ai-agents-for-beginners

AI လုပ်သားများအတွက် Context Engineering

(ဓာတ်ပုံကိုနှိပ်၍ အဆိုပါသင်ခန်းစာ၏ဗွီဒီယိုအကြောင်းကြည့်ပါ)

သင်တည်ဆောက်နေသော AI လုပ်သားအတွက် အသုံးပြုမည့် အပလီ케ရှင်း၏ရှုပ်ထွေးမှုကို နားလည်ဖို့အရေးကြီးသည်။ ကျွန်ုပ်တို့သည် prompt engineering ကိုကျော်လွန်၍ ရှုပ်ထွေးသောအခြေအနေများအား ဖြေရှင်းနိုင်သော အသိပညာစနစ်ကို ထိရောက်စွာ စီမံခန့်ခွဲနိုင်သည့် AI လုပ်သားများကို ဖန်တီးရန်လိုအပ။

ဒီသင်ခန်းစာတွင် context engineering ဆိုတာဘာလဲ၊ AI လုပ်သားများ တည်ဆောက်ရာ၌ ၎င်း၏ ဘယ်လို တာ၀န်ရှိသည်ကို ကြည့်ရှုလာပါမည်။

နိဒါန်း

ဒီသင်ခန်းစာတွင်ပါ၀င်တာများမှာ-

• Context Engineering ဆိုတာဘာလဲ နှင့် prompt engineering နှင့်ကွဲပြားချက်များ။

• ထိရောက်သော Context Engineering များစွာအသုံးချနည်းများ, အချက်အလက်များကို ရေးသားခြင်း၊ ရွေးချယ်ခြင်း၊ နှိပ်နယ်ခြင်းနှင့် သီးခြားခြင်းအနည်းငယ်နှင့်အတူ။

• AI လုပ်သားကို တိုက်ခိုက်နိုင်သော အနိမ့်ပျက်မှားမများ နှင့် ၎င်းတို့ကို ဘယ်လိုဖြေရှင်းရမယ်ဆိုတာ။

သင်ယူရမည့်ရည်မှန်းချက်များ

ဤသင်ခန်းစာပြီးဆုံးလျှင်၊ သင်မှာကိုးကားချက်များကို နားလည်ရမည့်အချက်များမှာ-

• Context engineering ကို အဓိပ္ပါယ်ဖော်ပြနိုင်ရန် နှင့် prompt engineering မှ ကွဲပြားချက်များကို ခွဲခြားနိုင်ရန်။

• အသုံးပြုရန် Large Language Model (LLM) အပလီ케ရှင်းများတွင် context အရှိန်အဟုန်များကို ဖော်ထုတ်နိုင်ရန်။

• Context ကျွမ်းကျင်မှုအတွက် ရေးသားခြင်း၊ ရွေးချယ်ခြင်း၊ နှိပ်နယ်ခြင်းနှင့် သီးခြားခြင်းစနစ်များကို အသုံးပြုနိုင်ရန်။

• ပေါ်ပြူလာ Context များပျက်ပြီးမှုများကို သတ်မှတ်နိုင်ရန်နှင့် ပြုပြင်နိုင်သော နည်းလမ်းများကို အသုံးချနိုင်ရန်။

Context Engineering ဆိုတာဘာလဲ?

AI လုပ်သားများအတွက် context ဆိုသည်မှာ AI လုပ်သားသည် တစ်ခုခု လုပ်ဆောင်ရန် ဘယ်လို စီမံကိန်းရေးဆွဲမည့် စနစ်ကို ချဉ်းကပ်ရန် အချက်အလက်များဖြစ်သည်။ Context Engineering သည် အလုပ်ဆောင်ရန်အဆင့်တစ်ခုအတွက် AI လုပ်သားမှာ လိုအပ်သော မှန်ကန်သော အချက်အလက်များ ရှိစေရန် ပုံစံတည်ဆောက်ခြင်းဖြစ်သည်။ Context window ၏ အရွယ်အစားက အကန့်အသတ်ရှိသောကြောင့် လုပ်သားအဖြစ် တည်ဆောက်သူများအနေနှင့် context window ထဲတွင် အချက်အလက် ထည့်သွင်း၊ ဖယ်ရှားနှင့် နှိပ်နယ်သည့် စနစ်များနှင့် လုပ်ငန်းစဉ်ကို တည်ဆောက်ရမည်။

