AI-сообщество все чаще говорит не о промпт-инжиниринге, а о контекст-инжиниринге.
Такой подход помогает управлять всей информацией, с которой работает LLM. Это особенно важно для AI-агентов, которые принимают решения на основе множества данных.
Вот с какими проблемами могут сталкиваться AI-агенты
➡️ confusion — путаться в информации
➡️ distraction — отвлекаться на лишнее
➡️ poisoning — в контекст подмешивают вредоносные инструкции
➡️ clash — сталкиваться с противоречиями
Вот как это можно исправить
1️⃣ RAG
Добавляет актуальную информацию из вашей базы знаний. Чтобы отбирать только релевантные данные используют ранкеры и стратегии построения RAG. Обогатить модель вашими данными можно с сервисом Evolution Managed RAG.
2️⃣ Memory
Управление памятью поможет сохранить контекст диалога и промежуточных результатов выполнения задач.
3️⃣ Task Decomposition
Сложные задачи можно разбить на шаги. Это делают не только люди, но и агенты-планировщики.
4️⃣ Определение инструментов
Объяснить, какие инструменты есть у агента и зачем они нужны.
5️⃣ Few-shot Examples
Показать 2–5 примеров: входные данные, решение и результат. Это поможет агенту понять, как решать конкретную задачу, без дообучения.
Протестируйте на практике
Создать своего агента и проверить на нем context engineering можно в Evolution AI Agents🖱