Context Engineering

Analogi: Koki Butuh Dapur yang Lengkap

Koki terbaik pun tidak bisa masak enak kalau dapurnya kosong. Prompting yang kamu pelajari sejauh ini seperti memberi resep ke koki. Context engineering adalah memastikan dapurnya lengkap: bahan-bahannya (file kode, dokumentasi, error log) sudah tersedia di meja sebelum ia mulai masak. AI dengan konteks yang tepat bisa 10x lebih akurat dibanding AI yang disuruh menebak tanpa bahan.

Secara sederhana: prompt = instruksi yang kamu tulis. Context = semua informasi yang AI bisa "lihat" saat bekerja: riwayat chat, file yang kamu lampirkan, dokumentasi yang kamu tempel, hasil eksekusi kode. Context engineering = seni menyusun semua itu secara sengaja, bukan asal tempel.

Kenapa Ini Pembeda Terbesar

Kebanyakan jawaban AI yang mengecewakan bukan karena modelnya bodoh, tapi karena konteksnya miskin. Contoh klasik: kamu tanya "kenapa fungsi ini error" TANPA menyertakan kodenya, dan AI menjawab generik. Atau sebaliknya: kamu tempel 2000 baris kode sekaligus, AI kebingungan dan fokus ke bagian yang salah. Pemula biasanya di dua ekstrem ini: konteks kurang, atau konteks kebanyakan tapi tidak relevan. Context engineering mengajarkan titik tengahnya: konteks yang tepat, secukupnya, terstruktur.

Contoh 1: Memberi Konteks yang Tepat untuk Debug (Bertahap)

Situasi: fungsi hitungDiskon() mengembalikan angka yang salah.

Cara buruk (konteks miskin):

fungsi hitungDiskon ku salah, benerin dong

AI tidak bisa apa-apa selain menebak. Hasilnya generik dan kemungkinan besar tidak cocok.

Cara baik (konteks cukup dan terstruktur):

Tolong bantu debug fungsi hitungDiskon().

KONTEKS:

• Bahasa: JavaScript, jalan di browser
• Fungsi ini dipakai di halaman checkout untuk menghitung total setelah diskon member

KODE: [paste fungsi hitungDiskon SAJA, bukan seluruh file, maksimal ~50 baris]

GEJALA:

• Input: harga 100000, diskon 10% → output yang diharapkan 90000
• Output aktual: 10000
• Tidak ada error di console

TUGAS: jelaskan kemungkinan penyebabnya saja dulu, jangan kasih kode perbaikan.

Lihat strukturnya: KONTEKS (lingkungan), KODE (minimal tapi cukup), GEJALA (expected vs actual, konkret dengan angka), TUGAS (jelas dan dibatasi). Dengan struktur ini, AI hampir pasti langsung menunjuk baris yang salah. Prinsipnya: beri AI semua yang ia butuhkan untuk tidak menebak, dan tidak lebih dari itu.

Contoh 2: Konteks Berlapis untuk Fitur Baru (Bertahap)

Situasi: kamu mau AI membantu menambah fitur "keranjang belanja" ke proyek yang sudah ada.

Langkah 1, beri peta proyek (bukan seluruh kode):

Ini struktur folder proyekku:

• /src/components (komponen UI)
• /src/lib/cart.js (logika keranjang, sudah ada fungsi tambahItem dan hapusItem)
• /src/app/page.js (halaman utama) Aku mau menambah halaman checkout. Sebelum menulis kode, tanya dulu: file mana saja yang perlu kamu lihat isinya?

Langkah 2, setelah AI meminta file tertentu, baru tempel file-file itu saja. Langkah 3, minta rencana dulu: "buatkan rencana langkahnya, jangan tulis kode dulu". Langkah 4, eksekusi per langkah dengan verifikasi.

Pola ini disebut progressive disclosure: buka konteks sedikit demi sedikit sesuai kebutuhan, bukan semuanya di awal. Manfaatnya: AI tidak tenggelam dalam informasi tidak relevan, kamu tetap memegang kendali arsitektur, dan tiap langkah bisa diverifikasi.

Kesalahan Umum Pemula

1. Tempel seluruh file 1000 baris. AI punya batas context window, dan yang lebih penting: perhatian model "encer" saat konteks terlalu panjang (fenomena "lost in the middle": informasi di tengah konteks panjang sering terabaikan). Potong ke bagian relevan saja.
2. Konteks basi. Kamu tempel kode versi lama, lalu bingung kenapa saran AI tidak cocok dengan kode sekarang. Selalu pastikan konteks yang kamu beri adalah versi terbaru.
3. Mencampur banyak topik dalam satu chat. Chat yang membahas 5 masalah berbeda membuat konteks kotor: AI bisa mencampuradukkan solusi masalah A ke masalah B. Satu chat = satu topik. Mulai chat baru untuk masalah baru.
4. Lupa memberi tahu yang BERUBAH. Setelah AI memberi solusi dan kamu mengubah kode, beri tahu perubahannya ("aku sudah ganti baris 12 jadi X, sekarang errornya berubah jadi Y"). Tanpa update ini, AI terus menalar berdasarkan kode lama.

Catatan teknis: Context window adalah memori kerja model: semua token dalam percakapan saat ini. Model besar modern punya window ratusan ribu token, tapi riset menunjukkan akurasi menurun untuk informasi di tengah konteks yang sangat panjang. Karena itu "lebih banyak konteks" tidak selalu "lebih baik". Context engineering yang baik = relevansi tinggi + struktur jelas + ukuran secukupnya. Inilah juga fondasi cara kerja AI agent (modul ai-agent-pengenalan): agent pada dasarnya adalah loop yang mengumpulkan konteks (membaca file, menjalankan perintah) lalu bertindak.

Rangkuman

Prompt = instruksimu. Context = semua yang AI bisa lihat. Context engineering = menyusun konteks secara sengaja: cukup, relevan, terstruktur, dan terkini. Rumus praktis: KONTEKS + KODE MINIMAL + GEJALA KONKRET + TUGAS TERBATAS. Kuasai ini, dan kamu akan dapat jawaban AI yang terasa "kok dia paham banget sih", padahal yang paham adalah kamu yang menyiapkan dapurnya.