Context Engineering Adalah: Pengertian, Strategi, dan Contohnya

Context engineering adalah apa?

Context engineering adalah praktik merancang, memilih, dan merawat semua informasi yang dilihat model AI pada saat ia bekerja, agar hasilnya akurat dan dapat diandalkan. IBM mendefinisikannya sebagai praktik merancang, menyusun, dan mengoptimalkan konteks yang diberikan ke model bahasa besar (LLM) untuk menghasilkan keluaran yang lebih akurat, relevan, dan andal. Dalam bahasa Indonesia, istilah ini kadang diterjemahkan sebagai rekayasa konteks.

Anthropic, pengembang model Claude, merumuskannya dari sisi sumber daya. Dalam tulisan Effective context engineering for AI agents (29 September 2025), konteks diartikan sebagai kumpulan token yang disertakan saat model menghasilkan jawaban. Tugas context engineering adalah mengoptimalkan kegunaan token-token itu di tengah keterbatasan model, supaya hasil yang diinginkan tercapai secara konsisten.

Ruang tempat konteks itu ditampung disebut context window. Penjelasan tentang token, ukuran, dan batasnya ada di artikel context window adalah. Tulisan ini membahas langkah berikutnya: bagaimana mengisi ruang terbatas itu dengan informasi yang tepat, terutama untuk agent AI yang mengerjakan pekerjaan bisnis.

Apa saja yang termasuk konteks?

Konteks bukan hanya kalimat yang Anda ketik. Menurut IBM, konteks adalah semua hal yang dilihat model saat inferensi, yaitu:

• System prompt, berisi instruksi dan aturan untuk model.
• Pertanyaan atau permintaan pengguna.
• Dokumen atau informasi yang diambil dari sumber luar, misalnya basis pengetahuan.
• Data dari sumber terstruktur seperti JSON, CSV, atau skema basis data.
• Riwayat interaksi antara model dan pengguna.
• Keluaran sistem lain, seperti hasil pemanggilan alat atau agent lain.

Panduan AWS tentang context engineering untuk AI generatif memakai rincian serupa: instruksi sistem, pertanyaan pengguna, profil pengguna, memori percakapan, definisi alat dan server Model Context Protocol (MCP), serta basis pengetahuan lewat RAG. Tabel berikut memetakan komponen itu ke contoh agent bisnis. Contohnya ilustrasi, bukan data dari bisnis tertentu.

Komponen konteks	Fungsinya	Contoh pada agent pengingat tagihan
Instruksi sistem	Menetapkan peran, tujuan, dan batas kerja	"Ingatkan pelanggan yang tagihannya lewat jatuh tempo. Jangan menjanjikan potongan harga."
Permintaan atau pemicu	Menjelaskan apa yang harus dikerjakan sekarang	Jadwal Senin pagi atau pesan admin "cek tagihan minggu ini"
Data terstruktur	Memberi fakta yang bisa dicocokkan	Baris tagihan: nomor, pelanggan, nominal, tanggal jatuh tempo
Pengetahuan bisnis	Menjawab dengan aturan perusahaan, bukan tebakan	Kebijakan pembayaran dan nomor rekening resmi
Riwayat dan memori	Menjaga kesinambungan antarlangkah	Catatan bahwa pelanggan sudah berjanji transfer hari Jumat
Alat	Mengambil data baru atau mengambil tindakan	Membaca spreadsheet, mengecek pembayaran, mengirim pesan

Cara kerja komponen ini dalam satu putaran kerja agent dijelaskan di cara kerja AI agent, sedangkan cara menghubungkan basis pengetahuan ke model dibahas di RAG adalah.

Context engineering vs prompt engineering

Anthropic memandang context engineering sebagai kelanjutan alami dari prompt engineering. Prompt engineering adalah cara menulis dan menyusun instruksi untuk model. Context engineering mencakup strategi untuk memilih dan menjaga kumpulan token yang optimal selama model bekerja, termasuk semua informasi di luar prompt yang ikut masuk.