Prompt Engineering နှင့် Context Engineering အကြားကွာခြားချက်

Prompt engineering သည် တစ်ခုသော တည်ငြိမ်သော အချက်အလက် အစုတစ်ခု အပေါ်အာရုံစိုက်ပြီး AI လုပ်သားများကို နည်းဥပဒေများဖြင့် ထိရောက်စွာ လမ်းညွှန်ပေးခြင်းဖြစ်သည်။ Context engineering သည် စတင်သော prompt အပါအဝင် အချိန်ကြာလာသည့်အတွင်း AI လုပ်သားမှာ လိုအပ်သော အချက်အလက်များ စီမံခန့်ခွဲခြင်းဖြစ်ပြီး ၎င်းကို ပြန်လည်အသုံးပြုနိုင်၍ ယုံကြည်ရမှုရှိသည့်လုပ်ငန်းစဉ်ဖြစ်စေခြင်းဖြစ်သည်။

Context မျိုးအစားများ

context သည် တစ်ခုတည်းသော အရာတခုမဟုတ်တာကို မှတ်သားထားရန် အရေးကြီးသည်။ AI လုပ်သားလိုအပ်သောအချက်အလက်များကို မျိုးစုံသောအရင်းအမြစ်များမှ ရရှိနိုင်ပြီး ၎င်းကို လုပ်သားအတွက် ရရှိနိုင်စေရန် ကျွန်ုပ်တို့က အသုံးပေးရမည်။

AI လုပ်သားစီမံခန့်ခွဲရမည့် context မျိုးစုံမှာ-

• ညွှန်ကြားချက်များ: ၎င်းသည် လုပ်သား၏ “စည်းကမ်းများ” ဆိုလိုသည်။ prompt များ၊ စနစ်သတင်းစကားများ၊ few-shot နမူနာများ (AI ကို တခြားလုပ်ထုံးလုပ်နည်းများ ပြသခြင်း), အသုံးပြုသင့်သော ကိရိယာများအသေးစိတ်ဖော်ပြချက် စသည်များဖြစ်သည်။ ဒီမှာ prompt engineering နှင့် context engineering ရဲ့ အာရုံစူးစိုက်မှု တွဲဖက်ဆောင်ရွက်သည်။

• အသိပညာ: ဒေတာဘေ့စ်များမှ ရယူသော အချက်အလက်များ၊ သို့မဟုတ် လုပ်သားစုဆောင်းထားသော ရေရှည်မှတ်ဉာဏ်များပါဝင်သည်။ အကယ်၍ လုပ်သားတွင် Knowledge store နှင့် database များကို လက်လှမ်းမီရန် RAG ကိရိယာ ထည့်သွင်းသည်။

• ကိရိယာများ: ၎င်းသည် အပြင်အဆင်လုပ်ဆောင်ချက်များ၊ API များနှင့် MCP Servers များအတွက် သတ်မှတ်ချက်များဖြစ်ပြီး လုပ်သားက အသုံးပြုသောအခါ ရရှိသည့်တုံ့ပြန်မှုများပါဝင်သည်။

• စကားဝိုင်းမှတ်တမ်းများ: အသုံးပြုသူနှင့် ဆက်လက်ပြောဆိုနေသော စကားဝိုင်းများ။ အချိန်ကြာလာသည့်အခါ စကားဝိုင်းများသည် ပိုရှည်လာသည်၊ ပိုရှုပ်ထွေးလာသည်။ ထိုသည့်စကားများသည် context window တွင် ဇယားနေရာယူသည်။

• အသုံးပြုသူနှစ်သက်မှုစနစ်များ: အသုံးပြုသူ၏ နှစ်သက်မှုများ သို့မဟုတ် မနှစ်သက်မှုများကို နားလည်ရန် သတင်းအချက်အလက်များဖြစ်ပြီး အချိန်အကြာကြီး စုပေါင်းထားနိုင်သည်။ အဓိကဆုံးဖြတ်ချက်များဆောင်ရွက်ရာတွင် အသုံးပြုသူကို ကူညီရန် သိမ်းဆည်း ထားပြီး လိုအပ်သည့်အခါ အသုံးပြုနိုင်သည်။

