Context Engineering untuk AI Agent: Panduan Praktis (2026)
Apa itu context engineering, bedanya dengan prompt engineering, empat teknik inti, bagaimana framework-framework besar dibandingkan, cara mengukurnya, dan cara menerapkannya dalam sistem multi-agent.
Sebuah agen AI hanya akan sebaik informasi yang berada di dalam context window-nya pada saat ia memutuskan tindakan selanjutnya — dan mengkurasi informasi tersebut adalah keseluruhan permainannya. Jika prompt engineering adalah menulis instruksi yang baik, context engineering adalah mengelola seluruh lingkungan informasi tempat model bekerja: instruksi sistem, tools, dokumen yang diambil (retrieved documents), memori, dan riwayat berjalan dari tugas tersebut. Seiring agen mengambil pekerjaan yang lebih panjang dan multi-langkah, hal ini telah menjadi pengaruh terbesar dalam menentukan apakah agen berhasil atau justru diam-diam gagal. Panduan ini membahas apa itu context engineering, bagaimana perbedaannya dengan prompt engineering, teknik-teknik intinya, dan cara menerapkannya dalam sistem agen nyata.
Mengapa Context Engineering Penting
Context engineering penting karena large language model memiliki context window yang terbatas, dan bagaimana Anda mengisi window tersebut menentukan kualitas setiap keputusan yang dibuat agen. Sebuah model hanya akan sebaik informasi yang ada di hadapannya — beri terlalu sedikit dan ia akan berhalusinasi; beri terlalu banyak atau jenis yang salah, dan akurasinya menurun.
Ini bukan kekhawatiran teoretis. Peneliti telah mendokumentasikan efek "lost in the middle", di mana model secara konsisten menggunakan informasi di awal dan akhir context yang panjang tetapi mengabaikan fakta yang terkubur di tengah. Para praktisi menggambarkan masalah terkait yang mereka sebut "context rot": seiring percakapan atau proses agen bertambah panjang, token-token yang tidak relevan menumpuk, rasio signal-to-noise menurun, dan model mulai membuat pilihan yang lebih buruk. Window-nya tidak mengecil — window tersebut menjadi berantakan.
Perubahan terminologi ini mencerminkan perubahan nyata dalam praktik. Pada 2025, para pemimpin pemikiran di dunia AI — termasuk Andrej Karpathy dan Tobi Lütke dari Shopify — berpendapat bahwa "context engineering" menggambarkan apa yang sebenarnya dilakukan oleh orang-orang yang membangun aplikasi LLM serius, jauh lebih baik daripada "prompt engineering". Anthropic menerbitkan panduan tentang context engineering yang efektif untuk agen; tim di belakang produk agen seperti Manus menulis secara panjang tentang pelajaran yang mereka pelajari dalam mengelola context di produksi. Konsensusnya: untuk sistem agentic, context adalah produknya.
Apa Itu Context Engineering?
Context engineering adalah disiplin dalam menyusun sekumpulan token yang tepat untuk model pada saat inference, sehingga model memiliki tepat apa yang dibutuhkannya untuk mengambil tindakan berikutnya yang benar — tidak lebih, tidak kurang. "Context" mencakup segala sesuatu di dalam window tersebut:
- Instruksi sistem — peran, batasan, dan aturan perilaku agen
- Tools dan definisinya — tindakan apa yang dapat diambil agen, dan bagaimana tools tersebut dijelaskan
- Pengetahuan yang diambil (retrieved knowledge) — dokumen, hasil pencarian, atau baris database yang diambil untuk tugas ini
- Memori — fakta yang dibawa dari sesi sebelumnya di dalam sesi yang sama atau dari sesi-sesi sebelumnya
- Riwayat percakapan dan tindakan — catatan berjalan tentang apa yang telah dikatakan dan dilakukan
- Permintaan pengguna saat ini — tujuan langsungnya
Context engineering adalah kumpulan keputusan tentang apa yang masuk ke setiap slot ini, dalam bentuk apa, dan kapan. Ini memperlakukan context window sebagai resource yang langka dan terkelola, bukan ember yang terus-menerus Anda isi dengan teks.
