(ចុចរូបភាពខាងលើ ដើម្បីមើលវីដេអូសម្រាប់មេរៀននេះ)
ការយល់ដឹងពីភាពស្មុគស្មាញនៃកម្មវិធីដែលអ្នកកំពុងសាងសង់សម្រាប់ភ្នាក់ងារ AI មានសារៈសំខាន់ក្នុងការបង្កើតភ្នាក់ងារដែលអាចទុកចិត្តបាន។ យើងត្រូវបង្កើតភ្នាក់ងារ AI ដើម្បីគ្រប់គ្រងព័ត៌មានយ៉ាងមានប្រសិទ្ធភាព ដើម្បីដោះស្រាយតម្រូវការស្មុគស្មាញដែលលើសពីការបញ្ចូល prompt ជាទៀងទាត់។
ក្នុងមេរៀននេះ យើងនឹងពិភាក្សាអំពីអ្វីទៅជាវិស្វកម្មបរិបទ និងតួនាទីរបស់វាក្នុងការសាងសង់ភ្នាក់ងារ AI។
មេរៀននេះនឹងគ្របដណ្តប់៖
• អ្វីទៅជាវិស្វកម្មបរិបទ និងមូលហេតុដែលវាផ្សេងពី prompt engineering។
• យុទ្ធសាស្ត្រសម្រាប់វិស្វកម្មបរិបទដែលមានប្រសិទ្ធភាព រួមទាំង របៀបសរសេរ ជ្រើសយក សង្ខេប និងអង្គរក្សព័ត៌មាន។
• ការបរាជ័យបរិបទទូទៅ ដែលអាចបំផ្លាញភ្នាក់ងាររបស់អ្នក និងរបៀបកែប្រែបញ្ហាទាំងនេះ។
បន្ទាប់ពីបញ្ចប់មេរៀននេះ អ្នកនឹងដឹង និងយល់ដឹងពីរបៀប:
• កំណត់និយមន័យវិស្វកម្មបរិបទ និងបំបែកវាពី prompt engineering។
• សម្គាល់តម្លាភាពសំខាន់ៗនៃបរិបទ ក្នុងកម្មវិធីប្រើប្រាស់ម៉ូដែលភាសាធំ (LLM)។
• អនុវត្តយុទ្ធសាស្ត្រសម្រាប់សរសេរ ជ្រើសយក សង្ខេប និងអង្គរក្សបរិបទ ដើម្បីធ្វើឱ្យប្រសិទ្ធភាពភ្នាក់ងារ កាន់តែប្រសើរ។
• កាលិតសម្គាល់ការបរាជ័យបរិបទទូទៅ ដូចជា ការប៉ោយ្ស និងការរអាក់រាក់ (poisoning, distraction, confusion, clash) ហើយអនុវត្តបច្ចេកទេសបន្សាប។
សម្រាប់ភ្នាក់ងារ AI, បរិបទគឺជាអ្វីដែលជំរុញការធ្វើប្លង់របស់ភ្នាក់ងារឲ្យចាត់វិធានការ។ វិស្វកម្មបរិបទគឺជាព្រឹត្តិការណ៍ក្នុងការធានាថាភ្នាក់ងារ AI មានព័ត៌មានត្រឹមត្រូវសម្រាប់បញ្ចប់ជំហាន់បន្ទាប់នៃភារកិច្ច។ បញ្អាកម្មប្រហែល(context window) មានទំហំកំណត់ ដូច្នេះជាអ្នកសាងសង់ភ្នាក់ងារ យើងត្រូវបង្កើតប្រព័ន្ធ និងដំណើរការដើម្បីគ្រប់គ្រងការបន្ថែម ការទាញចេញ និងការសង្ខេបព័ត៌មានក្នុងបញ្អាកម្ម។
