หน้าต่างบริบท (Context Window)

Context Window (หน้าต่างบริบท) คือขีดจำกัดจำนวนโทเค็นที่ LLM ประมวลผลได้ในการอนุมานหนึ่งครั้ง โดยนับรวมทั้ง Prompt ที่ป้อนเข้าและผลลัพธ์ที่สร้างออกมา ข้อความที่เกินขีดจำกัดนี้จะอยู่ในสภาพที่โมเดล "มองไม่เห็น" จึงเป็นพารามิเตอร์สำคัญที่ส่งผลโดยตรงต่อความแม่นยำในการประมวลผลเอกสารขนาดยาวและคุณภาพของการสนทนาแบบหลายรอบ

ทำไม Context Window จึงสำคัญ

LLM (Large Language Model) ประมวลผลข้อความโดยแบ่งออกเป็นหน่วยที่เรียกว่าโทเค็น (Token) Context Window เปรียบเสมือน "ภาชนะ" ที่บรรจุโทเค็นเหล่านี้ หากภาชนะเล็กก็อ่านเอกสารยาวในครั้งเดียวไม่ได้ หากภาชนะใหญ่ก็อนุมานโดยอ้างอิงข้อมูลได้กว้างขึ้น

ผลกระทบในการใช้งานจริงสรุปได้ 2 ข้อ

• ประมวลผลข้อความยาวได้หรือไม่: กำหนดว่าจะป้อนเอกสารที่ยาวหลายหมื่นถึงหลายแสนโทเค็น เช่น เอกสารกฎหมาย รายงานการเงิน หรือซอร์สโค้ดทั้ง Repository ได้ในครั้งเดียวหรือไม่
• ความต่อเนื่องของการสนทนา: แชทบอทหรือ AI Agent จะ "จำ" ประวัติการสนทนาได้มากเพียงใด ขึ้นอยู่กับขนาดของ Context Window

โมเดลรุ่นใหม่บางตัวมี Context Window ขนาดหลายแสนถึงหนึ่งล้านโทเค็น และโมเดลหลักอย่าง GPT, Claude และ Gemini ต่างกำหนดขีดจำกัดไว้แตกต่างกัน

กลไกทางเทคนิคและข้อจำกัด

ขนาดของ Context Window เกี่ยวข้องโดยตรงกับสถาปัตยกรรมของโมเดล โดยเฉพาะการออกแบบกลไก Attention เนื่องจาก Transformer คำนวณ Self-Attention กับอินพุตทั้งหมด เมื่อจำนวนโทเค็นเพิ่มขึ้น ปริมาณการคำนวณและการใช้หน่วยความจำของ GPU (Graphics Processing Unit) จะเพิ่มขึ้นอย่างรวดเร็ว นี่คือเหตุผลพื้นฐานที่ขยาย Context Window ได้ไม่จำกัด

นอกจากนี้ งานวิจัยยังชี้ว่าแม้ Context Window จะใหญ่ แต่โมเดลมักมองข้ามข้อมูลที่อยู่ช่วงกลางของบริบท ข้อมูลช่วงต้นและช่วงท้ายของบริบทยาวจะถูกจดจำได้ดี แต่ช่วงกลางได้รับความสนใจน้อยลง ปัญหานี้เรียกว่า "Lost in the Middle" การตัดสินคุณภาพจากตัวเลขขนาด Context Window เพียงอย่างเดียวจึงอันตราย และควรประเมินควบคู่กับความเสี่ยงของ Hallucination

ความสัมพันธ์กับ RAG และ AI Agent

แนวทางหลักที่ใช้ชดเชยข้อจำกัดของ Context Window คือ RAG (Retrieval-Augmented Generation) แทนที่จะใส่เอกสารทั้งหมดลงใน Context Window จะค้นหาเฉพาะข้อมูลที่จำเป็นแล้วแทรกเข้าไปแบบไดนามิก ทำให้ขยายขอบเขตการอ้างอิงได้ในทางปฏิบัติ ในบริบทนี้ การออกแบบขนาดชังก์ (Chunk Size) สำคัญเป็นพิเศษ หากชังก์ใหญ่เกินไปจะกินพื้นที่ Context Window หากเล็กเกินไปบริบทจะขาดตอน

ใน AI Agent และระบบ Multi-Agent การออกแบบให้หลาย Agent แบ่งงานกันเพื่อประมวลผลงานขนาดใหญ่เกินขีดจำกัดของโมเดลเดียวก็แพร่หลายมากขึ้น แนวคิด Context Engineering ก็ได้รับความสนใจเช่นกัน และกำลังพัฒนาเป็นศาสตร์ที่ออกแบบอย่างมีกลยุทธ์ว่าจะใส่อะไร และเรียงลำดับอย่างไรใน Context Window ที่มีจำกัด

ข้อควรระวังในการใช้งาน

ประเด็นที่มักถูกมองข้ามคือ อินพุตและเอาต์พุตถูกนับรวมกัน เช่น หากโมเดลมี Context Window 128,000 โทเค็น และป้อน Prompt ไป 120,000 โทเค็น จะสร้างผลลัพธ์ได้อีกเพียง 8,000 โทเค็น ในงานที่ต้องการผลลัพธ์ยาว เช่นการให้เหตุผลหลายขั้นตอนด้วยโมเดลการให้เหตุผล (Reasoning Model) หรืองานสร้างโค้ดอย่าง Claude Code การเผื่อพื้นที่สำหรับโทเค็นขาออกจะเป็นตัวกำหนดคุณภาพ

Context Window ไม่ใช่ตัวชี้วัดง่าย ๆ ที่ "ยิ่งใหญ่ยิ่งดี" การใช้งานอย่างเหมาะสมโดยคำนึงถึงความสมดุลระหว่างต้นทุน ความหน่วง (Latency) และความแม่นยำ คือการตัดสินใจเชิงออกแบบที่สำคัญในการนำ LLM ไปใช้งานจริง