Dán nguyên một file 2.000 dòng vừa lãng phí token vừa làm giảm chất lượng câu trả lời. Mục tiêu là cho AI đúng ngữ cảnh nó cần để suy luận về bài toán của bạn — và không gì hơn.
Dán nguyên một file 2.000 dòng vừa lãng phí token vừa làm giảm chất lượng câu trả lời. Mục tiêu là cho AI đúng ngữ cảnh nó cần để suy luận về bài toán của bạn — và không gì hơn.
db là một Postgres pool."# Tệ: dán nguyên user-service.ts 800 dòng
# → AI lội qua code không liên quan, có thể bám nhầm function
# Tốt: chỉ gửi cái quan trọng
// file: src/services/user-service.ts
// context: được gọi từ POST /users; `db` là một Postgres pool (pg)
type User = { id: number; email: string };
async function createUser(email: string): Promise<User> {
const { rows } = await db.query( // <-- function tôi cần giúp
"INSERT INTO users (email) VALUES ($1) RETURNING id, email",
[email],
);
return rows[0];
}
// Câu hỏi: làm sao xử lý xung đột email trùng ở đây?
Phiên bản thứ hai cho AI function đó, kiểu trả về của nó (User), và một ghi chú một dòng về db — đủ để trả lời chính xác, không có code không liên quan để làm nó phân tâm.
Không chỉ là chuyện chi phí. Code thừa là sự phân tâm: model có thể bám vào một function không liên quan, sao chép một bug ở chỗ khác trong file, hoặc loãng sự chú ý qua hàng ngàn token không liên quan. Một prompt tập trung tạo ra một câu trả lời tập trung, chính xác.
Ngân sách token là hữu hạn và việc đổ vào lượng lớn làm giảm cả tốc độ lẫn chất lượng. Gửi lát cắt liên quan tối thiểu — function đích, các type của nó, một tóm tắt ngữ cảnh, và đường dẫn file — tiết kiệm token và làm sắc nét câu trả lời bằng cách loại bỏ phân tâm. Chọn lọc ngữ cảnh là một kỹ năng cốt lõi khi làm việc hiệu quả với AI: bạn không giấu thông tin, bạn đang hướng sự chú ý vào cái quan trọng.
Thư viện câu hỏi phỏng vấn IT với đáp án chi tiết — từ Junior đến Senior.
Ủng hộ