ထိရောက်သော Context Engineering များအတွက် မဟာဗျူဟာများ

စီမံကိန်းများ

ကောင်းမွန်သော context engineering သည် ကောင်းမွန်သော စီမံကိန်းများဖြင့် စတင်သည်။ context engineering ၏အယူအဆကို အသုံးချရန် စဉ်းစားစေမည့် နည်းလမ်းမှာ-

1. ရလဒ်များ ယေရှုဖော်ပြခြင်း - AI လုပ်သားများကိုပေး သွင်းမည့်တာဝန်များ၏ ရလဒ်များကို တိကျစွာ ထုတ်ပြန်သည်။ “AI လုပ်သား၏တာဝန်ပြီးဆုံးသည်နှင့် လူသားကမ္ဘာကြီး ဘယ်လိုပြောင်းလဲသွားမည်နည်း?” ဆိုတဲ့ မေးခွန်းကို ဖြေရှင်းပါ။ တခြားနည်းလမ်းအားဖြင့် အသုံးပြုသူသည် AI လုပ်သား၏ အပြန်အလှန်ဆက်ဆံမှုမှပြီးနောက် ပြောင်းလဲမှု၊ အချက်အလက် သို့မဟုတ် တုံ့ပြန်မှု ရရှိရမည်ဖြစ်သည်။
2. Context ကို ရှာဖွေခြင်း - AI လုပ်သားရဲ့ ရလဒ်များကို သတ်မှတ်ပြီးနောက် “ဒီတာဝန်ကိုပြီးမြောက်အောင် ဘယ်အချက်အလက်တွေလိုအပ်သလဲ?” ဆိုတဲ့မေးခွန်းဖြေ ဆိုရမည်။ ဒီနည်းဖြင့် အချက်အလက်တွေကို ရှာဖွေရာနေရာကို မျက်မှောက်မှာမြေပုံဆွဲနိုင်သည်။
3. Context Pipelines ဖန်တီးခြင်း - အချက်အလက်များ ရှိရာကို သိပြီးနောက် “လုပ္သားသည္ဒီအချက်အလက် မည်သို့ ရယူမည်နည်း?” စကားကို ဖြေဆိုရမည်။ RAG, MCP servers နှင့် တခြားကိရိယာများ အသုံးပြုနိုင်သည်။

လက်တွေ့ မဟာဗျူဟာများ

စီမံကိန်းများအရေးကြီးသော်လည်း အချက်အလက်များ context window ထဲသို့ များလာသောအခါ, ထိုအချက်အလက်များကို စီမံရန် လက်တွေ့ မဟာဗျူဟာများ လိုအပ်သည်။

Context စီမံခြင်း

အချို့အချက်အလက်များကို context window သို့ အလိုအလျောက် ထည့်သွင်းမည်ဖြစ်သော်လည်း context engineering သည် အချက်အလက်များကို ပိုတက်တက်ကြွကြွ စီမံရန်မှာ ပါဝင်သည်။ ထို့အတွက် အချို့သော မဟာဗျူဟာများမှာ-

1. Agent Scratchpad AI လုပ်သားသည် တစုံတယောက်အစည်းအဝေးတွင် လက်ကောက်မှတ်တမ်းများကို မှတ်သားနိုင်သည်။ ၎င်းကို context window အပြင်တွင် ဖိုင် ထား, ဆက္လက္ session အတွင်း လိုအပ်ရင် ပြန်လည် ရယူနိုင်သည်။

2. Memories Scratchpad သည် တစ်စည်းရဲ့ session context window အပြင်တွင် အချက်အလက် စီမံရန် ကောင်းသည်။ Memory များသည် agents များစွာ အစည်းအဝေးတွေ ပေါ်လွင်သော အချက်အလက်များ ကို စုပေါင်း သိမ်းဆည်းပြီး ပြန်လည် ရွေးချယ်နိုင်သည်။ ၎င်းသည် အကျဥ်းချုပ်များ၊ user preferences နှင့် သုံးသပ်ချက်များ ပါဝင်နိုင်သည်။