IBM menempatkan prompt engineering dan RAG sebagai bagian dari context engineering. Prompt engineering tidak mengatur system prompt atau informasi lain yang diakses model, dan RAG tidak mengatur riwayat pesan atau hasil dari alat lain. Context engineering menyatukan keduanya dalam satu kerangka.

	Prompt engineering	Context engineering
Fokus	Cara menulis instruksi	Seluruh informasi yang dilihat model
Kapan dikerjakan	Saat menulis prompt, satu kali lalu diperbaiki	Setiap kali sistem menentukan apa yang dikirim ke model
Cakupan	Teks prompt	Instruksi, data, riwayat, memori, alat, hasil alat
Cocok untuk	Permintaan sekali jalan, seperti menulis draf	Agent yang bekerja dalam banyak langkah

Tabel ini merangkum penjelasan Anthropic dan IBM. Anthropic menulis bahwa berbeda dengan menulis prompt yang bersifat sekali kerja, context engineering berlangsung berulang: pemilihan informasi terjadi setiap kali sistem memutuskan apa yang diteruskan ke model. Untuk teknik menulis instruksinya sendiri, lihat cara membuat prompt AI untuk bisnis.

Mengapa context engineering penting untuk agent AI

Agent tidak berhenti setelah satu jawaban. Ia membaca data, memanggil alat, membaca hasilnya, lalu menentukan langkah berikutnya. Anthropic mencatat bahwa agent yang berjalan dalam putaran seperti ini menghasilkan semakin banyak data yang mungkin relevan, dan informasi itu harus terus disaring.

Masalahnya, menambah isi konteks tidak otomatis membuat model lebih pintar. Laporan riset Chroma, Context Rot, menguji 18 LLM dan menemukan bahwa di semua eksperimennya kinerja model menurun ketika panjang input bertambah, bahkan pada tugas sederhana. Chroma menyimpulkan bahwa yang penting bukan hanya ada atau tidaknya informasi relevan di dalam konteks, tetapi cara informasi itu disajikan.

Anthropic menggambarkan fenomena ini sebagai "attention budget": setiap token baru memakai sebagian kemampuan model untuk memperhatikan isi konteks. Karena itu konteks diperlakukan sebagai sumber daya terbatas yang manfaatnya makin kecil bila terus ditambah. IBM menambahkan bahwa context window yang dikelola dengan buruk dapat memicu halusinasi, kebingungan, atau jawaban yang tidak relevan. Penyebab dan cara mencegah halusinasi dibahas di halusinasi AI adalah.

Prinsip yang ditawarkan Anthropic: cari kumpulan token terkecil dengan sinyal tinggi yang memaksimalkan peluang tercapainya hasil yang diinginkan. Kecil di sini tidak berarti pendek. Agent tetap perlu informasi yang cukup untuk mengikuti perilaku yang Anda harapkan.

Empat strategi context engineering

Tim LangChain, pengembang kerangka kerja agent LangGraph, mengelompokkan teknik context engineering ke dalam empat strategi dalam tulisan Context Engineering (2 Juli 2025): write, select, compress, dan isolate.

1. Write: simpan di luar context window

Informasi penting ditulis ke tempat penyimpanan di luar context window, misalnya catatan kerja atau memori, lalu dibaca lagi saat dibutuhkan. Anthropic menyebut teknik ini structured note-taking: agent menulis catatan secara berkala, seperti daftar tugas atau berkas catatan, sehingga kemajuan pekerjaan tidak hilang di antara puluhan pemanggilan alat.

2. Select: ambil hanya yang relevan

Informasi ditarik ke dalam konteks hanya saat diperlukan untuk tugas yang sedang dikerjakan. Anthropic menyebut pendekatan "just in time": agent menyimpan penunjuk ringan seperti nama berkas, query tersimpan, atau tautan, lalu memuat datanya lewat alat ketika dibutuhkan. Cara ini lebih hemat, tetapi Anthropic juga mencatat kekurangannya: eksplorasi saat berjalan lebih lambat dibanding data yang sudah disiapkan, dan agent tanpa panduan yang baik bisa menghabiskan konteks untuk jalan buntu.

