Context Engineering: ทักษะต่อจาก Prompt Engineering
เข้าใจ Context Engineering คืออะไร ต่างจาก Prompt Engineering ยังไง และเทคนิคจัดข้อมูลให้ AI ทำงานแม่นขึ้นแบบที่ทีม AI ใช้จริง
คุณเขียน prompt ได้ดีแล้ว มีบทบาท มีบริบท มีรูปแบบคำตอบครบ แต่พอเอา AI ไปต่อกับเอกสารบริษัท แชตยาวขึ้น หรือให้มันใช้เครื่องมือหลายตัว คำตอบกลับเริ่มหลุด ลืมสิ่งที่บอกไว้ตอนต้น หรือหยิบข้อมูลผิดชิ้นมาใช้ ปัญหานี้ส่วนใหญ่ไม่ได้อยู่ที่ถ้อยคำใน prompt แต่อยู่ที่ ข้อมูลทั้งหมดที่ AI เห็นในแต่ละรอบ ซึ่งเป็นเรื่องของ Context Engineering
ถ้ายังไม่แน่นพื้นฐานการเขียน prompt แนะนำอ่าน Prompt Engineering คืออะไร ก่อน บทความนี้จะต่อยอดจากตรงนั้น
Context Engineering คืออะไร
บทความ "Effective context engineering for AI agents" ของทีม Anthropic (กันยายน 2025) อธิบายว่า Context Engineering คือ "พัฒนาการตามธรรมชาติของ Prompt Engineering" ถ้า Prompt Engineering คือการเขียนและจัดคำสั่ง Context Engineering คือการคัดเลือกและจัดการ ทุกอย่าง ที่เข้าไปอยู่ใน context window ของโมเดล ได้แก่ system prompt, ประวัติแชต, เอกสารที่ดึงมา, คำอธิบายเครื่องมือ, ผลลัพธ์จากเครื่องมือ และตัวอย่าง และต้องทำซ้ำทุกครั้งที่ส่งข้อมูลเข้าโมเดล
ทำไม context มากกว่าไม่ได้แปลว่าดีกว่า
Anthropic ใช้คำว่า context rot คือเมื่อ context ยาวขึ้น ความสามารถในการดึงข้อมูลที่อยู่ข้างในกลับมาใช้อย่างแม่นยำจะลดลง เกิดกับทุกโมเดลแต่ระดับต่างกัน จึงควรมอง context เป็นทรัพยากรที่มีจำกัด เหมือนมี "attention budget" ที่ทุก token ใหม่ใช้ไปบางส่วน หลักที่บทความเสนอคือหา ชุด token ที่เล็กที่สุดแต่มีสัญญาณสูงที่สุด ที่ทำให้ได้ผลลัพธ์ที่ต้องการ
4 องค์ประกอบที่ต้องออกแบบ
1. System prompt ที่ "ระดับความสูง" พอดี
Anthropic เตือนถึงสองขั้วที่พลาดบ่อย ขั้วแรกคือเขียนกฎแบบ if-else ยาวเหยียดจนเปราะ ขั้วที่สองคือคำแนะนำกว้างจนโมเดลต้องเดาเอง วิธีที่แนะนำคือเริ่มจาก prompt สั้นที่สุด ทดสอบ แล้วค่อยเพิ่มคำสั่งหรือตัวอย่างตามจุดที่ล้มเหลวจริง
2. เครื่องมือ (tools) ที่ไม่ซ้อนกัน
คำอธิบายเครื่องมือก็กิน context ถ้ามีเครื่องมือหลายตัวที่หน้าที่ทับกัน โมเดลจะสับสนว่าควรใช้ตัวไหน เครื่องมือที่ดีควรมีหน้าที่ชัด ทนต่อ error และคืนผลลัพธ์กระชับ
3. ตัวอย่างที่เป็นแบบฉบับ
แทนที่จะยัดกฎ edge case ทุกข้อลงไป ให้เลือกตัวอย่างไม่กี่ชิ้นที่หลากหลายและเป็นตัวแทนของงานจริง ตัวอย่างสื่อได้มากกว่ากฎยาวๆ
