Context Engineering pada 2026: Apa Itu, Apa Bedanya dengan Prompt Engineering, dan Cara Menerapkannya di Claude Code
MarkdownApa itu context engineering dan apa bedanya dengan prompt engineering. Kanon Anthropic, 7 kesalahan, dan penyiapan minimal untuk Claude Code.
Baca artikel lengkap
Poin utama
Context engineering adalah disiplin mengatur segala sesuatu yang masuk ke jendela konteks Claude sebelum pesan Anda: system prompt, alat, riwayat, file memori, dan data dari alat. Pada 2026, disiplin ini telah menggantikan prompt engineering sebagai keterampilan utama—inilah yang dikatakan Anthropic. Panduan ini membahas kanon dari sumber primer, 7 kesalahan umum yang menghabiskan token, dan penyiapan praktis 7 langkah untuk Claude Code.
Informasi tentang bekerja dengan Ailoot tersedia di dokumentasi.
Apa Itu Context Engineering—dalam Satu Kalimat?
Poin utama
Context engineering adalah disiplin mengkurasi segala sesuatu yang masuk ke jendela konteks agen AI pada setiap langkah: system prompt, alat, riwayat, file memori, dan data dari sumber eksternal. Prompt engineering menjawab pertanyaan “Bagaimana cara menulis prompt?” Context engineering menjawab pertanyaan “Apa yang diketahui AI saat Anda menulis prompt?”
Anthropic menetapkan istilah ini dalam sebuah tulisan blog rekayasa pada 29 September 2025:
Context engineering adalah serangkaian strategi untuk memilih dan mempertahankan kumpulan token (informasi) yang optimal selama inferensi LLM, termasuk segala sesuatu yang dimasukkan selain prompt itu sendiri.
Artikel yang sama menawarkan frasa terpenting untuk mengubah perspektif:
Bekerja dengan model bahasa semakin tidak lagi berpusat pada pencarian kata dan frasa yang tepat dalam prompt, dan semakin berpusat pada jawaban atas pertanyaan yang lebih luas: 'konfigurasi konteks seperti apa yang paling mungkin menghasilkan perilaku model yang diinginkan?'
Gagasan utamanya: konteks bukanlah pesan yang Anda tulis. Konteks adalah seluruh kumpulan informasi yang dilihat AI sebelum pesan Anda—system prompt, deskripsi alat, riwayat percakapan, file memori, dan data yang dimuat melalui MCP. Prompt adalah langkah terakhir. Context engineering adalah arsitektur dari segala sesuatu yang dimasukkan ke dalam jendela.
Mengapa Prompt Engineering Menjadi Usang pada 2026?
Poin utama
Prompt engineering lahir ketika model bekerja dengan satu prompt—satu giliran, satu tugas. Pada 2026, agen AI bekerja dalam sesi panjang dengan alat, memori, subagen, dan data yang diambil secara langsung melalui alat. Dalam arsitektur ini, merumuskan satu prompt bukan lagi keterampilan utama; yang utama adalah mengkurasi semua informasi yang dilihat agen.
Pergeseran ini terjadi selama musim panas 2025.
29 September 2025: Anthropic menetapkan disiplin ini dalam sebuah tulisan blog rekayasa dan memberikan kanon 4 prinsip.
Prompt engineering tidak “mati.” Disiplin ini telah menjadi keterampilan dasar, seperti mengetahui cara mengetik di papan ketik. Di atasnya, muncul disiplin yang tanpanya agen AI gagal dalam tugas panjang: context engineering.
Apa Perbedaan Context Engineering dan Prompt Engineering? 5 Perbedaan
Poin utama
Prompt engineering mengoptimalkan satu prompt: Anda memilih susunan kata, templat, dan nada. Context engineering merancang seluruh lingkungan informasi sebelum prompt itu: system prompt, alat, riwayat sesi, file memori, dan pengambilan data. Perbedaannya tampak pada lima aspek: apa yang dioptimalkan, cakrawala waktu, risiko utama, keterampilan inti, dan sumber dalam proyek.
| Aspek | Prompt engineering | Context engineering |
|---|---|---|
| Apa yang dioptimalkan | Susunan kata dalam satu prompt | Seluruh kumpulan token: system prompt + alat + riwayat + data yang diambil |
| Cakrawala waktu | Satu giliran | Banyak giliran ditambah perpindahan antarsesi |
| Risiko utama | Model tidak memahami prompt | Model tenggelam dalam derau (context rot) |
| Keterampilan inti | Penulisan materi plus pemahaman model | Arsitektur informasi dan pengambilan data yang terarah |
| Sumber dalam proyek | Templat prompt Anda | CLAUDE.md, file memori, pengambilan data, subagen, pemadatan |
| Metafora | “Cara menulis prompt” | “Apa yang diketahui AI saat Anda memberinya prompt” |
Context engineering bukan berarti “tuangkan saja lebih banyak.” Ini adalah takaran yang tepat. Terlalu sedikit, dan AI kekurangan konteks lalu berhalusinasi. Terlalu banyak, dan AI tenggelam dalam derau, kehilangan posisinya di bagian tengah, dan biayanya meningkat.
