ਆਪਣੀ ਸੰਦਰਭ ਵਿੰਡੋ ਨੂੰ ਸਾੜਨਾ ਬੰਦ ਕਰੋ - ਅਸੀਂ ਕਲਾਉਡ ਕੋਡ ਵਿੱਚ MCP ਆਉਟਪੁੱਟ ਨੂੰ 98% ਕਿਵੇਂ ਘਟਾਉਂਦੇ ਹਾਂ

ਹਰੇਕ AI-ਪਾਵਰਡ ਵਰਕਫਲੋ 'ਤੇ ਲੁਕਿਆ ਹੋਇਆ ਟੈਕਸ

ਜੇ ਤੁਸੀਂ AI ਕੋਡਿੰਗ ਅਸਿਸਟੈਂਟਸ ਦੇ ਨਾਲ ਬਿਲਡਿੰਗ ਵਿੱਚ ਕੋਈ ਸਾਰਥਕ ਸਮਾਂ ਬਿਤਾਇਆ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਕੰਧ ਨੂੰ ਮਾਰਿਆ ਹੈ। ਉਹ ਨਹੀਂ ਜਿੱਥੇ ਮਾਡਲ ਤੁਹਾਡੇ ਇਰਾਦੇ ਨੂੰ ਭੁਲੇਖਾ ਪਾਉਂਦਾ ਹੈ ਜਾਂ ਗਲਤ ਸਮਝਦਾ ਹੈ — ਸੂਖਮ, ਵਧੇਰੇ ਨਿਰਾਸ਼ਾਜਨਕ ਜਿੱਥੇ ਤੁਹਾਡਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਰੱਥ AI ਸਾਥੀ ਅਚਾਨਕ ਗੱਲਬਾਤ ਦੇ ਵਿਚਕਾਰ ਪਲਾਟ ਗੁਆ ਬੈਠਦਾ ਹੈ। ਇਹ ਉਸ ਫਾਈਲ ਢਾਂਚੇ ਨੂੰ ਭੁੱਲ ਜਾਂਦਾ ਹੈ ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਤਿੰਨ ਸੁਨੇਹਿਆਂ ਪਹਿਲਾਂ ਚਰਚਾ ਕੀਤੀ ਸੀ। ਇਹ ਉਹਨਾਂ ਫਾਈਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਪੜ੍ਹਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਪਹਿਲਾਂ ਹੀ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਆਪਣੇ ਹੀ ਪੁਰਾਣੇ ਸੁਝਾਵਾਂ ਦਾ ਖੰਡਨ ਕਰਨ ਲੱਗ ਪੈਂਦਾ ਹੈ। ਦੋਸ਼ੀ ਮਾਡਲ ਗੁਣਵੱਤਾ ਨਹੀਂ ਹੈ — ਇਹ ਸੰਦਰਭ ਵਿੰਡੋ ਥਕਾਵਟ ਹੈ, ਅਤੇ ਸਭ ਤੋਂ ਵੱਡਾ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲਾ ਫੁੱਲਿਆ ਹੋਇਆ ਟੂਲ ਆਉਟਪੁੱਟ ਹੈ ਜਿਸ ਲਈ ਕਿਸੇ ਨੇ ਨਹੀਂ ਪੁੱਛਿਆ।

ਇਹ ਸਮੱਸਿਆ ਸਿਧਾਂਤਕ ਨਹੀਂ ਹੈ। ਕਲਾਉਡ ਕੋਡ, ਕਰਸਰ, ਅਤੇ ਸਮਾਨ AI-ਸੰਚਾਲਿਤ ਵਿਕਾਸ ਵਾਤਾਵਰਣਾਂ ਦੇ ਅੰਦਰ MCP (ਮਾਡਲ ਸੰਦਰਭ ਪ੍ਰੋਟੋਕੋਲ) ਏਕੀਕਰਣ 'ਤੇ ਨਿਰਮਾਣ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਇਹ ਖੋਜ ਕਰ ਰਹੀਆਂ ਹਨ ਕਿ ਉਹਨਾਂ ਦੇ ਟੂਲ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਮਾਡਲ ਦੀ ਅਸਲ ਲੋੜ ਨਾਲੋਂ 50x ਤੋਂ 100x ਜ਼ਿਆਦਾ ਡੇਟਾ ਵਾਪਸ ਕਰਦੀਆਂ ਹਨ। ਇੱਕ ਸਧਾਰਨ ਡੇਟਾਬੇਸ ਪੁੱਛਗਿੱਛ ਪੂਰੀ ਸਕੀਮਾ ਡੰਪ ਵਾਪਸ ਕਰਦੀ ਹੈ। ਇੱਕ ਫਾਈਲ ਖੋਜ ਪੂਰੇ ਡਾਇਰੈਕਟਰੀ ਟ੍ਰੀ ਵਾਪਸ ਕਰਦੀ ਹੈ। ਇੱਕ API ਸਥਿਤੀ ਜਾਂਚ ਹਫ਼ਤਿਆਂ ਬਾਅਦ ਪੰਨੇ ਵਾਲੇ ਲੌਗ ਵਾਪਸ ਕਰਦੀ ਹੈ। ਹਰ ਵਾਧੂ ਟੋਕਨ ਸੀਮਤ ਸੰਦਰਭ ਵਿੰਡੋ ਵਿੱਚ ਖਾ ਜਾਂਦਾ ਹੈ, ਅਸਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਕਾਰਜਾਂ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਫਿਕਸ ਕਰਨਾ ਗੁੰਝਲਦਾਰ ਨਹੀਂ ਹੈ, ਪਰ ਇਸ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਦੀ ਲੋੜ ਹੈ ਕਿ ਤੁਸੀਂ AI ਟੂਲ ਡਿਜ਼ਾਈਨ ਬਾਰੇ ਕਿਵੇਂ ਸੋਚਦੇ ਹੋ।

