Context Engineering กลายเป็นทักษะสำคัญในการพัฒนา AI แทนที่ Prompt Engineering แบบดั้งเดิม

ทีมชุมชน BigGo
Context Engineering กลายเป็นทักษะสำคัญในการพัฒนา AI แทนที่ Prompt Engineering แบบดั้งเดิม

ชุมชนนักพัฒนา AI กำลังเผชิญกับการเปลี่ยนแปลงครั้งสำคัญในแนวทางการสร้าง AI agent ที่มีประสิทธิภาพ สิ่งที่เคยมุ่งเน้นไปที่การสร้างพรอมต์ที่สมบูรณ์แบบ ได้พัฒนาไปสู่สิ่งที่ครอบคลุมมากกว่านั้น นั่นคือ context engineering สาขาวิชาใหม่นี้แสดงถึงการเปลี่ยนแปลงพื้นฐานในการคิดเกี่ยวกับการออกแบบและการนำระบบ AI ไปใช้งาน

แนวคิดนี้ได้รับความสนใจอย่างกว้างขวางหลังจากที่ CEO ของ Shopify Tobi Lutke อธิบายว่าเป็นศิลปะในการให้บริบทครบถ้วนสำหรับงานที่ LLM สามารถแก้ไขได้อย่างสมเหตุสมผล จังหวะเวลานี้ไม่อาจจะเหมาะสมไปกว่านี้แล้ว เนื่องจากนักวิจัยและผู้ปฏิบัติงาน AI กำลังค้นพบว่าความล้มเหลวของ agent ส่วนใหญ่ไม่ได้เกิดจากข้อจำกัดของโมเดล แต่เกิดจากการให้บริบทที่ไม่เพียงพอ

ภาพประกอบนี้เน้นให้เห็นถึงวิวัฒนาการของการพัฒนา AI จากการใช้ prompt แบบง่าย ๆ ไปสู่แนวทาง context engineering ที่ครอบคลุมมากขึ้น
ภาพประกอบนี้เน้นให้เห็นถึงวิวัฒนาการของการพัฒนา AI จากการใช้ prompt แบบง่าย ๆ ไปสู่แนวทาง context engineering ที่ครอบคลุมมากขึ้น

เกินกว่าพรอมต์ธรรมดา: แนวทางระบบ

Prompt engineering แบบดั้งเดิมมุ่งเน้นไปที่การปรับปรุงข้อความเดียวที่ส่งไปยังโมเดล AI Context engineering มีมุมมองที่กว้างกว่ามาก โดยถือว่าบริบทเป็นผลลัพธ์ของระบบทั้งหมดมากกว่าเทมเพลตแบบคงที่ ระบบนี้ประกอบส่วนประกอบต่างๆ แบบไดนามิก รวมถึงคำสั่งระบบ ประวัติการสนทนา หน่วยความจำระยะยาว ข้อมูลที่ดึงมาจากฐานข้อมูล เครื่องมือที่มีอยู่ และคำจำกัดความของผลลัพธ์ที่มีโครงสร้าง

ความแตกต่างจะชัดเจนเมื่อเปรียบเทียบการสาธิต AI พื้นฐานกับระบบที่พร้อมใช้งานจริง การสาธิตง่ายๆ อาจเห็นเพียงคำขอทันทีของผู้ใช้ ทำให้เกิดการตอบสนองแบบทั่วไป ระบบที่ออกแบบมาอย่างดีจะรวบรวมข้อมูลปฏิทิน การสื่อสารในอดีต รายละเอียดการติดต่อ และเครื่องมือที่มีอยู่ก่อนที่จะสร้างการตอบสนองที่เหมาะสมกับบริบทซึ่งรู้สึกเป็นธรรมชาติและเป็นประโยชน์

ระบบ: กรอบงานที่ครอบคลุมซึ่งประมวลผลและจัดระเบียบข้อมูลก่อนส่งไปยังโมเดล AI แทนที่จะพึ่งพาพรอมต์เดียว

Context Engineering vs Prompt Engineering

Aspect Prompt Engineering Context Engineering
ขอบเขต สตริงข้อความเดียว เอาต์พุตของระบบทั้งหมด
แนวทาง เทมเพลตแบบคงที่ การประกอบแบบไดนามิก
องค์ประกอบ คำสั่งเท่านั้น แหล่งข้อมูลหลายแหล่ง + เครื่องมือ
ระยะเวลา คงที่ ปรับตัวตามความต้องการของงาน
จุดเน้น การใช้คำที่สมบูรณ์แบบ สถาปัตยกรรมข้อมูลที่เหมาะสม

