Как контекст влияет на эффективность работы с AI-агентами: три ключевых аспекта

Современные пользователи AI-агентов, такие как Claude, осознают важность контекста для достижения высоких результатов в работе. В зависимости от задач, они выделяют три основных типа контекста: глобальный, локальный и амбиентный. Каждый из этих типов играет свою уникальную роль в взаимодействии с AI, и понимание их значимости позволяет пользователям значительно повысить эффективность работы.

Роли контекста

В недавнем исследовании, проведенном среди пользователей Claude, было установлено, что каждый участник создал библиотеку контекста — коллекцию файлов, баз данных и живых подключений, которые AI использует наряду с вводом пользователя. Эти библиотеки различаются по форме, но информация в них всегда выполняет одну из трех ролей: 1. Глобальный контекст: информация, которая редко меняется и формирует действия агента на протяжении всех взаимодействий. 2. Локальный контекст: информация, специально ограниченная конкретной задачей или проектом. 3. Амбиентный контекст: необработанные информационные потоки (например, электронные письма, стенограммы встреч), которые не были заранее определены и через которые агенты ищут релевантную информацию.

Глобальный контекст

Глобальный контекст служит основой для высокоуровневого мышления агента и его приоритетов. Он включает:

Информацию о пользователе: детали о жизни и предпочтениях, которые AI запоминает для использования в будущих сессиях.

Лучшие практики: примеры и шаблоны, определяющие, как правильно выполнять различные виды работы.

Правила управления: указания о том, какие действия требуют одобрения пользователя, а какие AI может выполнять самостоятельно.

Список справочных книг: коллекция книг, содержащих советы, которые AI должен использовать в своей работе.

Брендовые руководства: визуальные правила и цветовые коды, которые помогают поддерживать личный бренд пользователя.

Правила уточнения намерений: инструкции для AI, чтобы задавать уточняющие вопросы и понимать, что именно имеет в виду пользователь.

Локальный контекст

Локальный контекст включает информацию, непосредственно связанную с текущей работой пользователя. Примеры локального контекста:

Списки задач: приоритетные списки задач, сгруппированные по проектам.

Навыки агента: закодированные способы работы, хранящиеся в виде файлов.

Контекст общения: история переписки с AI.

Журналы изменений: записи о том, что изменилось в каждом проекте.

Записи проектов в внешней базе данных: детали о вакансиях, на которые пользователь подал заявки.

Исследовательские отчеты: отчеты, которые служат временным источником контекста для конкретных проектов.

Амбиентный контекст

Амбиентный контекст — это наиболее неструктурированный и обширный тип контекста. Он включает необработанные информационные потоки, такие как электронные письма и сообщения в чатах, которые не были заранее определены. Примеры амбиентного контекста:

Данные покупок Shopify: данные, которые AI регулярно экспортирует для обновления профилей клиентов.

Стенограммы встреч: записи встреч, которые участники считали важными для контекста.

Сообщения в Slack и электронной почте: ключевые сообщения, формирующие текущее состояние дел пользователя.

Онлайн-статьи и обсуждения в соцсетях: информация, которая помогает пользователю быть в курсе событий.

Эффективность работы с контекстом

Использование контекста в этих трех ролях позволяет пользователям меньше беспокоиться о формулировке запросов. Например, один из участников просто включал микрофон и диктовал свои мысли, полагаясь на библиотеку контекста для правильной интерпретации. Это позволяет значительно упростить процесс взаимодействия с AI.

Где хранить контекст

Участники исследования обычно хранили информацию, играющую три роли, в разных местах. Глобальный и локальный контекст находились в отдельных файлах или базах данных, в то время как амбиентный контекст оставался в сыром виде в программном обеспечении, которое его генерировало.

Заключение

Правильный контекст облегчает взаимодействие с AI-агентами. При создании библиотеки контекста важно понимать, какую роль играет каждая информация. Это позволяет более эффективно управлять данными и повышать продуктивность работы.