Prompt engineering က 'ဘာလုပ်ခိုင်းမလဲ' ကို ဆုံးဖြတ်တာဆိုရင် Context Engineering က 'model ကို ဘာသိထားစေမလဲ' ကို ဆုံးဖြတ်တာပါ။ Prompt ကောင်းပေမယ့် model လက်ထဲမှာ လိုအပ်တဲ့ data မရှိရင် ခန့်မှန်း (hallucinate) လုပ်လိမ့်မယ်, data အကုန်ထည့်ရင်လည်း အရေးကြီးအချက်တွေ ရေထဲပျောက်သွားနိုင်ပါတယ်။
Context Window ဆိုတာဘာလဲ
Model တစ်ခုစီမှာ တစ်ကြိမ်လျှင် 'ဖတ်နိုင်တဲ့' data ပမာဏ ကန့်သတ်ချက် (context window) ရှိပါတယ်။ Token ဂဏန်းနဲ့တိုင်းပြီး token ကုန်လွန်ရင် အစောကျန်တဲ့ data ကို model က မမြင်တော့ပါဘူး — 'မေ့သွားတယ်' လို့ ခံစားရနိုင်ပါတယ်။
ဘာတွေ ထည့်သင့်/မထည့်သင့်လဲ
Context ရွေးရာမှာ relevance (ဆိုင်ရဲ့လား)၊ freshness (အသစ်ဖြစ်ရဲ့လား)၊ size (လိုအပ်သလောက်ပဲလား) — သုံးချက်ကို စစ်ပါ။ Chat history တစ်ပတ်စာလုံး ကူးပို့တာ၊ document တစ်အုပ်လုံး ထည့်တာက context 'ဟင်းရည်' ကို ဆားအိတ်တစ်အိတ်လုံး ပစ်သွင်းသလိုပါပဲ — model က အရေးကြီးအချက်ကို ရှာဖို့ ပိုခက်သွားပါတယ်။
| ပြဿနာ | ဖြစ်ရပုံ |
|---|---|
| Context နည်းလွန်း | Model က data မရှိလို့ ခန့်မှန်း (hallucinate) လုပ် |
| Context များလွန်း | အရေးကြီးအချက် ရေထဲပျောက်၊ token cost မြင့် |
| Context ဟောင်းနေ | Model က outdated data ကို မှန်ကန်တယ်ထင် ယုံကြည် |
Context ဟောင်းက အန္တရာယ်ရှိ
Data ဟောင်းကို 'up to date' လို့ model က ယူဆနေရင် self-confidence တောင် မြင့်တက်နိုင်ပါတယ် — timestamp/source ကို context ထဲ တွဲထည့်ထားတာက ဒီအန္တရာယ်ကို လျော့ချပေးပါတယ်။
အနှစ်ချုပ်
Context Engineering က 'model ကို ဘာမြင်စေမလဲ' ဆိုတဲ့ ရွေးချယ်မှုပါ။ Relevance, freshness, size — သုံးချက်ကို လိုက်နာရင် model ရဲ့ hallucination ကို လျော့ချနိုင်ပြီး token cost ကိုလည်း ထိန်းချုပ်နိုင်ပါတယ်။