Ngjitja e një skedari të tërë me 2000 rreshta shpenzon token dhe përkeqëson cilësinë e përgjigjes. Qëllimi është t'i japësh AI-it saktësisht kontekstin që i duhet për t'u menduar për problemin tuaj — dhe asgjë më shumë.
Ngjitja e një skedari të tërë me 2000 rreshta shpenzon token dhe përkeqëson cilësinë e përgjigjes. Qëllimi është t'i japësh AI-it saktësisht kontekstin që i duhet për t'u menduar për problemin tuaj — dhe asgjë më shumë.
db është një 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?
Verzioni i dytë i jep AI-it funksionin, tipin e tij të kthimit (User), dhe një shënim me një rresht rreth db — mjaft për t'u përgjigjur me saktësi, pa kod të palidhur për ta shpërqendruar atë.
Nuk bëhet vetëm për koston. Kodi shtesë është shpërqendrim: modeli mund të kapej në një funksion të palidhur, të pasqyrojë një gabim kudo tjetër në skedar, ose të shpërndarë vëmendjen e tij në mijëra token të palidhur. Një prompt i fokusuar prodhon një përgjigje të fokusuar, të saktë.
Budhetimi i token-it është i kufizuar dhe depozitat e mëdha përkeqësojnë shpejtësinë dhe cilësinë. Dërgimi i feljes minimale relevante — funksioni i synuar, tipet e tij, një përmbledhje konteksti, dhe shtigjet e skedarëve — kursezon token dhe ngacmon përgjigjen duke hequr shpërqendrimet. Kurimi i kontekstit është një aftësi themelore e punës efektive me AI-në: nuk po fshihni informacionin, po drejtoni vëmendjen drejt asaj që ka rëndësi.