Context Engineer: บทบาทใหม่ที่คนทำ AI ต้องรู้จัก เมื่อ Prompt Engineering ไม่เพียงพออีกต่อไป

“Context engineering is the delicate art and science of filling the context window with just the right information for the next step.” — Andrej Karpathy

คำพูดของคุณ Andrej Karpathy สะท้อนภาพอนาคตของวงการ AI ได้อย่างคมคาย ทุกวันนี้โลก AI ไปไกลกว่าแค่การเขียน prompt สวยๆ แล้ว เรากำลังเข้าสู่ยุคของการ “ออกแบบบริบท”

เพื่อให้เห็นภาพชัดเจนที่สุด ผมอยากให้ลองนึกถึงความแตกต่างนี้:

• Prompt Engineering คือ “สิ่งที่เราพูด” (What you say) กับโมเดล ซึ่งมักเป็นคำสั่งเดียวที่ค่อนข้างนิ่ง (static)
• Context Engineering คือ “ทุกอย่างที่โมเดลเห็น” (Everything else the model sees) ณ วินาทีที่มันต้องคิดและตอบสนอง

บทบาทใหม่ที่กำลังเกิดขึ้นจากแนวคิดนี้ก็คือ Context Engineer และนี่คือตำแหน่งที่คนในวงการเทคฯ ต้องจับตามองอย่างใกล้ชิด

Context Engineer คือใคร? และทำไมถึงสำคัญ?

Context Engineer คือคนที่รับผิดชอบการจัดการ “payload ข้อมูลทั้งหมดที่ป้อนให้กับ LLM ณ เวลาที่มันทำงาน” (complete information payload at inference time)

ทำไมสิ่งนี้ถึงสำคัญ? เพราะ LLM ก็เหมือนคนเรา มันมี “attention budget” หรือความสามารถในการจดจ่อที่จำกัด เมื่อเราป้อนข้อมูลเข้าไปเยอะเกินไป ประสิทธิภาพของโมเดลจะเริ่มลดลง หรือที่ Anthropic เรียกว่าปรากฏการณ์ “context rot”

หน้าที่ของ Context Engineer จึงไม่ใช่แค่การป้อนข้อมูล แต่คือการเป็นสถาปนิกที่คัดสรร จัดโครงสร้าง และดูแล “บริบท” ทั้งหมดอย่างชาญฉลาด เพื่อใช้ “attention budget” ที่มีจำกัดนั้นให้เกิดประโยชน์สูงสุด ซึ่ง “บริบท” ที่ว่านี้ประกอบไปด้วยองค์ประกอบมากมาย เช่น:

• Prompts และ System Messages: การกำหนดบุคลิก (persona) และขอบเขตความสามารถของ AI
• Tools: การเชื่อมต่อ API หรือฟังก์ชันให้ AI เรียกใช้เพื่อทำงานกับโลกภายนอก
• Data: ข้อมูลที่ AI ต้องใช้ เช่น การดึงข้อมูลจาก knowledge bases ด้วยเทคนิค RAG หรือการจัดการ Memory
• Workflows: การออกแบบกระบวนการทำงานแบบหลายขั้นตอน (multi-step)
• Guardrails: การวางกรอบเพื่อให้ AI ทำงานได้อย่างปลอดภัยและเชื่อถือได้

พวกเขาคือคนที่จัดเตรียมทุกอย่างให้พร้อมก่อนที่ AI จะเริ่ม “คิด” ซึ่งทำให้บทบาทนี้แตกต่างจากตำแหน่งอื่นๆ ที่เราคุ้นเคยกันอย่างสิ้นเชิง

แตกต่างจาก Prompt Engineer และ Software Engineer อย่างไร?

การทำความเข้าใจความแตกต่างนี้สำคัญมาก เพราะมันชี้ให้เห็นว่า “คุณค่า” ในการสร้างระบบ AI กำลังจะย้ายไปอยู่ที่ไหน

• เทียบกับ Prompt Engineer: อย่างที่เกริ่นไป Context Engineering คือ วิวัฒนาการ ของ Prompt Engineering ถ้า Prompt Engineer โฟกัสที่การสร้าง “คำสั่งเดียวที่มักจะนิ่ง” (single, often static, instruction) Context Engineer จะต้องบริหารจัดการ “payload ทั้งหมดที่เปลี่ยนแปลงตลอดเวลา” (entire dynamic payload) ไม่ว่าจะเป็นประวัติการสนทนา ข้อมูลจาก tool หรือบริบทของผู้ใช้ที่เปลี่ยนไปในทุกๆ turn
• เทียบกับ Software Engineer: บทบาทนี้มีความเฉพาะทางกว่ามาก Context Engineer จะทำงานอยู่ตรง รอยต่อที่ละเอียดอ่อนระหว่าง business logic, ข้อมูลแบบ real-time, และกระบวนการคิดของโมเดล ซึ่งเป็นการ “ควบคุมวงออเคสตร้า” ที่ซับซ้อน และต้องใช้ความเข้าใจที่ลึกซึ้งทั้งในตัวโมเดลและโจทย์ทางธุรกิจ ซึ่งเป็นสิ่งที่ Software Engineering ทั่วไปไม่ได้ครอบคลุม

