Context Engineering คืออะไร? (Content Engineering Explained) นิยาม หลักการ และองค์ประกอบ

ใน

บทนำ

ในยุคของปัญญาประดิษฐ์ AI โดยเฉพาะระบบภาษาธรรมชาติ LLM (Large Language Models) ทำให้ความสามารถขอโมเดล Model ไม่ได้ขึ้นอยู่กับ ความฉลาดของโมเดลอย่างเดียว แต่ขึ้นอยู่กับ บริบท (Context) ที่เราป้อนนำเข้าข้อมูลให้มัน นี่คือ จุดกำเนิดของ Context Engineering ซึ่งเป็น evolution ถัดจาก Prompt Engineering ประกอบด้วย 

  • Input & Command ข้อมูลนำเข้า และคำสั่ง ได้แก่ คำสั่ง ข้อมูล ฐานข้อมูล และองค์ความรู้
  • Model Context ได้แก่ system prompt message tools model respone format 
  • Tools Context ได้แก่ Read/Write Data API RGA Short-memory
  • Process Context ได้แก่ การประมวลผลของ AI เป็นส่วนของการคิดวิเคราะห์ภายใต้กระบวนการ และโมเดลที่ใช้
  • Output & Result ผลลัพธ์ที่ได้จากกระบวนการ 



Context Prompt Engineering หรือ Context Engineering (CE) คืออะไร



Context Prompt Engineering หรือ Context Engineering (CE) คือศาสตร์ใหม่ในการออกแบบและคัดสรร "บริบท" ทั้งหมด (เช่น เอกสาร, กฎระเบียบ, ข้อมูลย้อนหลัง, ตัวอย่าง) ให้ AI เข้าใจภาพรวมของงานอย่างครบถ้วน แทนการพึ่งพาแค่คำสั่งสั้นๆ (Prompt) เพื่อให้ AI ทำงานซับซ้อนได้อย่างแม่นยำและลดอาการมั่ว

Context Prompt Engineering หรือ Context Engineering (CE)  เป็นกระบวนการออกแบบ จัดการ และควบคุมบริบท (Context) ที่ส่งเข้าไปให้ AI เพื่อให้ได้ผลลัพธ์ที่แม่นยำ ตรงความต้องการ และสอดคล้องกับสถานการณ์จริง

Context Engineering คือ วิธีการจัดระเบียบบริบท (Context) ที่ AI ต้องใช้ในการคิดตอบคำถาม การเตรียมข้อมูล แนะนำความจำ และเครื่องมือ AI รอบด้านให้ครบ เพื่อให้ AI ตอบได้แม่นยำ น่าเชื่อถือ ไม่มั่ว

หลักการสำคัญของ Context Prompt Engineering หรือ Context Engineering (CE)

  • เปลี่ยนจาก "สั่งให้ดี" เป็น "ให้ข้อมูลให้ครบ"  Context Engineering เป็นเพิ่ม บริบท context, กรอบ context windows, หรือข้อมูลองค์กรลงไปให้ AI เข้าใจเนื้อหาที่แท้จริง
  • RAG (Retrieval-Augmented Generation) ใช้การดึงข้อมูลจากฐานความรู้ภายนอกหรือเอกสารที่เกี่ยวข้องมาใส่ไว้ในบริบท ทำให้ AI ไม่ต้องเดา และลดอาการ Hallucination (ตอบมั่ว)
  • จัดการหน่วยความจำ (Memory) เก็บและจัดการประวัติการคุย (Short-term & Long-term memory) เพื่อให้ AI จำขั้นตอนหรือข้อสรุปเดิมได้ ทำให้งานมีความต่อเนื่อง
  • ข้อมูลสดใหม่ตลอดเวลา  สามารถอัปเดตข้อมูลผ่าน API หรือฐานข้อมูลได้โดยไม่ต้องเทรนโมเดลใหม่
  • วิศวกรรมแบบไดนามิก เป็นการวางระบบให้ AI ดึงข้อมูลที่ถูกต้องที่สุดมาใช้ในเวลาที่เหมาะสม แทนการเขียนคำสั่งตายตัว
  • ความสามารถในการโต้ตอบ Event Driven- Interactive AI เพื่อให้ผู้ใช้โต้ตอบกับ AI เสมือนกำลังคุยกับมนุษย์ ไม่ใช่ AI

