Hầu hết các nhóm vẫn cho rằng đầu ra AI tốt hơn chủ yếu đến từ việc tạo prompt tốt hơn.
Đôi khi điều đó đúng.
Nhưng trong các quy trình làm việc nghiêm túc, đòn bẩy lớn hơn thường là ngữ cảnh.
Đó là một trong những lý do lớn nhất khiến Claude thường hoạt động tốt hơn mong đợi, ngay cả khi bản thân prompt trông không có vẻ gì là tinh vi.
Lợi ích thường đến từ cách ngữ cảnh được tập hợp, lọc, cấu trúc, làm mới và tái sử dụng trong suốt tác vụ.
Nói cách khác, Claude không chỉ được hưởng lợi từ những prompt tốt hơn.
Nó được hưởng lợi từ ngữ cảnh tốt hơn.
Một khi bạn hiểu điều đó, toàn bộ cách tiếp cận của bạn đối với kỹ thuật AI sẽ thay đổi.
Bạn ngừng ám ảnh về cách diễn đạt.
Và bạn bắt đầu suy nghĩ nghiêm túc hơn về việc truy xuất, ranh giới bộ nhớ, đầu ra công cụ, lựa chọn tài liệu, khung tác vụ, và những gì mô hình thực sự thấy khi nó đưa ra quyết định.
Sự thay đổi này không chỉ là lý thuyết.
Anthropic đã mô tả rõ ràng kỹ thuật ngữ cảnh như là sự tiến triển vượt ra ngoài kỹ thuật prompt, và công trình của họ về xây dựng các tác nhân AI hiệu quả cũng đưa ra quan điểm tương tự từ góc độ hệ thống: một khi các mô hình đang sử dụng công cụ và vận hành qua các quy trình làm việc, thì thiết kế của ngữ cảnh cũng quan trọng như cách diễn đạt của hướng dẫn.
Muốn có nhiều phân tích AI thực tế như thế này hơn? Tôi chia sẻ những ghi chú ngắn gọn, hữu ích về các công cụ AI, prompt, quy trình làm việc, tự động hóa và triển khai ở cấp độ người xây dựng.
Đăng ký ByteBuilders:
Bài viết này giải thích tại sao Claude có thể vượt trội hơn "các prompt tốt hơn", ngữ cảnh thực sự có nghĩa là gì trong thực tế, cách kỹ thuật ngữ cảnh thay đổi chất lượng đầu ra, các nhóm thường sai ở đâu, và những người xây dựng AI nên làm gì khác đi nếu họ muốn có kết quả đáng tin cậy hơn.
Prompting nhận được quá nhiều công lao
Kỹ thuật prompt trở thành đòn bẩy rõ ràng đầu tiên vì nó có thể nhìn thấy được.
Bạn gõ một hướng dẫn.
Mô hình phản hồi.
Bạn thay đổi cách diễn đạt.
Kết quả thay đổi.
Vòng phản hồi đó diễn ra ngay lập tức, vì vậy thật dễ dàng để cho rằng thiết kế prompt là nguồn gốc chính của hiệu suất.
Nhưng một khi các nhóm vượt ra ngoài các tương tác trò chuyện đơn giản, họ thường khám phá ra một điều quan trọng:
Một mô hình có thể thất bại với một prompt mạnh vì những lý do không liên quan gì đến cách diễn đạt.
Nó có thể thất bại vì:
- các tài liệu sai đã được truy xuất
- tác vụ đến mà thiếu ngữ cảnh kinh doanh
- quá nhiều thông tin không liên quan làm ô nhiễm cửa sổ
- hệ thống trộn lẫn hướng dẫn, ví dụ và tài liệu nguồn một cách kém
- mô hình thấy bộ nhớ cũ
- đầu ra công cụ đến ở một định dạng khó hiểu
- ngữ cảnh chứa các mâu thuẫn mà mô hình phải giải quyết
Trong mỗi trường hợp đó, việc viết lại prompt có thể giúp ích một chút.
Nhưng chiến thắng lớn hơn đến từ việc sửa chữa những gì mô hình thực sự đang đọc.
Đó là bài học thực sự.
Ngữ cảnh thực sự có nghĩa là gì
Hầu hết mọi người sử dụng từ này một cách lỏng lẻo.
Trong thực tế, ngữ cảnh là tất cả mọi thứ mô hình thấy để định hình quyết định tiếp theo của nó.
