วิธีเชี่ยวชาญ Context Engineering และสร้างระบบ AI ที่เข้าใจคุณอย่างแท้จริง (หลักสูตรฉบับเต็ม)

คนส่วนใหญ่คิดว่าความลับในการได้ผลลัพธ์ที่ดีขึ้นจาก AI คือการเขียน prompt ที่ดีขึ้น

บุ๊กมาร์กและบันทึกไว้นะ :)

พวกเขาใช้เวลาหลายชั่วโมงในการแต่งประโยคที่สมบูรณ์แบบ พวกเขาเพิ่ม "ทำตัวเป็นผู้เชี่ยวชาญอาวุโส" พวกเขาใส่ "คิดทีละขั้นตอน" พวกเขาปรับคำหนึ่งคำ รันอีกครั้ง ปรับอีกคำ รันอีกครั้ง

และผลลัพธ์ก็แทบไม่เปลี่ยนแปลง

นี่คือเหตุผล

Prompt engineering คือไวยากรณ์ Context engineering คือโครงสร้างพื้นฐาน และโครงสร้างพื้นฐานชนะไวยากรณ์ทุกครั้ง

คนที่สร้างระบบ AI ที่ใช้งานได้จริง ระบบที่จดจำความชอบของคุณ เข้าถึงข้อมูลของคุณ ปฏิบัติตามกฎของคุณอย่างสม่ำเสมอ และสร้างผลลัพธ์ที่เชื่อถือได้วันแล้ววันเล่า ไม่ได้เขียน prompt ที่ดีกว่า

พวกเขากำลังออกแบบ context ที่ดีกว่า

Context engineering คือการปฏิบัติในการออกแบบ จัดโครงสร้าง และจัดการข้อมูลที่แม่นยำซึ่งโมเดล AI สามารถเข้าถึงได้เมื่อสร้างการตอบสนอง มันคือทุกสิ่งที่อยู่รอบๆ prompt ไฟล์ที่มันอ่านได้ ความจำที่มันมีจากเซสชันก่อนหน้า เครื่องมือที่มันใช้ได้ ข้อจำกัดที่หล่อหลอมพฤติกรรมของมัน ตัวอย่างที่ปรับเทียบผลลัพธ์ของมัน

Prompt ที่ใช้คำได้สมบูรณ์แบบภายใน context ที่ออกแบบไม่ดี จะให้ผลลัพธ์โดยเฉลี่ยทุกครั้ง

Prompt พื้นฐานภายใน context ที่ออกแบบอย่างสมบูรณ์แบบ จะให้ผลลัพธ์ที่ยอดเยี่ยมทุกครั้ง

นั่นคือการเปลี่ยนแปลงที่คนส่วนใหญ่พลาดไปโดยสิ้นเชิง

บทความนี้คือคอร์สที่สมบูรณ์ หกสัปดาห์ ตั้งแต่การทำความเข้าใจว่า context engineering คืออะไร ไปจนถึงการสร้างระบบ AI ระดับการผลิตที่เหนือกว่าสิ่งที่คุณเคยได้รับจากหน้าต่างแชท

สัปดาห์ที่ 1: ทำความเข้าใจว่าทำไม Prompt เพียงอย่างเดียวไม่เพียงพอ

ปัญหาของการคิดแบบใช้ Prompt เพียงอย่างเดียว

เมื่อคุณพิมพ์ข้อความลงใน Claude โมเดลไม่ได้เห็นแค่ข้อความของคุณ มันเห็นทุกอย่างใน context window system prompt เอกสารที่อัปโหลด ประวัติการสนทนา นิยามเครื่องมือ และข้อความล่าสุดของคุณ ทั้งหมดนี้ถูกประมวลผลร่วมกัน

Prompt ของคุณคือส่วนผสมหนึ่งอย่าง Context คือทั้งห้องครัว

คนส่วนใหญ่หมกมุ่นอยู่กับส่วนผสมและละเลยห้องครัวโดยสิ้นเชิง พวกเขาเขียน prompt ที่สวยงามและวางลงในการสนทนาที่ว่างเปล่าโดยไม่มี context จากนั้นก็สงสัยว่าทำไมผลลัพธ์ถึงดูทั่วไป