Prompt engineering menangani langkah terakhir. Context engineering menangani segala sesuatu sebelumnya.
Mengapa 1M Token Tidak Berarti “Tuangkan Semuanya”?
Poin utama
Jendela konteks model berkembang pada 2026: Claude Opus 4.7 dan Sonnet 4.6 mendukung 1 juta token. Ini menciptakan ilusi bahwa seluruh repositori dapat dituangkan ke dalam jendela. Dalam praktiknya, jendela yang besar tidak berarti memori berguna yang besar—kinerja model mulai menurun jauh sebelum batasnya tercapai.
Batas konteks terkini untuk model Claude:
| Model | Jendela konteks | Tersedia pada |
|---|---|---|
| Claude Haiku 4.5 | 200.000 token | semua paket |
| Claude Sonnet 4.6 | 1.000.000 token | Pro+ dengan kredit penggunaan |
| Claude Opus 4.7 | 1.000.000 token | Pro, Max, Team, Enterprise |
1M token kira-kira setara dengan 2.500 halaman teks. Sepertinya Anda dapat memuat seluruh dokumentasi proyek, semua korespondensi, dan semua spesifikasi—lalu membiarkan AI memahaminya. Namun, Anthropic menyatakannya dengan jelas dalam blog rekayasanya:
Anda harus memperlakukan konteks sebagai sumber daya terbatas dengan manfaat yang semakin berkurang.
Dengan kata lain, konteks adalah sumber daya terbatas dengan manfaat yang semakin berkurang. Setiap token tambahan tidak memberikan manfaat secara linear. Semakin panjang jendelanya, semakin buruk kinerja model dalam memanfaatkan informasi di dalamnya.
Keterampilan utama pada 2026 bukanlah membiarkan semuanya tetap terbuka. Keterampilan utamanya adalah berpindah dengan cepat di antara konteks-konteks sempit, satu untuk setiap tugas.
Kesalahan Terbesar: Apakah Lebih Banyak Konteks Berarti Hasil yang Lebih Buruk?
Poin utama
Semakin panjang konteksnya, semakin buruk model bekerja dengan informasi di dalamnya. Fenomena ini disebut context rot. Efek lost-in-the-middle juga berperan: model mengingat awal dan akhir konteks, tetapi melewatkan bagian tengah. Kesimpulan praktisnya: file memori yang panjang merugikan Anda.
Efek kedua, lost in the middle, bekerja secara paralel.
Dalam praktiknya, aturan penting yang tertimbun di tengah CLAUDE.md panjang dapat mendapat lebih sedikit perhatian. Ini risiko untuk diuji pada tugas nyata, bukan jaminan model melewatkan baris tertentu.
Anthropic merekomendasikan batas panjang dalam dokumentasi CLAUDE.md:
Usahakan CLAUDE.md tetap di bawah 200 baris—file yang lebih panjang memakan lebih banyak konteks dan mengurangi kepatuhan terhadap instruksi.
Di bawah 200 baris adalah target panjang dalam panduan yang dikutip, bukan ambang keras tempat kepatuhan aturan berhenti. Rentang 80–120 baris merupakan preferensi kerja penulis dari proyek yang dijelaskan, bukan persyaratan Anthropic terpisah. Pertahankan relevansi instruksi dan uji apakah aturan penting diikuti; setiap tambahan baris bersaing untuk perhatian dan konteks. Untuk informasi lebih lanjut tentang menyiapkan CLAUDE.md agar sesuai batas ini, lihat panduan “Cara Mengonfigurasi CLAUDE.md pada 2026”.
5 Prinsip Context Engineering Menurut Anthropic
Poin utama
Dalam blog rekayasanya pada 29 September 2025, Anthropic mencatat 5 strategi konteks dasar: sumber daya terbatas, pengambilan data tepat saat dibutuhkan, pencatatan terstruktur, pemadatan, dan arsitektur subagen. Inilah kanon yang kini dirujuk semua penulis lain tentang topik ini.