3. Context နှိပ်နယ်ခြင်း context window ကြီး၍ ကန့်သတ်ချက် နီးစပ်လာသည်နှင့် တပြိုင်နက် စုစုပေါင်း အချက်အလက်များကို ချုပ်ချယ်ခြင်း သို့မဟုတ် လိုအပ်သည့် အချက်အလက်သာ ကျန်ရှိစေရန် နည်းလမ်းများ အသုံးပြုနိုင်သည်။ ၎င်းတွင် အင်္ဂ summary နှင့် ချုပ်ခြင်း စွမ်းခြင်းများ ပါဝင်ပါသည်။

4. Multi-Agent Systems Multi-agent system ဖန်တီးခြင်းသည် context engineering ၏ ပုံစံတစ်ရပ် ဖြစ်သည်၊ လုပ်သားတစ်ဦးစီမှာ သူ့ရဲ့ context window ကို ပိုင်ဆိုင်သည်။ ၎င်း context များကို မည်သို့မျှဝေ ပေးမည် နှင့် မည်သို့ ဆက်လက်ပေးပို့မည်ဆိုတာကို စီမံရန်လိုအပ်သည်။

5. Sandbox Environments လုပ်သားတစ်ဦးအနေဖြင့် တစ်ချက်ကိုဒ်ကို အမည်တွင်ချိန်သုံးလိုသည့် အခါများ၊ သို့မဟုတ် စာရွက်စာတမ်းအကြီးမားသော အချက်အလက်များကို ဆောင်ရွက်ဖို့လိုလျှင်, ၎င်းကို context window တွင် သိမ်းဆည်းခြင်းမဟုတ်ဘဲ sandbox environment ကို အသုံးပြုနိုင်သည်၊ ဒီနေရာတွင် code ကို အလုပ်လုပ်နိုင်ပြီး ရလဒ်နှင့် အချက်အလက်သာ ဖတ်ရှုခြင်းဖြင့် လုပ်ဆောင်ပါသည်။

6. Runtime State Objects ထိုအချက်အလက် container များကို ဖန်တီးခြင်းဖြင့် Agent တွင့် လိုအပ်သော အချက်အလက်များနှင့် အမြဲဆက်စပ်ထားနိုင်သည်။ ရှုပ်ထွေးသော အလုပ်များတွင် လုပ်သားသည် အောက်ပိုင်း တိုင်းတာဝန်စီမံခြင်းအဆင့်တိုင်းတွင် ရလဒ်များကို သိမ်းဆည်းနိုင်သည်၊ အဲ့တော့ context သည် ထိုတာဝန်ဆုံးရှုံးမှုတွင်သာ ဆက်စပ်နေပါမည်။

Context အကြောင်းစစ်ဆေးခြင်း

မည်သည့် မဟာဗျူဟာကို အသုံးပြုပြီးပြီးနောက်၊ တန် model call ကို မှန်ကန်စွာ လက်ခံထားသလား စစ်ဆေးဖို့ အကျိုးဖြစ်ထွန်းစေသည့် debugging မေးခွန်းမှာ-

အလုပ်လုပ်သားသည် အချက်အလက်များ များချင်းနှင့် မမှန်ကန်သော context များ load လုပ်ခဲ့သလား? ဖြစ်စေ၊ လိုအပ်သော context မပါခဲ့သလား?

raw prompts, tool outputs, memory contents များကို မှတ်တမ်းတင်ရန် မလိုအပ်ပါ၊ production တွင်ဆို context စစ်ဆေးမှု မှတ်တမ်း သေးငယ်ပြီး အောက်ပါအချက်အလက်များသာ ရိုက်ထုတ်ပါ -