ตัวอย่างงานและความรับผิดชอบในแต่ละวัน

เพื่อให้เห็นภาพชัดขึ้น ลองมาดูตัวอย่างงานที่ Context Engineer ต้องทำกัน:

• สร้าง Production-Grade Prompts และ System Instructions: ออกแบบคำสั่งหลักที่กำหนดบุคลิก ความสามารถ และข้อจำกัดของ AI เพื่อให้ได้ผลลัพธ์ที่สม่ำเสมอและเชื่อถือได้ในระดับโปรดักชัน
• จัดการข้อมูลนำเข้า (Managing Data Inputs): เลือกและจัดโครงสร้างข้อมูลสำหรับโมเดล ตั้งแต่การดึงข้อมูลด้วย Retrieval-Augmented Generation (RAG) ไปจนถึงการออกแบบ compaction strategies (เช่น การสรุปบทสนทนาเก่าๆ) เพื่อจัดการปฏิสัมพันธ์ที่ยาวนาน (long-running interactions) โดยไม่ให้เกิน context window ซึ่งเกี่ยวข้องกับการบริหารจัดการทั้ง “Session” (ข้อมูลระยะสั้น) และ “Memory” (ข้อมูลระยะยาว)
• ควบคุม Tools และ Agents: ตั้งค่าฟังก์ชันหรือ API ที่ AI สามารถเรียกใช้ได้ รวมถึงวางโครงสร้างการทำงานร่วมกันของ agents ผู้เชี่ยวชาญหลายๆ ตัว
• ดูแลความน่าเชื่อถือและความปลอดภัย (Ensuring Reliability and Safety): สร้างระบบ evaluation และ monitoring เพื่อประเมินผลการทำงานของ AI และทำงานร่วมกับทีม Product เพื่อจัดการความเสี่ยง เช่น การรั่วไหลของข้อมูลส่วนบุคคล (PII) หรือ prompt injection

งานเหล่านี้จะยิ่งทวีความสำคัญมากขึ้น เมื่อระบบ AI มีความซับซ้อนและต้องรับผิดชอบงานที่ใหญ่ขึ้นเรื่อยๆ

อนาคตที่สดใสของ Context Engineer

บทบาทของ Context Engineer กำลังสำคัญขึ้นอย่างรวดเร็ว เพราะเทรนด์ของ AI กำลังมุ่งไปสู่ระบบที่ซับซ้อนและทำงานได้ด้วยตัวเองมากขึ้น เช่น LLM agents ที่ทำงานอัตโนมัติ, workflows ที่มีหลายขั้นตอน, และงานที่ต้องใช้เวลายาวนาน (long-horizon tasks) ซึ่งทั้งหมดนี้ทำให้การจัดการ context แบบเดิมๆ ใช้ไม่ได้ผลเพราะจะเจอปัญหา “context rot” ที่ประสิทธิภาพลดลงเมื่อข้อมูลเยอะเกินไป

เอกสารจาก Google เปรียบเทียบไว้อย่างน่าสนใจว่า Context Engineer ก็เหมือนกับเชฟที่ทำ mise en place (การเตรียมวัตถุดิบและอุปกรณ์ทุกอย่างให้พร้อมก่อนเริ่มทำอาหาร) ถ้าเราให้แค่ “สูตรอาหาร” (prompt) กับเชฟ (AI) เราอาจจะได้อาหารที่ “พอใช้ได้” แต่ถ้าเราเตรียม “วัตถุดิบชั้นเลิศ” ที่คัดสรรมาอย่างดี, “เครื่องมือพิเศษ”, และ “โจทย์ที่ชัดเจน” (context) ไว้ให้พร้อม เชฟคนนั้นก็จะสามารถรังสรรค์ “อาหารจานพิเศษ” ที่ยอดเยี่ยมและตรงใจเราได้อย่างสม่ำเสมอ

Context Engineering คือการทำ mise en place ให้กับ AI นั่นเอง เป็นการสร้างรากฐานที่มั่นคงเพื่อให้ AI สามารถแสดงศักยภาพสูงสุดของมันออกมาได้

สุดท้ายนี้ Context Engineering สะท้อนให้เห็นถึงการเปลี่ยนแปลงพื้นฐานในการสร้างคุณค่าจากระบบ AI มันไม่ใช่แค่การ “ใช้” AI แต่คือการ “ออกแบบสภาวะแวดล้อม” ที่ดีที่สุดเพื่อให้ AI ทำงานให้เรา

ทุกคนคิดว่าตำแหน่ง “Context Engineer” จะกลายเป็น Job Title ที่เราเห็นกันทั่วไปในอีกไม่กี่ปีข้างหน้านี้ไหม? มาแชร์ความเห็นกันได้เลย 👇