AI & Machine Learning

Context Engineering: Kenapa Prompt Engineering Saja Sudah Tidak Cukup

Kualitas jawaban AI ditentukan oleh konteks yang kamu berikan, bukan hanya kalimat prompt. Pelajari prinsip context engineering dan contoh implementasinya di Python.

NP
novan putra 22 April 2026 · 3 mnt baca · 2.494 dilihat
Context Engineering: Kenapa Prompt Engineering Saja Sudah Tidak Cukup

Di 2023 semua orang belajar "prompt engineering": mencari kalimat ajaib agar model menjawab lebih baik. Di 2025–2026, praktisi AI mulai memakai istilah yang lebih tepat: context engineering — seni dan ilmu menyusun seluruh informasi yang masuk ke jendela konteks model, bukan hanya satu kalimat instruksi.

Apa Bedanya?

Prompt engineering bertanya: "Kalimat apa yang harus saya tulis?"
Context engineering bertanya: "Informasi apa yang perlu model lihat — dan apa yang tidak — agar bisa menyelesaikan tugas ini?"

Model modern sudah sangat pintar mengikuti instruksi. Kegagalan agent AI sekarang lebih sering disebabkan oleh konteks yang buruk: informasi kurang, terlalu banyak sampah, atau instruksi yang saling bertentangan.

Isi jendela konteks yang dirancang dengan baik
Setiap lapisan bersaing memperebutkan token — pilih yang benar-benar membantu model.

Prinsip 1: Konteks Adalah Anggaran

Jendela konteks besar bukan berarti boleh diisi apa saja. Semakin banyak token tidak relevan, semakin besar peluang model "terdistraksi" — fenomena yang sering disebut context rot. Perlakukan token seperti anggaran:

import anthropic

client = anthropic.Anthropic()

def hitung_token(messages, system=""):
    hasil = client.messages.count_tokens(
        model="claude-sonnet-5-5",
        system=system,
        messages=messages,
    )
    return hasil.input_tokens

print(hitung_token([{"role": "user", "content": "Halo!"}]))

Prinsip 2: Ambil Hanya yang Relevan (RAG)

Alih-alih menempelkan seluruh dokumentasi, ambil potongan paling relevan:

def susun_konteks(pertanyaan: str, cari_dokumen, batas_token: int = 4000) -> str:
    potongan = cari_dokumen(pertanyaan, top_k=8)   # hasil pencarian semantik
    terpilih, total = [], 0
    for p in potongan:
        est = len(p["teks"]) // 4                   # estimasi kasar 1 token ~ 4 karakter
        if total + est > batas_token:
            break
        terpilih.append(f"<dokumen sumber='{p['sumber']}'>\n{p['teks']}\n</dokumen>")
        total += est
    return "\n\n".join(terpilih)

Membungkus dokumen dengan tag seperti <dokumen> membantu model membedakan data dari instruksi — ini juga mengurangi risiko prompt injection.

Prinsip 3: Ringkas Memori Lama

Percakapan panjang bisa diringkas secara berkala agar tetap muat:

def ringkas_jika_panjang(riwayat: list[dict], maks_pesan: int = 20) -> list[dict]:
    if len(riwayat) <= maks_pesan:
        return riwayat
    lama, baru = riwayat[:-10], riwayat[-10:]
    teks_lama = "\n".join(f"{m['role']}: {m['content']}" for m in lama)
    ringkasan = client.messages.create(
        model="claude-haiku-5-5",
        max_tokens=500,
        messages=[{"role": "user", "content":
            f"Ringkas poin penting percakapan berikut dalam 5 butir:\n{teks_lama}"}],
    ).content[0].text
    return [{"role": "user", "content": f"Ringkasan percakapan sebelumnya:\n{ringkasan}"},
            {"role": "assistant", "content": "Baik, saya ingat konteksnya."}] + baru

Perhatikan pemakaian model kecil (Haiku) untuk tugas ringkas — hemat biaya tanpa mengorbankan kualitas jawaban utama.

Prinsip 4: Tools yang Sedikit tapi Jelas

Memberi agent 50 tools sekaligus justru membingungkan. Pilih tools sesuai tugas, beri nama dan deskripsi yang tegas:

tools = [{
    "name": "cari_pesanan",
    "description": "Cari pesanan berdasarkan nomor invoice (format INV-XXXX). "
                   "Gunakan HANYA jika pengguna menyebut nomor invoice.",
    "input_schema": {
        "type": "object",
        "properties": {"invoice": {"type": "string", "pattern": "^INV-[0-9]{4}$"}},
        "required": ["invoice"],
    },
}]

Prinsip 5: Struktur System Prompt

Bagian Isi
Peran "Kamu adalah asisten CS toko X"
Tujuan Apa yang dianggap berhasil
Aturan Batasan tegas (apa yang tidak boleh)
Format Panjang, bahasa, struktur jawaban
Contoh 1–3 contoh pasangan tanya-jawab yang ideal

Penutup

Prompt yang bagus tetap penting, tapi ia hanya satu lapisan. Hasil terbaik datang dari konteks yang dirancang: relevan, ringkas, terstruktur, dan diukur. Mulailah dengan menghitung token, membuang yang tidak perlu, dan memisahkan data dari instruksi — perbedaannya akan langsung terasa.

NP
Ditulis oleh

novan putra

Penulis utama blog ini.

0 Komentar

Komentar ditinjau dulu sebelum tampil.