Điều đó bao gồm nhiều hơn chỉ tin nhắn hiện tại của người dùng.
Đối với Claude, ngữ cảnh có thể bao gồm:
- các hướng dẫn hệ thống
- yêu cầu của người dùng
- các lượt trước đó trong cuộc trò chuyện
- các tài liệu đã truy xuất
- kết quả công cụ
- bộ nhớ từ các bước trước đó
- các yêu cầu về định dạng
- các ví dụ
- trạng thái quy trình làm việc
- các quy tắc kinh doanh
- các ràng buộc an toàn
- thứ tự xuất hiện của thông tin
Vì vậy, khi chúng ta nói Claude sử dụng ngữ cảnh tốt, chúng ta không chỉ nói rằng nó đọc văn bản dài.
Chúng ta đang nói rằng:
Claude hoạt động tốt khi thông tin phù hợp có mặt, được sắp xếp rõ ràng, được giữ cho phù hợp và được làm mới vào đúng thời điểm.
Đó là một vấn đề thiết kế hệ thống, không chỉ là vấn đề viết prompt.
Tại sao ngữ cảnh thường đánh bại prompting
Một prompt tốt hơn có thể cải thiện cách Claude diễn giải một tác vụ.
Ngữ cảnh tốt hơn cải thiện những gì Claude biết khi nó diễn giải tác vụ.
Sự khác biệt đó là rất lớn.
Hãy xem xét một ví dụ đơn giản.
Trường hợp A: Prompt tuyệt vời, ngữ cảnh yếu
Bạn yêu cầu:
Viết một phản hồi khách hàng chất lượng cao bằng cách sử dụng giọng điệu ấm áp, chuyên nghiệp. Hãy ngắn gọn, chính xác và hữu ích.
Đó là một prompt khá tốt.
Nhưng nếu Claude không có quyền truy cập vào:
- gói dịch vụ của khách hàng
- hạn chế sản phẩm liên quan
- tài liệu liên quan
- lịch sử tài khoản
- chính sách hoàn tiền
thì phản hồi vẫn có thể nghe có vẻ trau chuốt trong khi vẫn sai, mơ hồ hoặc rủi ro.
Trường hợp B: Prompt tốt, ngữ cảnh mạnh
Bây giờ Claude nhận được:
- tin nhắn của khách hàng
- phần tài liệu chính xác
- đoạn trích chính sách hoàn tiền
- trạng thái tài khoản
- trao đổi hỗ trợ trước đó
- một hướng dẫn ngắn về phong cách
Cách diễn đạt của prompt có thể đơn giản hơn.
Nhưng đầu ra thường tốt hơn nhiều vì Claude đang đưa ra quyết định từ một cơ sở thông tin mạnh mẽ hơn.
Đó là sức mạnh của ngữ cảnh.
Claude hoạt động tốt nhất khi ngữ cảnh được quản lý, không chỉ được mở rộng
Một sai lầm phổ biến là cho rằng càng nhiều ngữ cảnh luôn có nghĩa là đầu ra tốt hơn.
Không phải vậy.
Quá nhiều ngữ cảnh có thể làm cho hiệu suất tồi tệ hơn.
Điều này xảy ra khi các nhóm đổ:
- mọi tài liệu
- mọi lượt trò chuyện
- mọi kết quả công cụ
- mọi khối hướng dẫn
- mọi ghi chú trong cơ sở kiến thức
vào cùng một yêu cầu.
Kết quả thường là:
- ưu tiên yếu hơn
- câu trả lời nhiễu hơn
- nhiều nhầm lẫn hơn giữa các sự kiện có liên quan và không liên quan
- suy luận chậm hơn
- nhiều cơ hội cho mâu thuẫn hơn
Claude thường mạnh không phải vì nó xử lý nhiều văn bản hơn về mặt lý thuyết, mà vì nó được hưởng lợi khi ngữ cảnh được quản lý có chủ đích.
Điều đó có nghĩa là:
- bao gồm những gì quan trọng
- loại trừ những gì gây xao nhãng
- cấu trúc những gì còn lại
- bảo toàn thứ tự và hệ thống phân cấp
Ngữ cảnh tốt không chỉ là lớn.
Nó phải hữu ích.
Lợi thế tiềm ẩn: Claude thường đền đáp kỹ thuật ngữ cảnh nhiều hơn là tinh chỉnh prompt
Đây là nơi các nhóm tinh vi tách biệt khỏi phần còn lại.
