Context Engineering คืออะไร และเกี่ยวอะไรกับ prompt engineering
Context Engineering คือแนวทางออกแบบและคัดเลือกข้อมูลแวดล้อมที่ส่งให้ AI ในแต่ละรอบสนทนา เพื่อให้โมเดลเห็นเฉพาะสิ่งที่จำเป็นต่อภารกิจ แทนการใส่ทุกอย่างเข้าไปแบบพร่ำเพรื่อ ทำให้ได้คำตอบที่แม่นยำขึ้น เร็วขึ้น และควบคุมขอบเขตการทำงานของ AI ได้ดีขึ้น โดยอาศัยทั้งโครงสร้าง prompt ที่ชัดเจน การย่อยความรู้เป็นทักษะแบบโหลดตามต้องใช้ และการกำหนดความทรงจำถาวรอย่างแนวทางแบรนด์หรือกติกาการทำงานร่วมกัน
คนจำนวนมากเริ่มต้นจาก prompt engineering คือโฟกัสแค่การเขียนข้อความถามให้เป๊ะที่สุด แต่ prompt เป็นเพียงส่วนหนึ่งของบทสนทนาทั้งหมดซึ่งก็คือ context นั่นเอง หากเรายัดโค้ด เอกสาร และ log ทั้งโครงการเข้าไปในครั้งเดียว โมเดลจะเริ่มสับสน บางส่วนของ context จะหลุดหายเมื่อเกินขนาดหน้าต่าง context และคำตอบจะทั้งช้าและหลุดประเด็น เพื่อให้ AI ทำงานได้ดี คุณต้องมีทั้งเทคนิค prompt ที่มีประสิทธิภาพ และการออกแบบ context window optimization ที่คิดเผื่อหลายรอบล่วงหน้า ไม่ใช่แค่ข้อความถามในรอบเดียว
แก้ปัญหา “Stuffed Prompt” ด้วยทักษะแบบโหลดตามต้องใช้
หนึ่งในข้อผิดพลาดใหญ่สุดของคนใช้ AI คือ stuffed prompt หรือการยัดทุกอย่างลง context window เดียว ทั้งคู่มือ โค้ดตัวอย่าง ข้อกำหนด และ log ยาวเหยียด ทำให้ตัว agent หลงทาง และเมื่อข้อความยาวเกิน โมเดลจะเริ่มตัดส่วนท้ายทิ้ง ผลคือตอบไม่ตรงและทดสอบไม่ผ่าน แกนของ context engineering จึงคือการแตกความรู้ในระบบออกเป็นชิ้นเล็กๆ ที่มีเงื่อนไขการโหลดชัดเจน
แนวคิด “skills” แก้ปัญหานี้ได้ดีมาก โดยแต่ละ skill คือไฟล์ context ชิ้นหนึ่งที่อธิบายว่าใช้เมื่อไร และเกี่ยวข้องกับงานแบบไหน จากนั้น agent จะอ่านคำอธิบายของแต่ละ skill แล้วตัดสินใจเองว่า “ควรโหลดไฟล์นี้ไหม” แทนที่จะโหลดทุกอย่างตั้งแต่เริ่ม Skill จึงเป็น context ที่ lazy-loaded หรือโหลดเฉพาะเมื่อมีคำสั่งที่เกี่ยวข้อง โครงสร้างนี้ทำให้คุณสามารถแยกคำแนะนำด้าน frontend ออกจาก backend แล้วเลือกใช้ตามภารกิจได้ โดยไม่ต้องให้ AI แบกทุกอย่างไว้พร้อมกันตลอดเวลา
ขั้นตอนทีละสเต็ป: จาก prompt บวมไปสู่ context ที่คม
ตรงนี้คือภาคลงมือทำแบบเป็นขั้นตอน มองภาพให้เหมือนคุณกำลังสอนเพื่อนร่วมทีมตั้งค่าระบบ AI agent สักตัวให้ตอบงานโค้ดและงานคอนเทนต์ได้ดีขึ้น โดยโฟกัสที่การจัดการ context มากกว่าการเขียน prompt ยาวๆ เพียงอย่างเดียว คุณจะเห็นว่าหลายอย่างคือการเตรียมสนามให้ AI ก่อนเริ่มถาม ไม่ใช่ทุกอย่างต้องแก้ในบรรทัด prompt ท้ายสุดเสมอไป
- เปิดใช้ agent และช่องทางที่ต้องการ: เริ่มจากเปิดใช้งาน WordPress Agent บนแผนที่รองรับ แล้วเชื่อมต่อช่องทางที่ใช้ เช่น Telegram หรืออีเมลตามต้องการ
- ตั้ง memory ระดับแบรนด์: เข้าไปที่แดชบอร์ดของไซต์ แล้วเลือก Settings → Guidelines จากนั้นระบุโทนเสียง กติกาการเขียน โครงสร้างภาพ และเป้าหมายของไซต์ให้ชัดเจน
- ให้ระบบช่วยร่าง guideline เบื้องต้น: คลิก “Suggest guidelines” เพื่อให้ Agent อ่านโพสต์และเพจที่มี แล้วสร้างร่าง guideline ให้ จากนั้นคุณค่อยไล่รับ แก้ หรือปัดตกทีละหัวข้อ
- ปรับแต่งให้คมด้วย AI: หากเขียน guideline ไว้เองแล้วรู้สึกยังไม่ชัด ให้ใช้ปุ่ม Improve with AI เพื่อให้ Agent ช่วยขัดเกลาถ้อยคำให้เข้าใจง่ายและทำงานเป็นสเปกได้ดีขึ้น