ਮਾਡਲਾਂ ਤੋਂ ਪਹਿਲਾਂ ਵਿੰਡੋਜ਼ ਬ੍ਰੇਕ ਕਿਉਂ ਕਰਦੇ ਹਨ

ਕਲੌਡ ਵਰਗੇ ਆਧੁਨਿਕ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਰਚਨਾਵਾਂ ਵਿੱਚ ਉਦਾਰ ਸੰਦਰਭ ਵਿੰਡੋਜ਼ - 200K ਟੋਕਨ ਹਨ। ਇਹ ਉਦੋਂ ਤੱਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਜਾਪਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਤੁਹਾਨੂੰ ਇਹ ਅਹਿਸਾਸ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਟੂਲ-ਭਾਰੀ ਵਰਕਫਲੋਜ਼ ਇਸ ਨੂੰ ਕਿੰਨੀ ਜਲਦੀ ਵਰਤਦੇ ਹਨ। ਇੱਕ ਸਿੰਗਲ MCP ਟੂਲ ਕਾਲ ਜੋ 500 ਕਤਾਰਾਂ ਵਾਲੀ ਇੱਕ ਪੂਰੀ ਡਾਟਾਬੇਸ ਸਾਰਣੀ ਵਾਪਸ ਕਰਦੀ ਹੈ, ਇੱਕ ਜਵਾਬ ਵਿੱਚ 15,000-30,000 ਟੋਕਨਾਂ ਨੂੰ ਸਾੜ ਸਕਦੀ ਹੈ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਪੰਜ ਜਾਂ ਛੇ ਕਾਲਾਂ ਨੂੰ ਇੱਕ ਡੀਬਗਿੰਗ ਸੈਸ਼ਨ ਵਿੱਚ ਜੋੜੋ, ਅਤੇ ਤੁਸੀਂ ਕੋਡ ਦੀ ਇੱਕ ਲਾਈਨ ਲਿਖਣ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣੀ ਅੱਧੀ ਸੰਦਰਭ ਵਿੰਡੋ ਨੂੰ ਖਾ ਲਿਆ ਹੈ। ਮਾਡਲ ਗੁੰਝਲਦਾਰ ਨਹੀਂ ਹੁੰਦਾ — ਤੁਹਾਡੀ ਗੱਲਬਾਤ ਨੂੰ ਯਾਦ ਰੱਖਣ ਲਈ ਇਹ ਸ਼ਾਬਦਿਕ ਤੌਰ 'ਤੇ ਕਮਰੇ ਤੋਂ ਬਾਹਰ ਹੋ ਜਾਂਦਾ ਹੈ।

ਕੰਪਾਊਂਡਿੰਗ ਪ੍ਰਭਾਵ ਉਹ ਹੈ ਜੋ ਇਸਨੂੰ ਇੰਨਾ ਵਿਨਾਸ਼ਕਾਰੀ ਬਣਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਸੰਦਰਭ ਨਵੀਂ ਜਾਣਕਾਰੀ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਸੰਕੁਚਿਤ ਜਾਂ ਕੱਟਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਤੁਹਾਡੀ ਗੱਲਬਾਤ ਤੋਂ ਪਹਿਲਾਂ ਦੀਆਂ ਹਦਾਇਤਾਂ, ਆਰਕੀਟੈਕਚਰਲ ਫੈਸਲਿਆਂ ਅਤੇ ਸਥਾਪਿਤ ਪੈਟਰਨਾਂ ਤੱਕ ਪਹੁੰਚ ਗੁਆ ਦਿੰਦਾ ਹੈ। ਤੁਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਦੁਹਰਾਉਂਦੇ ਹੋ, ਸੰਦਰਭ ਨੂੰ ਮੁੜ-ਸਥਾਪਿਤ ਕਰਦੇ ਹੋ, ਅਤੇ AI ਨੂੰ ਗਲਤੀਆਂ ਕਰਦੇ ਹੋਏ ਦੇਖਦੇ ਹੋ ਕਿ ਇਸਨੇ ਪਹਿਲਾਂ ਦਸ ਸੰਦੇਸ਼ ਨਹੀਂ ਕੀਤੇ ਹੋਣਗੇ। ਇੰਜਨੀਅਰਿੰਗ ਟੀਮਾਂ ਲਈ ਸਖ਼ਤ ਸਮਾਂ-ਸੀਮਾਵਾਂ 'ਤੇ ਸ਼ਿਪਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਇਹ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਗੁੰਮ ਹੋਏ ਘੰਟਿਆਂ ਅਤੇ ਘਟੀਆ ਕੋਡ ਗੁਣਵੱਤਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ।

ਮੇਵੇਜ਼ ਵਿਖੇ, ਅਸੀਂ ਆਪਣੇ 207-ਮੋਡਿਊਲ ਵਪਾਰਕ ਪਲੇਟਫਾਰਮ ਨੂੰ ਬਣਾਉਂਦੇ ਸਮੇਂ ਇਸ ਸਹੀ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਕੀਤਾ। ਸਾਡਾ ਵਿਕਾਸ ਵਰਕਫਲੋ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਮਾਡਿਊਲਾਂ - CRM, ਇਨਵੌਇਸਿੰਗ, ਪੇਰੋਲ, HR, ਵਿਸ਼ਲੇਸ਼ਣ - ਵਿੱਚ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕੋਡਿੰਗ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦਾ ਹੈ - ਜਿੱਥੇ ਇੱਕ ਮੋਡੀਊਲ ਵਿੱਚ ਤਬਦੀਲੀ ਅਕਸਰ ਦੂਜਿਆਂ ਵਿੱਚ ਆ ਜਾਂਦੀ ਹੈ। ਜਦੋਂ ਸਾਡੇ MCP ਟੂਲ ਆਉਟਪੁੱਟ ਫੁੱਲੇ ਹੋਏ ਸਨ, ਤਾਂ ਕਲਾਉਡ ਇੱਕ ਸਿੰਗਲ ਸੈਸ਼ਨ ਦੇ ਅੰਦਰ ਕ੍ਰਾਸ-ਮੋਡਿਊਲ ਨਿਰਭਰਤਾ ਦਾ ਟਰੈਕ ਗੁਆ ਦੇਵੇਗਾ। ਹੱਲ ਲਈ ਸਾਨੂੰ ਜ਼ਮੀਨੀ ਪੱਧਰ ਤੋਂ ਹਰ ਟੂਲ ਜਵਾਬ 'ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਸੀ।

98% ਕਟੌਤੀ ਫਰੇਮਵਰਕ: ਚਾਰ ਸਿਧਾਂਤ ਜਿਨ੍ਹਾਂ ਨੇ ਸਭ ਕੁਝ ਬਦਲ ਦਿੱਤਾ

MCP ਆਉਟਪੁੱਟ ਵਿੱਚ 98% ਦੀ ਕਟੌਤੀ ਕਰਨਾ ਜਾਣਕਾਰੀ ਨੂੰ ਹਟਾਉਣ ਬਾਰੇ ਨਹੀਂ ਹੈ — ਇਹ ਸਿਰਫ ਉਹ ਜਾਣਕਾਰੀ ਵਾਪਸ ਕਰਨ ਬਾਰੇ ਹੈ ਜਿਸਦੀ ਮਾਡਲ ਨੂੰ ਆਪਣਾ ਅਗਲਾ ਫੈਸਲਾ ਲੈਣ ਦੀ ਲੋੜ ਹੈ। ਅੰਤਰ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਇੱਕ ਟੂਲ ਜੋ ਉਪਭੋਗਤਾ ਰਿਕਾਰਡ ਨੂੰ ਵਾਪਸ ਕਰਦਾ ਹੈ ਉਸ ਵਿੱਚ ਹਰ ਖੇਤਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਮਾਡਲ ਸਿਰਫ ਇਹ ਪੁੱਛੇ ਕਿ ਕੀ ਉਪਭੋਗਤਾ ਮੌਜੂਦ ਹੈ। ਇੱਕ ਫਾਈਲ ਖੋਜ ਨੂੰ ਫਾਈਲ ਸਮੱਗਰੀ ਵਾਪਸ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਮਾਡਲ ਨੂੰ ਸਿਰਫ ਫਾਈਲ ਮਾਰਗਾਂ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ. ਹਰ ਜਵਾਬ ਨੂੰ ਪੁੱਛੇ ਗਏ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ, ਹੋਰ ਕੁਝ ਨਹੀਂ।