Người dùng ít kinh nghiệm hơn tiếp tục thử:
- cách diễn đạt mới
- hướng dẫn chi tiết hơn
- khung prompt
- mẫu prompt
- các thủ thuật diễn đạt "thần kỳ"
Các nhóm trưởng thành hơn bắt đầu đặt những câu hỏi tốt hơn:
- Claude nên thấy tài liệu nào trước?
- Khối truy xuất này quá lớn hay quá nhỏ?
- Sự kiện nào thuộc về bộ nhớ so với truy xuất trực tiếp?
- Chúng ta có đang truyền kết quả công cụ theo cách mà mô hình thực sự có thể sử dụng không?
- Ngữ cảnh nào đã cũ?
- Đây nên là một yêu cầu hay nhiều giai đoạn?
- Mô hình thất bại vì lý do suy luận, hay vì ngữ cảnh sai đã đến?
Đó là kỹ thuật ngữ cảnh.
Và trong các hệ thống AI sản xuất, nó thường quan trọng hơn một vòng đánh bóng prompt khác.
Kỹ thuật ngữ cảnh trông như thế nào trong thực tế
Cụm từ này nghe có vẻ trừu tượng cho đến khi bạn phân tích nó.
Trong thực tế, kỹ thuật ngữ cảnh thường có nghĩa là cải thiện một hoặc nhiều lớp sau đây.
- Chất lượng truy xuất
Claude có nhận được thông tin phù hợp không?
Đây là nền tảng.
Nếu truy xuất yếu, mô hình có thể buộc phải đoán.
Điều đó dẫn đến đầu ra trau chuốt nhưng không đáng tin cậy.
Truy xuất mạnh có nghĩa là:
- tài liệu liên quan
- phân đoạn hữu ích
- lọc siêu dữ liệu tốt
- thứ tự mạnh mẽ
- loại bỏ tài liệu nhiễu hoặc trùng lặp
- Thứ tự ngữ cảnh
Thứ tự thông tin rất quan trọng.
Nếu hướng dẫn, bằng chứng, ví dụ và kết quả công cụ được sắp xếp kém, mô hình có thể đánh giá quá cao phần sai của yêu cầu.
Các hệ thống tốt suy nghĩ cẩn thận về:
- cái gì đến trước
- cái gì được nhóm lại với nhau
- cái gì được tách biệt rõ ràng
- cái gì được tóm tắt trước khi được chuyển vào
- Ranh giới bộ nhớ
Không phải mọi thứ nên ở lại trong ngữ cảnh mãi mãi.
Một trong những cách nhanh nhất để làm giảm chất lượng là tiếp tục thêm trạng thái mà không quyết định điều gì vẫn còn quan trọng.
Claude hoạt động tốt hơn khi các nhóm xác định:
- điều gì nên tồn tại
- điều gì nên hết hạn
- điều gì nên được tóm tắt
- điều gì nên được truy xuất lại thay vì ghi nhớ
- Định dạng đầu ra công cụ
Một công cụ có thể trả về dữ liệu đúng ở dạng sai.
Nếu Claude nhận được nhật ký thô, JSON dày đặc, các trường xung đột hoặc đầu ra nhiễu, hiệu suất sẽ bị ảnh hưởng.
Các nhóm thường cải thiện kết quả đáng kể bằng cách:
- làm sạch phản hồi công cụ
- tóm tắt các trường quan trọng
- thêm nhãn
- loại bỏ các khóa không liên quan
- làm nổi bật các giá trị chính xác mà mô hình nên sử dụng
- Phân rã nhiều bước
Đôi khi một cửa sổ ngữ cảnh không phải là nơi thích hợp để giải quyết mọi thứ.
Thay vì một yêu cầu khổng lồ, các hệ thống tốt hơn thường sử dụng nhiều bước.
Ví dụ:
- truy xuất tài liệu liên quan
- tóm tắt chỉ bằng chứng hữu ích
- chuyển bản tóm tắt vào bước tạo câu trả lời
- đánh giá phản hồi cuối cùng
Đó vẫn là kỹ thuật ngữ cảnh.
Nó chỉ được phân phối qua các giai đoạn.
