README.md

วิศวกรรมบริบท: แนวคิดใหม่ในระบบนิเวศ MCP

ภาพรวม

วิศวกรรมบริบทเป็นแนวคิดใหม่ในวงการ AI ที่มุ่งเน้นการสำรวจวิธีการจัดโครงสร้าง ส่งมอบ และรักษาข้อมูลในระหว่างการโต้ตอบระหว่างลูกค้าและบริการ AI เมื่อระบบนิเวศ Model Context Protocol (MCP) มีการพัฒนา การเข้าใจวิธีการจัดการบริบทอย่างมีประสิทธิภาพจึงมีความสำคัญมากขึ้น โมดูลนี้จะแนะนำแนวคิดของวิศวกรรมบริบทและสำรวจการประยุกต์ใช้ในระบบ MCP

วัตถุประสงค์การเรียนรู้

เมื่อจบโมดูลนี้ คุณจะสามารถ:

• เข้าใจแนวคิดใหม่ของวิศวกรรมบริบทและบทบาทที่อาจเกิดขึ้นในแอปพลิเคชัน MCP
• ระบุความท้าทายสำคัญในด้านการจัดการบริบทที่การออกแบบโปรโตคอล MCP มุ่งแก้ไข
• สำรวจเทคนิคในการปรับปรุงประสิทธิภาพของโมเดลผ่านการจัดการบริบทที่ดีขึ้น
• พิจารณาแนวทางในการวัดและประเมินประสิทธิภาพของบริบท
• นำแนวคิดใหม่เหล่านี้ไปใช้เพื่อปรับปรุงประสบการณ์ AI ผ่านกรอบ MCP

บทนำสู่วิศวกรรมบริบท

วิศวกรรมบริบทเป็นแนวคิดใหม่ที่มุ่งเน้นการออกแบบและจัดการการไหลของข้อมูลระหว่างผู้ใช้ แอปพลิเคชัน และโมเดล AI อย่างตั้งใจ แตกต่างจากสาขาที่มีอยู่ เช่น การออกแบบคำสั่ง (prompt engineering) วิศวกรรมบริบทยังอยู่ในขั้นตอนการกำหนดโดยผู้ปฏิบัติงานที่ทำงานเพื่อแก้ไขความท้าทายเฉพาะในการให้ข้อมูลที่เหมาะสมแก่โมเดล AI ในเวลาที่เหมาะสม

เมื่อโมเดลภาษาขนาดใหญ่ (LLMs) มีการพัฒนา ความสำคัญของบริบทก็ชัดเจนมากขึ้น คุณภาพ ความเกี่ยวข้อง และโครงสร้างของบริบทที่เรามอบให้ส่งผลโดยตรงต่อผลลัพธ์ของโมเดล วิศวกรรมบริบทสำรวจความสัมพันธ์นี้และมุ่งพัฒนาหลักการสำหรับการจัดการบริบทอย่างมีประสิทธิภาพ

"ในปี 2025 โมเดลที่มีอยู่จะฉลาดมาก แต่แม้แต่คนที่ฉลาดที่สุดก็ไม่สามารถทำงานได้อย่างมีประสิทธิภาพหากไม่มีบริบทของสิ่งที่พวกเขาถูกขอให้ทำ... 'วิศวกรรมบริบท' เป็นระดับถัดไปของการออกแบบคำสั่ง มันเกี่ยวกับการทำสิ่งนี้โดยอัตโนมัติในระบบที่มีการเปลี่ยนแปลง" — Walden Yan, Cognition AI

วิศวกรรมบริบทอาจครอบคลุม:

1. การเลือกบริบท: การกำหนดว่าข้อมูลใดมีความเกี่ยวข้องกับงานที่กำหนด
2. การจัดโครงสร้างบริบท: การจัดระเบียบข้อมูลเพื่อเพิ่มความเข้าใจของโมเดล
3. การส่งมอบบริบท: การปรับปรุงวิธีและเวลาที่ข้อมูลถูกส่งไปยังโมเดล
4. การรักษาบริบท: การจัดการสถานะและวิวัฒนาการของบริบทเมื่อเวลาผ่านไป
5. การประเมินบริบท: การวัดและปรับปรุงประสิทธิภาพของบริบท

จุดเน้นเหล่านี้มีความเกี่ยวข้องโดยเฉพาะกับระบบนิเวศ MCP ซึ่งให้วิธีการมาตรฐานสำหรับแอปพลิเคชันในการให้บริบทแก่ LLMs