3. Compress: ringkas yang sudah lewat

Hanya token yang diperlukan untuk tugas yang dipertahankan. Teknik yang dibahas Anthropic adalah compaction, yaitu meringkas percakapan yang mendekati batas context window lalu melanjutkan dengan ringkasan itu. Bentuk yang lebih ringan adalah menghapus hasil pemanggilan alat lama yang tidak perlu dilihat lagi. Risikonya juga disebut: ringkasan yang terlalu agresif bisa membuang detail yang ternyata penting di langkah selanjutnya.

4. Isolate: pisahkan per tugas

Konteks dipecah agar tiap bagian pekerjaan punya ruang sendiri. Bentuk yang dikenal adalah sub-agent: agent utama memegang rencana, sementara sub-agent mengerjakan tugas sempit dengan context window yang bersih lalu mengembalikan ringkasan. Anthropic menyebut ringkasan itu berkisar 1.000 sampai 2.000 token. Pendekatan ini ada harganya. Dalam tulisan How we built our multi-agent research system, Anthropic melaporkan bahwa pada data mereka agent memakai sekitar 4 kali lebih banyak token dibanding percakapan biasa, dan sistem multi-agent sekitar 15 kali lebih banyak.

Strategi	Pertanyaan yang dijawab	Contoh pada pekerjaan bisnis (ilustrasi)
Write	Apa yang perlu diingat setelah langkah ini?	Mencatat status "sudah diingatkan, janji bayar Jumat" ke spreadsheet
Select	Data apa yang dibutuhkan untuk langkah ini saja?	Hanya membaca tagihan yang lewat jatuh tempo, bukan seluruh arsip
Compress	Bagian mana yang cukup diringkas?	Riwayat chat panjang diringkas menjadi janji bayar dan nominal
Isolate	Apakah pekerjaan ini perlu dipisah?	Rekap mingguan dijalankan sebagai agent terpisah dari pengingat tagihan

Seperti apa konteks yang efektif?

Anthropic memberi beberapa pedoman untuk tiap komponen konteks. Berikut ringkasannya dalam bahasa yang lebih dekat ke pekerjaan sehari-hari.

• Instruksi pada tingkat yang pas. Anthropic menyebut dua kegagalan: instruksi berupa logika kaku yang mencoba mengatur setiap kemungkinan, dan instruksi yang terlalu umum atau menganggap model sudah tahu konteks bisnis Anda. Instruksi yang baik cukup spesifik untuk mengarahkan, tetapi tetap memberi pegangan saat menghadapi kasus baru.
• Bagi instruksi ke dalam bagian. Pisahkan latar belakang, aturan, panduan alat, dan format hasil. IBM juga menyarankan memisahkan instruksi dari data.
• Alat yang sedikit dan jelas. Menurut Anthropic, kegagalan yang mereka temui adalah kumpulan alat yang terlalu luas atau membingungkan. Jika orang pun tidak bisa memastikan alat mana yang dipakai pada situasi tertentu, agent juga tidak bisa diharapkan lebih baik.
• Contoh yang mewakili, bukan daftar semua pengecualian. Anthropic menyarankan sekumpulan contoh yang beragam dan khas, alih-alih menjejalkan setiap kasus tepi ke dalam prompt.
• Urutan juga berpengaruh. IBM menyarankan instruksi dan aturan ditaruh di depan, konteks yang relevan di dekatnya, dan riwayat yang kurang penting di belakang.

Satu hal lagi yang perlu dijaga: konteks yang tercemar. IBM menyebut pemilihan konteks juga mencakup pencegahan context poisoning, yaitu ketika informasi yang salah atau berbahaya masuk ke context window. Untuk agent yang membaca pesan atau dokumen dari luar, risiko ini dibahas di prompt injection adalah.

Contoh ilustrasi: agent rekap pesanan

Bayangkan toko online perlengkapan dapur yang menerima pesanan lewat chat. Pemilik ingin agent mencatat pesanan dan mengabari gudang. Contoh ini ilustrasi, bukan data dari bisnis tertentu.

