Context engineering

Introduksjon

🎯 Læringsmål

Når du er ferdig med å lese avsnitt 1 skal du kunne:

• Forklare hva context engineering er og hvorfor det er viktig
• Identifisere de seks komponentene i en velstrukturert prompt
• Forstå hva context rot er og hvordan du unngår det
• Forstå hva kontekstvinduet er

I grunnkurset lærte du å bygge tydelige prompts ved hjelp av de fem grunnpilarene — det er et godt sted å starte.

Nå tar vi ett steg videre og zoomer ut. Når du skriver en prompt velger du hele tiden hva modellen skal vite: hvilken bakgrunn den får, hvilke eksempler den ser, hvilke regler den skal følge. Det valget er aldri nøytralt: riktig informasjon gir gode svar, feil informasjon gir dårlige.

Å ta disse valgene bevisst kalles context engineering.

Hva er context engineering?

Context engineering handler om å aktivt forme informasjonen du gir modellen. Ikke bare én enkelt instruksjon, men et helt informasjonsøkosystem: rollbeskrivelsen din, eksemplene dine, dokumentene dine og begrensningene dine, alt i samspill.

Målet er å gi modellen riktig informasjon, til riktig tid, for hvert svar den genererer.

De seks komponentene i en velstrukturert prompt

En velbygget prompt inneholder (utvalgte eller alle) disse seks komponentene:

Komponent	Formål	Eksempel
Atferdsinstruksjon	Setter modellens rolle, atferd og tone	”Du er en erfaren HR-spesialist”
Instruksjon	Den tydelige, målrettede oppgaven	”Oppsummer avvikene i tre punkter”
Kontekst	Bakgrunnsinformasjon, dokumenter, historikk	”Vedlagt er møtereferatet fra…”
Eksempler	Demonstrerer ønsket format eller tone	Input → Output-par
Outputbegrensninger	Format, lengde, struktur	”Svar i punktliste, maks 100 ord”
Avgrensere	Separerer seksjoner tydelig	XML-tagger, overskrifter, trippel anführselstegn

Du trenger ikke alltid alle seks. Men hver gang et svar ikke møter forventningene dine, spør deg selv: hvilken komponent mangler eller er uklar?

Context rot

Kontekstvinduet er plassen modellen kan “se” om gangen. Det er stort men ikke uendelig — og dette er en begrensning som finnes i alle språkmodeller.

Modellens evne til å korrekt gjeninnhente informasjon minker når kontekstvinduet fylles. Mer informasjon fører paradoksalt nok til lavere presisjon. Dette kalles context rot.

Praktisk konsekvens: Behandle kontekst som en begrenset og verdifull ressurs. Inkluder bare det som er direkte relevant. Fjern alt som ikke hjelper modellen å svare bedre.

❌ Uten kontekstbevissthet:

[Limer inn et 30-siders politikkdokument]
Hva sier vi om fjernarbeid?

✅ Med kontekstbevissthet:

Nedenfor er avsnitt 4 fra fjernarbeidspolitikken vår (95 ord).
Oppsummer de tre viktigste reglene for fjernarbeid.

[Avsnitt 4 limt inn – 95 ord]

Det andre eksemplet gir modellen nøyaktig det den trenger og ikke noe mer — tenk kvalitet fremfor kvantitet for dataene dine.

🖊 Prøv nå: Åpne AI-assistenten din. Velg en arbeidsoppgave du hadde i går eller tidligere i dag. Skriv en prompt som inkluderer minst tre av de seks komponentene i tabellen over. Merk deg etterpå: Hvilke komponenter valgte du? Hvilken utelot du og hvorfor? Merker du forskjell fra slik du pleide å skrive prompts?

Oppsummering

• Context engineering handler om å kuratere riktig informasjon i riktig format til riktig tid
• En velstrukturert prompt har seks komponenter: Atferdsinstruksjon, instruksjon, kontekst, eksempler, outputbegrensninger og avgrensere
• Context rot: mer informasjon ≠ bedre svar — inkluder bare det som er relevant

Test kunnskapen din

2 spørsmål · 100 % riktige for å bestå · Gå gjennom svar når du er ferdig

Start quiz →