• ရွေးချယ်ခြင်း: စစ်တမ်း chunks, ကိရိယာများ သို့မဟုတ် memory များကို ဘယ်နှစ်ခုကိုစဉ်းစားခဲ့သလဲ၊ ဘယ်နှစ်ခုကို ရွေးချယ်ခဲ့သလဲ၊ ဘယ်စည်းမျဉ်း သို့မဟုတ် အဆင့်သတ်မှတ်ချက်က ကန့်သတ်ခဲ့တာလဲ။
• နှိပ်နယ်ခြင်း: အရင်းအမြစ် range သို့မဟုတ် trace ID, အကျဥ်းချုပ် ID, နှိပ်နယ်မတိုင်ခင်နှင့်နောက်ပိုင်း token အရေအတွက် ခန့်မှန်းချက်နှင့် raw content ကို နောက်တစ်ခု call မှထုတ်ပယ်ထားခြင်း။
• သီးခြားခြင်း: ဘယ် subtask ကို သီးခြားလုပ်သား၊ session သို့မဟုတ် sandbox ထဲတွင် အလုပ်လုပ်ခဲ့သည်၊ ဘယ် summary ကို ပေးပို့ရပါ သလဲ၊ မူလလုပ်သား context ထဲတွင် မိမိထံသို့ မပေးခဲ့သော ကိရိယာ output ကြီးများ။
• Memory နှင့် RAG: ရနိုင်သော ေက်ာင္းစာ ID များ၊ memory ID များ၊ အဆင့်သတ်မှတ်ချက်များ၊ ရွေးချယ်ထားသော ID များနှင့် redact စတိတ်များကို စာမူတင်ရန်။
• လုံခြုံရေးနှင့် သီးသန့်အချက်အလက်: စနစ်အသုံးပြုသူ မှတ်တမ်းများ သို့မဟုတ် ကိရိယာလေ့လာချက်များတို့မှ sensibles prompt, tool arguments, result များ မလိုအပ်ဘဲ hash, ids, token buckets, policy labels များကို အသုံးပြုပါ။

ရည်မှန်းချက်မှာ context ပိုမိုထားရှိခြင်းမဟုတ်ပါ။ developer နိုင်သည့် ပဋိညာဥ်ကို ဆွေးနွေးရန် context မဟာဗျူဟာ ဘယ်ဟာကို အသုံးပြုပြီး မည်သည့် စနစ်ပေါ် call ပြောင်းလဲမှု ဖြစ်ငြင်းမှု ရှိသလဲ ဆိုတာ သိရှိနိုင်ဖို့ ဖြစ်သည်။

Context Engineering ၏ ဥပမာ

“Paris သို့ ခရီးသွားမှာ ကြိုက်သလား” ဆိုတဲ့ AI လုပ်သားတစ်ခု ချိန်ဆက်လိုပါက-

• prompt engineering သာအသုံးပြုသော လုပ်သား၊ “အိုကေ၊ ဘယ်အချိန်မှာ Paris သွားချင်လဲ?” ဆိုပြီးသာ တုံ့ပြန်မည်ဖြစ်သည်။ နောက်ဆုံးတွင် အသုံးပြုသူ ပါတေလာ မေးမြန်းတိုင်း တုံ့ပြန်သည်။

• context engineering မဟာဗျူဟာအသုံးပြုသော လုပ်သားသည် ပိုကြီးမားသောအလုပ်များ ပြုလုပ်သွားနိုင်သည်။ တုံ့ပြန်ပြီးမှ မဟုတ်ဘဲ၊ သူ့စနစ်သည်-

  ◦ မိမိ၏ ကယ်လင်ဒါကို စစ်ဆေးမည် (နောက်ဆုံးအချိန်ဒေတာ ရယူခြင်း)။

 ◦ ရှေးခရီးနှင့် ပတ်သက်သည့် သဘောထားများ (ရေရှည်မှတ်ဥာဏ်မှ) ကို ပြန်လည် သတိရပေးမည်။

 ◦ လေယာဉ်လက်မှတ် နှင့် ဟိုတယ်ဘွတ်ကတ် ရှာဖွေရန် ကိရိယာများ ရှိကြောင်း ဖော်ထုတ်မည်။

• ထို့နောက် ဥပမာ တုံ့ပြန်ချက်မှာ “ဟေး [သင့်နာမည်]! သင်သည် အောက်တိုဘာလ ပထမပတ်၌ အလုပ်မရှိပါ။ သင့်ယာဉ်လိုင်းဖြင့် [Preferred Airline] သည် သင့်ဘတ်ဂျက် [Budget] အတွင်းတွင် တိုက်ရိုက် လေယာဉ်လိုင်း ရှာမလား?” ဆိုပြီး context-aware ပြန်လည်တုံ့ပြန်ခြင်းကို ပြသသည်။