มันให้ความรู้สึกทั่วไปเพราะโมเดลไม่มีอะไรที่จะปรับให้เหมาะกับคุณ มันไม่มีความรู้เกี่ยวกับงานของคุณ ผู้ชมของคุณ มาตรฐานของคุณ การตัดสินใจก่อนหน้าของคุณ หรือเป้าหมายของคุณ มันทำงานแบบไม่มีข้อมูล และโมเดลที่ไม่มีข้อมูลจะให้ผลลัพธ์โดยเฉลี่ย ทั่วไป และปลอดภัยที่สุดเท่าที่จะผลิตได้

Context engineering แก้ปัญหานี้ด้วยการทำให้โมเดลมีดวงตา

สามชั้นของ Context

ทุกการโต้ตอบกับ AI มีสามชั้นของ context และคนส่วนใหญ่ใช้เพียงชั้นเดียว

ชั้นแรกคือ context ทันที นี่คือ prompt ของคุณ คำถามที่คุณถาม คำแนะนำที่คุณให้ รูปแบบที่คุณขอ นี่คือจุดที่ 99% ของคนหยุด

ชั้นที่สองคือ context ของเซสชัน นี่คือทุกสิ่งที่โมเดลรู้ภายในเซสชันเดียว เอกสารที่อัปโหลด ประวัติการสนทนา คำแนะนำของระบบ คนส่วนใหญ่ใช้สิ่งนี้บางส่วนแต่ไม่ได้ออกแบบอย่างตั้งใจ

ชั้นที่สามคือ context ที่คงอยู่ นี่คือความรู้ที่ข้ามระหว่างเซสชัน ระบบความจำ ไฟล์ context ฐานความรู้ การตั้งค่าที่บันทึกไว้ เกือบไม่มีใครใช้สิ่งนี้อย่างถูกต้อง และนี่คือจุดที่ leverage ที่ใหญ่ที่สุดอยู่

สิ่งที่ต้องทำในสัปดาห์นี้

• ตรวจสอบการโต้ตอบกับ AI สิบครั้งล่าสุดของคุณและระบุว่าคุณใช้ context ชั้นใดบ้าง
• อ่านเอกสารของ Anthropic เกี่ยวกับ system prompts, context windows และ memory
• สร้างเอกสาร context แรกของคุณ: ไฟล์เดียวที่อธิบายว่าคุณคือใคร คุณทำอะไร ผู้ชมของคุณ มาตรฐานของคุณ และความชอบของคุณ
• ทดสอบ prompt เดียวกันกับและไม่มีเอกสาร context และเปรียบเทียบผลลัพธ์
• เริ่มคลัง context ส่วนตัวที่คุณบันทึก context ที่ใช้ซ้ำได้สำหรับงานประเภทต่างๆ

สัปดาห์ที่ 2: ออกแบบสถาปัตยกรรม Context ของคุณ

หยุดปฏิบัติต่อทุกเซสชันเหมือนเป็นครั้งแรก

จุดรั่วไหลของประสิทธิภาพที่ใหญ่ที่สุดในการทำงานที่ใช้ AI คือการอธิบายตัวเองซ้ำทุกเซสชัน

ทุกครั้งที่คุณเปิดการสนทนาใหม่และพิมพ์ "ฉันเป็นที่ปรึกษาการตลาดที่ทำงานกับสตาร์ทอัพ SaaS ในกลุ่ม B2B ผู้ชมของฉันคือผู้ก่อตั้งและ CMO ฉันเขียนในน้ำเสียงสนทนาโดยตรง..." คุณกำลังเสียเวลาสองนาทีและได้ผลลัพธ์ที่แตกต่างกันเล็กน้อยทุกครั้งเพราะคุณใช้คำต่างกันเล็กน้อยในแต่ละครั้ง