ਇਹ ਚਾਰ ਸਿਧਾਂਤ ਹਨ ਜੋ ਸਾਡੇ ਅਨੁਕੂਲਤਾ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰਦੇ ਹਨ:

1. ਸੰਖੇਪ ਵਾਪਸੀ ਕਰੋ, ਡੇਟਾਸੈਟ ਨਹੀਂ। ਕਿਸੇ ਪੁੱਛਗਿੱਛ ਤੋਂ 200 ਕਤਾਰਾਂ ਵਾਪਸ ਕਰਨ ਦੀ ਬਜਾਏ, ਗਿਣਤੀ ਦੇ ਨਾਲ 3-5 ਸਭ ਤੋਂ ਢੁਕਵੀਆਂ ਕਤਾਰਾਂ ਵਾਪਸ ਕਰੋ। ਜੇਕਰ ਮਾਡਲ ਨੂੰ ਹੋਰ ਲੋੜ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਖਾਸ ਟੁਕੜਾ ਮੰਗ ਸਕਦਾ ਹੈ। ਇਹ ਸਿੰਗਲ ਬਦਲਾਅ ਆਮ ਤੌਰ 'ਤੇ ਡਾਟਾ-ਹੈਵੀ ਟੂਲਸ 'ਤੇ ਆਉਟਪੁੱਟ ਨੂੰ 80-90% ਤੱਕ ਘਟਾਉਂਦਾ ਹੈ।
2. ਸੰਰਚਨਾਬੱਧ, ਨਿਊਨਤਮ ਸਕੀਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਹਰ ਖੇਤਰ ਨੂੰ ਹਟਾਓ ਜੋ ਟੂਲ ਦੇ ਐਲਾਨੇ ਉਦੇਸ਼ ਨਾਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਨਹੀਂ ਹੈ। ਇੱਕ "ਤੈਨਾਤੀ ਸਥਿਤੀ ਦੀ ਜਾਂਚ ਕਰੋ" ਟੂਲ ਨੂੰ ਸਥਿਤੀ, ਟਾਈਮਸਟੈਂਪ, ਅਤੇ ਗਲਤੀ (ਜੇਕਰ ਕੋਈ ਹੈ) ਵਾਪਸ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ - ਪੂਰੀ ਤੈਨਾਤੀ ਮੈਨੀਫੈਸਟ, ਵਾਤਾਵਰਣ ਵੇਰੀਏਬਲ, ਅਤੇ ਬਿਲਡ ਲੌਗ ਨਹੀਂ।
3. ਪ੍ਰਗਤੀਸ਼ੀਲ ਖੁਲਾਸੇ ਨੂੰ ਲਾਗੂ ਕਰੋ। ਪਹਿਲੀ ਕਾਲ 'ਤੇ ਉੱਚ-ਪੱਧਰੀ ਸਾਰਾਂਸ਼ ਨੂੰ ਵਾਪਸ ਕਰਨ ਲਈ ਡਿਜ਼ਾਈਨ ਟੂਲ, ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਨਾਲ ਜੋ ਲੋੜ ਪੈਣ 'ਤੇ ਮਾਡਲ ਨੂੰ ਡੂੰਘਾਈ ਨਾਲ ਡ੍ਰਿਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। ਇਸ ਨੂੰ AI ਲਈ ਪੰਨਾਬੰਦੀ ਦੇ ਰੂਪ ਵਿੱਚ ਸੋਚੋ — ਇਸਨੂੰ ਪਹਿਲਾਂ ਸਮੱਗਰੀ ਦੀ ਸਾਰਣੀ ਦਿਓ, ਫਿਰ ਬੇਨਤੀ 'ਤੇ ਵਿਅਕਤੀਗਤ ਚੈਪਟਰ।
4. ਅਗਲੇ ਢੰਗ ਨਾਲ ਡੁਪਲੀਕੇਟ ਕਰੋ। ਜੇਕਰ ਮਾਡਲ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਸੰਦਰਭ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੈ (ਪਿਛਲੇ ਟੂਲ ਕਾਲ ਜਾਂ ਉਪਭੋਗਤਾ ਸੁਨੇਹੇ ਤੋਂ), ਤਾਂ ਇਸਨੂੰ ਦੁਬਾਰਾ ਵਾਪਸ ਨਾ ਕਰੋ। ਕੀ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਹੈ ਨੂੰ ਟ੍ਰੈਕ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਬਜਾਏ ਇਸਦਾ ਹਵਾਲਾ ਦਿਓ।

ਮੁੱਖ ਸੂਝ: ਇੱਕ MCP ਟੂਲ ਜਵਾਬ ਦਾ ਟੀਚਾ ਸੰਪੂਰਨਤਾ ਨਹੀਂ ਹੈ - ਇਹ ਕਾਫੀ ਹੈ। ਮਾਡਲ ਨੂੰ ਆਪਣੀ ਅਗਲੀ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਲੋੜ ਤੋਂ ਪਰੇ ਹਰ ਟੋਕਨ ਭਵਿੱਖ ਦੀ ਤਰਕ ਸਮਰੱਥਾ ਤੋਂ ਚੋਰੀ ਕੀਤਾ ਗਿਆ ਟੋਕਨ ਹੈ। ਮਾਡਲ ਦੇ ਫੈਸਲੇ ਲਈ ਡਿਜ਼ਾਈਨ ਕਰੋ, ਨਾ ਕਿ ਮਨੁੱਖ ਦੀ ਉਤਸੁਕਤਾ ਲਈ।

ਵਿਹਾਰਕ ਅਮਲ: ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ

ਇਸ ਨੂੰ ਠੋਸ ਬਣਾਉਣ ਲਈ, ਇੱਕ ਆਮ ਵਿਕਾਸ ਦ੍ਰਿਸ਼ 'ਤੇ ਵਿਚਾਰ ਕਰੋ: ਨਿਰਭਰਤਾ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਦੇ ਮੋਡੀਊਲ ਢਾਂਚੇ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰਨਾ। ਸਾਡੇ ਮੂਲ ਲਾਗੂਕਰਨ ਵਿੱਚ, MCP ਟੂਲ ਨੇ ਪੂਰਾ ਮੋਡੀਊਲ ਮੈਨੀਫੈਸਟ ਵਾਪਸ ਕੀਤਾ — ਹਰ ਮੋਡੀਊਲ ਦਾ ਨਾਮ, ਵਰਣਨ, ਸੰਸਕਰਣ, ਨਿਰਭਰਤਾ ਟ੍ਰੀ, ਕੌਂਫਿਗਰੇਸ਼ਨ ਵਿਕਲਪ, ਅਤੇ ਸਥਿਤੀ ਫਲੈਗ। ਮੇਵੇਜ਼ ਦੇ 207-ਮੋਡਿਊਲ ਆਰਕੀਟੈਕਚਰ ਲਈ, ਇਸ ਸਿੰਗਲ ਜਵਾਬ ਨੇ ਲਗਭਗ 45,000 ਟੋਕਨਾਂ ਦੀ ਖਪਤ ਕੀਤੀ। ਮਾਡਲ ਨੂੰ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਉਸ ਜਾਣਕਾਰੀ ਦੇ ਲਗਭਗ 800 ਟੋਕਨਾਂ ਦੀ ਲੋੜ ਸੀ "ਕਿਹੜੇ ਮੋਡੀਊਲ ਬਿਲਿੰਗ ਮੋਡੀਊਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ?"