ပေါ်ပြူလာ Context များပျက်မှားခြင်း

Context Poisoning

ဘာလဲ: hallucination(LLM မှ ဖြစ်ပေါ်လာသော အမှားအယွင်းသို့မဟုတ် အမှား) သို့မှားယွင်းမှုများ context ထဲသို့ ဝင်ရောက်ကာ အကြိမ်ကြိမ်ကိုးကားမှုဖြင့် AI လုပ်သားသည် မဖြစ်နိုင်သော ရည်မှန်းချက်များ ဆောင်ရွက်ရန် ဦးတည်ခြင်း သို့မဟုတ် မဟာဗျူဟာမမှန်များ ဖန်တီးခြင်း။

ဘယ်လိုလုပ်မလဲ: context validation နှင့် quarantine ကို အကောင်အထည်ဖော်ပါ။ အချက်အလက်များကို ရေရှည်မှတ်ဉာဏ်ထဲတွင် ထည့်သွင်းမည့်အခါ မသေချာများကို သက်ဆိုင်ရာစစ်ဆေးပါ။ ခုခံမှုရှိသည်ဆင်ခြေတနေရာများတွင် လမ်းညွှန် context အသစ်များ စတင်ဖွင့်ခြင်းဖြင့် ပျက်ဆီးသော အချက်အလက် ကွာထွက်မှုကို တားမြစ်ပါ။

ခရီးသွားဘွတ်ကတ် ဥပမာ: သင်၏ agent သည် နေရာဒေသခံ ဆိပ်ကမ်း အသေးစားမှ အကွာအဝေးအပြည်ပြည်ဆိုင်ရာမြို့တစ်မြို့ ဆီ သို့ တိုက်ရိုက် လေယာဉ် မပေးသည့်⚠️ မရှိသောလေယာဉ်လမ်းကြောင်း hallucinates ဖြစ်သည်။ ဒါဟာ context ထဲမှ သိမ်းဆည်းထားသည်။ နောက်တစ်ကြိမ်မှာ သင့်ကို ဘွတ်ကတ် ဝယ်ဖို့ မေးသောအခါ မဖြစ်နိုင်သော လမ်းကြောင်းအတွက် လေယာဉ်လက်မှတ် ရှာဖွေရန် ကြိုးစားပြီး အမှားများ ပြန်ပေါ်ပေါက်သည်။

ဖြေရှင်းနည်း: တစ်ဆင့်ပေးပြီး ပဋိညာဥ် flight ရှိရှိမှု တည်ရှိမှုနှင့် လမ်းကြောင်းများကို real-time API ဖြင့် စစ်ဆေးပြီး တိကျမှသာ လုပ်သား context ထဲတွင် ထည့်သွင်းပါ။ စစ်ဆေးမှု ရလဒ်မထိရောက်ပါက, အချက်အလက် မမှန် ပစ္စည်းကို quarantine လုပ်ပြီး နောက်ထပ်မသုံးစွဲပါ။

Context Distraction

ဘာလဲ: context ကြီးပြီး တင်သွင်းထားသော တင်သွင်းမှုကို မူလလေ့လာမှုအစား စူးစမ်းခြင်းရှိလာပြီး ထပ်ခါထပ်ခါလုပ်ဆောင်ခြင်းများ ဖြစ်ပေါ်စေသည်။ context window ပြည့်ခင်ပဲ အမှားဖြစ်လာနိုင်သည်။

** ဘယ်လိုလုပ်မလဲ:** context summarization ကိုအသုံးပြုပါ။ စုစုပေါင်း အချက်အလက်များကို ချုပ်ချယ်၍ မူရင်းအစိတ်အပိုင်းများ ထားရှိပြီး ချွတ်သော သမိုင်းများ ဖယ်ရှားပါ။ ၎င်းမှာ အာရုံစိုက်မှုကို “reset” ပြုလုပ်ရန် အကြောင်းအရင်း ဖြစ်သည်။