- แตกความรู้เป็น skills: สำหรับงานโค้ดหรือระบบภายใน แยกความรู้เป็นไฟล์หรือโมดูลที่ทำหน้าที่เป็น skill แต่ละ skill ต้องมีคำอธิบายว่าโหลดเมื่อใด เช่น “ใช้เมื่อต้องจัดการ error handling ของ API” แล้วปล่อยให้ agent เลือกโหลดตามคำอธิบายนี้
- เขียน description ของ skill ให้ตรงจุด: อย่าคัดลอกแค่ชื่อไปวางในช่องคำอธิบาย เพราะ agent ใช้ข้อความนี้ในการตัดสินใจโหลด context ถ้าเขียนเลื่อนลอยจะเรียกผิดไฟล์หรือไม่เรียกเลย
- เขียน prompt ให้สั้น ชัด โครงสร้างดี: ระบุบริบทภารกิจสั้นๆ ยกตัวอย่าง 1–2 ชิ้นถ้าจำเป็น และกำหนดรูปแบบ output ที่ต้องการให้ชัด เช่น “ตอบเป็น bullet 5 ข้อ” หรือ “ส่งเฉพาะโค้ดที่ผ่าน test” ซึ่งคือหัวใจของเทคนิค prompt ที่มีประสิทธิภาพ
- ให้ agent ทำงานบน context ที่เตรียมไว้: จากนั้นคุยกับ WordPress Agent ผ่านตัวแก้ไข, Telegram หรืออีเมล และให้ agent อ่านจาก Guidelines โดยอัตโนมัติทุกครั้ง ไม่ต้องพิมพ์อธิบายแบรนด์ซ้ำๆ
หากทำครบทุกสเต็ป คุณจะได้ระบบที่มีทั้ง memory ระดับแบรนด์และ skills ที่โหลดตามต้องใช้ ทำให้ AI agent control ง่ายขึ้น เพราะทุกการตอบอิงจากสเปกที่คุณนิยามไว้ ไม่ใช่จินตนาการของโมเดลตามลำพัง แถมยังเป็น context window optimization ที่เป็นมิตรกับทั้งคนและเครื่อง
คุมขอบเขต AI ด้วย guideline และสเปกถาวร
การตั้ง Guidelines ให้กับ agent เปรียบเหมือนการสร้างสเปกถาวรที่ทุกงานต้องอิง จากแหล่งเดียวกัน เมื่อคุณกำหนดโทนเสียง คำศัพท์เฉพาะ และตัวอย่างงานที่ดีไว้แล้ว Agent จะดึงความทรงจำนี้มาใช้ในทุกช่องทางที่คุณสื่อสารด้วย ไม่ว่าจะในตัวแก้ไข, ผ่าน Telegram หรือผ่านอีเมล ผลคือไม่ต้องเสียเวลาพิมพ์อธิบายว่า “เขียนให้โทนอบอุ่น ไม่ทางการ” ซ้ำในทุก prompt อีกต่อไป
สำหรับทีมพัฒนาหรือเจ้าของระบบ แนวคิดเดียวกันนี้ช่วยให้คุณทำ AI agent control ได้แน่นขึ้น เพราะ Guidelines ทำหน้าที่เป็นสเปกที่อ่านทบทวนและปรับปรุงได้เสมอ เมื่อมีหลายคนร่วมกันแก้ไขไซต์หรือโค้ด มันกลายเป็น shared memory ที่ทุกคนและ agent ใช้ร่วมกัน ทำให้ทั้งเสียงแบรนด์และทิศทางภาพยังคงสอดคล้องแม้คนพิมพ์จะสลับกันไปมา เมื่อรวมกับการย่อยความรู้เป็น skills และการตั้งค่า sub-agent ให้รับงานเฉพาะด้าน คุณจะได้สถาปัตยกรรม context ที่กัน AI ออกนอกกรอบได้ดีกว่าการฝากทุกอย่างไว้กับ prompt เดียว
กับดักที่ควรเลี่ยง และภาพรวมหลังปรับระบบ
ประสบการณ์ที่คนใช้ AI พลาดเหมือนๆ กันคือสองอย่าง หนึ่ง คิดว่าควรใส่เอกสารทุกหน้า โค้ดทุกไฟล์ลงใน context เดียว ยิ่งเยอะยิ่งดี ทั้งที่เมื่อยาวเกิน หน้าต่าง context จะถูกใช้หมดและโมเดลต้องตัดเนื้อหาท้ายๆ ทิ้ง ทำให้ agent สับสนและตอบไม่ค่อยมีประสิทธิภาพ สอง คือเขียนคำอธิบายของ skill แบบผ่านๆ แค่คัดลอกชื่อไปวาง ทั้งที่ agent ใช้ description ตัดสินใจว่าจะโหลดไฟล์นั้นหรือไม่ หากเขียนไม่ชัด โอกาสใช้ context ผิดงานก็มากขึ้น
เมื่อคุณเปลี่ยนมาจัดระเบียบ context อย่างที่เล่าไป ไม่ว่าจะด้วย Guidelines ที่ทำหน้าที่เป็น memory ระดับแบรนด์ หรือ skill ที่โหลดตาม trigger คุณจะได้ agent ที่ตอบคมขึ้นและสอดคล้องกับตัวตนของไซต์โดยไม่ต้องเตือนซ้ำๆ แถมยังคุมขอบเขตไม่ให้ AI ออกนอกกรอบได้ดีขึ้น เพราะทุกอย่างเริ่มต้นจากสเปกที่ตั้งใจเขียนไว้ ไม่ใช่ prompt ยืดยาวที่ต่างคนต่างเขียนในแต่ละวัน ภาพรวมคือ “ลงแรงทีเดียว ตอนออกแบบ context” เพื่อให้ทุกคำถามต่อจากนั้นง่ายและมีคุณภาพกว่ามาก
