---
title: "Prompt at konteksto"
source: "https://systems-analysis.info/int/Prompt_at_konteksto"
wiki: "systems-analysis.info/int"
article: "Prompt_at_konteksto"
language: "tl"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Tagalog"
revision_id: 5998
wiki_created_at: 2026-09-06T23:56:57Z
wiki_modified_at: 2026-09-06T23:56:57Z
downloaded_at: 2026-09-07T23:11:28Z
---

# Prompt at konteksto

**Prompt** at **konteksto** ay mga pundamental na konsepto sa prompt engineering para sa malalaking language model (LLM).

Ang konteksto ay isang kritikal na bahagi ng prompt na nagtatakda ng kakayahan ng LLM na makabuo ng tumpak, may-kaugnayang, at kapaki-pakinabang na mga sagot. Ang epektibong prompt engineering ay higit sa lahat ay nangangailangan ng sining ng pagtitipon, pagfilter, pagbibigay-istruktura, at pagpapakita ng tamang konteksto sa modelo sa tamang sandali, habang nalalampasan ang mga limitasyon ng mga modernong LLM.

## Kahulugan ng Prompt

**Prompt** (Ingles: *prompt*) — ito ang kumpletong hanay ng input na ibinibigay sa LLM upang makabuo ng sagot. Hindi ito basta isang tanong o utos lamang, kundi isang structured na teksto na maaaring maglaman ng:

- **Mga Instruksyon:** Direktang mga tagubilin sa modelo tungkol sa kung ano ang dapat gawin, sa anong format, estilo, o tono.
- **Pangunahing Kahilingan (Query):** Ang direktang tanong ng gumagamit o paglalarawan ng pangunahing gawain.
- **Konteksto:** Karagdagang impormasyon na kinakailangan para sa tamang pagsasagawa ng kahilingan.
- **Mga Halimbawa (Few-shot examples):** Pagpapakita ng nais na format o estilo ng sagot sa magkaparehong mga gawain.

Ang kalidad at pagkakumpleto ng prompt ay direktang nagtatakda ng kaugnayan, katumpakan, at pagiging kapaki-pakinabang ng sagot ng LLM.

## Kahulugan ng Konteksto

**Konteksto** sa loob ng prompt engineering — ito ang anumang impormasyon **sa loob ng prompt** na tumutulong sa modelo na mas maunawaan ang gawain, ang partikularidad ng sitwasyon, o ang mga inaasahan ng gumagamit, ngunit **hindi ito** bahagi ng orihinal na datos na ginamit sa pagsasanay nito. Nagbibigay ang konteksto ng mga detalye ng sitwasyon na kinakailangan para makabuo ng sapat na sagot.

Maaaring isama ng konteksto ang:

- Kasaysayan ng nakaraang diyalogo (sa mga chat-bot).
- Datos na kinuha mula sa mga panlabas na mapagkukunan (mga dokumento, database, mga web page) — pundasyon ng RAG.
- Impormasyon tungkol sa gumagamit (profile, mga kagustuhan).
- Mga tiyak na detalye ng kasalukuyang gawain o sitwasyon.
- Mga halimbawa ng pagsasagawa ng magkaparehong mga gawain (bilang bahagi ng few-shot prompting).

Mahalaga na makilala ang konteksto na ibinibigay sa prompt mula sa pangkalahatang kaalaman na natanggap ng modelo sa panahon ng pre-training nito. Ang prompt engineering ay nakatuon sa epektibong pagbibigay ng **sitwasyonal** na konteksto.

## Ugnayan at Impluwensya

**Ang prompt at konteksto** — mga pundamental na konsepto sa pagtatrabaho ng mga transformer, na nagtatakda kung paano tinatanggap ng modelo ang input na datos at batay sa kung ano ang nagagawa ng resulta. Sa arkitektural na paraan, ang transformer ay hindi hinahati nang espesyal ang "prompt" at "konteksto" — ang parehong ito ay mga bahagi ng input na pagkakasunod-sunod ng mga token na ginagawang mga embedding, pinayaman ng positional na impormasyon, at pinagsama-samang pinoproseso ng mga layer ng self-attention.