Prompt engineering ផ្តោតលើសំណុំហត្ថការណ៍ថេរមួយ ដើម្បីណែនាំភ្នាក់ងារ AI ដោយមានសំណុំច្បាប់ជាក់លាក់។ វិស្វកម្មបរិបទគឺជាវិធីក្នុងការគ្រប់គ្រងសំណុំព័ត៌មានរូបមន្តដែលមានលក្ខណៈដណ្ដើម (dynamic) រួមទាំង promptដើម ដើម្បីធានាថាភ្នាក់ងារ AI មានអ្វីដែលខ្លាំងគ្រប់ពេលវេលា។ គំនិតសំខាន់នៃវិស្វកម្មបរិបទគឺធ្វើឱ្យដំណើរការនេះអាចធ្វើឡើងបានម្តងទៀត និងទុកចិត្តបាន។
មានសារៈសំខាន់ក្នុងការចងចាំថាបរិបទមិនមែនជារឿងតែមួយទេ។ ព័ត៌មានដែលភ្នាក់ងារ AI ត្រូវការអាចមកពីប្រភពផ្សេងៗ ហើយវាជាការទទួលខុសត្រូវរបស់យើងក្នុងការធានាថាភ្នាក់ងារអាចចូលដល់ប្រភពទាំងនោះ៖
ប្រភេទបរិបទដែលភ្នាក់ងារ AI ប្រហែលជាត្រូវគ្រប់គ្រងរួមមាន៖
• សេចក្ដីណែនាំ៖ នេះដូចជា "ច្បាប់" របស់ភ្នាក់ងារ – prompts, system messages, few-shot examples (បង្ហាញម៉ូដែលធ្វើរបស់មួយត្រឹមត្រូវ), និងការពិពណ៌នាអំពីឧបករណ៍ដែលវាអាចប្រើ។ នេះជាកន្លែងដែលការយកចិត្តទុកដាក់ទין prompt engineering ផ្គុំទៅជាមួយវិស្វកម្មបរិបទ។
• ចំណេះដឹង៖ នេះគ្របដណ្តប់ពីចំណុចពិត ព័ត៌មានដែលទាញចេញពីទិន្នន័យកត់ត្រា ឬអង្គចងចាំដ៏ឆាប់ចាំរបស់ភ្នាក់ងារ។ នេះរួមបញ្ចូលការបញ្ចូលប្រព័ន្ធ Retrieval Augmented Generation (RAG) ប្រសិនបើភ្នាក់ងារត្រូវការចូលដំណើរការទៅឃ្លាំងចំណេះដឹង និងមូលដ្ឋានទិន្នន័យផ្សេងៗ។
• ឧបករណ៍៖ នេះគឺជាការពិពណ៌នាអំពីមុខងារផ្ទៃខាងក្រៅ, APIs និង MCP Servers ដែលភ្នាក់ងារអាចហៅ និងនឹងទទួលបានមតិយោបល់ (លទ្ធផល) ពីការប្រើប្រាស់ពួកវា។
• ប្រវត្តិការសន្ទនា៖ ការពិភាក្សានឹងអ្នកប្រើនៅក្នុងរយៈពេលមួយ។ ជាមួយពេលវេលា ការសន្ទនាទាំងនេះកាន់តែវែង និងស្មុគស្មាញ ដែលមានន័យថាវាយកកន្លែងក្នុងបញ្អាកម្ម។
• ចំណូលចិត្តអ្នកប្រើ៖ ព័ត៌មានដែលបានរៀនអំពីអ្វីដែលអ្នកប្រើចូលចិត្ត ឬមិនចូលចិត្តនៅក្នុងរយៈពេល។ អ្នកអាចរក្សាទុក និងហៅវិញពេលធ្វើចំណាត់កើតសំខាន់ៗដើម្បីជួយអ្នកប្រើ។
វិស្វកម្មបរិបទល្អចាប់ផ្តើមដោយការធ្វើផែនការល្អ។ នេះជាវិធីសាស្ត្រមួយដែលនឹងជួយអ្នកចាប់ផ្តើមគិតពីរបៀបអនុវត្តគំនិតវិស្វកម្មបរិបទ៖
-
