Das Einfügen einer kompletten 2.000-Zeilen-Datei verschwendet Token und verschlechtert die Antwortqualität. Das Ziel ist es, der KI genau den Kontext zu geben, den sie benötigt, um dein Problem zu durchdenken — und nichts mehr.
Das Einfügen einer kompletten 2.000-Zeilen-Datei verschwendet Token und verschlechtert die Antwortqualität. Das Ziel ist es, der KI genau den Kontext zu geben, den sie benötigt, um dein Problem zu durchdenken — und nichts mehr.
db ist ein 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?
Die zweite Version gibt der KI die Funktion, ihren Rückgabetyp (User) und eine einzeilige Notiz zu db — genug, um präzise zu antworten, ohne irrelevanten Code, der ablenkt.
Es geht nicht nur um Kosten. Zusätzlicher Code ist Ablenkung: Das Modell kann sich an einer unabhängigen Funktion verfangen, einen Bug an anderer Stelle in der Datei widerspiegeln oder seine Aufmerksamkeit über Tausende irrelevante Token verteilen. Ein fokussiertes Prompt erzeugt eine fokussierte, genaue Antwort.
Token-Budgets sind begrenzt und große Datenmengen verschlechtern sowohl Geschwindigkeit als auch Qualität. Das Senden des minimal relevanten Ausschnitts — die Zielfunktion, ihre Typen, eine Kontextzusammenfassung und Dateipfade — spart Token und schärft die Antwort, indem es Ablenkungen entfernt. Das Kuratieren von Kontext ist eine Kernfähigkeit bei der effektiven Arbeit mit KI: Du verbirgst keine Informationen, du leitest die Aufmerksamkeit auf das hin, was zählt.