Context architecture แก้ปัญหานี้อย่างถาวร

คุณสร้างมันครั้งเดียว คุณปรับปรุงมันเมื่อเวลาผ่านไป และทุกเซสชันเริ่มต้นโดยที่โมเดลรู้ทุกสิ่งที่จำเป็นต้องรู้แล้ว

สี่ไฟล์ที่มืออาชีพทุกคนต้องการ

ไฟล์ตัวตนของคุณ คุณคือใคร คุณทำอะไร ความเชี่ยวชาญของคุณ ภูมิหลังของคุณ รูปแบบการสื่อสารของคุณ นี่คือ "เอกสารแนะนำตัว" สำหรับ AI ของคุณ

ไฟล์ผู้ชมของคุณ คุณกำลังสร้างเพื่อใคร ข้อมูลประชากร จิตวิทยา ระดับความรู้ จุดเจ็บปวด เป้าหมาย และภาษาที่พวกเขาใช้ สิ่งนี้ทำให้แน่ใจว่าทุกผลลัพธ์มีเป้าหมาย ไม่ใช่ทั่วไป

ไฟล์มาตรฐานของคุณ สิ่งที่ดีเป็นอย่างไร เกณฑ์คุณภาพของคุณ การจัดรูปแบบที่คุณชอบ แนวทางน้ำเสียงของคุณ รูปแบบที่ควรหลีกเลี่ยง ตัวอย่างงานที่ยอดเยี่ยมและงานที่แย่ของคุณ นี่คือระบบควบคุมคุณภาพของคุณ

ไฟล์โครงการของคุณ สิ่งที่คุณกำลังทำอยู่ตอนนี้ เป้าหมายปัจจุบัน โครงการที่กำลังดำเนินการ การตัดสินใจล่าสุด คำถามที่ยังไม่มีคำตอบ กำหนดเวลา นี่คือชั้นที่เปลี่ยนแปลงทุกสัปดาห์หรือทุกเดือน

โหลดสี่ไฟล์นี้เมื่อเริ่มต้นทุกเซสชัน แล้วโมเดลจะเปลี่ยนจากผู้ช่วยทั่วไปเป็นผู้ทำงานร่วมกันที่เข้าใจบริบทซึ่งเข้าใจโลกของคุณแล้ว

สิ่งที่ต้องทำในสัปดาห์นี้

• เขียนไฟล์ context ทั้งสี่ไฟล์: ตัวตน, ผู้ชม, มาตรฐาน, โครงการ
• เก็บแต่ละไฟล์ให้ต่ำกว่า 2,000 คำเพื่อให้พอดีกับ context window ได้ง่าย
• ทดสอบการตั้งค่าสี่ไฟล์กับงานสามประเภทที่แตกต่างกัน: การเขียน, การวิเคราะห์, และการระดมความคิด
• เปรียบเทียบคุณภาพผลลัพธ์กับเซสชันก่อนหน้าของคุณที่ไม่มีไฟล์ context
• ปรับปรุงแต่ละไฟล์ตามจุดที่ผลลัพธ์ยังไม่ตรงเป้า

สัปดาห์ที่ 3: เชี่ยวชาญการโหลด Context แบบไดนามิก

ไม่ใช่ทุกงานที่ต้องการ context เดียวกัน

การโหลดฐานความรู้ทั้งหมดของคุณลงในทุกการสนทนาคือการสิ้นเปลือง tokens และทำให้ประสิทธิภาพลดลง เมื่อ context window เต็มไปด้วยข้อมูลที่ไม่เกี่ยวข้อง ความสนใจของโมเดลจะถูกเจือจาง มันพยายามใช้ทุกอย่างและลงเอยด้วยการใช้ไม่มีอะไรอย่างมีประสิทธิภาพ

Dynamic context loading หมายถึงการให้ข้อมูลที่ถูกต้องแก่โมเดลสำหรับงานเฉพาะที่ทำอยู่ ไม่ใช่ทุกสิ่งที่คุณรู้ แค่สิ่งที่สำคัญในตอนนี้