កំណត់លទ្ធផលឱ្យច្បាស់ - លទ្ធផលនៃភារកិច្ចដែលភ្នាក់ងារ AI នឹងត្រូវបានលោកហៅគួរត្រូវបានកំណត់យ៉ាងច្បាស់។ បម្លែងសំនួរ - "ពិភពលោកនឹងមានរូបរាងយ៉ាងដូចម្តេច នៅពេលដែលភ្នាក់ងារ AI បញ្ចប់ភារកិច្ចរបស់វា?" ក្នុងព្យុយថា ព័ត៌មាន ឬឆ្លើយតបទាំងអស់ដែលអ្នកប្រើគួរត្រូវបានទទួលក្រោយពេលមានការទំនាក់ទំនងជាមួយភ្នាក់ងារ AI។
-
ផែនទីបរិបទ - ពេលដែលអ្នកបានកំណត់លទ្ធផលរួច អ្នកត្រូវដឹងថា "ព័ត៌មានអ្វីដែលភ្នាក់ងារ AI ត្រូវការដើម្បីបញ្ចប់ភារកិច្ចនេះ?" តាមរយៈវិធីនេះ អ្នកអាចចាប់ផ្តើមផែនទីបរិបទថាអ្នកអាចរកព័ត៌មាននោះនៅឯណា។
-
បង្កើតបំពង់បរិបទ (Context Pipelines) - ឥឡូវនេះដែលអ្នកដឹងថាព័ត៌មានស្ថិតនៅឯណា អ្នកត្រូវឆ្លើយសំនួរ "តើភ្នាក់ងារនឹងទទូលព័ត៌មាននេះដូចម្តេច?"។ នេះអាចធ្វើបានដោយវិធីជាច្រើន រួមទាំង RAG, ការប្រើប្រាស់ម៉ាស៊ីន MCP និងឧបករណ៍ផ្សេងៗ។
ការធ្វើផែនការសំខាន់ ប៉ុន្តែពេលព័ត៌មានចាប់ផ្តើមហូរចូលទៅក្នុងបញ្អាកម្មនៃភ្នាក់ងារ យើងត្រូវមានយុទ្ធសាស្ត្រអនុវត្តដែលអាចគ្រប់គ្រងវា:
ខណៈពេលដែលព័ត៌មានខ្លះៗនឹងត្រូវបន្ថែមទៅក្នុងបញ្អាកម្មដោយស្វ័យប្រវត្តិ វិស្វកម្មបរិបទពាក់ព័ន្ធនឹងការទទួលបន្ទុកសកម្មលើព័ត៌មាននេះ ដែលអាចធ្វើបានដោយយុទ្ធសាស្ត្រតិចតួចខាងក្រោម៖
-
Agent Scratchpad វាអនុញ្ញាតឱ្យភ្នាក់ងារ AI បញ្ចូលកំណត់ចំណាំអំពីព័ត៌មានដែលពាក់ព័ន្ធនឹងភារកិច្ចបច្ចុប្បន្ន និងការទំនាក់ទំនងរវាងអ្នកប្រើក្នុងសម័យមួយឯង។ វាគួរត្រូវបានរក្សាផុតពីបញ្អាកម្មនៅក្នុងឯកសារ ឬវត្ថុ runtime ដែលភ្នាក់ងារអាចយកវិញបានក្នុងសម័យនោះ ប្រសិនបើចាំបាច់។
-
Memories Scratchpads ល្អសម្រាប់គ្រប់គ្រងព័ត៌មានខាងក្រៅបញ្អាកម្មនៅក្នុងសម័យតែមួយ។ ចងចាំ (Memories) អនុញ្ញាតឱ្យភ្នាក់ងារផ្ទុក និងយកព័ត៌មានដែលពាក់ព័ន្ធឲ្យបានឡើងវិញក្នុងចន្លោះសម័យច្រើន។ នេះអាចរួមបញ្ចូលសេចក្តីសង្ខេប កំណត់ចំណូលចិត្តអ្នកប្រើ និងមតិយោបល់សម្រាប់ការកែលម្អអនាគត។
-
ការសង្ខេបបរិបទ ពេលបញ្អាកម្មធំឡើងនិងកំពុងជិតដល់ដែនកំណត់ វិធីសាស្ត្រដូចជាការសង្ខេប និងការកាត់បន្ថយអាចប្រើបាន។ នេះរួមបញ្ចូលការរក្សាទុកត្រឹមតែព័ត៌មានដែលពាក់ព័ន្ធចម្បង ឬការដកសារបញ្ហាចាស់ៗចេញ។
