Context Engineering: ရိုးရှင်းသော Prompting မှ ရှုပ်ထွေးသော AI Agent များ တည်ဆောက်ခြင်းသို့

ယနေ့ခေတ် AI နည်းပညာလောကတွင် Prompt Engineering ဟူသော ဝေါဟာရထက် ပိုမိုနက်ရှိုင်းပြီး စနစ်ကျသော Context Engineering ဟူသည့် ဘာသာရပ်သည် အဓိကကျလာပါသည်။ ဤစာတမ်းတွင် ရိုးရှင်းသော "Vibe Coding" (ခံစားချက်ဖြင့် ကုဒ်ရေးခြင်း) အဆင့်မှသည် တကယ့်လက်တွေ့ အင်ဂျင်နီယာလုပ်ငန်းစဉ်များဖြစ်သော Debugging, Testing နှင့် Refactoring စသည့် နည်းလမ်းများအကြောင်းကို အသေးစိတ် ပို့ချသွားမည် ဖြစ်သည်။

၁။ Context Engineering ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် အခြေခံသဘောတရား

Context Engineering ဆိုသည်မှာ Large Language Model (LLM) တစ်ခုအား ပေးထားသော အလုပ်တစ်ခုကို အောင်မြင်စွာ လုပ်ဆောင်နိုင်ရန်အတွက် မှန်ကန်သော အချက်အလက်များကို၊ မှန်ကန်သော ပုံစံဖြင့်၊ မှန်ကန်သော အချိန်တွင် ရရှိစေရန် ဖန်တီးတည်ဆောက်ပေးသည့် dynamic system တစ်ခု ဖြစ်သည်။ တစ်နည်းအားဖြင့်ဆိုသော် LLM ၏ Input ဧရိယာဖြစ်သော Context Window ကို အကောင်းဆုံးဖြစ်အောင် စနစ်တကျ ပြင်ဆင်ပေးခြင်း ဖြစ်သည်။

ဤတင်စားချက်အရ CPU (LLM) သည် အလွန်စွမ်းဆောင်ရည်မြင့်မားသော်လည်း ၎င်းတွင် သီးခြားအလုပ်တစ်ခုအတွက် အမြဲတမ်းမှတ်ဉာဏ် (Permanent Memory) မရှိပါ။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် RAM (Context Window) ထဲသို့ အလုပ်နှင့်သက်ဆိုင်သော အချက်အလက်များကို မှန်ကန်စွာ ထည့်သွင်းပေးမှသာ LLM သည် ထိုအလုပ်ကို ထိရောက်စွာ လုပ်ဆောင်နိုင်မည် ဖြစ်သည်။

၂။ Chatting (Prompting) နှင့် Context Engineering တို့၏ ကွာခြားချက်

ကျွန်ုပ်တို့သည် ChatGPT ကဲ့သို့ Chatbot များနှင့် စကားပြောဆိုရာတွင် (Prompting) အပြန်အလှန် မေးမြန်းရင်း အဖြေကို ရှာဖွေနိုင်သော်လည်း၊ AI Agent သို့မဟုတ် Agentic Application များ တည်ဆောက်ရာတွင်မူ (Context Engineering) အခြေအနေအားလုံးကို ကြိုတင်တွက်ချက်ထားသည့် ညွှန်ကြားချက်များကို တစ်ကြိမ်တည်းဖြင့် ပြည့်စုံစွာ ပေးရလေ့ရှိသည်။

AI Agent များသည် အသုံးပြုသူနှင့် အပြန်အလှန် စကားပြောနေရန် မလိုဘဲ ပေးထားသော ညွှန်ကြားချက်များအတိုင်း ရှုပ်ထွေးသော အလုပ်များကို ကိုယ်တိုင် ပြီးမြောက်အောင် လုပ်ဆောင်ရခြင်း ဖြစ်သောကြောင့် Context Engineering သည် ပိုမိုအရေးပါလာခြင်း ဖြစ်သည်။

၃။ AI Agent တစ်ခု၏ အခြေခံ အစိတ်အပိုင်း ၆ ခုနှင့် Burger Analogy

AI Agent တစ်ခု ဖြစ်မြောက်လာရန် အောက်ပါ အစိတ်အပိုင်း ၆ ခုသည် အခြေခံ အုတ်မြစ်များ ဖြစ်ကြသည်။

