าง รีเฟรช และนำบริบทกลับมาใช้ซ้ำตลอดทั้งงาน
พูดอีกอย่างคือ Claude ไม่ได้ประโยชน์แค่จากพรอมพ์ที่ดีกว่า
มันได้ประโยชน์จาก บริบทที่ดีกว่า
เมื่อคุณเข้าใจสิ่งนี้ แนวทางทั้งหมดของคุณที่มีต่อวิศวกรรม AI จะเปลี่ยนไป
คุณจะหยุดหมกมุ่นกับการใช้คำ
และเริ่มคิดอย่างจริงจังมากขึ้นเกี่ยวกับการดึงข้อมูล (retrieval) ขอบเขตของหน่วยความจำ (memory boundaries) ผลลัพธ์จากเครื่องมือ (tool outputs) การเลือกเอกสาร การวางกรอบงาน (task framing) และสิ่งที่โมเดลเห็นจริง ๆ เมื่อมันตัดสินใจ
การเปลี่ยนแปลงนี้ไม่ใช่แค่ทฤษฎี
Anthropic ได้อธิบายอย่างชัดเจนเกี่ยวกับ วิศวกรรมบริบท (context engineering) ว่าเป็นความก้าวหน้าที่เหนือกว่าวิศวกรรมพรอมพ์ (prompt engineering) และงานของพวกเขาเกี่ยวกับ การสร้างเอเจนต์ AI ที่มีประสิทธิภาพ ก็ชี้ให้เห็นประเด็นเดียวกันจากมุมมองของระบบ: เมื่อโมเดลใช้เครื่องมือและทำงานข้ามเวิร์กโฟลว์ การออกแบบบริบทนั้นสำคัญพอ ๆ กับการใช้คำในคำแนะนำ
ต้องการบทวิเคราะห์ AI เชิงปฏิบัติแบบนี้เพิ่มเติมไหม? ฉันแชร์โน้ตสั้น ๆ ที่มีประโยชน์เกี่ยวกับเครื่องมือ AI การเขียนพรอมพ์ เวิร์กโฟลว์ ระบบอัตโนมัติ และการนำไปใช้งานในระดับผู้สร้าง
สมัครรับ ByteBuilders:
บทความนี้อธิบายว่าเหตุใด Claude จึงสามารถเอาชนะ "พรอมพ์ที่ดีกว่า" ได้ บริบทมีความหมายอย่างไรในทางปฏิบัติ วิศวกรรมบริบทเปลี่ยนแปลงคุณภาพผลลัพธ์อย่างไร ทีมงานมักผิดพลาดตรงไหน และผู้สร้าง AI ควรทำอะไรที่แตกต่างออกไปหากต้องการผลลัพธ์ที่เชื่อถือได้มากขึ้น
พรอมพ์ได้เครดิตมากเกินไป
วิศวกรรมพรอมพ์กลายเป็นตัวแปรแรกที่ชัดเจนเพราะมันมองเห็นได้
คุณพิมพ์คำสั่ง
โมเดลตอบสนอง
คุณเปลี่ยนคำ
ผลลัพธ์เปลี่ยนไป
วงจรป้อนกลับนั้นเกิดขึ้นทันที ดังนั้นจึงง่ายที่จะสรุปว่าการออกแบบพรอมพ์เป็นแหล่งที่มาหลักของประสิทธิภาพ
แต่เมื่อทีมงานก้าวไปไกลกว่าการโต้ตอบแชทแบบง่าย ๆ พวกเขามักจะค้นพบสิ่งที่สำคัญ:
โมเดลสามารถล้มเหลวได้แม้จะมีพรอมพ์ที่แข็งแกร่ง ด้วยเหตุผลที่ไม่เกี่ยวกับการใช้คำ
มันสามารถล้มเหลวได้เพราะ:
- ดึงเอกสารผิด
- งานมาถึงโดยขาดบริบททางธุรกิจ
- ข้อมูลที่ไม่เกี่ยวข้องมากเกินไปทำให้หน้าต่างบริบทเต็มไปด้วยมลพิษ