Prinsip 1. Konteks Adalah Sumber Daya Terbatas
Ini adalah premis dasar yang tanpanya empat prinsip lainnya tidak akan berhasil. Anthropic menulis:
Saran umum untuk semua komponen konteks (system prompt, alat, contoh, riwayat pesan, dan sebagainya) adalah menggunakannya dengan bijak dan menjaga konteks tetap informatif tetapi padat.
“Padat” berarti “berisi, tanpa pengisi.” Setiap token dalam jendela harus mengubah keputusan model secara berarti. Jika sebuah baris di CLAUDE.md berbunyi “kami berusaha menulis kode yang bersih,” Anda dapat menghapusnya; baris itu tidak membawa sinyal.
Prinsip 2. Pengambilan Data Tepat Saat Dibutuhkan
Agen AI mengambil data melalui alat secara langsung alih-alih memuat semuanya ke dalam jendela terlebih dahulu. Inilah arsitektur Claude Code: alih-alih menggunakan basis data vektor atau indeks, agen menggunakan glob dan grep, seperti insinyur yang mencari kode secara manual.
Kapan digunakan: Anda tidak tahu sebelumnya bagian mana yang diperlukan untuk tugas tersebut.
Prinsip 3. Pencatatan Terstruktur
Agen menulis catatan ke penyimpanan eksternal dan memuatnya saat diperlukan. Di Claude Code, ini diterapkan melalui alat memori. Anthropic menjelaskannya dalam cookbook mereka sebagai berikut:
Memori adalah catatan terstruktur: agen menulis ke penyimpanan eksternal persisten untuk melacak kemajuan di berbagai tugas dan sesi tanpa menyimpan semuanya dalam konteks aktif.
Kapan digunakan: sesi panjang, perpindahan antarsesi, dan akumulasi pengetahuan proyek.
Prinsip 4. Pemadatan
Memadatkan riwayat pesan menjadi ringkasan saat batasnya mendekat. Di Claude Code, ini adalah perintah /compact, ditambah pemadatan otomatis ketika jendela mencapai sekitar 80%. Anthropic menulis:
Pemadatan meringkas seluruh jendela ketika ukurannya menjadi terlalu besar.
Kapan digunakan: percakapan analitis yang panjang ketika riwayat obrolan telah menjadi beban mati dan memenuhi jendela alih-alih membantu.
Prinsip 5. Arsitektur Subagen
Subagen khusus bekerja secara paralel di jendela konteks masing-masing dan mengembalikan ringkasan yang dipadatkan kepada agen utama. Anthropic menulis:
Subagen membantu pemadatan: mereka bekerja secara paralel dengan jendela konteks masing-masing sambil menyelidiki berbagai aspek pertanyaan pada saat yang sama.
Angka dari pengujian internal mereka sendiri: satu agen utama Claude Opus 4 ditambah subagen Claude Sonnet 4 menghasilkan kualitas +90.2% dibandingkan satu Claude Opus 4 untuk tugas riset. Biayanya: sekitar 15× lebih banyak token. Kesimpulannya: pendekatan ini layak digunakan jika hasilnya bernilai tinggi.
Untuk informasi lebih lanjut tentang menyiapkan subagen di Claude Code, lihat panduan “Subagen untuk Claude Code”.
7 Kesalahan yang Menghabiskan Token dan Merusak Claude Code
Poin utama
Tujuh antipola umum yang dijelaskan menggunakan contoh proyek. Masing-masing menghabiskan token tanpa manfaat atau menyebabkan halusinasi akibat context rot. Di bawah setiap kesalahan dijelaskan cara mengatasinya dengan context engineering.