-
ប្រព័ន្ធភ្នាក់ងារច្រើន ការវិវឌ្ឍប្រព័ន្ធភ្នាក់ងារច្រើនគឺជារបៀបមួយនៃវិស្វកម្មបរិបទ ព្រោះភ្នាក់ងារមួយៗមានបញ្អាកម្មផ្ទាល់ខ្លួនរបស់ខ្លួន។ របៀបដែលបរិបទនោះត្រូវចែកចាយ និងបញ្ជូនទៅភ្នាក់ងារផ្សេងៗ គឺជាចំណុចត្រូវផែនការនៅពេលសាងសង់ប្រព័ន្ធទាំងនេះ។
-
បរិដ្ឋាន Sandbox ប្រសិនបើភ្នាក់ងារត្រូវរត់កូដមួយចំនួន ឬដំណើរការព័ត៌មានច្រើនក្នុងឯកសារ នេះអាចប្រើប្រាស់កោងភាគច្រើននៃ token ដើម្បីដំណើរការលទ្ធផល។ ជំនួសការផ្ទុកទាំងអស់នេះក្នុងបញ្អាកម្ម ភ្នាក់ងារអាចប្រើបរិដ្ឋាន sandbox ដែលអាចរត់កូដនេះ ហើយអានតែលទ្ធផល និងព័ត៌មានដែលពាក់ព័ន្ធប៉ុណ្ណោះ។
-
Runtime State Objects នេះធ្វើដោយបង្កើតធុងនៃព័ត៌មានដើម្បីគ្រប់គ្រងស្ថានភាពពេលដែលភ្នាក់ងារត្រូវការចូលដល់ព័ត៌មានជាក់លាក់។ សម្រាប់ភារកិច្ចស្មុគស្មាញ នេះនឹងអនុញ្ញាតឱ្យភ្នាក់ងារផ្ទុកលទ្ធផលនៃមុខងាររងនីមួយៗជាកដ្នោង ដើម្បីឲ្យបរិបទនៅតែភ្ជាប់ចំពោះមុខងាររងនិមួយៗនោះប៉ុណ្ណោះ។
សន្និដ្ឋានថាយើងចង់ឲ្យភ្នាក់ងារ AI "កក់ដំណើរកម្សាន្តទៅទីក្រុងប៉ារីសសម្រាប់ខ្ញុំ"
• ភ្នាក់ងារងាយស្រួលមួយប្រើតែ prompt engineering ប្រហែលតែឆ្លើយថា៖ "បាន ហើយ អ្នកចង់ទៅប៉ារីសនៅពេលណា?"។ វាប្រមូលតែសំណួរដែលអ្នកបានសួរពេលអ្នកបានសុំ។
• ភ្នាក់ងារដែលប្រើយុទ្ធសាស្ត្រវិស្វកម្មបរិបទដែលបានរៀបរាប់ នឹងធ្វើច្រើនជាងនេះ។ មុនពេលឆ្លើយ វាអាច:
◦ ពិនិត្យប្រតិចិចាលខេឡែនដារ ដើម្បីស្វែងរកកាលបរិច្ឆេទទំនេរ (ទាញទិន្នន័យពេលវេលាពិតប្រាកដ)។
◦ រំឮកចំណូលចិត្តដំណើរកម្សាន្តពីមុន (ពីអង្គចងចាំចម្ងាយ) ដូចជាហោះហើរដែលអ្នកចូលចិត្ត ប្រាក់កំណត់ជញ្ជក់ ឬថាតើអ្នកចូលចិត្តហោះផ្ទាល់ ឬអត់។
◦ សម្គាល់ឧបករណ៍ដែលអាចប្រើ សម្រាប់កក់សំបុត្រ និងសណ្ឋាគារ។
- បន្ទាប់មក ឧទាហរណ៍នៃចម្លើយអាចជា៖ "Hey [Your Name]! I see you're free the first week of October. Shall I look for direct flights to Paris on [Preferred Airline] within your usual budget of [Budget]?". ចម្លើយដែលមានបរិបទសម្បូរនេះបង្ហាញពីអំណាចនៃវិស្វកម្មបរិបទ។