- ระบบผสมผสานคำแนะนำ ตัวอย่าง และเนื้อหาต้นฉบับได้ไม่ดี
- โมเดลเห็นหน่วยความจำที่เก่า (stale memory)
- ผลลัพธ์ของเครื่องมือมาในรูปแบบที่สับสน
- บริบทมีความขัดแย้งที่โมเดลต้องแก้ไข
ในแต่ละกรณีเหล่านั้น การเขียนพรอมพ์ใหม่อาจช่วยได้บ้าง
แต่ชัยชนะที่ใหญ่กว่ามาจากการแก้ไขสิ่งที่โมเดลกำลังอ่านอยู่จริง ๆ
นั่นคือบทเรียนที่แท้จริง
บริบทหมายถึงอะไรจริง ๆ
คนส่วนใหญ่ใช้คำนี้อย่างหลวม ๆ
ในทางปฏิบัติ บริบทคือทุกสิ่งที่โมเดลเห็นซึ่งกำหนดรูปแบบการตัดสินใจครั้งต่อไปของมัน
ซึ่งรวมถึงมากกว่าแค่ข้อความผู้ใช้ปัจจุบัน
สำหรับ Claude บริบทอาจรวมถึง:
- คำแนะนำของระบบ (system instructions)
- คำขอของผู้ใช้
- รอบก่อนหน้าในการสนทนา
- เอกสารที่ดึงมา
- ผลลัพธ์ของเครื่องมือ
- หน่วยความจำจากขั้นตอนก่อนหน้า
- ข้อกำหนดการจัดรูปแบบ
- ตัวอย่าง
- สถานะของเวิร์กโฟลว์
- กฎทางธุรกิจ
- ข้อจำกัดด้านความปลอดภัย
- ลำดับที่ข้อมูลปรากฏ
ดังนั้นเมื่อเราบอกว่า Claude ใช้บริบทได้ดี เราไม่ได้หมายความว่ามันแค่อ่านข้อความยาว ๆ
เรากำลังบอกว่า:
Claude ทำงานได้ดีเมื่อข้อมูลที่ถูกต้องปรากฏอยู่ จัดเรียงอย่างชัดเจน คงความเกี่ยวข้อง และถูกรีเฟรชในช่วงเวลาที่เหมาะสม
นั่นคือปัญหาการออกแบบระบบ ไม่ใช่แค่ปัญหาการเขียนพรอมพ์
ทำไมบริบทถึงมักจะชนะพรอมพ์
พรอมพ์ที่ดีกว่าสามารถปรับปรุงวิธีที่ Claude ตีความงานได้
บริบทที่ดีกว่าช่วยปรับปรุงสิ่งที่ Claude รู้เมื่อมันตีความงาน
ความแตกต่างนั้นมหาศาล
ลองพิจารณาตัวอย่างง่าย ๆ
กรณี A: พรอมพ์ที่ยอดเยี่ยม บริบทที่อ่อนแอ
คุณถาม:
เขียนตอบกลับลูกค้าคุณภาพสูงโดยใช้น้ำเสียงที่อบอุ่นและเป็นมืออาชีพ กระชับ ถูกต้อง และเป็นประโยชน์
นั่นคือพรอมพ์ที่ใช้ได้
แต่ถ้า Claude ไม่สามารถเข้าถึง:
- แผนของลูกค้า
- ข้อจำกัดของผลิตภัณฑ์ที่เกี่ยวข้อง
- เอกสารที่เกี่ยวข้อง
- ประวัติบัญชี
- นโยบายการคืนเงิน
คำตอบก็อาจจะฟังดูดีแต่ผิด คลุมเครือ หรือเสี่ยง
กรณี B: พรอมพ์ที่ดี บริบทที่แข็งแกร่ง
ตอนนี้ Claude ได้รับ:
- ข้อความของลูกค้า
- ส่วนเอกสารที่ถูกต้อง
- ข้อความนโยบายการคืนเงิน
- สถานะบัญชี
- การสนับสนุนก่อนหน้านี้
- คำแนะนำสไตล์สั้น ๆ
การใช้คำในพรอมพ์อาจจะง่ายกว่า
แต่ผลลัพธ์มักจะดีกว่ามากเพราะ Claude ตัดสินใจจากฐานข้อมูลที่แข็งแกร่งกว่า