ਅਨੁਕੂਲਿਤ ਸੰਸਕਰਣ ਉਹਨਾਂ ਦੇ ਸਿੱਧੇ ਨਿਰਭਰਤਾ ਸੰਦਰਭਾਂ ਦੇ ਨਾਲ ਮੋਡੀਊਲ ਨਾਵਾਂ ਦੀ ਇੱਕ ਫਲੈਟ ਸੂਚੀ ਵਾਪਸ ਕਰਦਾ ਹੈ — ਕੋਈ ਵਰਣਨ ਨਹੀਂ, ਕੋਈ ਸੰਰਚਨਾ ਨਹੀਂ, ਕੋਈ ਸੰਸਕਰਣ ਨੰਬਰ ਨਹੀਂ। ਜਦੋਂ ਮਾਡਲ ਸੰਬੰਧਿਤ ਮੌਡਿਊਲਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਖਾਸ ਮੋਡੀਊਲਾਂ ਬਾਰੇ ਵੇਰਵੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਦੂਜੇ ਟੂਲ ਨੂੰ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ। ਉਸੇ ਸਵਾਲ ਲਈ ਕੁੱਲ ਟੋਕਨ ਦੀ ਕੀਮਤ 45,000 ਤੋਂ ਘਟ ਕੇ ਲਗਭਗ 900 ਟੋਕਨ ਰਹਿ ਗਈ ਹੈ। ਇਹ 98% ਦੀ ਕਟੌਤੀ ਹੈ ਜੋ ਮਾਡਲ ਦੀ ਪੂਰੀ ਬਾਕੀ ਗੱਲਬਾਤ ਬਾਰੇ ਤਰਕ ਕਰਨ ਦੀ ਯੋਗਤਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੀ ਹੈ।

ਇਕ ਹੋਰ ਉਦਾਹਰਨ: ਗਲਤੀ ਲਾਗ ਵਿਸ਼ਲੇਸ਼ਣ। ਅਸਲ ਟੂਲ ਨੇ ਪਿਛਲੇ 500 ਲੌਗ ਐਂਟਰੀਆਂ ਨੂੰ ਪੂਰੇ ਸਟੈਕ ਟਰੇਸ, ਟਾਈਮਸਟੈਂਪ, ਬੇਨਤੀ ਮੈਟਾਡੇਟਾ, ਅਤੇ ਵਾਤਾਵਰਣ ਸੰਦਰਭ ਦੇ ਨਾਲ ਵਾਪਸ ਕਰ ਦਿੱਤਾ ਹੈ। ਅਨੁਕੂਲਿਤ ਸੰਸਕਰਣ ਇੱਕ ਬਾਰੰਬਾਰਤਾ-ਸਮੂਹਬੱਧ ਸਾਰਾਂਸ਼ ਵਾਪਸ ਕਰਦਾ ਹੈ — "ਡੇਟਾਬੇਸ ਕਨੈਕਸ਼ਨ ਐਰਰ: ਪਿਛਲੇ ਘੰਟੇ ਵਿੱਚ 47 ਘਟਨਾਵਾਂ, ਸਭ ਤੋਂ ਤਾਜ਼ਾ 14:32 'ਤੇ, /api/ਇਨਵੌਇਸ ਐਂਡਪੁਆਇੰਟ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ" — 12,000 ਦੀ ਬਜਾਏ ਲਗਭਗ 200 ਟੋਕਨਾਂ ਵਿੱਚ। ਜੇਕਰ ਮਾਡਲ ਨੂੰ ਇੱਕ ਖਾਸ ਸਟੈਕ ਟਰੇਸ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਇਹ ਗਲਤੀ ID ਦੁਆਰਾ ਇੱਕ ਦੀ ਬੇਨਤੀ ਕਰਦਾ ਹੈ। ਇੱਕੋ ਡਾਇਗਨੌਸਟਿਕ ਸਮਰੱਥਾ, ਲਾਗਤ ਦਾ ਅੰਸ਼।

ਵਿਕਾਸ ਵੇਗ 'ਤੇ ਰਿਪਲ ਪ੍ਰਭਾਵ

ਲੀਨ MCP ਆਉਟਪੁੱਟ ਦੇ ਫਾਇਦੇ ਸੰਦਰਭ ਵਿੰਡੋ ਵਿੱਚ ਹੋਰ ਫਿੱਟ ਕਰਨ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹਨ। ਜਦੋਂ ਮਾਡਲ ਤੁਹਾਡੇ ਗੱਲਬਾਤ ਦੇ ਇਤਿਹਾਸ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ, ਤਾਂ ਇਹ ਗੁੰਝਲਦਾਰ ਮਲਟੀ-ਫਾਈਲ ਰਿਫੈਕਟਰਾਂ ਵਿੱਚ ਇਕਸਾਰਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦਾ ਹੈ। ਇਹ ਆਰਕੀਟੈਕਚਰਲ ਰੁਕਾਵਟਾਂ ਨੂੰ ਯਾਦ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਤੁਸੀਂ ਸੈਸ਼ਨ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਜ਼ਿਕਰ ਕੀਤਾ ਸੀ। ਇਹ ਉਹਨਾਂ ਹੱਲਾਂ ਦਾ ਸੁਝਾਅ ਨਹੀਂ ਦਿੰਦਾ ਜੋ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪਹਿਲਾਂ ਹੀ ਕੀਤੇ ਗਏ ਫੈਸਲਿਆਂ ਦਾ ਵਿਰੋਧ ਕਰਦੇ ਹਨ। AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕੋਡਿੰਗ ਵਿੱਚ ਗੁਣਾਤਮਕ ਸੁਧਾਰ ਨਾਟਕੀ ਹੈ — ਇਹ ਇੱਕ ਸਮਰੱਥ ਜੂਨੀਅਰ ਡਿਵੈਲਪਰ ਵਿੱਚ ਫਰਕ ਹੈ ਜੋ ਨੋਟ ਲੈਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਜੋ ਭੁੱਲਦਾ ਰਹਿੰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਕੀ ਕਿਹਾ ਹੈ।

