Co to znaczy w praktyce
Jeśli AI nie daje wyniku, jakiego chcecie, błąd niemal zawsze leży w jednej z dwóch rzeczy: w prompcie albo w kontekście. Context engineering zajmuje się tym drugim.
Najmocniejsze pytanie, jakie możecie sobie w firmie zadać, brzmi: jak damy AI dość kontekstu, żeby robiła to od teraz sama? Odpowiedź bywa zaskakująco konkretna:
- dostęp do danych i do maili od klientów
- baza wiedzy i wewnętrzne procedury
- specyfikacje i zadania produktowe
- próbki tego, jak wygląda dobry wynik
- brief o tonie komunikacji
- pliki logów i informacje zwrotne od użytkowników
- zdjęcia produktowe
Przykład z praktyki
U jednego klienta z branży tradingowej komunikacja marketingowa była niespójna i nie trzymała tonu założycieli. Rozwiązaniem nie były lepsze prompty. Wgraliśmy rozmowy podcastowe z CEO, COO i założycielami, przepisaliśmy je i razem z firmowym handbookiem oraz wewnętrznymi memami umieściliśmy w bazie wiedzy własnego GPT.
Wynik zmienił się z dnia na dzień, nie dlatego, że model był lepszy, tylko dlatego, że w końcu wiedział, o czym mówi.
Dlaczego dostęp do danych jest największym mnożnikiem
Agent bez danych potrafi zgadywać. Agent z dostępem do skrzynki, bazy i dokumentów potrafi pracować. Działa to jednak i w drugą stronę: więcej danych nie oznacza automatycznie lepszego wyniku. Kluczowe jest, które dane i w jakiej strukturze, oraz kto ma mieć do nich dostęp.