Čo to znamená v praxi
Ak AI nedáva výsledok, aký chcete, chyba je takmer vždy v jednej z dvoch vecí: v prompte, alebo v kontexte. Context engineering rieši to druhé.
Najsilnejšia otázka, akú si vo firme viete položiť, znie: ako dáme AI dosť kontextu, aby toto robila od teraz sama? Odpoveď býva prekvapivo konkrétna:
- prístup k dátam a k zákazníckym e-mailom
- znalostná báza a interné smernice
- špecifikácie a produktové zadania
- vzorky toho, ako vyzerá dobrý výsledok
- brief o tóne komunikácie
- log súbory a spätná väzba od používateľov
- produktové fotografie
Príklad z praxe
Jednému klientovi z tradingu bola marketingová komunikácia nekonzistentná a nesedela na tón zakladateľov. Riešením neboli lepšie prompty. Nahrali sme podcastové rozhovory s CEO, COO aj zakladateľmi, prepísali ich a spolu s firemným handbookom a internými memami ich vložili do znalostnej bázy vlastného GPT.
Výstup sa zmenil zo dňa na deň, nie preto, že by bol model lepší, ale preto, že konečne vedel, o čom hovorí.
Prečo je prístup k dátam najväčší násobič
Agent bez dát vie hádať. Agent s prístupom k schránke, databáze a dokumentom vie pracovať. Platí však aj opak: viac dát automaticky neznamená lepší výsledok. Kľúčové je, ktoré dáta a v akej štruktúre, a kto k nim má mať prístup.