ਮੇਵੇਜ਼ ਦੇ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਵਪਾਰਕ ਮੋਡਿਊਲਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੀ ਸਾਡੀ ਟੀਮ ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕਲਾਉਡ ਉਹਨਾਂ ਨੂੰ ਜੋੜਨ ਵਾਲੇ ਸਾਂਝੇ ਕੀਤੇ ਡੇਟਾ ਮਾਡਲਾਂ ਦਾ ਟਰੈਕ ਗੁਆਏ ਬਿਨਾਂ ਇੱਕ ਸੈਸ਼ਨ ਵਿੱਚ CRM, ਇਨਵੌਇਸਿੰਗ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਮਾਡਿਊਲਾਂ ਨੂੰ ਛੂਹਣ ਵਾਲੇ ਰਿਫੈਕਟਰਾਂ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਨੈਵੀਗੇਟ ਕਰ ਸਕਦਾ ਹੈ। ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹਨਾਂ ਕਰਾਸ-ਮੋਡਿਊਲ ਕਾਰਜਾਂ ਲਈ ਹਰ ਇੱਕ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਵਿਆਪਕ ਰੀ-ਬ੍ਰੀਫਿੰਗ ਦੇ ਨਾਲ ਕੰਮ ਨੂੰ ਅਲੱਗ-ਥਲੱਗ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਤੋੜਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਤੋਂ ਬਾਅਦ, ਇੱਕ ਸਿੰਗਲ ਲਗਾਤਾਰ ਸੈਸ਼ਨ ਪੂਰੇ ਵਰਕਫਲੋ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ — ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ 'ਤੇ ਡਿਵੈਲਪਰ ਥ੍ਰੋਪੁੱਟ ਵਿੱਚ ਲਗਭਗ 3 ਗੁਣਾ ਸੁਧਾਰ।

ਕਿਸੇ ਵੀ ਕਿਸਮ ਦੇ ਮਲਟੀ-ਕੰਪੋਨੈਂਟ SaaS ਉਤਪਾਦ ਬਣਾਉਣ ਵਾਲੀਆਂ ਟੀਮਾਂ ਇਸ ਪੈਟਰਨ ਨੂੰ ਪਛਾਣਨਗੀਆਂ। ਭਾਵੇਂ ਤੁਸੀਂ ਮਾਈਕ੍ਰੋਸੇਵਾਵਾਂ, ਇੱਕ ਮਾਡਿਊਲਰ ਮੋਨੋਲੀਥ, ਜਾਂ ਦਰਜਨਾਂ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲਾ ਇੱਕ ਪਲੇਟਫਾਰਮ ਪ੍ਰਬੰਧਿਤ ਕਰ ਰਹੇ ਹੋ, ਗੁੰਝਲਦਾਰ ਕੋਡਬੇਸ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਦੇ ਹੋਏ ਸੰਪੂਰਨ ਸੰਵਾਦ ਸੰਦਰਭ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਦੀ ਸਮਰੱਥਾ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹੈ। ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਿਰਫ਼ ਇੱਕ ਪ੍ਰਦਰਸ਼ਨ ਟਵੀਕ ਨਹੀਂ ਹੈ — ਇਹ ਇੱਕ ਸਿੰਗਲ AI-ਸਹਾਇਤਾ ਵਾਲੇ ਵਿਕਾਸ ਸੈਸ਼ਨ ਵਿੱਚ ਜੋ ਵੀ ਸੰਭਵ ਹੈ ਉਸ ਨੂੰ ਬਦਲਦਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ ਜੋ ਤੁਹਾਡੇ ਸੰਦਰਭ ਬਜਟ ਨੂੰ ਤੋੜ ਦਿੰਦੀਆਂ ਹਨ

ਇਥੋਂ ਤੱਕ ਕਿ ਉਹ ਟੀਮਾਂ ਜੋ ਨਿਊਨਤਮ ਆਉਟਪੁੱਟ ਦੇ ਸਿਧਾਂਤ ਨੂੰ ਸਮਝਦੀਆਂ ਹਨ ਅਕਸਰ ਲਾਗੂ ਕਰਨ ਦੀਆਂ ਗਲਤੀਆਂ ਕਰਦੀਆਂ ਹਨ ਜੋ ਉਹਨਾਂ ਦੇ ਯਤਨਾਂ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਦੀਆਂ ਹਨ। ਸਭ ਤੋਂ ਆਮ MCP ਟੂਲ ਵੇਰਵਿਆਂ ਨੂੰ ਪ੍ਰੋਂਪਟ ਇੰਜਨੀਅਰਿੰਗ ਦੀ ਬਜਾਏ ਦਸਤਾਵੇਜ਼ਾਂ ਵਜੋਂ ਮੰਨਣਾ ਹੈ। ਟੂਲ ਦਾ ਵੇਰਵਾ ਮਾਡਲ ਦੀ ਪ੍ਰਾਇਮਰੀ ਗਾਈਡ ਹੈ ਕਿ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਅਤੇ ਇਸਦੇ ਆਉਟਪੁੱਟ ਤੋਂ ਕੀ ਉਮੀਦ ਕਰਨੀ ਹੈ। ਅਸਪਸ਼ਟ ਵਰਣਨ ਜਿਵੇਂ "ਪ੍ਰੋਜੈਕਟ ਜਾਣਕਾਰੀ ਵਾਪਸ ਕਰਦਾ ਹੈ" ਮਾਡਲ ਨੂੰ ਵਿਆਪਕ, ਖੋਜੀ ਕਾਲਾਂ ਕਰਨ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਸਟੀਕ ਵਰਣਨ ਜਿਵੇਂ "ਮੌਡਿਊਲ ਨਾਵਾਂ ਦੀ ਸੂਚੀ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਿਤ ਮੋਡੀਊਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ" ਮਾਡਲ ਨੂੰ ਨਿਸ਼ਾਨਾ, ਕੁਸ਼ਲ ਬੇਨਤੀਆਂ ਕਰਨ ਲਈ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

ਇੱਕ ਹੋਰ ਅਕਸਰ ਗਲਤੀ ਪੜ੍ਹਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲਸ ਵਿੱਚ ਫਰਕ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹੀ ਹੈ। ਇੱਕ ਟੂਲ ਜੋ ਇੱਕ ਫਾਈਲ ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ ਉਸਨੂੰ ਫਾਈਲ ਸਮੱਗਰੀ ਵਾਪਸ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਇੱਕ ਟੂਲ ਜੋ ਇੱਕ ਫਾਈਲ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜੇ ਵਾਪਸ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ, ਨਾ ਕਿ ਫਾਈਲ ਸਮੱਗਰੀ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ। ਜਦੋਂ ਇਹ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਧੁੰਦਲੀਆਂ ਹੋ ਜਾਂਦੀਆਂ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਅਜਿਹੇ ਟੂਲਸ ਦੇ ਨਾਲ ਖਤਮ ਹੋ ਜਾਂਦੇ ਹੋ ਜੋ ਪ੍ਰੋਸੈਸਡ ਇਨਸਾਈਟਸ ਦੇ ਨਾਲ-ਨਾਲ ਕੱਚਾ ਡੇਟਾ ਵਾਪਸ ਕਰਦੇ ਹਨ, ਮਾਡਲ ਦੇ ਤਰਕ ਨੂੰ ਕੋਈ ਲਾਭ ਨਹੀਂ ਦਿੰਦੇ ਟੋਕਨ ਦੀ ਲਾਗਤ ਨੂੰ ਦੁੱਗਣਾ ਕਰਦੇ ਹਨ।