ခရီးသွားဘွတ်ကတ် ဥပမာ: သင်သည် နှစ်နှစ်က Backpacking ခရီးစဉ်တို့ အပါအဝင် ခရီးသွား မြင်ကွင်းများ ရှင်းလင်းပြီး ကြာရှည်စကားပြောခဲ့ပါသည်။ နောက်ဆုံးတွင် “လာမည့်လအတွက် စျေးသက်သာတဲ့ လေယာဉ်လက်မှတ် ရှာပေးပါ” ဟုမေးလိုက်သောအခါ၊ agent သည် အဟောင်း သက်ဆိုင်မှုမရှိသော အစိတ်အပိုင်းများကြောင့် ဘောင်တိကာသော စကားများ အရောက်ပြောနေပြီး လက်ရှိတောင်းဆိုချက် မွန်ကန်စွာ မဖြေရှင်းနိုင်ပါ။

ဖြေရှင်းနည်း: အချို့သော တုံ့ပြန်မှုများ ပြီးနောက် သို့မဟုတ် context ကြီးတော့လျှင် agent သည် ဆက်လက်သော စကားပြောဆိုမှု၏ လတ်တလောနှင့် သက်ဆိုင်မှုများရှိသော အပိုင်းများကို ချုပ်ချယ်၍ ပြန်လည်အသုံးချရမည်။

Context Confusion

ဘာလဲ: မလိုအပ်သော context၊ အထူးသဖြင့် ကိရိယာများအများကြီးရှိသောအခါ မမှန်ကန်သော တုံ့ပြန်ချက်များဖြစ်ပေါ်ခြင်း သို့မဟုတ် မသက်ဆိုင်သောကိရိယာများခေါ်ရန် တုံ့ပြန်ခြင်း ဖြစ်သည်။ အနည်းငယ်သော မော်ဒယ်များတွင် ပို၍ ဖြစ်တတ်သည်။

ဘယ်လိုလုပ်မလဲ: RAG နည်းပညာဖြင့် tool loadout စီမံခန့်ခွဲမှု ကို အကောင်အထည်ဖော်ပါ။ ကိရိယာဖော်ပြချက်များကို vector database ထဲသို့သိမ်းထားပြီး တာဝန်တစ်ခုစီအတွက် သက်ဆိုင်မှုအပြည့်အဝရှိသော ကိရိယာများကိုသာ ရွေးချယ်ပါ။ သုတေသနများအရ ကိရိယာရွေးချယ်မှုကို ၃၀ ကျော်မကျော်အောင် ကန့်သတ်သည်။

ခရီးသွားဘွတ်ကတ် ဥပမာ: သင်၏ agent တွင် book_flight, book_hotel, rent_car, find_tours, currency_converter, weather_forecast, restaurant_reservations စသည်သော ကိရိယာများ အများအပြား ရှိသည်။ သင်မေးလိုက်သည်၊ “Paris တွင် သွားလာရခြင်းအကောင်းဆုံးနည်းလမ်းကဘာလဲ?”။ ကိရိယာများ အများကြောင့် agent သည် Paris အတွင်း book_flight ခေါ်ရန် ကြိုးစားမည်၊ သင်တင်တတ်သော စနစ်ကို မသိသောကြောင့် rent_car ခေါ်ရန် ကြိုးစားမည်။ ဒါဟာ ကိရိယာဖော်ပြချက်များ တစ်ချို့ လွဲမြောခြင်းကြောင့်ဖြစ်သည်။

ဖြေရှင်းနည်း: ကိရိယာဖော်ပြချက်များကို RAG ဖြင့် စစ်ထုတ်ပါ။ คุณถามเรื่องการเคลื่อนย้ายในปารีสแล้ว, ระบบจะดึงเฉพาะเครื่องมือที่เกี่ยวข้องมากที่สุดเท่านั้น เช่น rent_car หรือ public_transport_info แล้วส่งมอบชุดเครื่องมือที่มีเป้าหมายให้ LLM ดูแล

Context Clash

ဘာလဲ: conflict ဖြစ်သော အချက်အလက်များ context ထဲတွင် ရှိပြီး သဘောတူညီမှုမရှိခြင်း၊ ဆိုးကျိုးသဘောဆောင်သော ဆုံးဖြတ်ချက်များ ဖြစ်ပေါ်ခြင်း။ သတင်းအချက်အလက်အား ပဥ္စမအဆင့်ကာလများတွင် ရောက်ရှိပြီး နောက်ဆုံးတွင် အမှား သံသယများ context တွင် ကျန်ရှိနေခြင်း။