มุมมองการเดินทางของบริบท

วิธีหนึ่งในการมองเห็นวิศวกรรมบริบทคือการติดตามเส้นทางที่ข้อมูลเดินทางผ่านระบบ MCP:

graph LR
    A[User Input] --> B[Context Assembly]
    B --> C[Model Processing]
    C --> D[Response Generation]
    D --> E[State Management]
    E -->|Next Interaction| A
    
    style A fill:#A8D5BA,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style B fill:#7FB3D5,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style C fill:#F5CBA7,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style D fill:#C39BD3,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style E fill:#F9E79F,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold

Loading

ขั้นตอนสำคัญในเส้นทางบริบท:

1. ข้อมูลจากผู้ใช้: ข้อมูลดิบจากผู้ใช้ (ข้อความ รูปภาพ เอกสาร)
2. การประกอบบริบท: การรวมข้อมูลจากผู้ใช้กับบริบทของระบบ ประวัติการสนทนา และข้อมูลที่ดึงมาอื่น ๆ
3. การประมวลผลโดยโมเดล: โมเดล AI ประมวลผลบริบทที่ประกอบขึ้น
4. การสร้างคำตอบ: โมเดลสร้างผลลัพธ์ตามบริบทที่ให้มา
5. การจัดการสถานะ: ระบบอัปเดตสถานะภายในตามการโต้ตอบ

มุมมองนี้เน้นลักษณะการเปลี่ยนแปลงของบริบทในระบบ AI และตั้งคำถามสำคัญเกี่ยวกับวิธีการจัดการข้อมูลให้ดีที่สุดในแต่ละขั้นตอน

หลักการใหม่ในวิศวกรรมบริบท

เมื่อสาขาวิศวกรรมบริบทเริ่มเป็นรูปเป็นร่าง หลักการบางประการเริ่มปรากฏขึ้นจากผู้ปฏิบัติงาน หลักการเหล่านี้อาจช่วยแจ้งทางเลือกในการใช้งาน MCP:

หลักการที่ 1: แบ่งปันบริบทอย่างสมบูรณ์

บริบทควรถูกแบ่งปันอย่างสมบูรณ์ระหว่างทุกองค์ประกอบของระบบแทนที่จะกระจายไปยังตัวแทนหรือกระบวนการหลายตัว เมื่อบริบทถูกกระจาย การตัดสินใจที่ทำในส่วนหนึ่งของระบบอาจขัดแย้งกับการตัดสินใจที่ทำในส่วนอื่น

graph TD
    subgraph "Fragmented Context Approach"
    A1[Agent 1] --- C1[Context 1]
    A2[Agent 2] --- C2[Context 2]
    A3[Agent 3] --- C3[Context 3]
    end
    
    subgraph "Unified Context Approach"
    B1[Agent] --- D1[Shared Complete Context]
    end
    
    style A1 fill:#AED6F1,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style A2 fill:#AED6F1,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style A3 fill:#AED6F1,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style B1 fill:#A9DFBF,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style C1 fill:#F5B7B1,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style C2 fill:#F5B7B1,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style C3 fill:#F5B7B1,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold
    style D1 fill:#D7BDE2,stroke:#000000,stroke-width:2px,color:#000000,font-weight:bold

Loading

ในแอปพลิเคชัน MCP สิ่งนี้แนะนำให้ออกแบบระบบที่บริบทไหลผ่านไปยังทุกส่วนของกระบวนการอย่างไร้รอยต่อแทนที่จะถูกแบ่งแยก

หลักการที่ 2: ตระหนักว่าการกระทำมีการตัดสินใจโดยนัย

การกระทำแต่ละอย่างที่โมเดลทำมีการตัดสินใจโดยนัยเกี่ยวกับวิธีการตีความบริบท เมื่อองค์ประกอบหลายตัวทำงานบนบริบทที่แตกต่างกัน การตัดสินใจโดยนัยเหล่านี้อาจขัดแย้งกัน ส่งผลให้เกิดผลลัพธ์ที่ไม่สอดคล้องกัน

หลักการนี้มีผลกระทบสำคัญต่อแอปพลิเคชัน MCP:

• เลือกการประมวลผลเชิงเส้นสำหรับงานที่ซับซ้อนแทนการดำเนินการแบบขนานที่มีบริบทกระจัดกระจาย
• ตรวจสอบให้แน่ใจว่าจุดตัดสินใจทั้งหมดสามารถเข้าถึงข้อมูลบริบทเดียวกัน
• ออกแบบระบบที่ขั้นตอนต่อมาสามารถเห็นบริบททั้งหมดของการตัดสินใจในขั้นตอนก่อนหน้า

หลักการที่ 3: สมดุลความลึกของบริบทกับข้อจำกัดของหน้าต่าง

เมื่อการสนทนาและกระบวนการยาวขึ้น หน้าต่างบริบทจะล้นในที่สุด วิศวกรรมบริบทที่มีประสิทธิภาพสำรวจแนวทางในการจัดการความตึงเครียดระหว่างบริบทที่ครอบคลุมและข้อจำกัดทางเทคนิค