Ang prompt at konteksto ay magkasama: **ang konteksto ay bahagi ng prompt**.

- **Binubuo ng konteksto ang prompt:** Pinipili at binibigyan-istruktura ng engineer ang may-kaugnayang konteksto para isama sa prompt.
- **Ginagabayan ng konteksto ang modelo:** Ang ibinibigay na impormasyon ay nagbibigay-daan sa LLM na paliitin ang espasyo ng mga posibleng sagot, tumuon sa mga may-kaugnayang aspeto, at maiwasan ang mga hallucination.
- **Ang kalidad ng konteksto ay nagtatakda ng kalidad ng sagot:** Ang kulang, hindi may-kaugnayan, o magkasalungat na konteksto ay humahantong sa mga hindi tumpak, pangkalahatan, o maling sagot. Ang tumpak at kumpletong konteksto ay nagpapataas ng pagiging tiyak at pagiging kapaki-pakinabang ng pagbuo.
- **Impluwensya sa interpretasyon ng mga instruksyon:** Maaaring linawin o baguhin ng konteksto ang interpretasyon ng mga pangkalahatang instruksyon sa prompt.

Ang bisa ng prompt ay higit sa lahat ay nakasalalay sa kung gaano kahusay nakatipon, nakapag-filter, at nakapagpakita ang engineer ng may-kaugnayang konteksto sa modelo.

## Mga Uri ng Konteksto

Maaaring uriin ang konteksto batay sa iba't ibang katangian:

**Ayon sa pinagmulan:**

- Ibinigay ng gumagamit: Tahasan na input ng gumagamit, ang kanyang tanong, o paglalarawan ng gawain.
- Mula sa kasaysayan ng diyalogo: Mga nakaraang mensahe ng gumagamit at asistante (panandaliang memorya).
- Kinuha (Retrieved): Datos mula sa mga panlabas na mapagkukunan (mga dokumento, database, web) gamit ang RAG.
- Mula sa profile/base ng kaalaman: Pangmatagalang impormasyon tungkol sa gumagamit o domain.
- Static/Instruksyonal: Impormasyon na inilagay ng engineer sa template ng prompt (mga instruksyon, halimbawa, kahulugan ng mga papel).

**Ayon sa dinamismo:**

- Static na konteksto: Hindi nagbabagong bahagi ng prompt (mga instruksyon, kahulugan, halimbawa). Nagtatakda ng pangkalahatang gawain.
- Dynamic na konteksto: Impormasyon na nagbabago mula sa kahilingan patungong kahilingan (datos ng gumagamit, mga resulta ng RAG, kasalukuyang oras). Nagbibigay ng mga tiyak na detalye.

**Ayon sa tagal ng pag-iimbak (Memorya):**

- Panandaliang konteksto: Kasaysayan ng kasalukuyang sesyon ng diyalogo.
- Pangmatagalang konteksto: Nakaimbak na datos tungkol sa gumagamit o nakaraang mga pakikipag-ugnayan, na nangangailangan ng mga mekanismo ng pag-iimbak at pagkuha.

## Pamamahala ng Konteksto

Ang epektibong pamamahala ng konteksto — pangunahing gawain ng prompt engineering, lalo na dahil sa mga limitasyon ng context window ng LLM. Mga pangunahing pamamaraan:

- **RAG:** Pinakakaraniwang pamamaraan para sa pagtatrabaho sa malalaking dami ng impormasyon. Nagbibigay-daan na dinamikong mahanap at isama sa prompt ang pinaka-may-kaugnayang mga fragment mula sa malawak na base ng kaalaman. Nangangailangan ng vector database at mga epektibong mekanismo ng paghahanap (lexical o semantic).
- **Chunking:** Paghahati ng malalaking dokumento sa mga semantically na magkaugnay o fixed-size na bahagi para sa pag-index at kasunod na pagkuha sa pamamagitan ng RAG.
- **Sumarisasyon:** Pagpapaikli ng mahabang kasaysayan ng diyalogo o malalaking dokumento upang maihatid ang pangunahing kahulugan sa loob ng limitadong context window.
- **Pamamahala ng Memorya (Memory Management):** Paggamit ng iba't ibang estratehiya para sa pag-iimbak at pagkuha ng kasaysayan ng diyalogo sa mga chat-bot at ahente (halimbawa, ConversationBufferMemory, ConversationSummaryBufferMemory sa LangChain).
- **Sliding Window:** Pagpapanatili lamang ng N pinakabagong mga mensahe ng diyalogo sa konteksto.
- **Pagfilter at Pagbibigay-priyoridad:** Pagpili ng pinaka-may-kaugnayang mga fragment ng konteksto batay sa kanilang kahalagahan (halimbawa, gamit ang mga marka ng kaugnayan na ibinigay sa paghahanap) bago buuin ang huling prompt.

