Progressive disclosure

Progressive disclosure คือหลักการ "เปิดเผยทีละชั้น": เริ่มจากแสดงเฉพาะตัวเลือกหรือข้อมูลที่สำคัญที่สุดไม่กี่อย่างก่อน แล้วค่อยเปิดชั้นถัดไปเมื่อถูกร้องขอ แนวคิดนี้มาจากโลกการออกแบบ UX: Jakob Nielsen แห่ง Nielsen Norman Group อธิบายไว้ตั้งแต่ปี 2006 ว่ามันช่วยคลี่คลายความขัดแย้งอมตะของผู้ใช้ที่อยากได้ทั้งฟีเจอร์ครบและหน้าจอเรียบง่าย ตัวอย่างคลาสสิกคือหน้าต่างสั่งพิมพ์เอกสาร: หน้าแรกโชว์แค่ตัวเลือกพื้นฐาน ส่วนของลึกอย่างการย่อขยายสเกลถูกซ่อนไว้หลังปุ่ม advanced options ผลคือมือใหม่เรียนรู้ง่ายขึ้นและพลาดน้อยลง ผู้ใช้ไม่ต้องเสียเวลาไล่สายตาผ่านฟีเจอร์ที่ไม่เกี่ยว และแค่การที่อะไรสักอย่างโผล่บนหน้าจอแรก ก็เป็นสัญญาณบอกผู้ใช้แล้วว่าสิ่งนั้นสำคัญ

พอมาถึงยุค AI คำนี้ถูกยืมมาใช้กับการจัดการ context ของ agent โดยตรง: แทนที่จะยัดความรู้ทั้งหมดเข้า context-window ตั้งแต่ต้น ระบบจะให้ agent เห็นแค่ "ป้ายชื่อ" น้ำหนักเบาก่อน แล้วค่อยเจาะอ่านเนื้อเต็มเมื่องานต้องใช้จริง ตัวอย่างที่ชัดที่สุดคือ Agent Skills ของ Anthropic ซึ่งออกแบบเป็นสามชั้น: ชั้นแรกโหลดเฉพาะ name กับ description ของทุก skill เข้า system-prompt ชั้นสองเมื่อ agent เห็นว่า skill ไหนเกี่ยวข้องกับงานจึงอ่านไฟล์ SKILL.md เต็มๆ และชั้นสามค่อยเปิดไฟล์อ้างอิงหรือ script ที่แนบมาเฉพาะตอนจำเป็น วิธีนี้ทำให้ปริมาณความรู้ที่ bundle เข้า skill ได้แทบไม่จำกัด โดยไม่เปลือง token และ Anthropic ยังแนะนำแนวเดียวกันในงาน context engineering: ให้ agent ถือแค่ตัวชี้เบาๆ อย่าง file path, ลิงก์ และ metadata แล้วออกสำรวจดึงข้อมูลเพิ่มเองตอน runtime

เหตุผลที่คนทำงานยุค AI ต้องรู้จักคำนี้: context เป็นทรัพยากรจำกัด ยิ่งป้อนยาว ความแม่นของ model ในการดึงข้อมูลกลับมายิ่งถดถอย (Anthropic เรียกอาการนี้ว่า context rot เพราะ attention-budget ถูกเฉลี่ยกระจายไปทั่ว) ดังนั้นเวลาเตรียมคู่มือหรือฐานความรู้ให้ AI ใช้ อย่าคิดแบบ "ยิ่งให้เยอะยิ่งดี" แต่ให้คิดแบบสารบัญ: ชั้นแรกสั้นและชี้ทางได้ ชั้นลึกรอให้ถูกเปิดเมื่อจำเป็น ใครออกแบบเอกสารและ workflow ตามหลักนี้ได้ AI จะทั้งแม่นขึ้นและถูกลง

ตัวอย่างจากบทสนทนาจริง

ฝ่ายบุคคล: "หนูทำผู้ช่วย AI ตอบคำถามพนักงาน เลยก๊อประเบียบบริษัททั้ง 80 หน้าใส่ prompt ทุกครั้ง ทำไมยิ่งใส่เยอะมันยิ่งตอบเพี้ยนคะ"

ทีม AI: "เพราะยัดทุกอย่างเข้าไปพร้อมกัน attention ของโมเดลเลยเจือจางครับ ลองใช้หลัก progressive disclosure: ชั้นแรกให้แค่สารบัญกับคำอธิบายสั้นๆ ของแต่ละหมวด แล้วให้ AI เปิดอ่านเฉพาะหมวดที่ตรงกับคำถามนั้น จะแม่นขึ้นและประหยัด token กว่าเดิมเยอะ"

ระวังสับสนกับ

• rag : RAG คือเทคนิค "ค้นแล้วดึง" ข้อมูลจากภายนอกมาประกอบคำตอบเป็นครั้งๆ ส่วน progressive disclosure คือหลักการออกแบบว่าจะเรียงความรู้เป็นชั้นอย่างไรให้ถูกเปิดเมื่อจำเป็น · RAG จึงเป็นเครื่องมือหนึ่งที่นำมาใช้ตามหลักนี้ได้
• compaction : compaction คือการบีบสรุป context ที่บวมแล้วให้เล็กลงภายหลัง เป็นการแก้ที่ปลายเหตุ ส่วน progressive disclosure ป้องกันตั้งแต่ต้นทาง ด้วยการไม่โหลดของที่ยังไม่จำเป็นเข้ามาเลย