At indsætte en hel 2.000-linje fil spilder tokens og forværrer svarenes kvalitet. Målet er at give AI nøjagtigt det kontekst, den har brug for for at gøre rede for dit problem — og intet mere.
At indsætte en hel 2.000-linje fil spilder tokens og forværrer svarenes kvalitet. Målet er at give AI nøjagtigt det kontekst, den har brug for for at gøre rede for dit problem — og intet mere.
db er en Postgres pool."# Bad: paste the whole 800-line user-service.ts
# → AI wades through unrelated code, may anchor on the wrong function
# Good: send only what matters
// file: src/services/user-service.ts
// context: called from POST /users; `db` is a Postgres pool (pg)
type User = { id: number; email: string };
async function createUser(email: string): Promise<User> {
const { rows } = await db.query( // <-- the function I need help with
"INSERT INTO users (email) VALUES ($1) RETURNING id, email",
[email],
);
return rows[0];
}
// Question: how do I handle a duplicate-email conflict here?
Den anden version giver AI funktionen, dens returtype (User) og en etlinjes bemærkning om db — nok til at besvare præcist, uden irrelevant kode der distrahere den.
Det handler ikke kun om omkostninger. Ekstra kode er distrahering: modellen kan blive hængende på en uafhængig funktion, spejle en bug andre steder i filen eller fordele sin opmærksomhed over tusinder af irrelevante tokens. Et fokuseret prompt producerer et fokuseret, nøjagtigt svar.
Token-budgetter er begrænsede, og store dumps forværrer både hastighed og kvalitet. At sende det minimalt relevante udsnit — målfunktionen, dens typer, et kontekstresumé og stier — sparer tokens og skærper svaret ved at fjerne distraktioner. Kuratering af kontekst er en kernefærdighed ved effektivt arbejde med AI: du skjuler ikke information, du styrer opmærksomhed mod det, der betyder noget.