1. Model: GPT, Claude သို့မဟုတ် Gemini ကဲ့သို့သော AI ၏ ဦးနှောက်။
2. Tools: ပြင်ပစနစ်များနှင့် ချိတ်ဆက်လုပ်ဆောင်ရန် (ဥပမာ - Google Calendar သုံးခြင်း သို့မဟုတ် Web Search လုပ်ခြင်း)။
3. Knowledge & Memory: ယခင်ပြောဆိုချက်များကို မှတ်မိခြင်း သို့မဟုတ် သီးခြားအချက်အလက်များကို သိမ်းဆည်း/ပြန်ထုတ်ခြင်း။
4. Audio & Speech: AI ကို ပိုမိုသဘာဝကျစွာ အပြန်အလှန် ပြောဆိုနိုင်စေသည့် အသံစနစ်။
5. Guardrails: မသင့်လျော်သော အပြုအမူများ မလုပ်ရန် တားဆီးပေးသည့် ဘေးကင်းရေး ယန္တရား။
6. Orchestration: Agent ကို လက်တွေ့အသုံးပြုရန် Deploy လုပ်ခြင်း၊ စောင့်ကြည့်ခြင်း (Monitoring) နှင့် အချိန်နှင့်အမျှ ပိုမိုကောင်းမွန်အောင် ပြုပြင်ခြင်း (Improving)။

၄။ လက်တွေ့ Context Engineering (AI Research Assistant)

Professional Context Engineering တွင် "Vibe Coding" အဆင့်ထက် ကျော်လွန်၍ XML Tags များနှင့် JSON Format များကို စနစ်တကျ အသုံးပြုရသည်။ အောက်ပါတို့သည် AI Research Assistant တစ်ခုအတွက် စနစ်တကျ တည်ဆောက်ထားသော System Prompt ၏ အစိတ်အပိုင်းများ ဖြစ်သည်။

(က) XML Tags များဖြင့် Input ကို ခွဲခြားခြင်း

AI အနေဖြင့် အချက်အလက်များကို ရှုပ်ထွေးမှုမရှိဘဲ သတ်သတ်မှတ်မှတ် ဖတ်နိုင်ရန် အဖွင့်အပိတ် Tag များ အသုံးပြုရမည်။

<text>
AI နည်းပညာ၏ နောက်ဆုံးပေါ် အပြောင်းအလဲများကို ရှာဖွေပေးပါ။
</text>

(ခ) တိကျသော လမ်းညွှန်ချက်များ (Step-by-Step Instructions)

1. User Query ကို သေချာဆန်းစစ်ပြီး သီးခြားလုပ်ငန်းခွဲငယ်များ (Diverse subtasks) အဖြစ် ခွဲထုတ်ရန်။
2. Engagement (Views, Likes) နှင့် Authority (Publication reputation) အပေါ် မူတည်၍ ဦးစားပေးအဆင့် သတ်မှတ်ရန်။
3. သတ်မှတ်ထားသော JSON Format အတိုင်း Output ထုတ်ပေးရန်။
4. သတ်မှတ်ထားသော Time Period အတွက် UTC ISO format ဖြင့် Start Date နှင့် End Date ကို တိကျစွာ တွက်ချက်ရန်။
5. တွေ့ရှိချက်အားလုံးကို စာလုံးရေ ၃၀၀ မကျော်ဘဲ (300 words max) အနှစ်ချုပ် တင်ပြရန်။

(ဂ) JSON Output Schema (Engineering Precision)

ထုတ်လုပ်လိုက်သော Output သည် အခြား System များက အလိုအလျောက် ဖတ်ရှုအသုံးပြုနိုင်ရန် အောက်ပါအတိုင်း တိကျသော Schema ပုံစံဖြင့် ထွက်ရှိရမည်။

{
  "id": "1",
  "query": "Sub-topic related to AI agents",
  "source_type": "News/Reddit/X",
  "time_period": "1-10 days",
  "domain_focus": "Technology/Science",
  "priority": "1 to 10",
  "start_date": "YYYY-MM-DDTHH:mm:ssZ",
  "end_date": "YYYY-MM-DDTHH:mm:ssZ"
}

