--- title: "Apa Itu Context Engineering dan Bedanya dengan Prompt" description: "Context engineering mengatur semua informasi yang dilihat model AI, bukan hanya prompt. Ini bedanya dengan prompt engineering dan cara memulainya." url: "https://nivelva.com/insight/apa-itu-context-engineering-bedanya-prompt" category: "AI \u0026 Otomasi" tags: ["context engineering","prompt engineering","ai agent","llm","rag"] author: "Lucas Tan" published: "2026-11-11T11:56:00+07:00" updated: "2026-11-11T11:56:00+07:00" language: "id" publisher: "Nivelva (https://nivelva.com)" --- # Apa Itu Context Engineering dan Bedanya dengan Prompt > **Jawaban singkat:** Prompt engineering mengurus cara menulis instruksi. Context engineering mengurus seluruh isi jendela konteks model: instruksi, dokumen, riwayat chat, hasil alat, dan catatan, supaya model melihat informasi yang paling relevan dengan jumlah token sesedikit mungkin. Bayangkan kamu sudah menulis prompt yang rapi untuk asisten AI layanan pelanggan. Instruksinya jelas, contohnya bagus. Tapi setelah dipakai seminggu, jawabannya mulai ngawur: menyebut kebijakan retur lama, lupa nama pelanggan yang baru disebut, atau mengutip dokumen yang tidak nyambung. Prompt-nya tidak berubah. Yang berubah adalah semua hal lain yang ikut masuk ke model. Di situlah context engineering bekerja. Kalau prompt engineering adalah cara menulis instruksi, context engineering adalah cara mengatur **seluruh** informasi yang dilihat model setiap kali ia dipanggil: instruksi sistem, dokumen hasil pencarian, riwayat percakapan, hasil pemanggilan alat, dan catatan dari langkah sebelumnya. ## Konteks itu lebih dari sekadar prompt Model bahasa tidak punya ingatan di luar apa yang dikirim kepadanya. Setiap kali dipanggil, ia hanya melihat sekumpulan token di jendela konteks. Isi jendela itu bisa datang dari banyak sumber, dan pada aplikasi AI modern, prompt yang kamu tulis sering hanya bagian kecilnya. Pada chatbot sederhana, isinya mungkin cuma instruksi dan pertanyaan pengguna. Pada AI agent yang memakai alat, isinya bisa membengkak cepat: hasil pencarian web, isi file, keluaran perintah, daftar alat yang tersedia beserta deskripsinya, dan puluhan giliran percakapan. Batas panjangnya ditentukan jumlah token, yang dijelaskan di [apa itu token AI](https://nivelva.com/insight/apa-itu-token-ai-chat-punya-batas-panjang). Tim engineering Anthropic, dalam tulisan mereka tentang context engineering untuk agent (September 2025), menyebutnya kelanjutan alami dari prompt engineering. Bedanya, kurasi konteks terjadi berulang setiap kali model dipanggil, bukan sekali di awal. ## Apa bedanya dengan prompt engineering? Perbedaannya paling mudah dilihat berdampingan. | Aspek | Prompt engineering | Context engineering | |:--|:--|:--| | Yang diatur | Kata-kata instruksi | Semua token yang masuk ke model | | Kapan dikerjakan | Terutama saat merancang | Setiap kali model dipanggil | | Pertanyaan utamanya | Bagaimana menulis perintah yang jelas? | Informasi apa yang perlu ada, dan apa yang harus dibuang? | | Alat yang terlibat | Teks prompt, contoh | Pencarian dokumen, ringkasan, memori, pemilihan alat | | Paling terasa di | Chat satu kali, tugas pendek | Agent, percakapan panjang, RAG | Keduanya tidak saling menggantikan. Prompt yang buruk tetap menghasilkan jawaban buruk meski konteksnya rapi. Tapi prompt yang bagus bisa tenggelam bila dikelilingi ribuan token yang tidak relevan. Dasar menulis prompt yang baik dibahas di [cara menulis prompt AI untuk bisnis](https://nivelva.com/insight/prompt-ai-untuk-bisnis). ## Kenapa konteks yang lebih banyak belum tentu lebih baik Godaan yang wajar adalah memasukkan semuanya. Jendela konteks model sekarang panjang, jadi kenapa tidak tempel semua SOP, semua riwayat chat, semua data pelanggan? Masalahnya, kemampuan model mengingat isi konteks cenderung turun saat konteks makin panjang. Tulisan Anthropic menyebut gejala ini context rot, dan menggambarkan konteks sebagai anggaran perhatian yang terbatas. Setiap token tambahan ikut menghabiskan anggaran itu, termasuk token yang tidak berguna. Prinsip yang mereka tawarkan sederhana: cari kumpulan token terkecil yang paling bernilai untuk hasil yang kamu inginkan. Bukan sebanyak mungkin, tapi secukupnya dan setepat mungkin. Prinsip ini juga berdampak ke biaya, karena di API setiap token input dibayar. ## Teknik yang dipakai dalam context engineering Beberapa teknik berikut muncul berulang di praktik pembuatan agent. Tidak semuanya perlu dipakai sekaligus. **Instruksi sistem di ketinggian yang pas.