Và một khi các hệ thống trở nên đa bước, việc đánh giá trở nên quan trọng hơn nhiều. Hướng dẫn của OpenAI về các phương pháp đánh giá tốt nhất và đánh giá quy trình làm việc của tác nhân rất hữu ích vì nó cho thấy các vấn đề về chất lượng nhanh chóng chuyển từ vấn đề cấp độ prompt sang vấn đề cấp độ quy trình làm việc như thế nào khi có sự tham gia của các công cụ, định tuyến và các quyết định lặp đi lặp lại.
Tại sao Claude thường có cảm giác "thông minh hơn" so với prompt xứng đáng
Nhiều người đã có trải nghiệm này.
Họ đưa cho Claude một prompt khá bình thường, nhưng phản hồi lại có cảm giác đặc biệt có cơ sở, có cấu trúc hoặc hữu ích.
Điều đó thường xảy ra vì hệ thống xung quanh đã cho Claude những điều kiện phù hợp.
Nói cách khác, trí thông minh rõ ràng không đến từ cách diễn đạt prompt một mình.
Nó đến từ:
- ngữ cảnh sạch hơn
- truy xuất tốt hơn
- đầu ra công cụ tốt hơn
- quản lý bộ nhớ tốt hơn
- khung tác vụ tốt hơn
Điều này rất quan trọng vì nó thay đổi cách các nhóm nên đánh giá kết quả.
Thay vì hỏi:
Prompt nào đã tạo ra phản hồi này?
hãy hỏi:
Ngữ cảnh nào đã làm cho phản hồi này khả thi?
Câu hỏi đó thường tiết lộ nhiều hơn.
Prompt tốt hơn không thể sửa chữa ngữ cảnh xấu
Đây là một trong những bài học quan trọng nhất trong kỹ thuật AI thực tế.
Một prompt mạnh có thể giúp Claude suy luận rõ ràng hơn.
Nhưng nó không thể bù đắp một cách đáng tin cậy cho:
- các sự kiện bị thiếu
- truy xuất không chính xác
- bộ nhớ lỗi thời
- tài liệu nguồn xung đột
- nhiễu ngữ cảnh không liên quan
- đầu ra công cụ bị định dạng sai
Các nhóm thường dành nhiều ngày để viết lại prompt để giải quyết những gì thực sự là vấn đề ngữ cảnh.
Điều đó rất tốn kém và gây hiểu lầm.
Nếu mô hình đang nhìn vào những thứ sai, cách diễn đạt tốt hơn chỉ có thể làm cho câu trả lời sai nghe có vẻ tự tin hơn.
Đó không phải là tiến bộ.
Chất lượng ngữ cảnh thay đổi theo trường hợp sử dụng
Không phải mọi quy trình làm việc AI đều cần cùng một chiến lược ngữ cảnh.
Thiết kế phù hợp phụ thuộc vào công việc.
Hệ thống hỗ trợ
Claude thường cần:
- chi tiết tài khoản
- đoạn trích chính sách
- lịch sử ticket trước đó
- tài liệu sản phẩm
- các quy tắc trường hợp ngoại lệ có liên quan
Trợ lý viết mã
Claude thường cần:
- chỉ các tệp có liên quan
- ghi chú kiến trúc
- quy ước viết mã
- kết quả kiểm thử
- hướng dẫn cục bộ như quy tắc dự án hoặc ràng buộc tác vụ
Quy trình làm việc nghiên cứu
Claude thường cần:
- các nguồn gần đây
- nhóm bằng chứng
- phát hiện xung đột
- ranh giới trích dẫn
- phân tách rõ ràng giữa sự kiện và suy luận
Quy trình làm việc tài liệu
Claude thường cần:
- các trường đã trích xuất
- quy tắc lược đồ
- các phần mơ hồ được gắn cờ rõ ràng
- tín hiệu tin cậy
- các ràng buộc xác thực
Đây là lý do tại sao kỹ thuật ngữ cảnh nên được coi là thiết kế dành riêng cho quy trình làm việc, không phải là một thủ thuật prompt phổ quát.
Các nhóm mạnh nhất suy nghĩ theo các lớp ngữ cảnh
Một trong những cách hiệu quả nhất để cải thiện các hệ thống dựa trên Claude là ngừng coi ngữ cảnh như một khối khổng lồ duy nhất.
Hãy suy nghĩ theo các lớp.
Ví dụ:
Lớp hướng dẫn
Claude được yêu cầu làm gì?
Lớp bằng chứng
Những sự kiện, tài liệu hoặc đầu ra công cụ nào hỗ trợ tác vụ?
