Context engineering: naik level dari prompt engineering
Context engineering memperluas prompting dari sekadar kalimat instruksi menjadi pengaturan konteks, sumber, tools, memory, dan state yang masuk ke model.
- Membedakan prompt dan context engineering
- Menentukan sumber konteks yang relevan
- Mengurangi konteks yang tidak perlu
Sebelum mulai
- Paham prompt dasar dan few-shot prompting.
- Punya contoh pekerjaan yang butuh dokumen atau data tambahan.
Konsep utama
01Konteks sebagai bahan kerja
Konteks adalah informasi yang diberikan ke model agar ia tidak menebak dari pengetahuan umum saja.
Kenapa penting: Konteks yang tepat membuat output lebih relevan, terutama untuk dokumen internal, brand voice, atau data pelanggan.
Contoh: Untuk menulis FAQ produk, masukkan kebijakan refund, daftar produk, dan contoh jawaban yang disetujui.
Yang sering keliru: Memasukkan terlalu banyak bahan tanpa urutan dan prioritas.
02Memory, tools, dan state
Memory menyimpan informasi lintas sesi, tools menjalankan tindakan eksternal, dan state melacak posisi workflow.
Kenapa penting: Tugas multi-step butuh cara mengingat status, bukan hanya prompt panjang.
Contoh: Agent riset menyimpan daftar sumber yang sudah dicek dan memakai tool search untuk mencari sumber baru.
Yang sering keliru: Mengandalkan chat history panjang sebagai pengganti state yang jelas.
03Context hygiene
Context hygiene berarti membersihkan, memberi label, dan mengurutkan konteks agar model memakai informasi yang benar.
Kenapa penting: Konteks kotor bisa membuat output salah, bocor, atau bertentangan.
Contoh: Pisahkan instruksi sistem, data mentah, contoh output, dan aturan review.
Yang sering keliru: Mencampur instruksi pengguna dengan dokumen yang belum dipercaya.
Cara kerjanya
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 nyata
Coba sendiri
- 1
Ambil satu task kompleks.
- 2
Daftar semua konteks yang mungkin dibutuhkan.
- 3
Pilah menjadi: wajib, opsional, noise.
- 4
Susun prompt context-engineered.
Prompt yang bisa dipakai
Cek pemahaman
Jawab dengan bahasa sendiri. Kalau masih muter-muter, baca ulang bagian yang paling nyangkut.
- 1
Apa beda prompt engineering dan context engineering?
- 2
Kenapa terlalu banyak konteks bisa menurunkan kualitas?
- 3
Sebutkan 5 sumber konteks dalam AI system.