ਤੀਜੀ ਸਮੱਸਿਆ ਅਸੰਗਤ ਜਵਾਬ ਫਾਰਮੈਟਿੰਗ ਹੈ। ਜਦੋਂ ਕੁਝ ਟੂਲ JSON ਵਾਪਸ ਕਰਦੇ ਹਨ, ਦੂਸਰੇ ਮਾਰਕਡਾਊਨ ਟੇਬਲ ਵਾਪਸ ਕਰਦੇ ਹਨ, ਅਤੇ ਦੂਸਰੇ ਸਾਦੇ ਟੈਕਸਟ ਨੂੰ ਵਾਪਸ ਕਰਦੇ ਹਨ, ਮਾਡਲ ਟੋਕਨਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟਾਂ ਨੂੰ ਪਾਰਸ ਕਰਨ ਅਤੇ ਆਮ ਬਣਾਉਣ ਲਈ ਖਰਚ ਕਰਦਾ ਹੈ। ਇੱਕ ਸਿੰਗਲ, ਸੰਖੇਪ ਫਾਰਮੈਟ 'ਤੇ ਮਾਨਕੀਕਰਨ ਕਰੋ — ਆਮ ਤੌਰ 'ਤੇ ਇਕਸਾਰ ਖੇਤਰ ਦੇ ਨਾਮਕਰਨ ਦੇ ਨਾਲ ਘੱਟੋ-ਘੱਟ JSON — ਅਤੇ ਤੁਹਾਡਾ ਮਾਡਲ ਫਾਰਮੈਟ ਦੀ ਸਮਝ 'ਤੇ ਘੱਟ ਟੋਕਨ ਅਤੇ ਅਸਲ ਸਮੱਸਿਆ-ਹੱਲ ਕਰਨ 'ਤੇ ਜ਼ਿਆਦਾ ਖਰਚ ਕਰਦਾ ਹੈ।

ਇੱਕ ਸੰਦਰਭ-ਜਾਗਰੂਕ ਟੂਲ ਈਕੋਸਿਸਟਮ ਬਣਾਉਣਾ

MCP ਆਉਟਪੁੱਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਪਹੁੰਚ ਵਿਅਕਤੀਗਤ ਟੂਲ ਜਵਾਬਾਂ ਤੋਂ ਪਰੇ ਹੈ ਅਤੇ ਪੂਰੇ ਟੂਲ ਈਕੋਸਿਸਟਮ ਨੂੰ ਇੱਕ ਤਾਲਮੇਲ ਸਿਸਟਮ ਵਜੋਂ ਮੰਨਦੀ ਹੈ। ਇਸਦਾ ਅਰਥ ਹੈ ਉਹ ਟੂਲ ਜੋ ਇਸ ਗੱਲ ਤੋਂ ਜਾਣੂ ਹਨ ਕਿ ਮੌਜੂਦਾ ਸੈਸ਼ਨ ਵਿੱਚ ਹੋਰ ਕਿਹੜੇ ਟੂਲ ਪਹਿਲਾਂ ਹੀ ਵਾਪਸ ਆ ਚੁੱਕੇ ਹਨ, ਉਹ ਟੂਲ ਜੋ ਉਹਨਾਂ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਬਜਾਏ ID ਦੁਆਰਾ ਪੁਰਾਣੇ ਨਤੀਜਿਆਂ ਦਾ ਹਵਾਲਾ ਦੇ ਸਕਦੇ ਹਨ, ਅਤੇ ਉਹ ਟੂਲ ਜੋ ਬਾਕੀ ਬਚੇ ਸੰਦਰਭ ਬਜਟ ਦੇ ਅਧਾਰ ਤੇ ਉਹਨਾਂ ਦੀ ਵਰਬੋਸਿਟੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ।

ਸੈਸ਼ਨ-ਜਾਗਰੂਕ ਟੂਲਸ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਇੱਕ ਹਲਕੇ ਮਿਡਲਵੇਅਰ ਲੇਅਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਗੱਲਬਾਤ ਦੇ ਅੰਦਰ ਟੂਲ ਕਾਲ ਇਤਿਹਾਸ ਨੂੰ ਟਰੈਕ ਕਰਦੀ ਹੈ। ਜਦੋਂ ਇੱਕ ਟੂਲ ਨੂੰ ਬੁਲਾਇਆ ਜਾਂਦਾ ਹੈ, ਮਿਡਲਵੇਅਰ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਸੰਬੰਧਤ ਡੇਟਾ ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਸੰਦਰਭ ਵਿੱਚ ਮੌਜੂਦ ਹੈ ਅਤੇ ਉਸ ਅਨੁਸਾਰ ਜਵਾਬ ਨੂੰ ਐਡਜਸਟ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਮਾਡਲ ਨੇ ਪਹਿਲਾਂ ਹੀ ਸਰਗਰਮ ਮੋਡੀਊਲਾਂ ਦੀ ਸੂਚੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਹੈ, ਤਾਂ ਮੋਡੀਊਲ ਨਿਰਭਰਤਾ ਬਾਰੇ ਇੱਕ ਬਾਅਦ ਵਾਲੀ ਟੂਲ ਕਾਲ ਉਹਨਾਂ ਨੂੰ ਮੁੜ-ਵਰਣਨ ਕੀਤੇ ਬਿਨਾਂ ਨਾਮ ਦੁਆਰਾ ਮੋਡੀਊਲਾਂ ਦਾ ਹਵਾਲਾ ਦੇ ਸਕਦੀ ਹੈ। ਇਹ ਅੰਤਰ-ਟੂਲ ਜਾਗਰੂਕਤਾ ਵਿਅਕਤੀਗਤ ਟੂਲ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਤੋਂ ਪਰੇ ਸੰਚਤ ਟੋਕਨ ਦੀ ਵਰਤੋਂ ਨੂੰ 30-40% ਤੱਕ ਘਟਾ ਸਕਦੀ ਹੈ।

