Incollare un intero file di 2.000 righe spreca token e compromette la qualità della risposta. L'obiettivo è fornire all'AI esattamente il contesto di cui ha bisogno per ragionare sul tuo problema — e niente di più.
Incollare un intero file di 2.000 righe spreca token e compromette la qualità della risposta. L'obiettivo è fornire all'AI esattamente il contesto di cui ha bisogno per ragionare sul tuo problema — e niente di più.
db è un pool Postgres".# 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?
La seconda versione fornisce all'AI la funzione, il suo tipo di ritorno (User), e una nota di una riga su db — abbastanza per rispondere con precisione, senza codice irrilevante che la distragga.
Non è solo una questione di costo. Codice extra è distrazione: il modello potrebbe aggrapparsi a una funzione non correlata, rispecchiare un bug altrove nel file, o diluire la sua attenzione su migliaia di token irrilevanti. Un prompt focalizzato produce una risposta focalizzata e accurata.
I budget dei token sono finiti e grandi dump degradano sia la velocità che la qualità. Inviare la fetta minima rilevante — la funzione target, i suoi tipi, un riassunto del contesto e i percorsi dei file — risparmia token e affila la risposta eliminando le distrazioni. Curare il contesto è una competenza fondamentale nel lavorare efficacemente con l'AI: non stai nascondendo informazioni, stai dirigendo l'attenzione su ciò che conta.