แนวทางที่อาจถูกสำรวจ ได้แก่:

• การบีบอัดบริบทที่รักษาข้อมูลสำคัญในขณะที่ลดการใช้โทเค็น
• การโหลดบริบทแบบก้าวหน้าตามความเกี่ยวข้องกับความต้องการปัจจุบัน
• การสรุปปฏิสัมพันธ์ก่อนหน้าในขณะที่รักษาการตัดสินใจและข้อเท็จจริงสำคัญ

ความท้าทายด้านบริบทและการออกแบบโปรโตคอล MCP

Model Context Protocol (MCP) ถูกออกแบบโดยคำนึงถึงความท้าทายเฉพาะของการจัดการบริบท การเข้าใจความท้าทายเหล่านี้ช่วยอธิบายแง่มุมสำคัญของการออกแบบโปรโตคอล MCP:

ความท้าทายที่ 1: ข้อจำกัดของหน้าต่างบริบท

โมเดล AI ส่วนใหญ่มีขนาดหน้าต่างบริบทคงที่ จำกัดจำนวนข้อมูลที่สามารถประมวลผลได้ในครั้งเดียว

การตอบสนองการออกแบบ MCP:

• โปรโตคอลรองรับบริบทที่มีโครงสร้างและอ้างอิงทรัพยากรได้อย่างมีประสิทธิภาพ
• ทรัพยากรสามารถแบ่งหน้าและโหลดแบบก้าวหน้า

ความท้าทายที่ 2: การกำหนดความเกี่ยวข้อง

การกำหนดว่าข้อมูลใดมีความเกี่ยวข้องที่สุดที่จะรวมในบริบทเป็นเรื่องยาก

การตอบสนองการออกแบบ MCP:

• เครื่องมือที่ยืดหยุ่นช่วยให้สามารถดึงข้อมูลแบบไดนามิกตามความต้องการ
• คำสั่งที่มีโครงสร้างช่วยให้การจัดระเบียบบริบทมีความสม่ำเสมอ

ความท้าทายที่ 3: ความคงอยู่ของบริบท

การจัดการสถานะข้ามการโต้ตอบต้องการการติดตามบริบทอย่างรอบคอบ

การตอบสนองการออกแบบ MCP:

• การจัดการเซสชันที่ได้มาตรฐาน
• รูปแบบการโต้ตอบที่กำหนดไว้อย่างชัดเจนสำหรับวิวัฒนาการของบริcontext
• Model Context Protocol Website
• Model Context Protocol Specification
• MCP Documentation
• MCP C# SDK
• MCP Python SDK
• MCP TypeScript SDK
• MCP Inspector - เครื่องมือทดสอบแบบภาพสำหรับเซิร์ฟเวอร์ MCP

บทความเกี่ยวกับวิศวกรรมบริบท

• อย่าสร้าง Multi-Agents: หลักการของวิศวกรรมบริบท - มุมมองของ Walden Yan เกี่ยวกับหลักการวิศวกรรมบริบท
• คู่มือปฏิบัติในการสร้าง Agents - คู่มือของ OpenAI เกี่ยวกับการออกแบบ Agents อย่างมีประสิทธิภาพ
• การสร้าง Agents ที่มีประสิทธิภาพ - วิธีการของ Anthropic ในการพัฒนา Agents

งานวิจัยที่เกี่ยวข้อง

• Dynamic Retrieval Augmentation for Large Language Models - งานวิจัยเกี่ยวกับวิธีการดึงข้อมูลแบบไดนามิก
• Lost in the Middle: How Language Models Use Long Contexts - งานวิจัยสำคัญเกี่ยวกับรูปแบบการประมวลผลบริบท
• Hierarchical Text-Conditioned Image Generation with CLIP Latents - เอกสาร DALL-E 2 ที่มีข้อมูลเชิงลึกเกี่ยวกับการจัดโครงสร้างบริบท
• Exploring the Role of Context in Large Language Model Architectures - งานวิจัยล่าสุดเกี่ยวกับการจัดการบริบท
• Multi-Agent Collaboration: A Survey - งานวิจัยเกี่ยวกับระบบ Multi-Agent และความท้าทายที่เกี่ยวข้อง

แหล่งข้อมูลเพิ่มเติม

• เทคนิคการปรับแต่ง Context Window
• เทคนิค RAG ขั้นสูง
• เอกสาร Semantic Kernel
• AI Toolkit สำหรับการจัดการบริบท

สิ่งที่จะเกิดขึ้นต่อไป

• 5.15 MCP Custom Transport

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้