องค์ประกอบสำคัญของ Context Prompt Engineering หรือ Context Engineering (CE)

  • การรวมข้อมูล (Context Assembly) เป็นการรวบรวมและดึงเอาคำสั่งระบบ (System Prompt) ประวัติการสนทนา ข้อมูลผู้ใช้ บริบทที่สอดคล้อง มาใส่ให้โมเดล AI พร้อมใช้งาน
  • การฉีดบริบทให้โมเดล (Context Injection) ผนวกเอกสารจากภายนอก (ผ่าน RAG), API จากเครื่องมือต่างๆ, output ของฟังก์ชัน
  • การจัดการความจำ (Memory Management) เก็บความจำระยะสั้น (short-term memory) และ ความจำระยะยาว (long-term memory)
  • การจัดลำดับความสำคัญ (Compression & Filtering) สรุปเนื้อหา เก็บแต่ใจความสำคัญ ตัดทอนส่วนที่ไม่เกี่ยว เพื่อไม่ให้โควต้า context หมด
  • การแชร์บริบท (Context Sharing) ในระบบ Multi-Agents ต้องส่งต่อข้อมูลกันได้ เพื่อให้ทำงานต่อเนื่อง
  • ความปลอดภัย & สอดคล้อง (Security & Consistency) ตรวจกรองข้อมูลส่วนตัวของบุคคล, ป้องกัน prompt injection, คุมสิทธิ์การเข้าถึง, เก็บล็อกตรวจสอบ
  • จริยธรรม และความเป็นมนุษย์ ที่จะทำการคัดกรองข้อมูลที่ดี มีประโยชน์ และไม่ขัดกับกฏระเบียน กฏหมาย 

แหล่งข้อมูล: Insightist.ai

การออกแบบคำสั่งและกระบวนการ Context Prompt Engineering หรือ Context Engineering (CE)

  • Design and Mapping Context Engineering คือ การออกแบบและการจัดการระบบการจัดส่งที่รวดเร็ว 
  • Tuning instructions/system เป็นการแนะนำในการปรับแต่ง/ข้อความแจ้งเตือนของระบบ
  • Managing dynamic elements เป็นการจัดการองค์ประกอบต่างๆแบบไดนามิกของข้อความแจ้งเตือน (เช่น ข้อมูลที่ผู้ใช้ป้อน วันที่/เวลา เป็นต้น)
  • Query augmentation กระบวนการค้นหาและเตรียมข้อมูล และความรู้ที่เกี่ยวข้อง (เช่น RAG)
  • การเพิ่มประสิทธิภาพการค้นหา
  • คำจำกัดความและคำแนะนำเกี่ยวกับเครื่องมือ (ในกรณีของระบบเอเจนต์)
  • Preparing and optimizing few-shot demonstrations การเตรียมและการปรับปรุงการสาธิตแบบช็อตน้อยให้เหมาะสมที่สุด
  • Structuring inputs and outputs การจัดโครงสร้างข้อมูลนำเข้าและข้อมูลส่งออกให้สอดคล้องกับระบบ AI  (เช่น ตัวคั่น, รูปแบบ JSON)
  • Short-term memory หน่วยความจำระยะสั้น (เช่น การจัดการสถานะ/บริบททางประวัติศาสตร์) และหน่วยความจำระยะยาว (เช่น การดึงความรู้ที่เกี่ยวข้องจากคลังข้อมูลแบบเวกเตอร์)
  • Optimize the LLM system ในการปรับระบบ LLM ให้เหมาะสมเพื่อบรรลุเป้าหมายที่ต้องการ

บทความ Context Engineering เพิ่มเติม




ความคิดเห็น

แสดงความคิดเห็น