ชุมชนนักพัฒนา AI กำลังแสดงความสงสัยอย่างรุนแรงต่อความพยายามล่าสุดในการเปลี่ยนชื่อ prompt engineering เป็น context engineering สิ่งที่เริ่มต้นเป็นการอภิปรายทางเทคนิคได้พัฒนาไปสู่การถกเถียงที่กว้างขึ้นเกี่ยวกับการโฆษณาชวนเชื่อเทียบกับแนวปฏิบัติทางวิศวกรรมที่แท้จริงในสาขา AI
มาตรฐานทางวิศวกรรม เทียบกับ คำศัพท์การตลาด
การวิพากษ์วิจารณ์หลักมุ่งเน้นไปที่การใช้คำว่าวิศวกรรมอย่างผิดๆ สมาชิกชุมชนโต้แย้งว่าวิศวกรรมที่แท้จริงต้องการการควบคุมกระบวนการอย่างเข้มงวด การจัดทำเอกสารอย่างเป็นระบบ และการกำหนดค่าความคลาดเคลื่อนที่ยอมรับได้ ซึ่งเป็นองค์ประกอบที่ขาดหายไปส่วนใหญ่จากแนวปฏิบัติการปรับปรุง prompt ในปัจจุบัน ความกังวลคือการเรียกเทคนิคเหล่านี้ว่าวิศวกรรมจะยกระดับสิ่งที่เป็นเพียงเคล็ดลับและการคาดเดาให้อยู่ในระดับเดียวกับสาขาวิศวกรรมที่ได้รับการยอมรับ
ดูเหมือนว่าจะเป็นเรื่องปกติของซอฟต์แวร์ที่ผู้คนต้องการติดป้าย 'วิศวกรรม' ให้กับสิ่งต่างๆ ที่ไม่ใช่วิศวกรรม พวกเขามักจะเรียกมันว่าวิศวกรรมเพราะฟังดูดีกว่า แต่พวกเขาไม่ต้องการทำสิ่งใดที่เกี่ยวข้องกับวิศวกรรมเลย
ความรู้สึกนี้สะท้อนถึงความหงุดหงิดที่กว้างขึ้นกับแนวโน้มการใช้ป้ายชื่อที่มีเกียรติกับแนวปฏิบัติใหม่ๆ โดยไม่มีความเข้มงวดพื้นฐานที่ป้ายชื่อเหล่านั้นแทนในอดีต
ความท้าทายทางเทคนิคที่แท้จริง
แม้จะมีความสงสัยเกี่ยวกับคำศัพท์ นักพัฒนายอมรับว่าการรวบรวมข้อมูลที่เกี่ยวข้องสำหรับระบบ AI นำเสนอความท้าทายทางเทคนิคที่แท้จริง ด้านที่มีค่าที่สุดของสิ่งที่เรียกว่า context engineering เกี่ยวข้องกับการกำหนดวิธีการดึงและนำเสนอข้อมูลที่ถูกต้องให้กับโมเดลภาษา ตัวอย่างเช่น ระบบอย่าง GitHub Copilot ประสบความสำเร็จไม่ใช่เพราะการ prompting ที่ฉลาด แต่เพราะพวกเขาเลือกส่วนใดของ codebase ที่จะแสดงให้ AI เห็นอย่างชาญฉลาด
กระบวนการรวบรวมและเลือกข้อมูลนี้มักต้องการการสร้างแหล่งข้อมูลและโครงสร้างพื้นฐานใหม่ทั้งหมด ซึ่งเป็นงานที่คล้ายกับแนวปฏิบัติทางวิศวกรรมแบบดั้งเดิม อย่างไรก็ตาม ด้านการจัดโครงสร้าง prompt ถูกมองว่าเป็นเรื่องเล็กน้อยมากขึ้นเมื่อโมเดล AI ยังคงพัฒนาต่อไป
องค์ประกอบของ Context Engineering (ตามที่กำหนดไว้ในบทความ):
- การพัฒนาและจัดการ prompts
- การทดสอบการโต้ตอบและกรณีการใช้งาน
- การจัดการองค์ประกอบบริบทแบบไดนามิก (ผู้ใช้, หน่วยความจำ, อินเทอร์เฟซ)
- การประกอบฐานความรู้
- การกำหนดเครื่องมือและการโต้ตอบ
- การวิเคราะห์ข้อมูลนำเข้าและผลลัพธ์
- การจัดการหน่วยความจำระยะสั้น
ความเหนื่อยล้าของชุมชนกับการโฆษณาชวนเชื่อ AI
ปฏิกิริยาเผยให้เห็นความเหนื่อยล้าที่เพิ่มขึ้นภายในชุมชนเทคนิคเกี่ยวกับแนวโน้มการตลาด AI นักพัฒนาเรียกร้องให้มีความเข้าใจทางวิทยาศาสตร์ที่ดีขึ้นเกี่ยวกับวิธีการควบคุมผลลัพธ์ของโมเดลขนาดใหญ่แทนที่จะเป็นแนวทางที่ขับเคลื่อนด้วยคำศัพท์ใหม่ๆ การวิพากษ์วิจารณ์ขยายไปเกินคำศัพท์เพื่อตั้งคำถามว่าความพยายามในการเปลี่ยนชื่อเหล่านี้เป็นประโยชน์หลักต่อบริษัท AI ที่พยายามรักษาการโฆษณาชวนเชื่อมากกว่าการพัฒนาสาขาวิชา
สมาชิกชุมชนบางคนติดตามรูปแบบนี้ไปยังบุคคลที่มีอิทธิพลใน AI ที่ได้แนะนำคำศัพท์ที่เป็นมิตรต่อการตลาดที่คล้ายกัน โดยชี้ให้เห็นว่าการมุ่งเน้นไปที่ชื่อที่ติดหูทำให้เสียสมาธิจากการพัฒนาวิธีการทางวิศวกรรมที่แท้จริงสำหรับระบบ AI
โครงสร้างการใช้งานทางเทคนิค:
interface PromptContext {
apiKey: string;
model: string;
user_goal?: string;
user_prompt?: string;
task_prompt?: string;
system_prompt?: string;
prompt_tuning?: Tuning;
knowledge: string;
config: any;
}
ความกังวลเชิงปฏิบัติสำหรับระบบการผลิต
ความแตกต่างระหว่างการตลาดและความเป็นจริงเห็นได้ชัดเจนที่สุดเมื่อย้ายระบบ AI เข้าสู่สภาพแวดล้อมการผลิต ในขณะที่การปรับปรุง prompt เชิงทดลองอาจทำงานได้ด้วยแนวทางที่ไม่เป็นทางการ ระบบการผลิตต้องการความน่าเชื่อถือและความสามารถในการคาดการณ์ที่แนวปฏิบัติทางวิศวกรรมแบบดั้งเดิมให้ ช่องว่างนี้เน้นย้ำว่าทำไมนักพัฒนาหลายคนจึงต่อต้านการยกระดับแนวปฏิบัติปัจจุบันให้เป็นสถานะทางวิศวกรรม เพราะพวกเขาไม่ได้ตรงตามมาตรฐานที่จำเป็นสำหรับแอปพลิเคชันที่สำคัญ
การถกเถียงนี้สุดท้ายสะท้อนถึงความเจ็บปวดในการเติบโตของสาขา AI ขณะที่เปลี่ยนผ่านจากความแปลกใหม่ในการวิจัยไปสู่ความจำเป็นในการผลิต โดยผู้ปฏิบัติงานแสวงหาเนื้อหาสาระมากกว่ารูปแบบในแนวทางเทคนิคของพวกเขา
อ้างอิง: Context Engineering Guide