ความคล้ายคลึงกับมนุษย์ในการประมวลผลข้อมูล

หลักการเบื้องหลัง context engineering สะท้อนถึงวิธีที่มนุษย์ประมวลผลข้อมูลและตัดสินใจ เช่นเดียวกับที่พนักงานมนุษย์ทำงานได้ดีกว่าเมื่อได้รับข้อมูลพื้นหลังที่ครอบคลุม ข้อกำหนดที่ชัดเจน และเครื่องมือที่เหมาะสม ระบบ AI ก็เป็นเลิศเมื่อได้รับบริบทที่อุดมสมบูรณ์และมีโครงสร้างดี ความคล้ายคลึงนี้ทำให้นักพัฒนาบางคนใช้หลักการในการถามว่าข้อมูลที่ให้มานั้นเพียงพอสำหรับมนุษย์ในการทำงานเดียวกันให้สำเร็จหรือไม่

การอภิปรายในชุมชนเผยให้เห็นว่าการนำ AI ไปใช้งานที่ประสบความสำเร็จมักเกี่ยวข้องกับการทำงานร่วมกันข้ามสายงาน คล้ายกับการพัฒนาซอฟต์แวร์แบบดั้งเดิม ทีมงานต้องเข้าใจความต้องการทางธุรกิจ กำหนดผลลัพธ์ที่คาดหวัง และจัดโครงสร้างข้อมูลอย่างเหมาะสม ซึ่งเป็นทักษะที่ขยายไปไกลกว่าความรู้ทางเทคนิคด้าน AI

ความท้าทายในการประเมินและการปรับปรุง

แง่มุมสำคัญประการหนึ่งที่เกิดขึ้นจากข้อเสนอแนะของชุมชนคือความสำคัญของการประเมินอย่างเป็นระบบ ไม่เหมือนกับการพัฒนาซอฟต์แวร์แบบดั้งเดิมที่สามารถทดสอบการทำงานได้แบบกำหนดได้ ระบบ AI ต้องการการประเมินอย่างต่อเนื่องเทียบกับสถานการณ์ในโลกจริง ลักษณะที่ไม่สามารถกำหนดได้ของโมเดลภาษาหมายความว่าแม้จะมี context engineering ที่สมบูรณ์แบบ ผลลัพธ์ก็ยังสามารถแตกต่างกันได้

ความไม่แน่นอนนี้ได้จุดประกายการถกเถียงเกี่ยวกับว่า context engineering แตกต่างจาก prompt engineering ขั้นสูงจริงหรือไม่ บางคนโต้แย้งว่าเนื่องจากรูปแบบที่ถูกต้องและเวลาที่เหมาะสมยังไม่ได้ถูกกำหนดไว้อย่างชัดเจน นักพัฒนาจึงยังคงทดลองกับแนวทางต่างๆ จนกว่าจะพบสิ่งที่ได้ผล

เมื่อ 'รูปแบบที่ถูกต้อง' และ 'เวลาที่เหมาะสม' ไม่ได้ถูกกำหนดไว้อย่างชัดเจน และอาจจะจำเป็นต้องไม่ถูกกำหนด แล้วคุณไม่ได้กำลังมองหาวิธีแก้ปัญหาแบบ 'เวทมนตร์' อยู่หรือ

ผลกระทบในอนาคตและการนำไปใช้ในอุตสาหกรรม

การเปลี่ยนไปสู่ context engineering สะท้อนถึงการตระหนักของอุตสาหกรรม AI ที่กำลังเติบโตว่าการสร้างระบบ AI ที่เชื่อถือได้ต้องการมากกว่าแค่โมเดลที่ดีกว่า มันต้องการแนวทางที่เป็นระบบต่อสถาปัตยกรรมข้อมูล การรวมเครื่องมือ และการประกอบเนื้อหาแบบไดนามิก อย่างไรก็ตาม สมาชิกชุมชนบางคนตั้งคำถามว่าความซับซ้อนนี้บ่งชี้ว่าระบบ AI ปัจจุบันยังต้องการคำแนะนำจากมนุษย์มากเกินไปที่จะมีพลังอำนาจอย่างแท้จริงหรือไม่

เมื่อหน้าต่างบริบทขยายออกไปและโมเดลมีความสามารถมากขึ้น ความท้าทายพื้นฐานยังคงอยู่: การให้ข้อมูลที่ถูกต้องแก่ระบบ AI ในเวลาที่เหมาะสม แม้ว่าเครื่องมือและเทคนิคจะยังคงพัฒนาต่อไป หลักการหลักของการคัดสรรข้อมูลอย่างรอบคอบดูเหมือนจะยังคงเป็นศูนย์กลางของการพัฒนา AI ในอนาคตอันใกล้

การเกิดขึ้นของ context engineering ในฐานะสาขาวิชาที่แตกต่างเป็นสัญญาณว่าอุตสาหกรรม AI กำลังก้าวผ่านช่วงทดลองไปสู่แนวทางที่มีโครงสร้างและเน้นด้านวิศวกรรมมากขึ้นในการสร้างระบบ AI ที่เชื่อถือได้

อ้างอิง: The New Skill in AI is Not Prompting, It's Context Engineering