Context window adalah budget perhatian yang terbatas — context engineering menentukan apa yang mengisi setiap slot.
Context Engineering vs Prompt Engineering
Perbedaan antara context engineering dan prompt engineering terletak pada ruang lingkupnya: prompt engineering mengoptimalkan satu instruksi tunggal, sementara context engineering mengelola seluruh lingkungan informasi yang dinamis sepanjang tugas multi-langkah. Prompt engineering adalah subset dari context engineering.
| Prompt engineering | Context engineering | |
|---|---|---|
| Ruang lingkup | Satu prompt / instruksi | Seluruh context window sepanjang waktu |
| State | Sebagian besar stateless, one-shot | Stateful, berkembang di banyak langkah |
| Perhatian | Frasa, contoh, format | Apa yang harus disertakan, diambil, diingat, dan dibuang |
| Penggunaan tipikal | Satu completion atau giliran chat | Agen otonom, tugas jangka panjang |
| Kegagalan yang dicegah | Instruksi yang samar atau salah dibaca | Context rot, distraksi, state yang saling bertentangan |
Prompt engineering tetap penting — system prompt yang dirumuskan dengan baik adalah bagian dari context engineering yang baik. Tetapi begitu agen berjalan selama puluhan langkah, memanggil tools, dan mengumpulkan riwayat, susunan kata dari satu prompt saja tidak lagi menjadi penghambat utama. Yang penting adalah disiplin dalam mengelola segala sesuatu di sekitarnya.
Empat Teknik Inti
Sebagian besar pekerjaan context engineering dapat direduksi menjadi empat operasi pada context window. Cara yang berguna untuk mengingatnya: write, select, compress, dan isolate.
Write, select, compress, dan isolate — empat operasi di balik setiap keputusan context engineering.
1. Write — menyimpan context di luar window
Tidak semua hal yang dibutuhkan agen harus berada di dalam prompt. Menulis context berarti menyimpan informasi secara eksternal — scratchpad, file, penyimpanan memori, daftar tugas — sehingga informasi tersebut bertahan melampaui satu window dan dapat dipanggil kembali secara sengaja. Agen yang berjalan lama yang menulis rencananya ke sebuah file dan membacanya kembali akan tetap pada jalurnya jauh lebih baik dibanding agen yang hanya mengandalkan riwayat percakapan.
2. Select — membawa masuk hanya apa yang relevan sekarang
Menyeleksi context adalah seni mengambil informasi yang tepat pada saat yang tepat: dokumen tertentu, keputusan masa lalu yang relevan, satu definisi tool yang dibutuhkan langkah ini. Di sinilah retrieval-augmented generation (RAG), pencarian semantik, dan pemilihan tool yang cerdas berada. Tujuannya adalah presisi — menarik tiga fakta yang relevan, bukan tiga ratus fakta yang berdekatan.
3. Compress — mengurangi token sambil mempertahankan sinyal
Mengompres context berarti meringkas atau memangkas sehingga window berisi makna, bukan volume. Taktik umum meliputi meringkas sub-tugas yang telah selesai, memotong output tool yang bertele-tele, dan menggantikan riwayat panjang dengan ringkasan yang padat. Kompresi adalah yang memungkinkan agen bekerja pada tugas lebih lama daripada yang seharusnya diizinkan oleh context window mentahnya.
4. Isolate — memisahkan context di antara agen atau batasan
Mengisolasi context berarti memberikan bagian-bagian berbeda dari sebuah masalah windownya sendiri yang bersih — misalnya, memunculkan sub-agen dengan hanya context yang dibutuhkannya untuk satu sub-tugas, lalu mengembalikan hanya hasilnya. Isolasi mencegah satu bagian dari sebuah pekerjaan mencemari bagian lainnya dan merupakan fondasi dari sistem multi-agen yang andal.
