Co to znamená v praxi
Pokud AI nedává výsledek, jaký chcete, chyba je skoro vždy v jedné ze dvou věcí: v promptu, nebo v kontextu. Context engineering řeší to druhé.
Nejsilnější otázka, jakou si ve firmě umíte položit, zní: jak dáme AI dost kontextu, aby tohle od teď dělala sama? Odpověď bývá překvapivě konkrétní:
- přístup k datům a k zákaznickým e-mailům
- znalostní báze a interní směrnice
- specifikace a produktová zadání
- vzorky toho, jak vypadá dobrý výsledek
- brief o tónu komunikace
- log soubory a zpětná vazba od uživatelů
- produktové fotografie
Příklad z praxe
Jednomu klientovi z tradingu byla marketingová komunikace nekonzistentní a neseděla na tón zakladatelů. Řešením nebyly lepší prompty. Nahráli jsme podcastové rozhovory s CEO, COO i zakladateli, přepsali je a spolu s firemním handbookem a interními memy je vložili do znalostní báze vlastního GPT.
Výstup se změnil ze dne na den, ne proto, že by byl model lepší, ale proto, že konečně věděl, o čem mluví.
Proč je přístup k datům největší násobič
Agent bez dat umí hádat. Agent s přístupem ke schránce, databázi a dokumentům umí pracovat. Platí ale i opak: víc dat automaticky neznamená lepší výsledek. Klíčové je, která data a v jaké struktuře, a kdo k nim má mít přístup.