นั่นคือพลังของบริบท
Claude ทำงานได้ดีที่สุดเมื่อบริบทได้รับการคัดสรร ไม่ใช่แค่ขยาย
ความผิดพลาดทั่วไปคือการสันนิษฐานว่าบริบทที่มากขึ้นหมายถึงผลลัพธ์ที่ดีกว่าเสมอ
มันไม่ใช่
บริบทที่มากเกินไปอาจทำให้ประสิทธิภาพแย่ลง
สิ่งนี้เกิดขึ้นเมื่อทีมงานทิ้ง:
- ทุกเอกสาร
- ทุกรอบการสนทนา
- ทุกผลลัพธ์ของเครื่องมือ
- ทุกบล็อกคำสั่ง
- ทุกโน้ตในฐานความรู้
ลงในคำขอเดียวกัน
ผลลัพธ์ที่ได้มักจะเป็น:
- การจัดลำดับความสำคัญที่อ่อนแอลง
- คำตอบที่มีสัญญาณรบกวนมากขึ้น
- ความสับสนระหว่างข้อเท็จจริงที่เกี่ยวข้องและไม่เกี่ยวข้องมากขึ้น
- การใช้เหตุผลที่ช้าลง
- โอกาสที่เกิดความขัดแย้งมากขึ้น
Claude มักจะแข็งแกร่งไม่ใช่เพราะมันจัดการข้อความได้มากกว่าในทางทฤษฎี แต่เพราะมันได้ประโยชน์เมื่อบริบทถูก คัดสรรด้วยเจตนา
นั่นหมายถึง:
- รวมสิ่งที่สำคัญ
- ไม่รวมสิ่งที่ทำให้ไขว้เขว
- จัดโครงสร้างสิ่งที่เหลืออยู่
- รักษาลำดับและลำดับชั้น
บริบทที่ดีไม่ได้แค่ใหญ่
มัน มีประโยชน์
ข้อได้เปรียบที่ซ่อนอยู่: Claude มักให้รางวัลกับวิศวกรรมบริบทมากกว่าการปรับแต่งพรอมพ์
นี่คือจุดที่ทีมงานที่มีความซับซ้อนแยกตัวออกมา
ผู้ใช้ที่มีประสบการณ์น้อยกว่ามักจะลอง:
- การใช้คำใหม่
- คำแนะนำที่มีรายละเอียดมากขึ้น
- กรอบงานพรอมพ์ (prompt frameworks)
- เทมเพลตพรอมพ์
- เทคนิคการใช้คำ "วิเศษ"
ทีมงานที่เป็นผู้ใหญ่กว่าจะเริ่มถามคำถามที่ดีกว่า:
- เอกสารใดที่ Claude ควรเห็นก่อน?
- ชิ้นส่วนการดึงข้อมูลนี้ใหญ่หรือเล็กเกินไปหรือไม่?
- ข้อเท็จจริงใดควรอยู่ในหน่วยความจำเทียบกับการดึงข้อมูลสด?
- เราส่งผลลัพธ์ของเครื่องมือในรูปแบบที่โมเดลสามารถใช้ได้จริงหรือไม่?
- บริบทใดที่เก่าแล้ว?
- ควรเป็นคำขอเดียวหรือหลายขั้นตอน?
- โมเดลล้มเหลวเพราะการใช้เหตุผล หรือเพราะบริบทที่ผิดมาถึง?
นั่นคือวิศวกรรมบริบท
และในระบบ AI ที่ใช้งานจริง มันมักจะสำคัญกว่าการขัดเกลาพรอมพ์อีกรอบ
วิศวกรรมบริบทมีลักษณะอย่างไรในทางปฏิบัติ
วลีนี้อาจฟังดูเป็นนามธรรมจนกว่าคุณจะแยกย่อยมัน
ในทางปฏิบัติ วิศวกรรมบริบทมักหมายถึงการปรับปรุงหนึ่งหรือหลายชั้นเหล่านี้
- คุณภาพการดึงข้อมูล
Claude ได้รับข้อมูลที่ถูกต้องหรือไม่?
นี่คือรากฐาน
หากการดึงข้อมูลอ่อนแอ โมเดลอาจถูกบังคับให้เดา
นั่นนำไปสู่ผลลัพธ์ที่ดูดีแต่ไม่น่าเชื่อถือ
การดึงข้อมูลที่แข็งแกร่งหมายถึง:
- เอกสารที่เกี่ยวข้อง
- การแบ่งส่วนที่มีประโยชน์
- การกรองเมตาดาต้าที่ดี
- การจัดลำดับที่แข็งแกร่ง
- การกำจัดวัสดุที่มีสัญญาณรบกวนหรือซ้ำซ้อน
- การจัดลำดับบริบท
ลำดับของข้อมูลมีความสำคัญ
หากคำแนะนำ หลักฐาน ตัวอย่าง และผลลัพธ์ของเครื่องมือถูกจัดเรียงไม่ดี โมเดลอาจให้น้ำหนักกับส่วนที่ผิดของคำขอมากเกินไป
ระบบที่ดีคิดอย่างรอบคอบเกี่ยวกับ:
- สิ่งที่มาก่อน
- สิ่งที่ถูกจัดกลุ่มเข้าด้วยกัน
- สิ่งที่ถูกแยกออกจากกันอย่างชัดเจน
- สิ่งที่ถูกสรุปก่อนที่จะถูกส่งเข้าไป
- ขอบเขตของหน่วยความจำ
ไม่ใช่ทุกสิ่งที่ควรอยู่ในบริบทตลอดไป
วิธีที่เร็วที่สุดวิธีหนึ่งในการลดคุณภาพคือการเพิ่มสถานะต่อไปเรื่อย ๆ โดยไม่ตัดสินใจว่าสิ่งใดยังคงสำคัญ
Claude ทำงานได้ดีขึ้นเมื่อทีมงานกำหนด:
- สิ่งใดควรคงอยู่
- สิ่งใดควรหมดอายุ
- สิ่งใดควรถูกสรุป
- สิ่งใดควรถูกดึงข้อมูลอีกครั้งแทนที่จะจดจำ
- การจัดรูปแบบผลลัพธ์ของเครื่องมือ
เครื่องมือสามารถส่งคืนข้อมูลที่ถูกต้องในรูปแบบที่ผิด
หาก Claude ได้รับบันทึกดิบ JSON ที่หนาแน่น ฟิลด์ที่ขัดแย้งกัน หรือผลลัพธ์ที่มีสัญญาณรบกวน ประสิทธิภาพจะลดลง
ทีมงานมักจะปรับปรุงผลลัพธ์ได้อย่างมากโดย:
- ทำความสะอาดการตอบสนองของเครื่องมือ
- สรุปฟิลด์ที่สำคัญ
- เพิ่มป้ายกำกับ
- ลบคีย์ที่ไม่เกี่ยวข้อง
- เน้นค่าที่แน่นอนที่โมเดลควรใช้
- การแยกย่อยหลายขั้นตอน
บางครั้งหน้าต่างบริบทเดียวไม่ใช่สถานที่ที่เหมาะสมในการแก้ปัญหาทุกอย่าง
แทนที่จะเป็นคำขอยักษ์เดียว ระบบที่ดีกว่ามักใช้หลายขั้นตอน
ตัวอย่างเช่น:
- ดึงวัสดุที่เกี่ยวข้อง
- สรุปเฉพาะหลักฐานที่มีประโยชน์
- ส่งบทสรุปไปยังขั้นตอนการสร้างคำตอบ
- ประเมินการตอบสนองสุดท้าย
นั่นยังคงเป็นวิศวกรรมบริบท
มันแค่กระจายไปตามขั้นตอนต่าง ๆ
และเมื่อระบบกลายเป็นหลายขั้นตอน การประเมินผลก็มีความสำคัญมากขึ้น คำแนะนำของ OpenAI เกี่ยวกับ แนวทางปฏิบัติที่ดีที่สุดในการประเมินผล และ การประเมินเวิร์กโฟลว์เอเจนต์ มีประโยชน์เพราะมันแสดงให้เห็นว่าปัญหาคุณภาพเคลื่อนจากระดับพรอมพ์ไปสู่ระดับเวิร์กโฟลว์ได้เร็วเพียงใดเมื่อมีเครื่องมือ การกำหนดเส้นทาง และการตัดสินใจซ้ำ ๆ เข้ามาเกี่ยวข้อง
ทำไม Claude ถึงรู้สึก "ฉลาด" กว่าที่พรอมพ์สมควรได้รับ
หลายคนเคยมีประสบการณ์นี้
พวกเขาให้พรอมพ์ที่ค่อนข้างปกติแก่ Claude แต่คำตอบกลับรู้สึกมีหลักการ มีโครงสร้าง หรือมีประโยชน์ผิดปกติ
สิ่งนั้นมักเกิดขึ้นเพราะระบบรอบข้างให้เงื่อนไขที่ถูกต้องแก่ Claude
พูดอีกอย่างคือ ความฉลาดที่ปรากฏไม่ได้มาจากการใช้คำในพรอมพ์เพียงอย่างเดียว
มันมาจาก:
- บริบทที่สะอาดกว่า
- การดึงข้อมูลที่ดีกว่า
- ผลลัพธ์ของเครื่องมือที่ดีกว่า
- การจัดการหน่วยความจำที่ดีกว่า
- การวางกรอบงานที่ดีกว่า
นี่เป็นสิ่งสำคัญเพราะมันเปลี่ยนวิธีที่ทีมงานควรประเมินผลลัพธ์
แทนที่จะถาม:
พรอมพ์ใดที่สร้างการตอบสนองนี้?