ลองคิดถึงวิธีการทำงานของผู้เชี่ยวชาญที่เป็นมนุษย์ ศัลยแพทย์ไม่ได้ทบทวนตำราแพทย์ทุกเล่มก่อนการผ่าตัดทุกครั้ง พวกเขาทบทวนแฟ้มผู้ป่วยเฉพาะ บันทึกขั้นตอนเฉพาะ และผลการถ่ายภาพเฉพาะ พวกเขาโหลด context ที่เกี่ยวข้อง ไม่ใช่ context ทั้งหมด

ระบบ AI ของคุณควรทำงานในลักษณะเดียวกัน

วิธีออกแบบกฎการโหลด Context

สำหรับงานที่เกิดขึ้นซ้ำทุกประเภท ให้กำหนดว่าไฟล์ context ใดบ้างที่จะถูกโหลด

งานเขียน โหลดไฟล์ตัวตนของคุณ ไฟล์ผู้ชม และไฟล์มาตรฐาน พร้อมตัวอย่างเนื้อหาที่มีประสิทธิภาพดีที่สุดของคุณในรูปแบบนั้น

งานวิเคราะห์ โหลดไฟล์ตัวตนของคุณและไฟล์โครงการ พร้อมข้อมูลดิบและการวิเคราะห์ก่อนหน้าในหัวข้อเดียวกัน

งานวิจัย โหลดไฟล์โครงการของคุณ พร้อมเอกสารระเบียบวิธีวิจัยของคุณ และงานวิจัยที่มีอยู่ที่คุณต้องการให้โมเดลต่อยอด

งานกลยุทธ์ โหลดทั้งสี่ไฟล์ พร้อมเอกสารภาพรวมการแข่งขันของคุณและข้อมูลอุตสาหกรรมที่เกี่ยวข้อง

ด้วยการกำหนดกฎการโหลดเหล่านี้ล่วงหน้า ทุกเซสชันจะเริ่มต้นด้วย context ที่ถูกต้องที่โหลดไว้แล้ว ไม่ต้องเดาอีกต่อไป ไม่ต้องโหลดมากเกินไป ไม่ต้องโหลดน้อยเกินไป

สิ่งที่ต้องทำในสัปดาห์นี้

• ระบุงานที่ใช้ AI ช่วยทำงานห้าประเภทที่พบบ่อยที่สุดของคุณ
• สำหรับแต่ละประเภท ให้กำหนดว่าไฟล์ context ใดบ้างที่ควรถูกโหลด
• สร้างเอกสารง่ายๆ ที่จับคู่งานแต่ละประเภทกับกฎการโหลด context ของมัน
• ทดสอบแต่ละการกำหนดค่าและยืนยันว่าผลลัพธ์ดีขึ้นเมื่อเทียบกับการโหลดทุกอย่าง
• สร้างนิสัยในการเลือก context อย่างตั้งใจก่อนเริ่มเซสชันใดๆ

สัปดาห์ที่ 4: สร้างระบบความจำที่คงอยู่ข้ามเซสชัน

ปัญหาความจำไม่ใช่ข้อบกพร่อง มันคือฟีเจอร์ที่คุณไม่ได้ใช้

ทุกการสนทนากับ Claude เริ่มต้นใหม่ โมเดลไม่จำสิ่งที่คุณคุยกันเมื่อวาน สัปดาห์ที่แล้ว หรือเดือนที่แล้ว

คนส่วนใหญ่ปฏิบัติต่อสิ่งนี้เป็นข้อจำกัด คนที่ฉลาดที่สุดปฏิบัติต่อมันเป็นโอกาสในการออกแบบ

เมื่อคุณสร้างระบบความจำ คุณควบคุมสิ่งที่โมเดลจำได้อย่างแม่นยำ คุณคัดสรร context คุณลบข้อมูลที่ล้าสมัย คุณเพิ่มการเรียนรู้ใหม่ คุณหล่อหลอมฐานความรู้ของโมเดลอย่างตั้งใจ แทนที่จะปล่อยให้มันสะสมแบบสุ่ม

พนักงานมนุษย์จำทุกอย่าง รวมถึงนิสัยที่ไม่ดี สมมติฐานที่ล้าสมัย และการตีความที่ผิดพลาด AI ที่มีระบบความจำที่ออกแบบไว้จะจำเฉพาะสิ่งที่คุณต้องการให้มันจำ อัปเดตให้สะท้อนความคิดล่าสุดของคุณ

สามแนวทางสำหรับความจำของ AI

เอกสารความจำแบบแมนนวล วิธีที่ง่ายที่สุด คุณดูแลเอกสารที่บันทึกการตัดสินใจสำคัญ การเรียนรู้ ความชอบ และประวัติโครงการ เมื่อเริ่มต้นแต่ละเซสชัน คุณวางส่วนที่เกี่ยวข้องลงในการสนทนา วิธีนี้ใช้ได้กับบุคคลและงานขนาดเล็ก

ฐานความรู้ที่มีโครงสร้าง วิธีระดับกลาง คุณสร้างระบบไฟล์ markdown ที่มีโครงสร้างในโฟลเดอร์ Obsidian เหมาะสำหรับสิ่งนี้ คุณจัดหมวดหมู่ข้อมูลตามโครงการ หัวข้อ หรือโดเมน เมื่อคุณต้องการ context เฉพาะ คุณโหลดไฟล์เฉพาะ Claude Code สามารถอ่านไฟล์เหล่านี้ได้โดยตรงจากระบบไฟล์ของคุณ

ฐานข้อมูลเวกเตอร์และ RAG วิธีขั้นสูง คุณฝังเอกสารของคุณลงในฐานข้อมูลเวกเตอร์และสร้างระบบดึงข้อมูลที่ค้นหาและโหลด context ที่เกี่ยวข้องมากที่สุดสำหรับคำถามใดๆ โดยอัตโนมัติ วิธีนี้ปรับขนาดได้ถึงเอกสารหลายพันฉบับและเป็นสิ่งที่ระบบ AI ระดับการผลิตใช้

เริ่มต้นด้วยเอกสารความจำแบบแมนนวล เลื่อนไปที่ฐานความรู้ที่มีโครงสร้างเมื่อคุณมีเอกสาร context มากกว่า 20 ฉบับ ย้ายไปที่ฐานข้อมูลเวกเตอร์เมื่อฐานความรู้ของคุณเกินกว่าที่คุณจะจัดการด้วยตนเองได้

สิ่งที่ต้องทำในสัปดาห์นี้

• สร้างเอกสารความจำแรกของคุณ: บันทึกการตัดสินใจสำคัญ การเรียนรู้ และความชอบจากงานที่ใช้ AI ช่วยของคุณ
• ตั้งค่า Obsidian vault หรือโครงสร้างโฟลเดอร์ง่ายๆ ที่จัดระเบียบตามโครงการและหัวข้อ
• ฝึกโหลด context ความจำเมื่อเริ่มต้นสามเซสชันติดต่อกันในโครงการเดียวกัน
• สังเกตว่าคุณภาพผลลัพธ์เปลี่ยนแปลงอย่างไรเมื่อโมเดลสามารถเข้าถึง context ที่สะสมของคุณ
• สร้างนิสัยรายสัปดาห์ในการอัปเดตเอกสารความจำของคุณด้วยการเรียนรู้ใหม่

สัปดาห์ที่ 5: เชื่อมต่อ Context กับเครื่องมือด้วย MCP

Context ที่ไม่มีเครื่องมือคือความรู้ที่ไม่มีมือ

คุณสามารถให้โมเดล AI มี context ที่สมบูรณ์แบบเกี่ยวกับธุรกิจของคุณ มันสามารถรู้จักผู้ชมของคุณ มาตรฐานของคุณ โครงการของคุณ และประวัติการตัดสินใจทั้งหมดของคุณ

แต่ถ้ามันไม่สามารถเข้าถึงข้อมูลของคุณ สืบค้นฐานข้อมูลของคุณ ค้นหาเว็บ อ่านอีเมลของคุณ หรือโต้ตอบกับเครื่องมือของคุณ มันก็ยังเป็นแค่เครื่องสร้างข้อความที่ได้รับข้อมูลอย่างดีเท่านั้น

MCP (Model Context Protocol) คือสิ่งที่ทำให้โมเดล AI ที่มี context มากมายของคุณมีความสามารถในการลงมือทำในสิ่งที่มันรู้

เมื่อคุณรวม context ที่ลึกซึ้งกับการเข้าถึงเครื่องมือ MCP โมเดลจะหยุดเป็นที่ปรึกษาและเริ่มเป็นผู้ปฏิบัติการ มันไม่เพียงแค่รู้ว่ารายงานประจำสัปดาห์ของคุณควรมีอะไรบ้าง มันดึงข้อมูล คำนวณตัวเลข จัดรูปแบบรายงาน และบันทึกลงในไดรฟ์ของคุณ

รูปแบบการบูรณาการ Context-MCP

รูปแบบที่ให้ผลลัพธ์ดีที่สุดคือ context มาก่อน เครื่องมือทีหลัง

System prompt ของคุณสร้าง context ขึ้นมา โมเดลคือใคร มันรู้อะไร มันปฏิบัติตามมาตรฐานอะไร ลำดับความสำคัญปัจจุบันของมันคืออะไร

เซิร์ฟเวอร์ MCP ของคุณให้ความสามารถ การค้นหาเว็บ การเข้าถึงไฟล์ การสืบค้นฐานข้อมูล การบูรณาการ API การเข้าถึงอีเมล การเข้าถึงปฏิทิน

Task prompt ของคุณนำทุกอย่างมารวมกัน "จากสิ่งที่คุณรู้เกี่ยวกับเป้าหมาย Q2 ของเราและภาพรวมคู่แข่ง ดึงข้อมูลตลาดล่าสุด เปรียบเทียบกับเมตริกภายในของเรา และสร้างสรุปกลยุทธ์ประจำสัปดาห์"

Context บอกโมเดลว่าทำไมและอะไร เครื่องมือบอกโมเดลว่าอย่างไร งานบอกโมเดลว่าเมื่อไหร่และที่ไหน

สิ่งที่ต้องทำในสัปดาห์นี้

• ระบุว่าเครื่องมือภายนอกและแหล่งข้อมูลใดบ้างที่เวิร์กโฟลว์ AI ของคุณต้องการเข้าถึง
• ตั้งค่าเซิร์ฟเวอร์ MCP ตัวแรกของคุณ เริ่มต้นด้วยการค้นหาเว็บหรือการเข้าถึงไฟล์
• สร้างเวิร์กโฟลว์ที่สมบูรณ์หนึ่งรายการที่รวมไฟล์ context ของคุณกับการเข้าถึงเครื่องมือ MCP
• ทดสอบเวิร์กโฟลว์ตั้งแต่ต้นจนจบและระบุว่า context และเครื่องมือต้องการการบูรณาการที่ดีขึ้นตรงไหน
• บันทึกเวิร์กโฟลว์เพื่อให้คุณสามารถทำซ้ำและปรับปรุงได้

สัปดาห์ที่ 6: สร้างระบบการผลิตและขยายขนาด

จากประสิทธิภาพส่วนบุคคลสู่โครงสร้างพื้นฐานระดับมืออาชีพ

ทุกสิ่งที่คุณสร้างขึ้นในช่วงห้าสัปดาห์ที่ผ่านมาคือระบบ context engineering ส่วนบุคคล มันทำให้คุณเร็วขึ้น สม่ำเสมอมากขึ้น และมีประสิทธิภาพมากขึ้นกับ AI เป็นรายบุคคล

ระดับถัดไปคือการสร้างระบบที่ออกแบบ context สำหรับผู้อื่น

ธุรกิจต้องการระบบ AI ที่เข้าใจโดเมนเฉพาะของพวกเขา ปฏิบัติตามกฎเฉพาะของพวกเขา เข้าถึงข้อมูลเฉพาะของพวกเขา และสร้างผลลัพธ์ที่ตรงกับมาตรฐานเฉพาะของพวกเขา นั่นคือ context engineering ที่บรรจุเป็นผลิตภัณฑ์หรือบริการ

คนที่สามารถเดินเข้าไปในบริษัท ตรวจสอบเวิร์กโฟลว์ AI ของพวกเขา ออกแบบสถาปัตยกรรม context ใช้ระบบความจำ เชื่อมต่อเครื่องมือ MCP และส่งมอบระบบ AI ระดับการผลิต คือคนที่บริษัทต่างๆ จ่ายเงิน 5,000 ถึง 25,000 ดอลลาร์ต่อโครงการในตอนนี้

ความต้องการทักษะนี้เติบโตเร็วกว่าอุปทาน และมันจะเติบโตต่อไปอีกหลายปีเพราะ context engineering ไม่ใช่เทรนด์ มันคือชั้นโครงสร้างพื้นฐานพื้นฐานที่ทำให้ทุกแอปพลิเคชัน AI ทำงานได้ดีขึ้น

สิ่งที่ต้องทำในสัปดาห์นี้

• บรรจุระบบ context engineering ของคุณเป็นกรอบงานที่ทำซ้ำได้
• บันทึกสถาปัตยกรรม context สี่ไฟล์ของคุณ กฎการโหลดของคุณ ระบบความจำของคุณ และการบูรณาการ MCP ของคุณ
• สร้างระบบที่ออกแบบ context ที่สมบูรณ์หนึ่งระบบสำหรับกรณีการใช้งานจริงนอกเหนือจากงานของคุณเอง
• แชร์กรอบงานของคุณต่อสาธารณะและเริ่มวางตำแหน่งตัวเองในฐานะคนที่สร้างระบบ AI ไม่ใช่คนที่เขียน prompt
• ระบุสามธุรกิจที่อาจได้รับประโยชน์จาก context engineering และเริ่มการสนทนา

การเปลี่ยนแปลงที่เปลี่ยนแปลงทุกอย่าง

คนส่วนใหญ่จะยังคงเขียน prompt ที่ดีขึ้นต่อไป

พวกเขาจะยังคงค้นหาคำวิเศษ พวกเขาจะยังคงปรับแต่งประโยค พวกเขาจะยังคงได้รับการปรับปรุงทีละน้อยในขณะที่สงสัยว่าทำไมคนอื่นถึงได้ผลลัพธ์ที่เปลี่ยนแปลงอย่างสิ้นเชิง

ความแตกต่างไม่ใช่ prompt

ความแตกต่างคือ context ที่อยู่รอบๆ prompt

ออกแบบ context ออกแบบสถาปัตยกรรม สร้างความจำ เชื่อมต่อเครื่องมือ จัดโครงสร้างข้อมูล หล่อหลอมสภาพแวดล้อม

ทำสิ่งนั้น แล้วทุก prompt ที่คุณเขียนจะให้ผลลัพธ์ที่นักคิดแบบใช้ prompt เพียงอย่างเดียวไม่สามารถทำซ้ำได้ ไม่ว่าพวกเขาจะใช้คำขอได้สมบูรณ์แบบแค่ไหนก็ตาม

Prompt engineering คือทักษะของปี 2024

Context engineering คือทักษะของปี 2026 และต่อจากนั้น

ถ้าคุณพบว่าสิ่งนี้มีประโยชน์ ติดตามฉัน @eng_khairallah1 สำหรับเนื้อหา AI แบบนี้เพิ่มเติม ฉันโพสต์บทวิเคราะห์ คอร์ส และเครื่องมือทุกสัปดาห์

หวังว่าสิ่งนี้จะเป็นประโยชน์สำหรับคุณ Khairallah ❤️