វាជាអ្វី៖ ពេល hallucination (ព័ត៌មានមិនពិតដែលម៉ូដែលភាសាបង្កើត) ឬកំហុសចូលទៅក្នុងបរិបទ ហើយត្រូវបានយោងជាបន្តបន្ទាប់ ធ្វើឲ្យភ្នាក់ងារតាមស្វែងរកគោលដៅដែលមិនអាចសម្រេចបាន ឬបង្កើតយុទ្ធសាស្ត្រមិនមានអត្ថន័យ។
ត្រូវធ្វើយ៉ាងដូចម្តេច៖ អនុវត្ត context validation និង quarantine។ ពិនិត្យព័ត៌មានមុននឹងបន្ថែមវាទៅក្នុងអង្គចងចាំរយៈពេលវែង។ ប្រសិនបើមានការសង្ស័យថាមានការប៉ោយ្ស ការចាប់ផ្តើមខ្សែបរិបទថ្មីដើម្បីទប់ស្កាត់ព័ត៌មានខុស។
ឧទាហរណ៍កក់ដំណើរ: ភ្នាក់ងាររបស់អ្នកបាន hallucinate ថាមាន ហោះហើរផ្ទាល់ពីអាកាសយានដ្ឋានស្រុកតូចមួយទៅកាន់ទីក្រុងអន្តរជាតិឆ្ងាយ ដែលពិតប្រាកដមិនមានសេវាហោះហើរអន្តរជាតិ។ ព័ត៌មានហោះហើរមិនមាននេះត្រូវបានរក្សាទុកក្នុងបរិបទ។ បន្ទាប់មកពេលអ្នកសុំភ្នាក់ងារកក់ វាតែងព្យាយាមស្វែងរកសំបុត្រសម្រាប់ផ្លូវបិទនេះ ដែលនាំឲ្យកំហុសបន្តៗ។
ដំណោះស្រាយ៖ អនុវត្តជំហាន់មួយដែល ផ្ទៀងផ្ទាត់ការវត្តមាននិងមន្ត្រីថែមទាំងផ្លូវនៃហោះហើរជាមួយ API ពេលវេលាពិតប្រាកដ មុននឹងបន្ថែមព័ត៌មានហោះនោះទៅក្នុងបរិបទការងារ។ ប្រសិនបើការផ្ទៀងផ្ទាត់បរាជ័យ ព័ត៌មានខុសនោះត្រូវ "ចាក់ខ្ទប់" ហើយមិនត្រូវបានប្រើបន្ត។
វាជាអ្វី៖ ពេលដែលបរិបទធ្លាក់ធំក្មេងក៏ម៉ូដែលផ្តោតលើប្រវត្តិដែលបង្វិលនោះច្រើនពេក ដោយមិនប្រើអ្វីដែលវាបានរៀននៅពេលហ្វឹកហាត់ នាំឲ្យមានការធ្វើអ្វីម្តងៗ ឬអសមត្ថភាព។ ម៉ូដែលអាចចាប់ផ្តើមធ្វើកំហុស មុនពេលបញ្អាកម្មពេញផុត។
ត្រូវធ្វើយ៉ាងដូចម្តេច៖ ប្រើ context summarization។ ជាប្រចាំសង្ខេបព័ត៌មានដែលបានរក្សារជាអក្សរស្លឹកយ៉ាងខ្លី ដើម្បីរក្សាព័ត៌មានសំខាន់នៅខ្លះ និងដកអត្ថន័យដែលមិនចាំបាច់។ វាជួយ "កាត់បន្ថយ" ការផ្តោត។
