Lepljenje celotne datoteke z 2000 vrsticami zapravlja žetone in poslabša kvaliteto odgovora. Cilj je dati AI-ju natanko kontekst, ki ga potrebuje za razmišljanje o vašem problemu — in nič več.
Lepljenje celotne datoteke z 2000 vrsticami zapravlja žetone in poslabša kvaliteto odgovora. Cilj je dati AI-ju natanko kontekst, ki ga potrebuje za razmišljanje o vašem problemu — in nič več.
db je 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?
Druga verzija daje AI-ju funkcijo, njen povratni tip (User) in enolinijski opombo o db — dovolj za natančen odgovor, brez nepomembne kode, ki bi ga odvračala.
Ne gre samo za stroške. Dodatni kod je motnja: model se lahko ujame na nepovezano funkcijo, posnemi napako drugje v datoteki ali razredči pozornost na tisoče nepomembnih žetonov. Osredotočen povratek daje osredotočen, natančen odgovor.
Proračun žetonov je omejen in veliki odvodi poslabšajo hitrost in kvaliteto. Pošiljanje minimalnega relevantnega dela — ciljne funkcije, njenih tipov, povzetka konteksta in poti datotek — prihrani žetone in izboljša odgovor z odstranitvijo motenj. Kuriranje konteksta je osnovna veščina za učinkovito delo z AI-jem: ne skrivate informacij, usmerjate pozornost na tisto, kar je pomembno.