Context Window คืออะไร
โดย
คุณเคยแชทกับ AI นานๆ แล้วจู่ๆ มันก็เริ่มเลอะเลือน ลืมสิ่งที่เราเพิ่งคุยกันไปเมื่อ 5 นาทีที่แล้วไหมครับ? นั่นไม่ใช่เพราะ AI ขี้เกียจนะ แต่มันติดขีดจำกัดของ Context Window หรือ "หน้าต่างบริบท" ซึ่งเปรียบเสมือนหน่วยความจำระยะสั้นของโมเดลภาษานั่นเอง
ในปี 2026 แม้เราจะมีโมเดลเทพๆ อย่าง Gemini 2.5 ที่รับข้อมูลได้ถึง 1 ล้านโทเค็น (Tokens) ต่อครั้ง แต่การรู้ว่า "พื้นที่โต๊ะทำงาน" ของ AI มีเท่าไหร่ และ ควรใช้งานยังไงให้คุ้มค่าที่สุด คือทักษะสำคัญที่จะแยก "มือโปร" ออกจาก "มือสมัครเล่น" ครับ
- ★Context Window คืออะไร?
ให้คุณนึกภาพว่ามันคือ "โต๊ะทำงาน" ของ AI ครับ
⚪ Input Tokens : เอกสาร, คำถาม, และประวัติการสนทนาที่คุณวางลงบนโต๊ะ
⚪ Output Tokens : คำตอบที่ AI กำลังเขียนออกมา
⚪ กฎเหล็ก : พื้นที่บนโต๊ะมีจำกัด! ถ้าคุณวางเอกสารใหม่ลงไปจนล้น เอกสารเก่าที่วางอยู่ก่อนจะถูกผลักตกโต๊ะไป และ AI จะ "ลืม" ข้อมูลส่วนนั้นไปทันทีครับ
- ★Context Window ทำงานอย่างไร?
1) การนับโทเค็น (Tokenization)
ก่อนประมวลผล AI จะย่อยข้อความเป็น "โทเค็น" (ประมาณ 4 ตัวอักษรภาษาอังกฤษ หรือ 1 คำสั้นๆ)
2) ความเป็น Stateless (ไร้สถานะ) เรื่องจริงที่น่าตกใจคือ AI ไม่ได้จำอะไรเราเลยครับ! ทุกครั้งที่เราถามคำถามใหม่ระบบจะแอบส่ง "ประวัติการสนทนาทั้งหมด" กลับไปให้ AI อ่านใหม่ตั้งแต่ต้นเพื่อให้มันคุยกับเราต่อเนื่องได้
3) ปัญหา "Lost in the Middle"
ต่อให้โต๊ะกว้างแค่ไหน แต่งานวิจัยปี 2026 ยืนยันว่า AI มักจะจำแม่นเฉพาะ "ต้นเรื่อง" กับ "ท้ายเรื่อง" ส่วนข้อมูลที่อยู่ตรงกลางมักจะถูกหลงลืมไปได้ง่ายๆ ครับ
- ★ประเภทของ Context Window (แบ่งตามขนาด)
1) ขนาดเล็ก (2K - 8K Tokens)
⚪ ตัวอย่าง : GPT-3 รุ่นแรกๆ
⚪ เหมาะกับ : ถาม-ตอบสั้นๆ, สรุปอีเมล, แปลประโยค
⚪ ฟีลลิ่ง : เหมือนโน้ตแปะตู้เย็น เขียนได้นิดเดียวก็เต็ม
2) ขนาดกลาง (8K - 32K Tokens)
⚪ ตัวอย่าง : GPT-4 รุ่นมาตรฐาน
⚪ เหมาะกับ : วิเคราะห์บทความยาว, สรุปการประชุม, เขียนโค้ดไฟล์เดียว
⚪ ฟีลลิ่ง : เหมือนสมุดจดเล่มเล็ก พอจะเก็บใจความสำคัญได้บ้าง
3) ขนาดใหญ่ (128K - 200K Tokens)
⚪ ตัวอย่าง : Claude 3, GPT-4o
⚪ เหมาะกับ : อ่านนิยายทั้งเล่ม, ตรวจสอบสัญญาทางกฎหมายฉบับเต็ม, วิเคราะห์ Codebase ทั้งโฟลเดอร์