ឧទាហរណ៍កក់ដំណើរ: អ្នកបានពិភាក្សាពីគោលដៅដំណើរកម្សាន្តជាច្រើនរយៈពេលយូរ រួមទាំងការរំពឹងពណ៌នាដ៏លម្អិតអំពីការធ្វើដំឡើងកញ្ចប់ចល័តពីពីរឆ្នាំកន្លងមក។ ពេលអ្នកក្នុងចុងក្រោយសុំ “ស្វែងរកសំបុត្រពីរថ្លៃសម្រាប់ខែក្រោយ” ភ្នាក់ងារ ត្រូវចាក់សំរាមនៅក្នុងព័ត៌មានចាស់ៗ ហើយតែងសួរអំពីឧបករណ៍កាប្លុង ឬផែនកំណត់ដំណើរកម្សាន្តចាស់ៗ ជំនួសការយកចិត្តទុកដាក់លើសំណើបច្ចុប្បន្ន។
ដំណោះស្រាយ៖ បន្ទាប់ពីចុចចំនួនជើងឬពេលបរិបទធំខ្លាំង ភ្នាក់ងារគួរតែ សង្ខេបផ្នែកថ្មីៗ និងពាក់ព័ន្ធបំផុតនៃសន្ទនា – ផ្តោតលើកាលបរិច្ឆេទ និងគោលដៅដំណើរកម្សាន្តបច្ចុប្បន្ន – ហើយប្រើសង្ខេបដែលត្រូវបានសុីចំអិននោះសម្រាប់ការហៅ LLM បន្ទាប់ ដើម្បីបោះបង់ការសន្ទនាដែលមិនពាក់ព័ន្ធ។
វាជាអ្វី៖ ពេលបរិបទដែលមិនចាំបាច់ ជាធម្មតាជាទម្រង់នៃឧបករណ៍ដែលមានច្រើន ពិបាកធ្វើឲ្យម៉ូដែលបង្កើតចម្លើយខូច ឬហៅឧបករណ៍មិនពាក់ព័ន្ធ។ ម៉ូដែលតូចៗមានភរិយាធ្វើខុសខ្លាំងក្នុងករណីនេះ។
ត្រូវធ្វើយ៉ាងដូចម្តេច៖ អនុវត្ត ការគ្រប់គ្រងចំណុះឧបករណ៍ (tool loadout management) ដោយប្រើវិធី RAG។ ទុកគណនីពិពណ៌នាឧបករណ៍ក្នុងទិន្នន័យវ៉ិចទ័រ និងជ្រើសយកតែឧបករណ៍ដែលពាក់ព័ន្ធបំផុតសម្រាប់ភារកិច្ចនីមួយៗ។ ការស្រាវជ្រាវបង្ហាញថាដាក់កំណត់ជ្រើសឧបករណ៍ឲ្យតិចជាង 30 នឹងល្អ។
ឧទាហរណ៍កក់ដំណើរ: ភ្នាក់ងាររបស់អ្នកមានការចូលដំណើរការទៅឧបករណ៍ជាច្រើនដូចជា book_flight, book_hotel, rent_car, find_tours, currency_converter, weather_forecast, restaurant_reservations, ល។ អ្នកសួរ "តើវិធីល្អបំផុតក្នុងការធ្វើដំណើរជាមួយនៅទីក្រុងប៉ារីសគឺអ្វី?" ពោលពីចំនួនឧបករណ៍យ៉ាងច្រើន ភ្នាក់ងារមានភាពច្របូកច្របល់ ហើយព្យាយាមហៅ book_flight ក្នុងលម្អិតនៅក្នុងប៉ារីស ឬ rent_car ទោះបីអ្នកចូលចិត្តដឹកជញ្ជូនសាធារណៈ ដោយសារពិពណ៌នាឧបករណ៍អាចជាប់គ្នា ឬវាមិនអាចកំណត់ឧបករណ៍ល្អបំផុតបាន។
ដំណោះស្រាយ៖ ប្រើ RAG លើការពិពណ៌នាឧបករណ៍។ ពេលអ្នកសួរអំពីរបៀបធ្វើដំណើរនៅប៉ារីស ប្រព័ន្ធនឹងទាញយកតែឧបករណ៍ដែលពាក់ព័ន្ធបំផុត ដូចជា rent_car ឬ public_transport_info ដ្រេកលើសំណួររបស់អ្នក ហើយបង្ហាញ "បញ្ជីឧបករណ៍" មួយដែលផ្ដោតចំណុចទៅ LLM។