Lớp bộ nhớ
Thông tin nào trước đây vẫn còn quan trọng?
Lớp ràng buộc
Những quy tắc kinh doanh, định dạng đầu ra hoặc ranh giới rủi ro nào được áp dụng?
Lớp đánh giá
Câu trả lời sẽ được kiểm tra như thế nào trước khi sử dụng?
Một khi bạn suy nghĩ theo cách này, kỹ thuật prompt trở thành một phần của kiến trúc ngữ cảnh rộng lớn hơn.
Đó là một tư duy bền vững hơn nhiều.
Tại sao điều này quan trọng hơn khi các hệ thống trở nên có tính tác nhân
Các hệ thống AI càng chuyển từ phản hồi một lượt sang các quy trình làm việc đa bước sử dụng công cụ, thì chất lượng ngữ cảnh càng trở nên quan trọng.
Đó là bởi vì các hệ thống tác nhân tạo ra nhiều cơ hội hơn cho sự thất bại của ngữ cảnh.
Ví dụ:
- một bước truy xuất xấu đầu độc suy luận sau đó
- một phản hồi công cụ nhiễu tạo ra sự nhầm lẫn ở hạ nguồn
- một khối bộ nhớ lỗi thời gây ra hành động sai
- một prompt quá tải tạo ra sự ưu tiên kém
Khi các hệ thống trở nên tự chủ hơn, ngữ cảnh không còn là mối quan tâm nền tảng nữa.
Nó trở thành một trong những bề mặt điều khiển chính.
Đó là một lý do tại sao các nhóm nghiêm túc đang chú ý nhiều hơn đến kỹ thuật ngữ cảnh ngay bây giờ.
Nó mở rộng quy mô tốt hơn so với việc tinh chỉnh prompt vô tận.
Đây cũng là lý do tại sao các khung điều phối lại quan trọng hơn trong các hệ thống tác nhân. Tài liệu chính thức của LangGraph về quy trình làm việc và tác nhân rất hữu ích ở đây vì nó làm cho sự thay đổi thiết kế trở nên cụ thể: tính bền bỉ, kiểm soát con người trong vòng lặp, trạng thái và theo dõi đều trở thành một phần của sản phẩm, không chỉ là lệnh gọi mô hình.
Những gì các kỹ sư AI nên thay đổi trong quy trình làm việc của họ
Nếu bạn đang xây dựng với Claude một cách nghiêm túc, sự thay đổi thực tế rất đơn giản.
Dành ít thời gian hơn để hỏi:
- Prompt hoàn hảo là gì?
- Thủ thuật diễn đạt nào chúng ta nên thử tiếp theo?
Dành nhiều thời gian hơn để hỏi:
- Claude có đang thấy thông tin phù hợp không?
- Bằng chứng có được sắp xếp rõ ràng không?
- Chúng ta có đang truyền quá nhiều ngữ cảnh không liên quan không?
- Tác vụ này có nên được chia thành nhiều giai đoạn không?
- Đầu ra công cụ có được định dạng cho suy luận, không chỉ cho máy móc không?
- Điều gì nên tồn tại trong bộ nhớ, và điều gì nên được truy xuất lại?
Những câu hỏi đó dẫn đến những lợi ích lớn hơn.
Và không giống như các thủ thuật prompt, chúng có xu hướng tích lũy.
Một danh sách kiểm tra thực tế cho kỹ thuật ngữ cảnh tốt hơn với Claude
Nếu chất lượng đầu ra là quan trọng, hãy sử dụng danh sách kiểm tra này.
Trước khi động đến prompt, hãy hỏi:
- Chúng ta có tài liệu nguồn phù hợp không?
- Việc truy xuất có liên quan và gần đây không?
- Chúng ta có đang truyền quá nhiều nhiễu không?
- Ngữ cảnh có được sắp xếp theo một cách hữu ích không?
- Đầu ra công cụ có thể đọc được và được ưu tiên không?
- Bộ nhớ cũ có còn tồn tại không?
- Điều này sẽ hoạt động tốt hơn như một luồng hai bước hay ba bước?
Sau đó hỏi:
- Prompt có thực sự rõ ràng không?
- Tác vụ có đủ hẹp không?
- Các ràng buộc có rõ ràng không?
- Định dạng đầu ra có được xác định rõ không?