Bagaimana Framework-Framework Terkemuka Sejalan
Salah satu sumber kebingungan adalah setiap tim besar menggunakan kosakatanya sendiri untuk operasi yang sama secara mendasar. Anthropic, LangChain, dan vendor graph-database seperti Neo4j semuanya menggambarkan context engineering secara berbeda — tetapi semuanya sejalan secara rapi dengan empat operasi di atas. Tabel ini merekonsiliasi mereka:
| Operasi (panduan ini) | Kerangka Anthropic | Kerangka LangChain | Kerangka knowledge-graph / GraphRAG |
|---|---|---|---|
| Write (menyimpan di luar window) | Structured note-taking, agent memory (NOTES.md, to-do lists) | Store and State; tools yang menulis via Command | Long-term memory; graph itu sendiri sebagai penyimpanan persisten |
| Select (mengambil apa yang relevan sekarang) | Just-in-time context, agentic search, hybrid retrieval | Dynamic tool/message selection; tools yang membaca | Hybrid RAG, GraphRAG, "minimum viable context" |
| Compress (mengurangi token, mempertahankan sinyal) | Compaction; membelanjakan "attention budget" secara bijak | Life-cycle summarization via middleware | Token/cost budgeting; "context pyramid" |
| Isolate (memisahkan window yang bersih) | Arsitektur sub-agen yang mengembalikan ringkasan yang disaring | Lifecycle boundaries dan sub-agent | Handoff dan protokol (misalnya, MCP) |
Jika Anda telah membaca sumber-sumber tersebut dan merasa mereka tidak sepakat, itulah sebabnya: mereka menggambarkan empat gerakan yang sama dari sudut yang berbeda. Pilih kosakata mana pun yang sesuai dengan stack Anda — operasinya adalah yang penting.
Context Engineering untuk Sistem Multi-Agen
Dalam sistem multi-agen, context engineering menjadi masalah koordinasi: setiap agen membutuhkan context yang cukup untuk melakukan tugasnya, tetapi berbagi terlalu banyak menciptakan noise, biaya, dan state yang saling bertentangan. Pola yang dominan adalah orchestrator yang memegang rencana tingkat tinggi dan mendelegasikan sub-tugas yang lingkupnya sempit kepada sub-agen yang terspesialisasi, masing-masing beroperasi dalam window yang terisolasi.
Setiap sub-agen mendapatkan window yang bersih dan terisolasi dan hanya mengembalikan hasil yang telah disaring — mencegah kontaminasi silang.
Ini berhasil karena prinsip "isolate" di atas. Sub-agen riset yang hanya pernah melihat pertanyaan risetnya dan temuannya sendiri akan berperforma lebih baik dibanding sub-agen yang juga harus mengarungi riwayat tugas coding agen lain yang tidak terkait. Orchestrator kemudian mengompres output setiap sub-agen menjadi hasil esensial sebelum melipatnya kembali ke dalam context utama. Jika dilakukan dengan baik, inilah cara tim menjalankan agen pada tugas-tugas yang akan meluap dari satu context window mana pun berkali-kali lipat.
Mode Kegagalan Context Engineering yang Umum
Kebanyakan kegagalan agen dapat dilacak kembali ke sejumlah masalah context yang berulang. Menamainya membuatnya lebih mudah untuk dirancang untuk diatasi:
| Mode kegagalan | Seperti apa bentuknya | Perbaikan utama |
|---|---|---|
| Context poisoning | Sebuah halusinasi atau kesalahan masuk ke dalam context dan dirujuk berulang-ulang, memperbesar kesalahan tersebut | Isolate + write hanya fakta yang terverifikasi |
| Context distraction | Window bertambah begitu besar sehingga model terlalu berfokus pada riwayat yang terakumulasi dan berhenti bernalar tentang tujuan sebenarnya | Compress |
| Context confusion | Informasi yang tidak relevan memenuhi window dan menyesatkan model ke pilihan yang salah | Select dengan lebih sempit |
| Context clash | Informasi yang baru diambil bertentangan dengan apa yang sudah ada di window, dan model tidak dapat mendamaikan keduanya | Select + write ke satu sumber kebenaran |
Empat teknik inti adalah penawarnya: write untuk membongkar muatan, select untuk tetap relevan, compress untuk memotong kekacauan, dan isolate untuk mencegah kontaminasi silang.