** ဘယ်လိုလုပ်မလဲ:** context pruning နှင့် offloading များ အသုံးပြုပါ။ pruning သည် အသစ်သော သတင်းအချက်အလက်များ ရောက်ရှိလာသည်နှင့်အမျှ ဟောင်းပြီး ဂဃနဏရှိ data များ ဖယ်ရှားခြင်းဖြစ်သည်။ offloading သည် မူလ context ကဏ္ဍကို ညစ်ညမ်းစေခြင်းမရှိဘဲ အချက်အလက် ကို လုပ်ဆောင်ရန် သီးခြားရွေးချယ်ထားသော “scratchpad” ကို ပေးခြင်းဖြစ်သည်။

ခရီးသွားဘွတ်ကင် ဥပမာ: မိမိ၏ ကိုယ်စားလှယ်ထံ သင်စတင်ပြောကြားသည်မှာ၊ “ငါကီးလပ်အတန်း စီးချင်တယ်။” နောက်ပိုင်း စကားစဉ်အတွင်း သင်အမြင်ပြောင်းလဲပြီးအဖြစ် “တကယ်တော့ ဒီခရီးထဲမှာတော့ စီးပွားရေးတန်း သွားကြစို့။” ဟု ပြောသောအခါ၊ အဆိုပါညွှန်ကြားချက်နှစ်ခုစလုံးသည် စကားဝိုင်းအတွင်းကျန်ရှိနေပါက ကိုယ်စားလှယ်သည် ရှာဖွေရေးရလဒ်များမှာ ဆန့်ကျင်မှုရှိစေခြင်း သို့မဟုတ် နေရာတစ်ခုကို ဦးစားပေးရန် ဘယ်ဟာကို ရွေးချယ်သင့်သည်အကြောင်း ရွေးချယ်ရန် ရိုးရာမဟုတ်သည့် အခြေအနေတွင် ရင်ဆိုင်ရနိုင်သည်။

ဖြေရှင်းနည်း: context pruning ကို အကောင်အထည်ဖော်ပါ။ အတိတ်ညွှန်ကြားချက်တစ်ခုသည် အသစ်လာသောညွှန်ကြားချက်နှင့် ဆန့်ကျင်သောအခါ၊ အဟောင်းညွှန်ကြားချက်ကို စကားဝိုင်းမှ ဖယ်ရှားပစ်ခြင်း သို့မဟုတ် ထိထိရောက်ရောက် ဖျက်သိမ်းပစ်ခြင်း ဖြစ်သည်။ ဒါမှမဟုတ် ကိုယ်စားလှယ်သည် ဆန့်ကျင်သော တိုက်ဆိုင်မှုရှိသည့် ကြိုက်နှစ်သက်မှုများကို ပြန်လည်ညှိနှိုင်းရန် scratchpad ကို အသုံးပြုနိုင်ပြီး အဆုံးအဖြတ်ချမည့်အခါတွင် သက်တမ်းတစ်ခုတည်း၊ တိကျညီညာမှုရှိသောညွှန်ကြားချက်တစ်ခုသာ၎င်း၏ လှုပ်ရှားမှုများအတွက် လမ်းညွှန်ပေးစေရန် သေချာစေသည်။

Context Engineering ပို၍ မေးချင်တာရှိပါသလား?

Microsoft Foundry Discord တွင် ဆက်သွယ်ပါ၊ တို့ပညာသင်ယူသူများနှင့် တွေ့ဆုံဆွေးနွေးနိုင်ပြီး၊ ရုံးအချိန်များလာရောက်ပါဝင်၍ သင့် AI ကိုယ်စားလှယ် မေးခွန်းများကို ဖြေကြားပေးစေပါ။

တရင်မှ သင်ခန်းစာ

Agentic Protocols

နောက်အကြောင်း သင်ခန်းစာ

Memory for AI Agents

---

ပြောကြားချက် ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။

This site is open source. Improve this page.