4. ข้อมูลที่ดึงเข้ามา
เลือกว่าจะโหลดเอกสารทั้งหมดไว้ล่วงหน้า หรือให้ AI ดึงเฉพาะที่ต้องใช้ ซึ่งเป็นหัวข้อถัดไป
เทคนิคจัดการ context สำหรับงานยาวและ AI Agent
- Just-in-time retrieval: เก็บแค่ "ตัวชี้" เช่น path ไฟล์ ลิงก์ หรือ query แล้วให้ agent ดึงเนื้อหาเมื่อจำเป็น แลกกับความเร็วที่ช้าลงเล็กน้อย บางระบบใช้แบบผสม ดึงบางส่วนไว้ก่อน ที่เหลือค้นตอนทำงาน
- Compaction: เมื่อบทสนทนาใกล้เต็ม context window ให้สรุปสาระสำคัญแล้วเริ่มหน้าต่างใหม่ด้วยบทสรุปนั้น วิธีที่เบาที่สุดคือล้างผลลัพธ์เครื่องมือเก่าที่ไม่ต้องใช้แล้ว
- Structured note-taking: ให้ agent จดบันทึกความคืบหน้าไว้นอก context เช่นไฟล์ to-do แล้วดึงกลับมาอ่านเมื่อต้องใช้
- Sub-agent: แบ่งงานย่อยให้ agent ตัวอื่นทำใน context ที่สะอาด แล้วส่งกลับมาเฉพาะบทสรุปสั้นๆ ให้ตัวหลัก
ตัวอย่าง: ผู้ช่วยตอบคำถามสวัสดิการ HR
สมมติทีม HR ของบริษัทหนึ่งในกรุงเทพฯ ทำแชตบอตตอบเรื่องวันลาและสวัสดิการ เวอร์ชันแรกใส่คู่มือพนักงานทั้งเล่มลงใน prompt ทุกครั้ง ผลคือตอบช้าและบางครั้งหยิบนโยบายฉบับเก่ามาตอบ
เวอร์ชันที่ออกแบบ context ใหม่ทำแบบนี้
- System prompt สั้นลง บอกบทบาท ขอบเขต และให้อ้างหัวข้อนโยบายทุกครั้ง
- แยกคู่มือเป็นหัวข้อ ให้ AI ค้นเฉพาะหัวข้อที่เกี่ยวกับคำถาม
- ใส่ข้อมูลเมตา เช่น วันที่มีผลบังคับใช้ ไว้กับเอกสารแต่ละชิ้น
- แชตยาวเกินกำหนดให้สรุปประเด็นที่คุยไปแล้วแทนการส่งประวัติทั้งหมด
AI ฉลาดได้เท่าที่ข้อมูลตรงหน้ามันอนุญาต งานของคุณคือคัดว่าอะไรควรอยู่ตรงนั้น
ข้อควรระวัง
- Context ที่ดีไม่ได้ลบ hallucination ให้หมด ยังต้องตรวจคำตอบที่มีผลต่อการตัดสินใจ
- ข้อมูลส่วนบุคคลหรือความลับบริษัทที่ใส่เข้า context ต้องผ่านนโยบายข้อมูลขององค์กรก่อน
- การสรุป (compaction) อาจตัดรายละเอียดสำคัญทิ้ง ควรทดสอบว่าบทสรุปยังเก็บสิ่งที่ต้องใช้ไว้ครบ
เริ่มต้นยังไง
- เลือกงาน AI หนึ่งงานที่คุณใช้อยู่ แล้วลิสต์ทุกอย่างที่ส่งเข้าโมเดลในแต่ละรอบ
- ตัดส่วนที่โมเดลไม่ได้ใช้ออก แล้วทดสอบว่าคำตอบแย่ลงหรือไม่
- เปลี่ยนข้อมูลก้อนใหญ่เป็นการดึงเฉพาะส่วนที่เกี่ยวข้อง
- เพิ่มคำสั่งหรือตัวอย่างเฉพาะจุดที่เห็นว่าโมเดลพลาดจริง
Context Engineering เป็นทักษะที่ทีมสร้าง AI Agent และ AI Workflow ต้องการมากขึ้น ถ้าอยากเห็นภาพงานที่ใช้ทักษะนี้ ลองดู ตำแหน่งงานสาย AI บน Plants.work หรือฝึกถามตอบกับ AI Career Assistant เพื่อวางแผนเส้นทางการเรียนรู้ของคุณ