ਇਸ ਪਹੁੰਚ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਾਲੀਆਂ ਇੰਜੀਨੀਅਰਿੰਗ ਟੀਮਾਂ ਲਈ, ਨਿਵੇਸ਼ ਤੁਹਾਡੇ ਟੂਲ ਈਕੋਸਿਸਟਮ ਦੀ ਗੁੰਝਲਤਾ ਦੇ ਅਨੁਪਾਤੀ ਤੌਰ 'ਤੇ ਭੁਗਤਾਨ ਕਰਦਾ ਹੈ। ਤਿੰਨ MCP ਟੂਲਸ ਵਾਲਾ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਮਿਡਲਵੇਅਰ ਓਵਰਹੈੱਡ ਨੂੰ ਜਾਇਜ਼ ਨਹੀਂ ਠਹਿਰਾ ਸਕਦਾ ਹੈ। ਮੇਵੇਜ਼ ਵਰਗਾ ਪਲੇਟਫਾਰਮ, ਡਾਟਾਬੇਸ ਪੁੱਛਗਿੱਛਾਂ, ਮੋਡੀਊਲ ਪ੍ਰਬੰਧਨ, ਤੈਨਾਤੀ ਸਥਿਤੀ, ਗਲਤੀ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਤੇ ਕਰਾਸ-ਸਰਵਿਸ ਸੰਚਾਰ ਦੇ ਸਾਧਨਾਂ ਦੇ ਨਾਲ, ਹਰ ਅਨੁਕੂਲਨ ਪਰਤ ਤੋਂ ਮਿਸ਼ਰਿਤ ਰਿਟਰਨ ਦੇਖਦਾ ਹੈ। ਸਿਧਾਂਤ ਦਾ ਪੈਮਾਨਾ: ਤੁਹਾਡੇ ਕੋਲ ਜਿੰਨੇ ਜ਼ਿਆਦਾ ਟੂਲ ਹਨ, ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਸੰਦਰਭ-ਜਾਗਰੂਕ ਬਣਾਉਣ ਤੋਂ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਮੁੱਲ ਕੱਢਦੇ ਹੋ।

AI-ਪਹਿਲੇ ਵਿਕਾਸ ਲਈ ਵਿਆਪਕ ਸਬਕ

ਪ੍ਰਸੰਗ ਵਿੰਡੋ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਚੁਣੌਤੀ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਵਿਕਾਸ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਬਾਰੇ ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਦੱਸਦੀ ਹੈ: ਅਸੀਂ ਅਜੇ ਵੀ AI ਦੀ ਖਪਤ ਲਈ ਸਿਸਟਮਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਬਾਰੇ ਸਿੱਖਣ ਦੀ ਸ਼ੁਰੂਆਤੀ ਪਾਰੀ ਵਿੱਚ ਹਾਂ। ਜ਼ਿਆਦਾਤਰ MCP ਟੂਲ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਹਨ ਜੋ ਟੂਲ ਆਉਟਪੁੱਟ ਬਾਰੇ ਸੋਚਦੇ ਹਨ ਜਿਸ ਤਰ੍ਹਾਂ ਉਹ API ਜਵਾਬਾਂ ਬਾਰੇ ਸੋਚਦੇ ਹਨ — ਵਿਆਪਕ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ, ਅਤੇ ਸੰਪੂਰਨ। ਪਰ ਇੱਕ AI ਮਾਡਲ ਇੱਕ ਡੈਸ਼ਬੋਰਡ ਰੈਂਡਰ ਕਰਨ ਵਾਲੀ ਇੱਕ ਫਰੰਟਐਂਡ ਐਪਲੀਕੇਸ਼ਨ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਸੀਮਤ ਮੈਮੋਰੀ ਬਜਟ ਵਾਲਾ ਤਰਕਸ਼ੀਲ ਇੰਜਣ ਹੈ, ਅਤੇ ਉਸ ਬਜਟ ਦੇ ਹਰ ਬਾਈਟ ਦਾ ਆਉਟਪੁੱਟ ਗੁਣਵੱਤਾ 'ਤੇ ਸਿੱਧਾ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ।

ਉਹ ਟੀਮਾਂ ਜੋ ਅਗਲੇ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ AI-ਸੰਚਾਲਿਤ ਵਿਕਾਸ ਵਰਕਫਲੋ ਬਣਾਉਣਗੀਆਂ, ਸਿਰਫ ਉਹੀ ਨਹੀਂ ਹੋਣਗੀਆਂ ਜੋ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲਾਂ ਜਾਂ ਸਭ ਤੋਂ ਵੱਧ ਟੂਲ ਹੋਣਗੀਆਂ। ਉਹ ਉਹ ਹੋਣਗੇ ਜੋ ਸੰਦਰਭ ਵਿੰਡੋ ਪ੍ਰਬੰਧਨ ਨੂੰ ਪਹਿਲੀ-ਸ਼੍ਰੇਣੀ ਦੇ ਇੰਜੀਨੀਅਰਿੰਗ ਅਨੁਸ਼ਾਸਨ ਵਜੋਂ ਮੰਨਦੇ ਹਨ — ਜੋ ਟੋਕਨ ਬਜਟਾਂ ਨੂੰ API ਲੇਟੈਂਸੀ ਨੂੰ ਮਾਪਣ ਦੇ ਤਰੀਕੇ ਨੂੰ ਮਾਪਦੇ ਹਨ, ਜੋ ਟੂਲ ਜਵਾਬਾਂ ਨੂੰ ਉਸ ਤਰੀਕੇ ਨਾਲ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ ਜਿਸ ਤਰ੍ਹਾਂ ਉਹ ਡੇਟਾਬੇਸ ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ, ਅਤੇ ਜੋ ਸਮਝਦੇ ਹਨ ਕਿ AI-ਸਹਾਇਤਾ ਵਾਲੇ ਵਿਕਾਸ ਵਿੱਚ, ਘੱਟ ਜਾਣਕਾਰੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਡਿਲੀਵਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਲਾਪਰਵਾਹੀ ਨਾਲ ਡਿਲੀਵਰ ਕੀਤੀ ਗਈ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕਰਦੀ ਹੈ।

ਭਾਵੇਂ ਤੁਸੀਂ ਇੱਕ ਸਿੰਗਲ-ਪ੍ਰੋਡਕਟ ਸਟਾਰਟਅੱਪ ਬਣਾ ਰਹੇ ਹੋ ਜਾਂ ਸੈਂਕੜੇ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਮੋਡਿਊਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਗੁੰਝਲਦਾਰ ਪਲੇਟਫਾਰਮ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰ ਰਹੇ ਹੋ, ਸਿਧਾਂਤ ਇੱਕੋ ਹੈ: ਪ੍ਰਸੰਗ ਵਿੰਡੋ ਦਾ ਸਤਿਕਾਰ ਕਰੋ। ਤੁਹਾਡੇ AI ਟੂਲ ਓਨੇ ਹੀ ਚੰਗੇ ਹਨ ਜਿੰਨਾ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਸੋਚਣ ਲਈ ਦਿੰਦੇ ਹੋ।

ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ

ਪ੍ਰਸੰਗ ਵਿੰਡੋ ਥਕਾਵਟ ਕੀ ਹੈ ਅਤੇ ਇਹ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦਾ ਹੈ?