⚪ ฟีลลิ่ง : เหมือนโต๊ะทำงานขนาดใหญ่ วางข้อมูลได้เพียบ
4) ขนาดพิเศษ (1M+ Tokens)
⚪ ตัวอย่าง : Gemini 2.5
⚪ เหมาะกับ : วิเคราะห์ประวัติเวชระเบียนย้อนหลังหลายปี, อ่านหนังสือหลายสิบเล่มพร้อมกัน
⚪ ฟีลลิ่ง : เหมือนห้องสมุดส่วนตัวที่ AI อ่านจบได้ในอึดใจเดียว
- ★5 ประโยชน์ของการมี Context Window ขนาดใหญ่
1) เข้าใจความเชื่อมโยง
AI สามารถลิ้งก์ข้อมูลจากหน้าแรกไปหาหน้าสุดท้ายของเอกสาร 500 หน้าได้แม่นยำ
2) รองรับงานซับซ้อน
สรุปสัญญาหลักร้อยหน้า หรือ เปรียบเทียบเอกสารหลายฉบับพร้อมกันได้ใน Prompt เดียว
3) ลดปัญหาข้อมูลขาด
ไม่ต้องหั่นเอกสารเป็นชิ้นเล็กชิ้นน้อย (Chunking) จนเนื้อหาใจความเพี้ยน
4) คุยได้ยาวสะใจ
แชทกันได้เป็นวันๆ โดยที่ AI ยังจำชื่อเล่น หรือ โปรเจกต์ที่เราเกริ่นไว้ตอนเช้าได้
5) เสริมพลัง RAG
ระบบฐานความรู้ (RAG) สามารถป้อนข้อมูลอ้างอิงให้ AI ได้มากขึ้น ช่วยให้คำตอบแม่นยำสุดๆ
- ★เลือกขนาดเท่าไหร่ให้เหมาะกับงาน?
🧑🦱 แชทบอททั่วไป / สรุปข่าว
แนะนำ 8K - 32K (เพียงพอ และ ประหยัดค่า Token)
🧑🔬 นักกฎหมาย / นักวิจัย
แนะนำ 128K+ (เพราะเอกสารแต่ละชุดยาวมาก)
🧑💻 นักพัฒนาซอฟต์แวร์
แนะนำ 32K - 128K (ขึ้นอยู่กับจำนวนไฟล์ในโปรเจกต์)
📊 วิเคราะห์ Big Data
แนะนำ 1M+ (จัดเต็มเพื่อความครบถ้วนของข้อมูล)
- ★ข้อควรระวัง "ใหญ่กว่า" ไม่ได้แปลว่า "ดีกว่า" เสมอไป!
1) ยิ่งใหญ่ ยิ่งแพง
ค่า Token จะพุ่งกระฉูดตามปริมาณข้อมูลที่ส่งไป
2) ยิ่งใหญ่ ยิ่งช้า
AI ต้องใช้เวลา "อ่าน" นานขึ้น ทำให้ตอบช้าลง (Latency สูง)
3) ยิ่งเยอะ ยิ่งเบลอ
การใส่ข้อมูลขยะที่ไม่เกี่ยวข้องเข้าไปเยอะๆ จะทำให้ AI หาคำตอบที่แท้จริงไม่เจอ
✏️ Shoper Gamer
- ✓RAG คืออะไร 👇
- ✓AI hallucination คืออะไร 👇
Credit :
👇
- ●https://platform.claude.com/docs/en/build-with-claude/context-windows
- ●https://cloud.google.com/transform/the-prompt-what-are-long-context-windows-and-why-do-they-matter
- ●https://www.digitalbricks.ai/blog-posts/what-is-a-context-window-for-large-language-models
- ●https://www.blockdit.com/posts/6552d7251e2d6333f68a799c
- ●https://www.blockdit.com/posts/693f6fb5cd98b1dc266d5c67
- 2
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2026 Blockdit