Satu mode kegagalan yang jarang dibahas oleh panduan-panduan populer adalah masalah keamanan: prompt injection melalui context yang diambil. Ketika agen mengambil halaman web, dokumen, atau hasil tool, konten tersebut dapat mengandung instruksi yang dirancang untuk membajak agen. Perlakukan segala sesuatu yang Anda seleksi ke dalam window sebagai input yang tidak terpercaya — pisahkan data yang diambil dari instruksi sistem, dan jalankan eksekusi tool dalam sandbox alih-alih langsung pada mesin yang terpercaya.
Cara Mengukur Apakah Context Engineering Berhasil
Anda mengukur context engineering dengan melacak keberhasilan tugas terhadap token dan waktu yang dibutuhkan untuk mencapainya — context engineering yang baik meningkatkan success rate sambil menjaga atau menurunkan biaya. Kebanyakan panduan menggambarkan teknik tetapi tidak pernah mengatakan bagaimana mengetahui apakah teknik tersebut berhasil; inilah metrik-metrik yang menutup jarak itu.
- Task success rate — proporsi run yang mencapai hasil yang benar dan lengkap. Ini adalah metrik hasil; segala sesuatu yang lain adalah sarana untuk mencapainya. Lacak ini terhadap set evaluasi tugas representatif yang tetap agar Anda dapat membandingkan sebelum dan setelah setiap perubahan.
- Context efficiency (token per tugas sukses) — total token yang dikonsumsi dibagi dengan penyelesaian yang berhasil. Token-per-success yang menurun adalah sinyal paling jelas bahwa kompresi dan seleksi membawa hasil.
- Window utilization — seberapa penuh context window berjalan selama sebuah tugas. Secara konsisten mendekati limit memprediksi context rot; ini adalah indikator utama bahwa Anda perlu melakukan compress atau isolate.
- Retrieval precision and recall — dari item-item yang Anda seleksi ke dalam window, berapa banyak yang benar-benar relevan (precision), dan dari item-item relevan yang tersedia, berapa banyak yang Anda tarik masuk (recall). Precision yang buruk berarti Anda menambahkan noise; recall yang buruk berarti Anda membuat model kekurangan informasi.
- Latency and cost per task — batas praktisnya. Eksplorasi "just-in-time" yang agresif dapat meningkatkan akurasi tetapi memperlambat agen; metrik ini menjaga trade-off tersebut tetap jujur.
Disiplin yang mengikat semua ini adalah regression testing: pertahankan suite tugas yang tetap, jalankan setelah setiap perubahan pada prompt, retrieval, atau memori, dan amati angka-angkanya bergerak. Context engineering tanpa loop evaluasi adalah tebakan.
Bagaimana Happycapy Menerapkan Context Engineering
Happycapy adalah komputer agent-native yang menjalankan agen AI — termasuk Claude Code — langsung di browser Anda, dan context engineering dibangun ke dalam cara agen-agen tersebut beroperasi, bukannya diserahkan kepada pengguna. Tiga pilihan desain yang melakukan sebagian besar pekerjaannya:
- Skill sebagai context yang berlingkup (scoped). Alih-alih membuang semua kemampuan ke dalam satu prompt, Happycapy memungkinkan agen menarik masuk skill tertentu — merancang deck, menganalisis spreadsheet, melakukan riset web — sehingga hanya instruksi dan tool yang relevan yang masuk ke dalam window untuk tugas tersebut. Itulah prinsip "select" dan "isolate" yang diterapkan secara default.
- Sandbox persisten dengan memori dan file. Setiap agen bekerja dalam workspace yang terisolasi tempat ia dapat menulis rencana, hasil antara, dan catatan ke disk dan memanggilnya kembali nanti — prinsip "write", sehingga progress bertahan melampaui satu context window.
- Akses ke 150+ model. Langkah-langkah yang berbeda memiliki kebutuhan context yang berbeda; merutekan pekerjaan ke model yang sesuai itu sendiri adalah keputusan context engineering.
