ช่วงไม่กี่ปีที่ผ่านมา เราให้ความสำคัญกับการเขียน Prompt เพื่อให้ AI ตอบได้ดีขึ้น แต่เมื่อ AI ขยับจาก Chatbot ไปสู่ AI Agent ที่สามารถค้นข้อมูล ใช้เครื่องมือ เชื่อมต่อระบบ และทำงานหลายขั้นตอนได้ด้วยตัวเอง คำถามสำคัญจึงไม่ใช่แค่ “ควรสั่ง AI อย่างไร” แต่คือ จะทำอย่างไรให้ AI ได้รับข้อมูลที่ถูกต้อง จากแหล่งที่ถูกต้อง ในเวลาที่เหมาะสม และภายใต้สิทธิ์ที่ควรมี เพราะต่อให้โมเดลฉลาดแค่ไหน หาก Context ผิด เก่า หรือไม่เกี่ยวข้อง ผลลัพธ์ก็อาจผิดพลาดได้ตั้งแต่คำตอบไปจนถึง Action ที่เกิดขึ้นจริง
วันนี้ Exzy AI อยากชวนคุณมาทำความเข้าใจว่า Context Engineering คืออะไร ทำไม Prompt Engineering เพียงอย่างเดียวอาจไม่เพียงพอในยุค Agentic AI และองค์กรควรออกแบบ Context อย่างไร เพื่อให้ AI ทำงานได้แม่นยำ ปลอดภัย และพร้อมนำไปใช้กับ Workflow จริงของธุรกิจ
ช่วงแรกของ Generative AI เราให้ความสำคัญกับการเขียน Prompt ให้ชัด เพราะงานส่วนใหญ่เป็นการถามหนึ่งครั้งแล้วรอคำตอบหนึ่งครั้ง แต่เมื่อ AI ขยับจาก Chatbot ไปสู่ Agent ที่ต้องทำงานหลายขั้นตอน ใช้เครื่องมือ เรียกข้อมูล และรักษาสถานะของงาน ปัญหาสำคัญไม่ได้อยู่ที่ประโยคคำสั่งเพียงอย่างเดียวอีกต่อไป
Anthropic อธิบาย Context Engineering ว่าเป็นการจัดและดูแล “ชุดข้อมูลทั้งหมด” ที่โมเดลได้รับก่อนสร้างคำตอบหรือเลือก Action ซึ่งรวมมากกว่า Prompt ได้แก่ System Instructions, Tools, ข้อมูลที่ Retrieve เข้ามา, Message History และ Context จากภายนอก
ดังนั้น Prompt Engineering ยังมีประโยชน์ แต่กลายเป็นเพียงส่วนหนึ่งของโจทย์ที่ใหญ่กว่า: จะทำอย่างไรให้ AI ได้ “ข้อมูลที่ถูกต้อง ในเวลาที่ถูกต้อง ภายใต้สิทธิ์ที่ถูกต้อง” เพื่อทำงานจริง
Context Engineering คืออะไร
Context Engineering คือการออกแบบระบบที่คัดเลือก จัดลำดับ อัปเดต และส่ง Context ที่เหมาะสมให้ AI ตาม Task ไม่ใช่การยัดข้อมูลทุกอย่างเข้า Context Window
สำหรับ Agent หนึ่ง Task อาจต้องใช้ Context หลายประเภทพร้อมกัน เช่น
- System Instructions – กฎและขอบเขตการทำงาน
- Business Context – เป้าหมาย นโยบาย และเงื่อนไขของงาน
- Retrieved Data – เอกสาร ข้อมูลลูกค้า หรือข้อมูลจาก Knowledge Base
- Tools – เครื่องมือ/API ที่ Agent สามารถเรียกใช้
- Memory & History – สิ่งที่เกิดขึ้นก่อนหน้าและสถานะของงาน
- Permission – ข้อมูลหรือ Action ที่ Agent มีสิทธิ์เข้าถึง
- Runtime State – สถานะล่าสุดของระบบที่เปลี่ยนระหว่างการทำงาน
ความท้าทายจึงไม่ใช่ “หา Prompt ที่ดีที่สุด” แต่คือการประกอบ Context เหล่านี้ให้พอดีกับ Task
Context มากขึ้น ไม่ได้แปลว่า AI ทำงานดีขึ้นเสมอ
Context Window มีขนาดใหญ่ขึ้นเรื่อย ๆ แต่พื้นที่ที่มากขึ้นไม่ได้ทำให้การใส่ข้อมูลทุกอย่างเป็นกลยุทธ์ที่ดีโดยอัตโนมัติ ข้อมูลที่ไม่เกี่ยวข้อง เก่า ซ้ำ หรือขัดกันสามารถเพิ่ม Noise, Latency และ Cost และทำให้โมเดลให้ความสนใจกับสิ่งสำคัญได้ยากขึ้น
Anthropic ใช้แนวคิด “context rot” เพื่ออธิบายว่าประสิทธิภาพในการเรียกคืนและใช้ข้อมูลอาจลดลงเมื่อ Context ยาวขึ้นมาก ดังนั้นเป้าหมายของ Context Engineering คือการหาชุดข้อมูลที่เล็กที่สุดเท่าที่จำเป็น แต่เพียงพอให้ Agent ทำงานได้ถูกต้อง
คำถามที่ควรถามจึงเปลี่ยนจาก “เรามีข้อมูลอะไรบ้าง?” เป็น
- ข้อมูลไหนจำเป็นต่อ Task นี้จริง?