ਸੰਦਰਭ ਵਿੰਡੋ ਥਕਾਵਟ ਉਦੋਂ ਵਾਪਰਦੀ ਹੈ ਜਦੋਂ ਇੱਕ AI ਕੋਡਿੰਗ ਸਹਾਇਕ ਫੁੱਲੇ ਹੋਏ ਟੂਲ ਆਉਟਪੁੱਟ ਦੇ ਕਾਰਨ ਵਰਤੋਂ ਯੋਗ ਮੈਮੋਰੀ ਮੱਧ-ਗੱਲਬਾਤ ਤੋਂ ਬਾਹਰ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਨੂੰ ਪੁਰਾਣੇ ਸੰਦਰਭ ਨੂੰ ਭੁੱਲਣ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ, ਫਾਈਲਾਂ ਨੂੰ ਬੇਲੋੜੀ ਮੁੜ-ਪੜ੍ਹਦਾ ਹੈ, ਅਤੇ ਇਸਦੇ ਆਪਣੇ ਸੁਝਾਵਾਂ ਦਾ ਖੰਡਨ ਕਰਦਾ ਹੈ। AI-ਸੰਚਾਲਿਤ ਵਿਕਾਸ ਵਰਕਫਲੋ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਲਈ, ਇਹ ਚੁੱਪਚਾਪ ਉਤਪਾਦਕਤਾ ਅਤੇ ਆਉਟਪੁੱਟ ਗੁਣਵੱਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਇੱਕ ਸਮਰੱਥ ਸਹਾਇਕ ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਸਪੱਸ਼ਟ ਗਲਤੀ ਸੰਦੇਸ਼ ਦੇ ਇੱਕ ਭਰੋਸੇਯੋਗ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।

ਤੁਸੀਂ MCP ਆਉਟਪੁੱਟ ਨੂੰ 98% ਕਿਵੇਂ ਘਟਾਇਆ?

ਅਸੀਂ ਵਰਬੋਜ਼, ਅਨਫਿਲਟਰ ਕੀਤੇ ਆਊਟਪੁੱਟਾਂ ਦੀ ਬਜਾਏ ਸਿਰਫ਼ ਜ਼ਰੂਰੀ ਡਾਟਾ ਵਾਪਸ ਕਰਨ ਲਈ ਆਪਣੇ MCP ਟੂਲ ਜਵਾਬਾਂ ਦਾ ਪੁਨਰਗਠਨ ਕੀਤਾ ਹੈ। ਸਮਾਰਟ ਸੰਖੇਪ, ਚੋਣਵੇਂ ਫੀਲਡ ਰਿਟਰਨ, ਅਤੇ ਸੰਦਰਭ-ਜਾਗਰੂਕ ਕਟੌਤੀ ਨੂੰ ਲਾਗੂ ਕਰਕੇ, ਅਸੀਂ ਉਸ ਰੌਲੇ ਨੂੰ ਖਤਮ ਕਰ ਦਿੱਤਾ ਹੈ ਜੋ ਕੀਮਤੀ ਸੰਦਰਭ ਟੋਕਨਾਂ ਦੀ ਖਪਤ ਕਰ ਰਿਹਾ ਸੀ। ਨਤੀਜਾ ਇਹ ਹੈ ਕਿ ਕਲਾਉਡ ਕੋਡ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਲੰਬੇ ਸੈਸ਼ਨਾਂ ਲਈ ਇਕਸਾਰ, ਲਾਭਕਾਰੀ ਗੱਲਬਾਤ ਨੂੰ ਕਾਇਮ ਰੱਖਦਾ ਹੈ — ਥ੍ਰੈਡ ਨੂੰ ਗੁਆਏ ਬਿਨਾਂ ਗੁੰਝਲਦਾਰ, ਬਹੁ-ਪੜਾਵੀ ਇੰਜੀਨੀਅਰਿੰਗ ਕਾਰਜਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।

ਕੀ ਇਹ ਅਨੁਕੂਲਨ ਮੇਵੇਜ਼ ਵਰਗੇ ਪਲੇਟਫਾਰਮਾਂ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ?

ਬਿਲਕੁਲ। Mewayz ਇੱਕ 207-ਮੋਡਿਊਲ ਕਾਰੋਬਾਰੀ OS ਹੈ ਜੋ $19/mo ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ ਜੋ ਆਪਣੇ ਪੂਰੇ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਕੁਸ਼ਲ AI ਆਟੋਮੇਸ਼ਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਅਨੁਕੂਲਿਤ MCP ਆਉਟਪੁੱਟ ਦਾ ਮਤਲਬ ਹੈ ਐਪ.mewayz.com 'ਤੇ Mewayz ਵਰਗੇ ਟੂਲਸ ਦੇ ਅੰਦਰ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਵਰਕਫਲੋਜ਼ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਢੰਗ ਨਾਲ ਚੱਲਦੇ ਹਨ, ਕਿਉਂਕਿ ਹਰੇਕ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਟੋਕਨ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਲੰਬੇ ਉਤਪਾਦਕ ਸੈਸ਼ਨਾਂ ਅਤੇ ਗੁੰਝਲਦਾਰ ਕਾਰੋਬਾਰੀ ਕਾਰਵਾਈਆਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦੇ ਸਮੇਂ ਵਧੇਰੇ ਸਟੀਕ ਜਵਾਬਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ।

ਕੀ ਮੈਂ ਇਹਨਾਂ MCP ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਤਕਨੀਕਾਂ ਨੂੰ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰ ਸਕਦਾ/ਸਕਦੀ ਹਾਂ?

ਹਾਂ। ਮੁੱਖ ਸਿਧਾਂਤ — ਪ੍ਰਤੀਕਿਰਿਆ ਪੇਲੋਡ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨਾ, ਸਿਰਫ ਬੇਨਤੀ ਕੀਤੇ ਖੇਤਰਾਂ ਨੂੰ ਵਾਪਸ ਕਰਨਾ, ਅਤੇ ਮਾਡਲ ਨੂੰ ਪਾਸ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ ਦਾ ਸਾਰ ਦੇਣਾ — ਸਰਵ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਲਾਗੂ ਹਨ। ਭਾਵੇਂ ਤੁਸੀਂ ਕਸਟਮ MCP ਸਰਵਰ ਬਣਾ ਰਹੇ ਹੋ ਜਾਂ ਕਲਾਉਡ ਕੋਡ ਦੇ ਨਾਲ ਤੀਜੀ-ਧਿਰ ਦੇ ਟੂਲਸ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰ ਰਹੇ ਹੋ, ਬੇਲੋੜੀ ਵਰਬੋਸਿਟੀ ਲਈ ਤੁਹਾਡੇ ਟੂਲ ਆਉਟਪੁੱਟ ਦਾ ਆਡਿਟ ਕਰਨਾ ਇੱਕ ਉੱਚਤਮ-ਪ੍ਰਭਾਵੀ ਅਨੁਕੂਲਨ ਹੈ ਜੋ ਤੁਸੀਂ ਉਤਪਾਦਕ ਗੱਲਬਾਤ ਦੀ ਲੰਬਾਈ ਨੂੰ ਵਧਾਉਣ ਲਈ ਕਰ ਸਕਦੇ ਹੋ।