Het plakken van een volledig bestand van 2.000 regels verspilt tokens en schaadt de kwaliteit van het antwoord. Het doel is de AI exact de context te geven die nodig is om naar je probleem te redeneren — en niets meer.
Het plakken van een volledig bestand van 2.000 regels verspilt tokens en schaadt de kwaliteit van het antwoord. Het doel is de AI exact de context te geven die nodig is om naar je probleem te redeneren — en niets meer.
db is een 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?
De tweede versie geeft de AI de functie, het retourtype (User), en een opmerking van één regel over db — genoeg om precies antwoord te geven, zonder irrelevante code die het afleid.
Het gaat niet alleen om kosten. Extra code is afleidend: het model kan zich vastzetten aan een ongebruikte functie, een fout elders in het bestand spiegelen, of zijn aandacht verspreiden over duizenden irrelevante tokens. Een gericht prompt levert een gericht, nauwkeurig antwoord op.
Tokenbudgetten zijn eindig en grote dumps verminderen zowel snelheid als kwaliteit. Het verzenden van het minimaal relevante stuk — de doelfunctie, de types, een contextsamenvatting en bestandspaden — bespaart tokens en scherpt het antwoord aan door afleidingen weg te nemen. Context cureren is een kernvaardigheid van effectief werken met AI: je verbergt geen informatie, je richt de aandacht op wat ertoe doet.