វាជាអ្វី៖ ពេលមានព័ត៌មានបញ្ឆែកគ្នាក្នុងបរិបទ នាំឲ្យមានការគិតច្របូកច្របល់ ឬចម្លើយចុងក្រោយមិនល្អ។ នេះភាគច្រើនកើតឡើងពេលព័ត៌មានមកដល់ជាសំណាក និងការសន្មត្រចំបងខុសនៅដើមនៅតែស្ថិតនៅក្នុងបរិបទ។
ត្រូវធ្វើយ៉ាងដូចម្តេច៖ ប្រើ context pruning និង offloading។ Pruning មានន័យថាលុបព័ត៌មានចាស់ ឬអំពើដែលជំពាក់ជាមួយពេលថ្មីៗ។ Offloading ផ្តល់ឲ្យម៉ូដែលនូវកន្លែងបន្ថែម "scratchpad" ដើម្បីដំណើរការព័ត៌មានដោយមិនធ្វើអោយបរិបទដើមរំខាន។
ឧទាហរណ៍កក់ដំណើរ: ជាលក្ខខណ្ឌដើម អ្នកប្រាប់ភ្នាក់ងារថា "ខ្ញុំចង់ហោះថ្នាក់អេកូណូមី"។ បន្ទាប់មកនៅក្នុងសន្ទនាតទៅ អ្នកផ្លាស់ប្តូរចិត្ត និងនិយាយថា "ពិតជាហើយ សម្រាប់ដំណើរនេះ យើងទៅថ្នាក់អាជីវកម្ម"។ ប្រសិនបើនូវសេចក្តីណែនាំទាំងពីរនៅក្នុងបរិបទ ភ្នាក់ងារអាចទទួលលទ្ធផលស្វែងរកជំហាន០២ដែលស្របគ្នា ឬច្របូកច្របល់អំពីលំដាប់ដែលត្រូវផ្តល់អាទិភាព។
ដំណោះស្រាយ៖ អនុវត្ត context pruning។ បន្ទាប់មានការណែនាំថ្មីដែលធ្វើឲ្យមិនស្របនឹងមួយចាស់ នោះណែនាំចាស់ត្រូវបានលុបឬត្រូវបានលើកលែងដោយច្បាស់នៅក្នុងបរិបទ។ ជាជម្រើសផ្សេង អ្នកភ្នាក់ងារអាចប្រើ scratchpad ដើម្បីតងករណីចំណូលចិត្តដែលមានការបទព្រហ្ម និងធ្វើសេចក្តីសម្រេចចុងក្រោយ មុនពេលសម្រេច ដើម្បីធានាថាមានតែការណែនាំចុងក្រោយដែលមានសមត្ថភាពណែនាំសកម្មភាពរបស់វា។
ចូលរួមក្នុង Microsoft Foundry Discord ដើម្បីជួបអ្នករៀនផ្សេងៗ មកចូលរួមម៉ោងការិយាល័យ និងទទួលបានចម្លើយសម្រាប់សំណួរអំពីភ្នាក់ងារ AI របស់អ្នក។
ការមិនទទួលខុសត្រូវ: ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែដោយ AI Co-op Translator. ខណៈពេលដែលយើងខិតខំរកភាពត្រឹមត្រូវ សូមចំណាំថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមនៅក្នុងភាសាដើមគួរត្រូវបានចាត់ទុកថាជាប្រភពដែលត្រូវទុកចិត្ត។ សម្រាប់ព័ត៌មានដែលសំខាន់ យើងសូមណែនាំឱ្យប្រើការបកប្រែដោយមនុស្សវិជ្ជាជីវៈ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកពិឃោះខុសណាមួយដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះទេ។