Context engineering

Context engineering คือการออกแบบอย่างเป็นระบบว่าจะใส่อะไรเข้าไปใน context-window ของ llm ในแต่ละรอบที่โมเดลต้องคิดคำตอบ ครอบคลุมตั้งแต่คำสั่งระบบ (system-prompt) ตัวอย่างการใช้งาน ประวัติบทสนทนา นิยามของเครื่องมือที่เรียกใช้ได้ ไปจนถึงผลลัพธ์ที่เครื่องมือส่งกลับมา ทีม Applied AI ของ Anthropic อธิบายไว้ในบทความที่เผยแพร่ปลายเดือนกันยายน 2025 ว่างานนี้คือชุดวิธีคัดสรรและดูแลกลุ่ม token ที่เหมาะสมที่สุดสำหรับการอนุมานแต่ละครั้ง เป็นกระบวนการที่ต้องทำซ้ำตลอดการทำงานของ agent หนึ่งตัว มากกว่าจะเป็นการเขียนคำสั่งให้สวยเพียงครั้งเดียวแล้วจบ

คำนี้ถูกพูดถึงมากขึ้นเรื่อยๆ ในวงการ เมื่องานย้ายจากการพิมพ์คำถามสั้นๆ ครั้งเดียว ไปเป็นการสร้าง agent ที่ทำงานต่อเนื่องหลายรอบและเรียกใช้เครื่องมือเอง Anthropic อธิบายว่า context engineering คือพัฒนาการขั้นถัดไปของ prompt-engineering ไม่ใช่ของใหม่ที่มาแทนที่ทั้งหมด เพราะการเขียนคำสั่งระบบให้ดียังเป็นองค์ประกอบหนึ่งของงานนี้อยู่ บทความของทีม LangChain ที่เผยแพร่ต้นเดือนกรกฎาคม 2025 อ้างถึงมุมมองของ Andrej Karpathy นักวิจัย AI ที่บอกว่าคนมักนึกถึงคำว่า "prompt" เป็นคำสั่งสั้นๆ ที่พิมพ์ใช้ในชีวิตประจำวัน แต่ในแอปที่ใช้ LLM จริงระดับโปรดักชัน งานคือศิลปะและศาสตร์ของการเติมข้อมูลที่พอดีลงใน context window สำหรับก้าวถัดไปของโมเดล บทความเดียวกันสรุปแนวทางปฏิบัติออกเป็นสี่กลยุทธ์หลัก ได้แก่ write คือเก็บข้อมูลไว้นอก context window เช่นบันทึกร่างงานหรือ memory-system select คือดึงเฉพาะข้อมูลที่เกี่ยวข้องกลับเข้ามาในหน้าต่างตอนที่ต้องใช้จริง ทั้งโน้ตที่เคยจดไว้ ความจำระยะยาว และความรู้จากคลังเอกสารด้วยเทคนิคแบบ rag compress คือย่อสิ่งที่มีอยู่แล้วให้เหลือเฉพาะส่วนที่ยังจำเป็น และ isolate คือแยกงานย่อยไปให้ agent เฉพาะทางแต่ละตัวจัดการในพื้นที่ context ของตัวเอง ฝั่ง Anthropic เสนอเทคนิคทำนองเดียวกันสำหรับงานที่ยาวนาน เช่น compaction ที่สรุปบทสนทนาเก่าก่อนเริ่มหน้าต่างใหม่ การให้ agent จดโน้ตลงไฟล์ถาวรนอก context และการแตกงานให้ sub-agent จัดการแล้วส่งกลับมาเฉพาะบทสรุป

คนทำงานยุค AI จะเจอคำนี้บ่อยขึ้นเมื่อเริ่มสร้างหรือดูแล agent ของตัวเอง ไม่ใช่แค่พิมพ์คุยกับ chatbot ทั่วไป ประเด็นที่ต้องระวังคือโมเดลมี attention-budget จำกัด การยัดข้อมูลเข้า context ให้มากที่สุดไม่ได้แปลว่าคำตอบจะแม่นขึ้นเสมอไป Anthropic ย้ำว่าเป้าหมายคือหาชุด token ที่มีสัญญาณสูงในจำนวนน้อยที่สุดเท่าที่จะทำได้ ไม่ใช่ข้อมูลที่เยอะที่สุด และอ้างผลทดสอบแนวค้นเข็มในกองฟาง (needle in a haystack) ว่ายิ่งจำนวน token ในหน้าต่างเพิ่มขึ้น ความแม่นยำในการเรียกคืนข้อมูลของโมเดลก็ยิ่งลดลง อาการนี้ถูกเรียกว่า context rot อีกจุดที่มักถูกมองข้ามคือการออกแบบเครื่องมือที่ agent เรียกใช้ ถ้ามีเครื่องมือเยอะเกินไปหรือหน้าที่ทับซ้อนกัน โมเดลจะสับสนว่าควรเรียกตัวไหน เอกสารของ Anthropic นับเรื่องนี้เป็นส่วนหนึ่งของงาน context engineering เช่นกัน ไม่ใช่แค่การจัดเรียงข้อความ

ตัวอย่างจากบทสนทนาจริง

หัวหน้าทีมพัฒนา: "เราจ้างบริษัทมาช่วยทำ AI agent ตอบลูกค้า ทำไมใบเสนอราคาเขาถึงมีหัวข้อ context engineering แยกออกมาต่างหากจากค่าเขียน prompt ด้วยครับ"

ที่ปรึกษา AI: "เพราะ agent ตัวนี้ต้องคุยกับลูกค้าหลายรอบและเรียกใช้เครื่องมือหลายตัวครับ ไม่ใช่แค่พิมพ์คำถามครั้งเดียวจบ งานส่วนนี้คือการออกแบบว่าแต่ละรอบจะป้อนอะไรให้โมเดลบ้าง ทั้งประวัติบทสนทนา ผลจากเครื่องมือที่เพิ่งเรียก และข้อมูลที่ดึงมาจากคลังความรู้บริษัท ถ้าจัดการส่วนนี้ไม่ดี ยิ่งคุยนานยิ่งตอบเพี้ยน เป็นงานที่แยกจากการเขียน prompt ตรงๆ จริงครับ"

ระวังสับสนกับ

• prompt-engineering : prompt engineering คือการออกแบบข้อความสั่งงานหนึ่งชิ้นให้ได้ผลตามต้องการ ส่วน context engineering กว้างกว่านั้นมาก ครอบคลุมทุกอย่างที่ป้อนเข้าโมเดลตลอดการทำงานของ agent ทั้งเครื่องมือ ประวัติการคุย และความจำ ไม่ใช่แค่ตัวข้อความคำสั่ง
• context-window : context window คือพื้นที่หรือความจุที่รองรับข้อมูลได้สูงสุด ส่วน context engineering คือกระบวนการตัดสินใจว่าจะเอาอะไรใส่เข้าไปในพื้นที่นั้นบ้าง เทียบง่ายๆ คือ "ขนาดกระเป๋า" กับ "การเลือกของที่จะใส่กระเป๋า"
• rag : RAG คือเทคนิคหนึ่งสำหรับดึงข้อมูลจากคลังความรู้ภายนอกมาแนบก่อนตอบ ถือเป็นเครื่องมือชิ้นหนึ่งที่ context engineering เรียกใช้ ไม่ใช่คำเดียวกัน