Tanpa context engineering. Seluruh riwayat chat tiga bulan, daftar 400 produk lengkap dengan deskripsi, dan semua aturan toko dimasukkan sekaligus. Agent harus mencari sendiri pesanan mana yang baru, produk mana yang dimaksud, dan aturan mana yang berlaku. Semakin panjang isinya, semakin besar peluang ia salah menangkap pesanan lama sebagai pesanan baru.

Dengan context engineering.

1. Instruksi singkat: tugas agent, format catatan pesanan, dan kapan harus bertanya ke admin.
2. Hanya pesan baru sejak catatan terakhir yang dibaca (select).
3. Data produk diambil lewat alat pencarian stok untuk nama produk yang disebut pelanggan, bukan seluruh katalog (select).
4. Setelah pesanan tercatat, statusnya ditulis ke spreadsheet sehingga putaran berikutnya tidak perlu membaca ulang chat lama (write).
5. Rekap mingguan untuk pemilik dijalankan sebagai agent lain dengan konteksnya sendiri (isolate).

Hasilnya bukan model yang lebih canggih, melainkan model yang melihat lebih sedikit hal yang tidak berkaitan dengan tugasnya.

Yang bisa Anda lakukan sebagai pemilik usaha

Context engineering terdengar teknis, tetapi sebagian besar keputusannya adalah keputusan bisnis. Anda yang tahu data apa yang dibutuhkan dan aturan apa yang berlaku. Beberapa pertanyaan yang membantu saat menyiapkan agent:

• Pekerjaan apa yang dikerjakan agent ini, dan apa yang di luar tugasnya?
• Sumber data mana saja yang benar-benar dibutuhkan untuk pekerjaan itu?
• Informasi apa yang harus dicatat setelah setiap langkah agar putaran berikutnya tidak mengulang dari awal?
• Kapan agent harus berhenti dan bertanya ke orang?
• Apakah ada pekerjaan lain yang lebih baik dijalankan agent terpisah?

Anthropic menyarankan memulai dari instruksi minimal, mengujinya, lalu menambahkan instruksi dan contoh berdasarkan kegagalan yang ditemukan saat pengujian. Cara menyusun uji coba seperti itu ada di uji agent AI sebelum tim memakainya, dan panduan memilih pekerjaan pertama ada di satu pekerjaan berulang, satu agent AI.

Context engineering di Bikinin.ai.id

Di Bikinin, sebagian keputusan konteks diambil dari cara Anda menjelaskan pekerjaannya. Menurut panduan agent AI untuk bisnis, langkah agent tersusun dari kalimat yang Anda tulis, dan kata yang Anda sebut menentukan sumber data yang dihubungkan. Sumber yang tidak disebut tidak dibaca. Ini sejalan dengan strategi select: agent hanya melihat data untuk pekerjaannya.

Hal lain yang tercantum di panduan dan halaman Bikinin:

• Agent dijalankan dengan contoh sebelum menyentuh data sungguhan, dan hasil tiap langkah tercatat serta bisa dibuka.
• Agent dirancang untuk berhenti dan bertanya saat data tidak cocok, supaya keputusan tetap di tangan Anda.
• Prinsip satu pekerjaan, satu agent, sehingga konteks tiap agent tetap sempit dan mudah diperiksa.

Jika agent Anda perlu tersambung ke aplikasi lain, standar yang dipakai untuk menghubungkan alat ke model dijelaskan di MCP AI adalah.

Kesimpulan

Context engineering adalah pekerjaan menentukan apa yang dilihat model AI pada setiap langkah: instruksi, data, riwayat, memori, dan alat. Prompt yang baik tetap penting, tetapi untuk agent yang bekerja dalam banyak langkah, kualitas hasil ditentukan oleh keseluruhan konteks. Riset yang ada menunjukkan bahwa konteks yang makin panjang dapat menurunkan kinerja model, sehingga tujuannya adalah informasi yang cukup dan relevan, bukan sebanyak mungkin.

Cara memulainya sederhana: pilih satu pekerjaan, sebut hanya data yang dibutuhkan, dan uji sebelum dipakai tim. Anda bisa mencoba dari template agent siap pakai, melihat paket di halaman harga, atau ceritakan pekerjaannya agar data dan langkah agent bisa disusun bersama sejak awal.