- ข้อมูลไหนต้องสดหรืออัปเดตแบบ Real-time?
- ข้อมูลไหนเป็น Sensitive Data ที่ไม่ควรถูกเปิด?
- ข้อมูลไหนควร Retrieve เมื่อจำเป็น แทนการใส่ไว้ตลอด?
- ข้อมูลไหนควรถูกสรุปหรือ Compress หลังใช้งาน?
- ข้อมูลไหนต้องมี Source หรือ Provenance เพื่อให้ตรวจสอบย้อนกลับได้?
Context Engineering ในองค์กรใกล้กับ Information Architecture มากกว่า Copywriting
ใน Production AI การออกแบบ Context เชื่อมโยงกับ Data Architecture, Information Architecture, Identity และ Permission โดยตรง
ตัวอย่างเช่น Agent ที่ช่วยทีม Sales จัดทำ Account Brief ไม่ได้ต้องการ “Prompt เก่ง ๆ” อย่างเดียว แต่ต้องรู้ว่าควรอ่าน CRM Field ใด ใช้เอกสารล่าสุดจาก Drive ชุดไหน เห็นข้อมูลลูกค้าได้ถึงระดับใด เรียก Tool อะไรได้ และต้องส่ง Draft ให้ใคร Approve ก่อนใช้งาน
นี่ทำให้ Context Engineering เป็นงานระบบ 4 ชั้นที่ต้องออกแบบร่วมกัน
1. Selection - เลือก Context ที่เกี่ยวข้อง
ระบบต้องหาและส่งเฉพาะข้อมูลที่ช่วยให้ Task เดินต่อได้ โดยแยก Must-have Context ออกจาก Nice-to-have Context
2. Freshness - รู้ว่าข้อมูลไหนต้องใหม่
ราคา สถานะ Ticket, Inventory หรือ Approval State อาจเปลี่ยนระหว่าง Task จึงไม่ควรใช้ Snapshot เก่าโดยไม่ตรวจสอบ
3. Permission - Context ต้องถูกสิทธิ์
Agent ไม่ควรเห็นทุกอย่างที่ระบบเชื่อมต่อได้ การ Retrieve ต้องเคารพ User/Role/Agent Permission และ Data Boundary
4. Lifecycle - รู้ว่า Context ไหนควรเก็บ สรุป หรือลืม
Long-running Agent ต้องมีวิธีจัดการ History และ Memory ไม่ให้ Context โตไม่สิ้นสุด รวมถึงลบข้อมูลที่ไม่จำเป็นหรือหมดอายุ
จาก Prompt → Context → Action
เมื่อ Agent สามารถใช้ Tool ได้ Context ที่ผิดไม่ได้จบแค่ “คำตอบผิด” แต่อาจนำไปสู่ Action ผิดด้วย
ถ้า Agent อ่าน Policy รุ่นเก่า อาจเลือกขั้นตอนผิด
ถ้า Agent ดึง Customer Record ผิด Account อาจสร้าง Draft ผิดคน
ถ้า Agent เห็น Permission มากเกินไป อาจเข้าถึงข้อมูลที่ไม่เกี่ยวกับ Task
ถ้า Agent ไม่รู้สถานะล่าสุด อาจทำ Action ซ้ำ
ดังนั้น Context Engineering ต้องออกแบบคู่กับ Tool Design, Guardrails, Evaluation และ Human Handoff ไม่ใช่ทำแยกกัน
Exzy Perspective: Intelligence ที่ดีต้องได้รับ Context ที่พอดีกับงาน
สำหรับ Exzy AI เรามองว่า AI ที่ฉลาดขึ้นไม่ได้ลดความสำคัญของ System Design กลับทำให้ System Design สำคัญขึ้น เพราะเมื่อโมเดลทำอะไรได้มากขึ้น ผลกระทบจาก Context ที่ผิดก็สูงขึ้นตาม
แนวทางที่ practical คือเริ่มจาก Business Outcome แล้ววาด Context Map ของ Workflow ก่อนเลือกว่าจะใช้ Model หรือ Platform อะไร
- Task ต้องการ Input อะไร?
- ข้อมูลอยู่ระบบไหน?
- ข้อมูลไหนต้อง Retrieve ตอน Runtime?
- ใครเป็นเจ้าของข้อมูล?
- Agent มีสิทธิ์อ่านหรือแก้ไขอะไร?
- Action ใดทำได้อัตโนมัติ?
- Action ใดต้องให้คน Approve?
- จะวัดได้อย่างไรว่า Context ที่ส่งให้ Agent ช่วยให้งานดีขึ้นจริง?
เมื่อคำตอบเหล่านี้ชัด Prompt จะกลายเป็น Interface ชั้นหนึ่งของระบบ ไม่ใช่ตัวระบบทั้งหมด
สิ่งที่องค์กรควรทำต่อ
- เลือก Workflow ที่ทำซ้ำบ่อยและมี Input/Output ชัดเจน
- ระบุว่าข้อมูลไหนจำเป็น ข้อมูลไหนอ่อนไหว และข้อมูลไหนต้องเป็นข้อมูลล่าสุด
- กำหนดแหล่งข้อมูลหลักของข้อมูลแต่ละประเภท
- ให้ AI เข้าถึงข้อมูลและ Tools ตามสิทธิ์ที่กำหนด
- กำหนดว่าข้อมูลอะไรควรถูกจำ เก็บไว้นานแค่ไหน และลบเมื่อใด
- ทดสอบทั้งคุณภาพคำตอบ การใช้ Tools และผลลัพธ์ของงานจริง
- วัดต้นทุน ความเร็ว ข้อผิดพลาด และจุดที่คนต้องเข้ามาแก้ ก่อนเพิ่มระดับ Automation
มีโปรเจกต์หรือโจทย์ธุรกิจที่อยากนำ AI มาใช้?
หากองค์กรของคุณกำลังมองหาวิธีนำ AI มาใช้กับงานจริง แต่ยังไม่แน่ใจว่าควรเริ่มจากจุดไหน หรือ Use Case แบบใดจะเหมาะกับธุรกิจมากที่สุด สามารถพูดคุยกับทีมผู้เชี่ยวชาญของ EXZY AI ได้
เราช่วยตั้งแต่วิเคราะห์โจทย์และ Workflow ที่มีอยู่ มองหาโอกาสที่ AI สามารถเข้ามาช่วยลดขั้นตอน เพิ่ม Productivity หรือยกระดับกระบวนการทำงาน ไปจนถึงออกแบบแนวทางและพัฒนา AI Solution ที่เหมาะกับบริบท ข้อมูล ระบบ และข้อจำกัดของแต่ละองค์กร
พูดคุยกับทีม EXZY AI ได้ที่
Facebook: Exzy AI
โทร. 095-919-1963
FAQs
Context Engineering คืออะไร?
Context Engineering คือการออกแบบวิธีคัดเลือก จัดลำดับ อัปเดต และส่งข้อมูล เครื่องมือ ประวัติ และสิทธิ์ที่เหมาะสมให้ AI ตาม Task เพื่อให้โมเดลมี Context ที่จำเป็นต่อการตัดสินใจหรือทำงาน โดยไม่ต้องใส่ข้อมูลทุกอย่างเข้าไปตลอดเวลา
Context Engineering ต่างจาก Prompt Engineering อย่างไร?
Prompt Engineering คือการออกแบบคำสั่งให้ AI เข้าใจว่าเราต้องการให้ทำอะไร ส่วน Context Engineering มองกว้างกว่านั้น โดยออกแบบข้อมูลทั้งหมดที่ AI ต้องใช้ในการทำงาน เช่น คำสั่งของระบบ ข้อมูลที่ค้นเข้ามา Tools ประวัติการสนทนา Memory สถานะปัจจุบันของงาน และสิทธิ์ในการเข้าถึงข้อมูลต่าง ๆ
ดังนั้น Prompt จึงเป็นเพียงส่วนหนึ่งของ Context Engineering เพราะต่อให้ Prompt เขียนดีแค่ไหน ถ้า AI ได้ข้อมูลไม่ครบ ข้อมูลเก่า หรือเข้าถึง Context ผิด ผลลัพธ์ก็อาจยังไม่ดีอยู่ดี
ทำไม Context มากเกินไปถึงเป็นปัญหา?
เพราะ Context ที่ไม่เกี่ยวข้อง เก่า ซ้ำ หรือขัดกันเพิ่ม Noise, Cost และ Latency และอาจทำให้โมเดลใช้ข้อมูลสำคัญได้ไม่ดี เป้าหมายคือส่ง Context ที่พอดีกับ Task และอัปเดตเมื่อจำเป็น
