มาทำความรู้จัก Context Engineering กันว่า ทำไมสำคัญกว่า Prompt Engineering

ปกติ วงการ AI นอกจากทราบคำศัพท์ คำว่า LLM, Prompt การปรับข้อความคำสั่ง เพื่อถาม AI, Prompt Engineering และอื่น ๆ แต่ล่าสุดในเดือนนี้ เริ่มมีคนพูดถึง คำศัพท์ใหม่ ชื่อว่า Context Engineering มาดูกัน

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

องค์ประกอบสำคัญของ Context Engineering

1. การรวมข้อมูล (Context Assembly)
   • ดึงเอาคำสั่งระบบ (System Prompt), ประวัติการสนทนา, ข้อมูลผู้ใช้ มาใส่ให้โมเดล AI พร้อมใช้งาน
2. การฉีดบริบทให้โมเดล (Context Injection)
   • ผนวกเอกสารจากภายนอก (ผ่าน RAG), API จากเครื่องมือต่างๆ, output ของฟังก์ชัน
3. การจัดการความจำ (Memory Management)
   • เก็บความจำระยะสั้น (short-term memory) และ ความจำระยะยาว (long-term memory)
4. การจัดลำดับความสำคัญ (Compression & Filtering)
   • สรุปเนื้อหา เก็บแต่ใจความสำคัญ ตัดทอนส่วนที่ไม่เกี่ยว เพื่อไม่ให้โควต้า context หมด
5. การแชร์บริบท (Context Sharing)
   • ในระบบ Multi-Agents ต้องส่งต่อข้อมูลกันได้ เพื่อให้ทำงานต่อเนื่อง
6. ความปลอดภัย & สอดคล้อง (Security & Consistency)
   • ตรวจกรองข้อมูลส่วนตัวของบุคคล, ป้องกัน prompt injection, คุมสิทธิ์การเข้าถึง, เก็บล็อกตรวจสอบ

ความสำคัญ

1. ลดการหลอน (Hallucination) มีข้อมูลจริงอ้างอิง ไม่เดามั่ว
2. ต่อเนื่อง (Stateful) ไม่ต้องเริ่มใหม่ทุกคำถาม เก็บประวัติและเรียนรู้ข้าม session
3. อัปเดตทันใจ โดยดึงข้อมูลใหม่ผ่าน RAG ตอนเรียกใช้ ไม่ต้องรอเทรน AI ตัวใหม่
4. ปรับตามผู้ใช้ (Personalization) เห็นโปรไฟล์ ความชอบ และประวัติ เลยตอบได้ตรงใจ
5. ปลอดภัย & เชื่อถือได้ ตัว Context Engineering จะกรองข้อมูลสำคัญ ควบคุมสิทธิ์ ป้องกันการรั่วไหลของข้อมูล

Context Engineering ต่างจาก Prompt Engineering อย่างไร

1. ไม่พึ่งแค่ Prompt จัดเต็มทุกแหล่งข้อมูล ให้ AI เข้าใจภาพรวมหมด
2. ด้วยการดึงข้อมูลจริงจากฐานความรู้ (RAG) หรือ memory ระบบจะมีหลักอ้างอิง ไม่เดาไปมั่วๆ แบบพึ่ง Prompt ล้วนๆ ลดอาการ Hallucination เยอะ
3. Context Engineering เก็บ short-term & long-term memory ทำให้ AI จำประวัติผู้ใช้ ข้อสรุปเดิม หรือขั้นตอนที่เคยคุยไว้ เรียกใช้ต่อเนื่องได้เลย โดยไม่ต้องฝึกข้อมูลซ้ำ
4. อัปเดตข้อมูลสดใหม่ ไม่ต้องรอเทรน ถ้ามีข้อมูลใหม่เข้ามา เช่น เอกสาร, API, ฐานข้อมูล ก็สามารถดึงใส่ Context ได้ทันที ต่างจาก Prompt ที่กำหนดมาล่วงหน้า
5. ปรับให้ตรงใจผู้ใช้ & ควบคุมความปลอดภัยได้
   • แทรก user profile, สิทธิ์การเข้าถึง, นโยบายความเป็นส่วนตัว ลงไปใน context ได้เลย ทำให้คำตอบเหมาะกับแต่ละคนและปลอดภัยกว่า

Use Cases

1. Coding Assistants & Agentic Coding
   • ระบบช่วยเขียน Code ที่รู้จักโปรเจกต์ทั้ง Repository, ดู log, สร้าง pull request และ Debug โค้ดให้เอง รองรับการทำงานแบบ Automation
2. Enterprise Knowledge Federation
   • รวบรวมข้อมูลกระจัดกระจายในองค์กร เช่น Confluence, Jira, SharePoint, Slack, CRM มาตอบคำถามเชิงลึกได้ในที่เดียว
3. Hyper-Personalization
   • แอปช่วยลงทุนหรือผู้ช่วยทางการแพทย์ ปรับคำแนะนำตามพอร์ตจริง ความเสี่ยง ประวัติคนไข้ ผลตรวจ แล้วยังต่อยอดด้วยข้อมูลเรียลไทม์

ข้อสรุป

Context Engineering คือ การเตรียมทั้งข้อมูล ความจำ และเครื่องมือให้ AI ทำงานได้เต็มประสิทธิภาพ ไม่ใช่แค่ตั้งคำถามดีๆ อย่างเดียว

Source:

Data Science Dojo