Hasil praktisnya adalah Anda dapat menyerahkan tugas yang panjang dan multi-langkah dan membiarkan agen mengelola context-nya sendiri di belakang layar, lalu menerima hasil akhirnya — tanpa harus menyesuaikan prompt secara manual atau mengawasi window itu sendiri.
Memulai dengan Context Engineering
Anda tidak perlu membangun ulang stack Anda untuk memulai. Mulailah dengan kebiasaan-kebiasaan yang paling berpengaruh:
- Perlakukan context window sebagai budget. Sebelum menambahkan apa pun, tanyakan apakah itu sepadan dengan tokennya.
- Pindahkan state keluar dari prompt. Gunakan file, scratchpad, atau penyimpanan memori untuk apa pun yang perlu disimpan oleh agen.
- Ambil secara sempit. Tarik fakta spesifik yang dibutuhkan sebuah langkah, bukan seluruh dokumen.
- Ringkaslah seiring berjalannya waktu. Gantikan riwayat panjang dan output tool yang bertele-tele dengan ringkasan yang padat.
- Isolasi sub-tugas. Berikan setiap pekerjaan yang berbeda context bersihnya sendiri, terutama dalam setup multi-agen.
Jika Anda lebih memilih tidak menyesuaikan semua ini secara manual, Happycapy menjalankan tugas-tugas Anda dengan pola-pola ini sudah dibangun ke dalam agen: agen mengelola context window-nya sendiri di belakang layar — melakukan select, compact, dan isolate seiring berjalannya — sehingga Anda hanya menjelaskan hasil yang diinginkan dan tidak pernah menyentuh budget token itu sendiri.
Pertanyaan yang Sering Diajukan
T: Apakah context engineering sama dengan prompt engineering?
Tidak. Prompt engineering mengoptimalkan satu instruksi tunggal; context engineering mengelola seluruh lingkungan informasi yang dilihat agen sepanjang tugas multi-langkah — instruksi, tools, data yang diambil, memori, dan riwayat. Prompt engineering adalah satu bagian dari context engineering.
T: Mengapa context engineering penting khususnya untuk agen AI?
Karena agen berjalan selama banyak langkah, memanggil tools, dan mengumpulkan riwayat, context window mereka terisi dengan cepat. Tanpa pengelolaan aktif, token yang tidak relevan memenuhi sinyal dan keputusan agen memburuk — masalah yang dikenal sebagai context rot. Context engineering menjaga window tetap terfokus pada apa yang penting.
T: Apa saja teknik context engineering utama?
Empat teknik intinya adalah write (menyimpan context di luar window), select (mengambil hanya apa yang relevan sekarang), compress (meringkas untuk menghemat token), dan isolate (memberikan sub-tugas context bersihnya sendiri). Sebagian besar pekerjaan praktis adalah kombinasi dari ini.
T: Apakah context engineering adalah skill yang layak dipelajari di 2026?
Ya. Seiring semakin banyak software yang dibangun di atas LLM dan agen otonom, kemampuan untuk mengelola context dengan baik menjadi kompetensi inti bagi developer, perancang prompt, dan tim produk AI — dan ini semakin menjadi perbedaan antara agen yang bekerja dan yang tidak.
T: Bagaimana Anda mengukur apakah context engineering berhasil?
Lacak task success rate terhadap set evaluasi, ditambah metrik efisiensi: token per tugas sukses, window utilization, retrieval precision and recall, dan latency/cost per task. Context engineering yang baik meningkatkan success rate sambil menjaga atau mengurangi biaya. Jalankan suite tersebut setelah setiap perubahan agar Anda dapat melihat apakah sebuah penyesuaian membantu atau merugikan.
T: Apakah saya perlu melakukan context engineering sendiri untuk menggunakan agen AI?
Belum tentu. Platform agen seperti Happycapy membangun pengelolaan context ke dalam sistem — membatasi lingkup context dengan skill, mempersist state dalam sandbox, dan mengisolasi sub-tugas — sehingga Anda dapat menjalankan pekerjaan multi-langkah tanpa harus menyesuaikan context window secara manual.