** Hindari dua ekstrem: aturan kaku bertingkat yang mencoba menutup semua kasus, atau arahan samar seperti "jadilah membantu". Tulis informasi minimal yang cukup untuk menjelaskan perilaku yang diharapkan, lalu beri beberapa contoh yang mewakili, bukan daftar panjang kasus pinggiran. **Alat yang sedikit dan jelas.** Kalau dua alat fungsinya mirip, model bisa bingung memilih, dan deskripsi keduanya ikut memakan konteks. Set alat yang kecil dan tidak tumpang tindih membuat keputusan model lebih mudah. Standar seperti [MCP](https://nivelva.com/insight/apa-itu-model-context-protocol) memudahkan menyambung alat, tapi bukan alasan untuk menyambung semuanya. **Ambil saat dibutuhkan.** Daripada memuat seluruh dokumen di awal, agent cukup memegang rujukan ringan seperti nama file atau kata kunci, lalu mengambil isi saat benar-benar perlu. Inilah semangat di balik RAG, yang dibahas di [chatbot AI dari dokumen perusahaan](https://nivelva.com/insight/chatbot-ai-dokumen-perusahaan). Dalam praktik, campuran keduanya sering paling baik: sedikit informasi penting dimuat di awal, sisanya dicari saat perlu. **Ringkas saat konteks hampir penuh.** Percakapan panjang bisa diringkas, lalu ringkasannya dipakai untuk melanjutkan di jendela baru. Versi yang lebih ringan adalah membuang hasil alat lama yang sudah tidak dibutuhkan. **Catatan di luar konteks.** Agent menulis catatan ke file atau database, misalnya daftar tugas dan keputusan penting, lalu membacanya kembali saat perlu. Ingatan jangka panjang tidak harus selalu menempel di konteks. **Pecah ke sub-agent.** Tugas besar dibagi ke beberapa agent dengan konteks bersih masing-masing. Setiap sub-agent mengerjakan bagiannya lalu mengirim ringkasan padat ke agent utama, sehingga agent utama tidak dibanjiri detail. ## Mulai dari mana untuk aplikasi AI bisnis Untuk aplikasi kecil, context engineering bisa dimulai dari kebiasaan sederhana. Periksa apa saja yang benar-benar terkirim ke model pada satu panggilan, karena banyak platform menyediakan log atau tampilan debug untuk ini. Kamu sering akan kaget melihat berapa banyak teks yang ikut tanpa disadari, seperti riwayat chat yang tidak pernah dipotong atau dokumen lengkap padahal yang relevan hanya satu paragraf. Setelah itu, pangkas yang tidak perlu, batasi riwayat chat ke beberapa giliran terakhir ditambah ringkasan, dan pastikan hasil pencarian dokumen hanya mengembalikan potongan yang relevan. Ukur hasilnya dengan pertanyaan uji yang sama sebelum dan sesudah perubahan. Contoh nyatanya, kembali ke asisten layanan pelanggan di awal tulisan. Jawaban yang menyebut kebijakan retur lama biasanya berarti dokumen lama masih ada di basis pengetahuan dan ikut terambil. Nama pelanggan yang terlupa sering berarti riwayat chat dipotong di tempat yang salah. Jawaban yang mengutip dokumen tidak nyambung bisa berarti potongan dokumen terlalu besar atau pencariannya kurang tepat. Ketiganya tidak diperbaiki dengan menulis ulang prompt, melainkan dengan membereskan apa yang masuk ke konteks. Ringkasnya, prompt engineering membuat instruksimu jelas, context engineering memastikan instruksi itu tidak tenggelam. Untuk chat sekali pakai, prompt yang baik sudah cukup. Untuk agent dan percakapan panjang, cara mengatur isi konteks sering lebih menentukan kualitas jawaban daripada pilihan kata di prompt. ## Sumber - --- Diterbitkan oleh Nivelva Insight (https://nivelva.com/insight/). Artikel ini: https://nivelva.com/insight/apa-itu-context-engineering-bedanya-prompt Kontak Nivelva: WhatsApp https://wa.me/6285111245007, email hello@nivelva.com