Å lime inn en hel fil på 2.000 linjer sløser med tokens og skader svarskvaliteten. Målet er å gi AI nøyaktig den konteksten som er nødvendig for å resonnere om problemet ditt — og ingenting annet.
Å lime inn en hel fil på 2.000 linjer sløser med tokens og skader svarskvaliteten. Målet er å gi AI nøyaktig den konteksten som er nødvendig for å resonnere om problemet ditt — og ingenting annet.
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?
Andre versjon gir AI-en funksjonen, returtypen (User), og en enlinjenotat om db — nok til å svare presist, uten irrelevant kode som distraherer det.
Det handler ikke bare om kostnad. Ekstra kode er distraksjoner: modellen kan låse seg på en irrelevant funksjon, speile en feil andre steder i filen, eller spre oppmerksomheten over tusenvis av irrelevante tokens. Et fokusert spørsmål gir et fokusert, nøyaktig svar.
Tokenbudsjetter er begrenset og store datadumper forverrer både hastighet og kvalitet. Ved å sende det minimale relevante utdraget — målfunksjonen, typene, en kontekstoppsummering og filstier — sparer du tokens og skarper svaret ved å fjerne distrahjoner. Kurattering av kontekst er en kjerneferdighet når du arbeider effektivt med AI: du skjuler ikke informasjon, du retter oppmerksomheten mot det som betyr noe.