ให้ถาม:
บริบทใดที่ทำให้การตอบสนองนี้เป็นไปได้?
คำถามนั้นมักจะเปิดเผยมากกว่า
พรอมพ์ที่ดีกว่าไม่สามารถแก้ไขบริบทที่ไม่ดีได้
นี่คือหนึ่งในบทเรียนที่สำคัญที่สุดในวิศวกรรม AI เชิงปฏิบัติ
พรอมพ์ที่แข็งแกร่งสามารถช่วยให้ Claude ให้เหตุผลได้ชัดเจนยิ่งขึ้น
แต่มันไม่สามารถชดเชยสิ่งต่อไปนี้ได้อย่างน่าเชื่อถือ:
- ข้อเท็จจริงที่ขาดหายไป
- การดึงข้อมูลที่ไม่ถูกต้อง
- หน่วยความจำที่ล้าสมัย
- เนื้อหาต้นฉบับที่ขัดแย้งกัน
- สัญญาณรบกวนบริบทที่ไม่เกี่ยวข้อง
- ผลลัพธ์ของเครื่องมือที่มีรูปแบบไม่ถูกต้อง
ทีมงานมักใช้เวลาหลายวันในการเขียนพรอมพ์ใหม่เพื่อแก้ไขสิ่งที่เป็นปัญหาบริบทจริง ๆ
นั่นมีค่าใช้จ่ายสูงและทำให้เข้าใจผิด
หากโมเดลกำลังมองสิ่งที่ผิด การใช้คำที่ดีกว่าอาจทำให้คำตอบที่ผิดฟังดูมั่นใจมากขึ้นเท่านั้น
นั่นไม่ใช่ความคืบหน้า
คุณภาพของบริบทเปลี่ยนแปลงไปตามกรณีการใช้งาน
ไม่ใช่ทุกเวิร์กโฟลว์ AI ที่ต้องการกลยุทธ์บริบทเดียวกัน
การออกแบบที่ถูกต้องขึ้นอยู่กับงาน
ระบบสนับสนุน
Claude มักต้องการ:
- รายละเอียดบัญชี
- ข้อความนโยบาย
- ประวัติตั๋วก่อนหน้า
- เอกสารผลิตภัณฑ์
- กฎกรณีพิเศษที่เกี่ยวข้อง
ผู้ช่วยเขียนโค้ด
Claude มักต้องการ:
- เฉพาะไฟล์ที่เกี่ยวข้อง
- โน้ตสถาปัตยกรรม
- หลักปฏิบัติในการเขียนโค้ด
- ผลการทดสอบ
- คำแนะนำในเครื่อง เช่น กฎของโครงการหรือข้อจำกัดของงาน
เวิร์กโฟลว์การวิจัย
Claude มักต้องการ:
- แหล่งข้อมูลล่าสุด
- การจัดกลุ่มหลักฐาน
- การตรวจจับความขัดแย้ง
- ขอบเขตการอ้างอิง
- การแยกข้อเท็จจริงและการอนุมานอย่างชัดเจน
เวิร์กโฟลว์เอกสาร
Claude มักต้องการ:
- ฟิลด์ที่แยกออกมา
- กฎสคีมา
- ส่วนที่คลุมเครือซึ่งถูกทำเครื่องหมายอย่างชัดเจน
- สัญญาณความเชื่อมั่น
- ข้อจำกัดการตรวจสอบความถูกต้อง
นี่คือเหตุผลที่วิศวกรรมบริบทควรได้รับการปฏิบัติเหมือนการออกแบบเฉพาะเวิร์กโฟลว์ ไม่ใช่เทคนิคพรอมพ์สากล
ทีมงานที่แข็งแกร่งที่สุดคิดในชั้นของบริบท
วิธีที่มีประสิทธิภาพที่สุดวิธีหนึ่งในการปรับปรุงระบบที่ใช้ Claude คือการหยุดปฏิบัติต่อบริบทเหมือนก้อนใหญ่ก้อนเดียว
คิดเป็นชั้น ๆ
ตัวอย่างเช่น:
ชั้นคำสั่ง
Claude ถูกขอให้ทำอะไร?
ชั้นหลักฐาน
ข้อเท็จจริง เอกสาร หรือผลลัพธ์ของเครื่องมือใดที่สนับสนุนงาน?
ชั้นหน่วยความจำ
ข้อมูลก่อนหน้าใดที่ยังคงสำคัญ?
ชั้นข้อจำกัด
กฎทางธุรกิจ รูปแบบผลลัพธ์ หรือขอบเขตความเสี่ยงใดที่ใช้บังคับ?
ชั้นการประเมินผล
คำตอบจะถูกตรวจสอบก่อนนำไปใช้อย่างไร?
เมื่อคุณคิดแบบนี้ วิศวกรรมพรอมพ์จะกลายเป็นส่วนหนึ่งของสถาปัตยกรรมบริบทที่กว้างขึ้น
นั่นคือกรอบความคิดที่คงทนกว่ามาก
ทำไมสิ่งนี้ถึงสำคัญมากขึ้นเมื่อระบบกลายเป็นเอเจนต์
ยิ่งระบบ AI เคลื่อนจากการตอบสนองครั้งเดียวไปสู่เวิร์กโฟลว์หลายขั้นตอนที่ใช้เครื่องมือมากเท่าไร คุณภาพของบริบทก็ยิ่งสำคัญมากขึ้นเท่านั้น
นั่นเป็นเพราะระบบเอเจนต์สร้างโอกาสให้บริตล้มเหลวมากขึ้น
ตัวอย่างเช่น:
- ขั้นตอนการดึงข้อมูลที่ไม่ดีหนึ่งขั้นตอนทำให้การใช้เหตุผลในภายหลังเป็นพิษ
- การตอบสนองของเครื่องมือที่มีสัญญาณรบกวนหนึ่งครั้งสร้างความสับสนในขั้นตอนถัดไป
- บล็อกหน่วยความจำที่ล้าสมัยหนึ่งบล็อกทำให้เกิดการกระทำที่ผิด
- พรอมพ์ที่โอเวอร์โหลดหนึ่งอันทำให้เกิดการจัดลำดับความสำคัญที่ไม่ดี
เมื่อระบบมีความเป็นอิสระมากขึ้น บริบทจะหยุดเป็นข้อกังวลเบื้องหลัง
มันกลายเป็นหนึ่งในพื้นผิวควบคุมหลัก
นั่นคือเหตุผลหนึ่งที่ทีมงานจริงจังให้ความสนใจกับวิศวกรรมบริบทมากขึ้นในตอนนี้
มันปรับขนาดได้ดีกว่าการปรับแต่งพรอมพ์ไม่รู้จบ
นี่คือเหตุผลที่กรอบงานออร์เคสตรามีความสำคัญมากขึ้นในระบบเอเจนต์ เอกสาร LangGraph อย่างเป็นทางการเกี่ยวกับ เวิร์กโฟลว์และเอเจนต์ มีประโยชน์ในที่นี้因为它ทำให้การเปลี่ยนแปลงการออกแบบเป็นรูปธรรม: ความคงอยู่ (persistence) การควบคุมแบบมนุษย์ในวงจร (human-in-the-loop) สถานะ (state) และการติดตาม (tracing) ทั้งหมดกลายเป็นส่วนหนึ่งของผลิตภัณฑ์ ไม่ใช่แค่การเรียกโมเดล
สิ่งที่วิศวกร AI ควรเปลี่ยนแปลงในเวิร์กโฟลว์ของตน
หากคุณกำลังสร้างด้วย Claude อย่างจริงจัง การเปลี่ยนแปลงในทางปฏิบัติก็ตรงไปตรงมา
ใช้เวลาน้อยลงในการถาม:
- พรอมพ์ที่สมบูรณ์แบบคืออะไร?
- เทคนิคการใช้คำใดที่เราควรลองต่อไป?
ใช้เวลามากขึ้นในการถาม:
- Claude กำลังเห็นข้อมูลที่ถูกต้องหรือไม่?
- หลักฐานถูกจัดลำดับอย่างชัดเจนหรือไม่?
- เราส่งบริบทที่ไม่เกี่ยวข้องมากเกินไปหรือไม่?
- งานนี้ควรถูกแบ่งเป็นขั้นตอนหรือไม่?
- ผลลัพธ์ของเครื่องมือถูกจัดรูปแบบสำหรับการใช้เหตุผล หรือแค่สำหรับเครื่องจักร?
- สิ่งใดควรคงอยู่ในหน่วยความจำ และสิ่งใดควรถูกดึงข้อมูลอีกครั้ง?
คำถามเหล่านั้นนำไปสู่การปรับปรุงที่ใหญ่กว่า
และแตกต่างจากเทคนิคพรอมพ์ชั่วคราว พวกมันมักจะทบต้น
รายการตรวจสอบเชิงปฏิบัติสำหรับวิศวกรรมบริบทที่ดีขึ้นกับ Claude
หากคุณภาพของผลลัพธ์มีความสำคัญ ให้ใช้รายการตรวจสอบนี้
ก่อนที่จะแตะต้องพรอมพ์ ให้ถาม:
- เรามีเนื้อหาต้นฉบับที่ถูกต้องหรือไม่?
- การดึงข้อมูลเกี่ยวข้องและเป็นปัจจุบันหรือไม่?
- เราส่งสัญญาณรบกวนมากเกินไปหรือไม่?
- บริบทถูกจัดลำดับในทางที่มีประโยชน์หรือไม่?
- ผลลัพธ์ของเครื่องมือสามารถอ่านได้และได้รับการจัดลำดับความสำคัญหรือไม่?
- หน่วยความจำที่เก่ายังคงอยู่หรือไม่?
- สิ่งนี้จะทำงานได้ดีกว่าในรูปแบบสองขั้นตอนหรือสามขั้นตอนหรือไม่?
จากนั้นถาม:
- พรอมพ์ชัดเจนจริงหรือไม่?
- งานแคบพอหรือไม่?
- ข้อจำกัดชัดเจนหรือไม่?
- รูปแบบผลลัพธ์ถูกกำหนดไว้อย่างดีหรือไม่?
ลำดับนั้นสำคัญ
บริบทก่อน
พรอมพ์ทีหลัง
บทเรียนที่ลึกซึ้งยิ่งขึ้น: Claude ไม่ได้แค่ตอบสนอง มันกำลังใช้เหตุผลกับสิ่งที่คุณให้มัน
นั่นอาจฟังดูชัดเจน แต่ทีมงานจำนวนมากไม่ได้สร้างระบบราวกับว่าพวกเขาเชื่อสิ่งนี้
พวกเขายังคงปฏิบัติต่อโมเดลเหมือนผู้ตอบสนองที่วิเศษ แทนที่จะเป็นระบบการใช้เหตุผลที่ทำงานบนข้อมูลที่จัดหาให้
คุณภาพของประสิทธิภาพของ Claude ถูกกำหนดอย่างมากโดยคุณภาพของโลกข้อมูลที่คุณสร้างขึ้นรอบ ๆ มัน
นั่นคือเหตุผลที่วิศวกรรมบริบทกำลังกลายเป็นสาขาวิชาหลัก
มันไม่ใช่แค่การตกแต่ง
มันไม่ใช่เทคนิคที่อยู่ติดกับพรอมพ์
มันคืองานออกแบบที่แท้จริงเบื้องหลังประสิทธิภาพ AI ที่เชื่อถือได้
ความคิดสุดท้าย
Claude มักจะทำงานได้ดีกว่า "พรอมพ์ที่ดีกว่า" ด้วยเหตุผลง่าย ๆ
ข้อได้เปรียบที่แท้จริงไม่ได้อยู่ที่คำสั่งเสมอไป
มันอยู่ในบริบท
เมื่อข้อมูลที่ถูกต้องมาถึง ในโครงสร้างที่ถูกต้อง ในเวลาที่เหมาะสม Claude สามารถสร้างผลลัพธ์ที่รู้สึกแข็งแกร่งกว่าที่พรอมพ์เพียงอย่างเดียวจะแนะนำได้มาก
นั่นคือการเปลี่ยนแปลงที่ทีม AI มากขึ้นจำเป็นต้องซึมซับ
การเขียนพรอมพ์ยังคงมีความสำคัญ
แต่บริบทกำลังกลายเป็นตัวแปรที่ใหญ่กว่า
ดังนั้นหากคุณต้องการผลลัพธ์ที่ดีขึ้นจาก Claude อย่าแค่ถามว่าจะเขียนพรอมพ์ที่แข็งแกร่งขึ้นได้อย่างไร
ให้ถามว่าจะออกแบบสภาพแวดล้อมข้อมูลที่แข็งแกร่งขึ้นรอบ ๆ โมเดลได้อย่างไร
นั่นคือที่มาของการปรับปรุงประสิทธิภาพที่จริงจังในตอนนี้
คำถามที่พบบ่อย: Claude, วิศวกรรมบริบท และพรอมพ์ที่ดีกว่า
ทำไม Claude ถึงทำงานได้ดีกว่าที่พรอมพ์ที่แข็งแกร่งกว่าบ่งชี้?
เพราะโมเดลอาจทำงานด้วยบริบทที่ดีกว่า
ซึ่งอาจรวมถึงการดึงข้อมูลที่แข็งแกร่งกว่า ขอบเขตหน่วยความจำที่สะอาดกว่า ผลลัพธ์ของเครื่องมือที่ดีกว่า และการวางกรอบงานที่มีประโยชน์มากกว่า
อะไรคือความแตกต่างระหว่างวิศวกรรมพรอมพ์และวิศวกรรมบริบท?
วิศวกรรมพรอมพ์มุ่งเน้นไปที่การใช้คำในคำแนะนำ
วิศวกรรมบริบทมุ่งเน้นไปที่ทุกสิ่งที่โมเดลเห็นเมื่อทำการตัดสินใจ รวมถึงการดึงข้อมูล หน่วยความจำ การจัดลำดับหลักฐาน ข้อจำกัด ผลลัพธ์ของเครื่องมือ และสถานะของเวิร์กโฟลว์
บริบทที่มากขึ้นช่วยปรับปรุงผลลัพธ์ของ Claude เสมอหรือไม่?
ไม่
บริบทที่ไม่เกี่ยวข้องมากเกินไปสามารถลดคุณภาพได้โดยการสร้างสัญญาณรบกวน ความขัดแย้ง และการจัดลำดับความสำคัญที่ไม่ดี
เป้าหมายไม่ใช่บริบทสูงสุด
มันคือบริบทที่มีประโยชน์
ทีมงานควรแก้ไขอะไรก่อนที่จะเขียนพรอมพ์ใหม่?
โดยทั่วไป:
- คุณภาพการดึงข้อมูล
- การเลือกเอกสาร
- การจัดลำดับหลักฐาน
- หน่วยความจำที่เก่า
- ผลลัพธ์ของเครื่องมือที่มีสัญญาณรบกวน
- การแยกย่อยงาน
ทำไมบริบทถึงสำคัญกว่าในระบบเอเจนต์?
เพราะระบบหลายขั้นตอนสร้างโอกาสมากขึ้นที่บริบทที่อ่อนแอจะส่งผลต่อความล้มเหลวในภายหลัง
ขั้นตอนการดึงข้อมูลที่ไม่ดี ผลลัพธ์ของเครื่องมือที่ยุ่งเหยิง หรือหน่วยความจำที่เก่าสามารถส่งผลกระทบต่อทุกขั้นตอนที่ตามมา
กฎเชิงปฏิบัติที่ดีที่สุดคืออะไร?
บริบทก่อน
พรอมพ์ทีหลัง
นั่นคือลำดับที่มีประสิทธิผลมากกว่าสำหรับการปรับปรุงเวิร์กโฟลว์ที่ใช้ Claude