Thứ tự đó rất quan trọng.
Ngữ cảnh trước.
Prompt sau.
Bài học sâu sắc hơn: Claude không chỉ phản hồi, nó đang suy luận dựa trên những gì bạn cung cấp
Điều đó nghe có vẻ hiển nhiên, nhưng nhiều nhóm không xây dựng như thể họ tin điều đó.
Họ vẫn coi mô hình như một người trả lời kỳ diệu thay vì một hệ thống suy luận hoạt động trên thông tin được cung cấp.
Chất lượng hiệu suất của Claude bị ảnh hưởng nặng nề bởi chất lượng của thế giới thông tin mà bạn xây dựng xung quanh nó.
Đó là lý do tại sao kỹ thuật ngữ cảnh đang trở thành một kỷ luật trung tâm như vậy.
Nó không phải là mỹ phẩm.
Nó không phải là một thủ thuật liên quan đến prompt.
Nó là công việc thiết kế thực tế đằng sau hiệu suất AI đáng tin cậy.
Suy nghĩ cuối cùng
Claude thường vượt trội hơn "các prompt tốt hơn" vì một lý do đơn giản.
Lợi thế thực sự không phải lúc nào cũng nằm ở hướng dẫn.
Nó nằm ở ngữ cảnh.
Khi thông tin phù hợp đến, với cấu trúc phù hợp, vào đúng thời điểm, Claude có thể tạo ra các đầu ra có cảm giác mạnh mẽ hơn đáng kể so với những gì prompt một mình gợi ý.
Đó là sự thay đổi mà nhiều nhóm AI cần nội tâm hóa.
Prompting vẫn còn quan trọng.
Nhưng ngữ cảnh ngày càng là đòn bẩy lớn hơn.
Vì vậy, nếu bạn muốn có kết quả tốt hơn từ Claude, đừng chỉ hỏi làm thế nào để viết một prompt mạnh hơn.
Hãy hỏi làm thế nào để thiết kế một môi trường thông tin mạnh hơn xung quanh mô hình.
Đó là nơi mà những lợi ích hiệu suất nghiêm túc đến từ bây giờ.
FAQ: Claude, kỹ thuật ngữ cảnh và các prompt tốt hơn
Tại sao Claude đôi khi hoạt động tốt hơn so với những gì một prompt mạnh hơn gợi ý?
Bởi vì mô hình có thể đang hoạt động với ngữ cảnh tốt hơn.
Điều đó có thể bao gồm truy xuất mạnh hơn, ranh giới bộ nhớ sạch hơn, đầu ra công cụ tốt hơn và khung tác vụ hữu ích hơn.
Sự khác biệt giữa kỹ thuật prompt và kỹ thuật ngữ cảnh là gì?
Kỹ thuật prompt tập trung vào cách diễn đạt của hướng dẫn.
Kỹ thuật ngữ cảnh tập trung vào mọi thứ mô hình thấy khi đưa ra quyết định, bao gồm truy xuất, bộ nhớ, thứ tự bằng chứng, ràng buộc, đầu ra công cụ và trạng thái quy trình làm việc.
Nhiều ngữ cảnh hơn có luôn cải thiện đầu ra của Claude không?
Không.
Quá nhiều ngữ cảnh không liên quan có thể làm giảm chất lượng bằng cách tạo ra nhiễu, mâu thuẫn và ưu tiên kém.
Mục tiêu không phải là ngữ cảnh tối đa.
Đó là ngữ cảnh hữu ích.
Các nhóm nên sửa chữa điều gì trước khi viết lại prompt?
Thông thường:
- chất lượng truy xuất
- lựa chọn tài liệu
- thứ tự bằng chứng
- bộ nhớ cũ
- đầu ra công cụ nhiễu
- phân rã tác vụ
Tại sao ngữ cảnh lại quan trọng hơn trong các hệ thống tác nhân?
Bởi vì các hệ thống đa bước tạo ra nhiều cơ hội hơn cho ngữ cảnh yếu gây ra các thất bại sau đó.
Một bước truy xuất xấu, đầu ra công cụ lộn xộn hoặc bộ nhớ cũ có thể ảnh hưởng đến mọi bước tiếp theo.
Quy tắc thực tế tốt nhất là gì?
Ngữ cảnh trước.
Prompt sau.
Đó thường là thứ tự hiệu quả hơn để cải thiện các quy trình làm việc dựa trên Claude.