ကန့်သတ်ချက်များ (Constraints): "လွန်ခဲ့သော ၁၀ ရက်အတွင်း ထုတ်ဝေခဲ့သော အချက်အလက်များကိုသာ အနှစ်ချုပ်ရန်" နှင့် "မိမိ၏ ကိုယ်ပိုင် အမြင်များကို လုံးဝမထည့်သွင်းရန်" ကဲ့သို့သော ကန့်သတ်ချက်များသည် Context Engineering တစ်ခု၏ အရေးကြီးသော အစိတ်အပိုင်း ဖြစ်သည်။

💡 Expert Tip: လက်တွေ့ လုပ်ငန်းခွင်တွင် ဤကဲ့သို့ ရှုပ်ထွေးသော အလုပ်များကို Prompt တစ်ခုတည်းဖြင့် မလုပ်ဘဲ Searching အတွက် Agent တစ်ခု၊ Summarizing အတွက် Agent တစ်ခုဟူ၍ Multi-agent system အဖြစ် သီးသန့်ခွဲခြား တည်ဆောက်လေ့ရှိသည်။

၅။ အဆင့်မြင့် Context Engineering နည်းဗျူဟာများနှင့် အခြေခံမူများ

အဆင့်မြင့် Agent စနစ်များ တည်ဆောက်ရာတွင် Cognition နှင့် LangChain တို့မှ အကြံပြုထားသော အခြေခံမူများကို လိုက်နာသင့်သည်။

(က) Cognition ၏ အခြေခံမူများ

• Always share context: Agent များအကြား အချက်အလက်များကို အမြဲတစေ မျှဝေနေရမည်။
• Awareness of Decision Points: Agent ၏ လုပ်ဆောင်ချက်တိုင်းတွင် ဆုံးဖြတ်ချက်များ (Implicit decisions) ပါဝင်နေသဖြင့် စနစ်တည်ဆောက်ပုံတွင် ထိုအချက်များကို ဂရုစိုက်ရမည်။

(ခ) LangChain ၏ နည်းဗျူဟာ ၄ ခု (Strategies)

1. Writing context: AI ကိုယ်တိုင်က နောက်ပိုင်းတွင် ပြန်လည်အသုံးပြုရန် အချက်အလက်များကို မှတ်သားထားစေခြင်း။
   👉 So what? - ၎င်းသည် AI အား အချိန်ကြာမြင့်စွာ လုပ်ဆောင်ရသော လုပ်ငန်းစဉ်များတွင် အဆက်အစပ် မပြတ်စေရန် (Continuity) ကူညီပေးသည်။
2. Selecting context: လိုအပ်သော အချက်အလက်များကိုသာ ပြင်ပရင်းမြစ်များမှ ရွေးချယ်ထုတ်ယူခြင်း။
   👉 So what? - လိုအပ်သော အချက်အလက်များကိုသာ ရွေးချယ်ခြင်းဖြင့် ပိုမိုတိကျသော ရလဒ်များ ရရှိစေသည်။
3. Compressing context: များပြားလှသော အချက်အလက်များကို လိုရင်းတိုရှင်း ဖြစ်အောင် ချုံ့ပစ်ခြင်း။
   👉 So what? - အကန့်အသတ်ရှိသော RAM (Context Window) ထဲတွင် မလိုအပ်သော ဆူညံသံ (Noise) များကို ဖယ်ရှားပြီး အရေးကြီးသော အချက်အလက်များကိုသာ အာရုံစိုက်စေသည်။
4. Isolating context: အချက်အလက်များကို သီးခြား ပတ်ဝန်းကျင်များအလိုက် ခွဲခြားထားခြင်း။
   👉 So what? - မတူညီသော အလုပ်များကို သီးခြားခွဲထုတ်ထားခြင်းဖြင့် AI ၏ ထင်ယောင်ထင်မှားဖြစ်မှု (Hallucination) နှင့် အချက်အလက် ရောထွေးမှုများကို ကာကွယ်ပေးသည်။

၆။ အနှစ်ချုပ်နှင့် ကိုယ်တိုင်စစ်ဆေးခြင်း (Assessment)