## Papel ng Konteksto sa Prompt Engineering

- **Pagpapataas ng Kaugnayan:** Nagbibigay-daan ang konteksto sa modelo na makabuo ng mga sagot na eksaktong naaayon sa kahilingan at sitwasyon ng gumagamit.
- **Pagbabawas ng mga Hallucination:** Ang pagbibigay ng katotohanang impormasyon (sa pamamagitan ng RAG) ay nagpipilit sa modelo na umasa dito, at hindi na mag-imbento ng mga katotohanan.
- **Personalisasyon:** Ang konteksto tungkol sa gumagamit (mga kagustuhan, kasaysayan) ay nagbibigay-daan na i-adapt ang mga sagot.
- **Pamamahala ng Kalagayan:** Sa mga diyalogo at multi-step na proseso, tinitiyak ng konteksto (kasaysayan) ang pagpapatuloy at kaalaman ng modelo tungkol sa mga nakaraang hakbang.
- **Pagdaig sa mga Limitasyon ng Kaalaman ng Modelo:** Nagbibigay-daan ang RAG sa modelo na sagutin ang mga tanong tungkol sa mga pangyayaring naganap pagkatapos ng pagsasanay nito, o tungkol sa mga tiyak/pribadong datos.

## Mga Limitasyon

- Limitasyon ng Context Window: Sa kabila ng pagdami hanggang 1-2 milyong token sa mga modernong modelo, ang pagproseso ng ganitong dami ay maaaring mahal at mabagal. Nangangailangan ng mga epektibong estratehiya ng pagpapaikli at pagpili (RAG, sumarisasyon).
- Paghahanap ng May-kaugnayang Konteksto: Ang bisa ng RAG ay nakasalalay sa kalidad ng paghahanap. Ang hindi tamang kinuhang konteksto ay maaaring magkalito sa modelo ("basura sa input — basura sa output").
- "Lambak ng Kawalang-interes" (Valley of Meh): Ang impormasyon na matatagpuan sa gitna ng napakahalagang prompt ay maaaring balewalain ng modelo. Nangangailangan ng pagbibigay-istruktura ng prompt (halimbawa, "sandwich technique").
- Panganib ng Context Injection: Kung ang konteksto ay kinukuha mula sa mga hindi mapagkakatiwalaang mapagkukunan (halimbawa, mga web page), maaari itong maglaman ng mga mapanganib na instruksyon (prompt injection).

## Literatura

- Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401.
- Wei, J. et al. (2022). *Chain of Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916.
- Chen, S. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687.
- Packer, C. et al. (2023). *MemGPT: Towards LLMs as Operating Systems*. arXiv:2310.08560.
- Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.
- Sahoo, P. et al. (2024). *A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications*. arXiv:2402.07927.
- Kim, S. H. et al. (2024). *Theanine: Revisiting Memory Management in Long-term Conversations with Timeline-augmented Response Generation*. arXiv:2406.10996.
- Chen, S. et al. (2024). *StruQ: Defending Against Prompt Injection with Structured Queries*. arXiv:2402.06363.
- Zhong, M. et al. (2024). *Understanding the RoPE Extensions of Long-Context LLMs: An Attention Perspective*. arXiv:2406.13282.
- Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309.
- Self-Instruct (2025). *Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.

## Tingnan Din

- Malalaking language model
- Context window
- Mga vector database
- LangChain