Η επικόλληση ενός ολόκληρου αρχείου 2.000 γραμμών σπαταλά tokens και χειροτερεύει την ποιότητα της απάντησης. Ο στόχος είναι να δώσετε στην AI ακριβώς το πλαίσιο που χρειάζεται για να σκεφτεί το πρόβλημά σας — και τίποτα περισσότερο.
Η επικόλληση ενός ολόκληρου αρχείου 2.000 γραμμών σπαταλά tokens και χειροτερεύει την ποιότητα της απάντησης. Ο στόχος είναι να δώσετε στην AI ακριβώς το πλαίσιο που χρειάζεται για να σκεφτεί το πρόβλημά σας — και τίποτα περισσότερο.
db είναι ένα 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?
Η δεύτερη έκδοση δίνει στην AI τη συνάρτηση, τον τύπο επιστροφής της (User) και μια σημείωση μιας γραμμής σχετικά με το db — αρκετά για να απαντήσει με ακρίβεια, χωρίς άσχετο κώδικα που να την αποσπά.
Δεν αφορά μόνο το κόστος. Επιπλέον κώδικας είναι αποσπασμός: το μοντέλο μπορεί να κολλήσει σε μια άσχετη συνάρτηση, να αντικατοπτρίσει ένα σφάλμα αλλού στο αρχείο ή να διασπείρει την προσοχή του σε χιλιάδες άσχετα tokens. Μια εστιασμένη ερώτηση παράγει μια εστιασμένη, ακριβή απάντηση.
Τα προϋπολογισμένα tokens είναι περιορισμένα και οι μεγάλες εκχυτέροι υποβαθμίζουν την ταχύτητα και την ποιότητα. Η αποστολή του ελάχιστου σχετικού τμήματος — η συνάρτηση στόχου, οι τύποι της, μια σύνοψη πλαισίου και οι διαδρομές αρχείων — εξοικονομεί tokens και οξύνει την απάντηση αφαιρώντας διασπάσεις. Η επιμέλεια πλαισίου είναι μια βασική δεξιότητα της αποτελεσματικής εργασίας με AI: δεν κρύβετε πληροφορίες, κατευθύνετε την προσοχή σε αυτό που έχει σημασία.