Prompt yang Benar-Benar Terpakai
M03.L03 · Pemula · 25-35 menit

Context engineering: naik level dari prompt engineering

Context engineering: naik level dari prompt engineering kedengarannya teknis. Sebenarnya tidak serumit itu kalau dibedah pelan-pelan.

KALAU LESSON INI BERES3/4
  • Paham context engineering
  • Paham system instruction
  • Paham memory

Sebelum mulai

  • Baca ringkasan modul dan siapkan satu contoh pekerjaan nyata.
  • Tidak perlu pengalaman teknis.
Target belajar: Setelah lesson ini, kamu bisa menjelaskan context engineering: naik level dari prompt engineering, menerapkannya pada contoh Indonesia yang sederhana, dan tahu bagian mana yang harus dicek manusia.

Yang perlu kamu tangkap

01Context engineering

Context engineering perlu dipahami sebagai bagian dari prompt debugging loop. Prompt engineering fokus pada cara menulis instruksi. Context engineering lebih luas: bagaimana memilih, menyusun, memotong, dan memberi konteks yang tepat agar model bisa bekerja dengan baik. Untuk agent dan workflow kompleks, context engineering lebih penting daripada prompt tunggal.

Kenapa penting: Ini penting karena lesson M03.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan context engineering membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Kesalahan pemula: Kesalahan umum: menganggap context engineering otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

02System instruction

System instruction perlu dipahami sebagai bagian dari rubric evaluasi output. Konteks bisa berasal dari instruksi sistem, profil user, dokumen, hasil pencarian, database, percakapan sebelumnya, output tool, dan memory. Masalahnya, terlalu banyak konteks bisa membuat model bingung. Konteks harus relevan, ringkas, dan terstruktur.

Kenapa penting: Ini penting karena lesson M03.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan system instruction membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Kesalahan pemula: Kesalahan umum: menganggap system instruction otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

03Memory

Memory perlu dipahami sebagai bagian dari structured output dan schema. Prinsip praktis: berikan konteks yang cukup, bukan semua konteks. Pisahkan instruksi permanen dari data sementara. Tandai sumber. Gunakan format konsisten. Buang noise. Untuk dokumen panjang, gunakan ringkasan bertingkat atau retrieval.

Kenapa penting: Ini penting karena lesson M03.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan memory membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Kesalahan pemula: Kesalahan umum: menganggap memory otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

04Retrieved context

Retrieved context perlu dipahami sebagai bagian dari prompt versioning. Prompt engineering fokus pada cara menulis instruksi. Context engineering lebih luas: bagaimana memilih, menyusun, memotong, dan memberi konteks yang tepat agar model bisa bekerja dengan baik. Untuk agent dan workflow kompleks, context engineering lebih penting daripada prompt tunggal.

Kenapa penting: Ini penting karena lesson M03.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan retrieved context membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Kesalahan pemula: Kesalahan umum: menganggap retrieved context otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

05Tool result

Tool result perlu dipahami sebagai bagian dari Tool result. Konteks bisa berasal dari instruksi sistem, profil user, dokumen, hasil pencarian, database, percakapan sebelumnya, output tool, dan memory. Masalahnya, terlalu banyak konteks bisa membuat model bingung. Konteks harus relevan, ringkas, dan terstruktur.

Kenapa penting: Ini penting karena lesson M03.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan tool result membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Kesalahan pemula: Kesalahan umum: menganggap tool result otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

06State

State perlu dipahami sebagai bagian dari State. Prinsip praktis: berikan konteks yang cukup, bukan semua konteks. Pisahkan instruksi permanen dari data sementara. Tandai sumber. Gunakan format konsisten. Buang noise. Untuk dokumen panjang, gunakan ringkasan bertingkat atau retrieval.

Kenapa penting: Ini penting karena lesson M03.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan state membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Kesalahan pemula: Kesalahan umum: menganggap state otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

07Context rot dan noise

Context rot dan noise perlu dipahami sebagai bagian dari Context rot dan noise. Prompt engineering fokus pada cara menulis instruksi. Context engineering lebih luas: bagaimana memilih, menyusun, memotong, dan memberi konteks yang tepat agar model bisa bekerja dengan baik. Untuk agent dan workflow kompleks, context engineering lebih penting daripada prompt tunggal.

Kenapa penting: Ini penting karena lesson M03.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan context rot dan noise membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Kesalahan pemula: Kesalahan umum: menganggap context rot dan noise otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

Oke, sekarang kita bongkar

Prompt engineering fokus pada cara menulis instruksi. Context engineering lebih luas: bagaimana memilih, menyusun, memotong, dan memberi konteks yang tepat agar model bisa bekerja dengan baik. Untuk agent dan workflow kompleks, context engineering lebih penting daripada prompt tunggal.

Konteks bisa berasal dari instruksi sistem, profil user, dokumen, hasil pencarian, database, percakapan sebelumnya, output tool, dan memory. Masalahnya, terlalu banyak konteks bisa membuat model bingung. Konteks harus relevan, ringkas, dan terstruktur.

Prinsip praktis: berikan konteks yang cukup, bukan semua konteks. Pisahkan instruksi permanen dari data sementara. Tandai sumber. Gunakan format konsisten. Buang noise. Untuk dokumen panjang, gunakan ringkasan bertingkat atau retrieval.

Contoh biar kebayang

Untuk membuat agent customer support, konteks yang dibutuhkan bukan hanya prompt “jawab customer”. Sistem perlu knowledge base produk, kebijakan refund, status order, tone guide, escalation rule, dan log percakapan.

Coba praktik

  • Ambil satu task kompleks.
  • Daftar semua konteks yang mungkin dibutuhkan.
  • Pilah menjadi: wajib, opsional, noise.
  • Susun prompt context-engineered.

Prompt yang bisa kamu coba

Untuk task ini: [task], bantu rancang context package. Pisahkan menjadi: instruction permanen, data user, knowledge base, contoh output, tool yang dibutuhkan, constraint, dan evaluation criteria. Tandai konteks yang terlalu noisy atau tidak perlu.

Beneran paham, atau cuma terasa familiar?

Jawab pakai bahasamu sendiri. Kalau masih muter-muter, bagian atasnya perlu dibaca sekali lagi.

  1. 1

    Apa beda prompt engineering dan context engineering?

  2. 2

    Kenapa terlalu banyak konteks bisa menurunkan kualitas?

  3. 3

    Sebutkan 5 sumber konteks dalam AI system.

Bikin sesuatu dari lesson ini

Buat Context Brief untuk satu AI assistant: role, data, tools, memory, guardrails, dan output standard.

Catatan dan batasan

  • Bagian ini jadi jembatan menuju RAG dan agents.
  • Checklist tambahan: prompt debugging loop.
  • Checklist tambahan: rubric evaluasi output.
  • Checklist tambahan: structured output dan schema.
  • Checklist tambahan: prompt versioning.

Langkah berikutnya

Simpan hasil latihan, cek kembali dengan rubric sederhana, lalu lanjut ke lesson berikutnya saat output sudah bisa dijelaskan ulang.
embeddingvector databaseai agentapi
Prompt evaluation dan debugging