| # | Antipola | Apa yang terjadi | Cara mengatasinya |
|---|---|---|---|
| 1 | Menempelkan seluruh README ditambah 5 file kode ke dalam satu prompt | Jendela terisi 50% dalam satu giliran, lalu segera mencapai batas | Alat memori untuk fakta jangka panjang ditambah pengambilan data tepat saat dibutuhkan—biarkan Claude membaca file sendiri melalui read_file/glob |
| 2 | CLAUDE.md dengan 500 baris | Instruksi panjang dapat mengurangi kepatuhan, terutama ketika aturan penting tertimbun di tengah | 80-120 baris, kalimat perintah, bagian untuk perintah dan gaya. Letakkan hal terpenting di awal dan akhir |
| 3 | Saya tidak menjalankan /compact dalam sesi panjang | Sesi mencapai 180k token, Claude melupakan pesan pertama, dan Anda mengulang konteks secara manual | Jalankan /compact secara manual atau gunakan pemadatan otomatis berdasarkan pemicu. Tanda tekanan konteks terlihat pada indikator penggunaan konteks di Claude desktop |
| 4 | Satu Claude untuk semuanya | Satu agen merencanakan, mencari, membuat kode, meninjau, dan menguji—jendela membesar secara eksponensial | Subagen: masing-masing memiliki konteks sendiri, dan agen utama mengumpulkan ringkasan. Anthropic melaporkan kualitas +90.2% pada tugas riset |
| 5 | File memori membengkak karena hasil alat | Agen membaca ulang file yang sama 5 kali, memenuhi 96% konteks dengan hasil pemanggilan alat | Hapus hasil alat: simpan 4-6 hasil terbaru dan hapus sisanya. Fakta bahwa pemanggilan terjadi tetap tersimpan |
| 6 | Menempelkan seluruh repositori ke dalam folder examples/ | AI mencari pola di antara 200 contoh dan tersesat | 3-7 pola kanonis di examples/, masing-masing untuk jenis tugas tertentu |
| 7 | Daftar Markdown 200 baris sebagai “rencana fitur” | Daftar panjang tanpa struktur dapat mempersulit pelacakan tugas; tidak ada titik kegagalan universal pada baris 50 | Artefak HTML atau rencana bernomor dalam file terpisah |
Cookbook Anthropic menjelaskan pengukuran spesifik untuk kesalahan #5: dalam sesi dasar, dokumen pertama di konteks (tentang C. elegans) secara teknis ada di dalam jendela, tetapi terkubur di bawah 335k token. Secara teknis tersedia. Dalam praktiknya, model tidak mengingatnya. Dengan alat memori, situasi ini diperbaiki sebagai berikut: file catatan aging_model_organisms_comparison.md berukuran sekitar 3000 token, alih-alih memuat ulang korpus asli.
Analogi rumah tangga: jendela konteks adalah meja. Jika ada 200 dokumen di atasnya, Anda tidak akan menemukan dokumen yang dibutuhkan meskipun dokumen itu ada. Context engineering adalah disiplin “menyimpan hanya yang dibutuhkan di meja saat ini, menaruh sisanya di arsip, dan memuatnya saat diminta.”
Bagaimana Menyusun Penyiapan yang Berfungsi dalam Satu Malam?
Poin utama
Penyiapan context engineering minimal yang berfungsi di Claude Code memiliki 7 unsur: CLAUDE.md, contoh, dokumen PRP, alat memori, /compact, subagen, dan pengambilan data tepat saat dibutuhkan melalui alat. Kerangka dasarnya membutuhkan waktu 30-40 menit untuk disiapkan; konfigurasi lengkap dengan contoh dan prompt terverifikasi memerlukan satu malam. Anda dapat menyempurnakannya seiring waktu.
Tujuh langkah secara berurutan:
CLAUDE.md dengan 80-120 baris. Di akar proyek. Gunakan kalimat perintah, bukan deskripsi. Dalam dokumentasi resminya, Anthropic merekomendasikan prinsip
Specificity: aturan harus konkret dan tidak ambigu, bukan prinsip umum. Dalam praktiknya, “jangan pernah menggunakan mock inline dalam pengujian” lebih efektif daripada “kami berusaha menulis kode yang bersih.” Untuk templat terperinci, lihat panduan “Cara Mengonfigurasi CLAUDE.md”.Folder
examples/dengan 3-7 pola terverifikasi. Satu contoh untuk setiap pola umum: pemanggilan API, penulisan pengujian, migrasi, penanganan kesalahan. Saat Claude melihat pola diexamples/, Claude menirunya persis. Tanpa contoh, Claude menebak sambil mengerjakan.Dokumen PRP untuk fitur utama. PRP = Product Requirements Prompt. Satu file untuk setiap fitur: konteks ditambah rencana ditambah validasi ditambah contoh.
Alat memori untuk fakta jangka panjang lintas sesi. Dalam Cookbook Anthropic, alat memori Claude diterapkan sebagai penyimpanan catatan terstruktur. Ketika agen kembali mengerjakan tugas dalam sesi baru, agen membaca catatan terlebih dahulu alih-alih membaca ulang seluruh korpus.
/compactditambah pemadatan otomatis pada 80% batas. Jangan menunggu sampai jendela mencapai batas atasnya. Aktifkan pemadatan otomatis di pengaturan atau jalankan/compactsendiri ketika sesi terasa berputar-putar.Subagen untuk riset / tinjauan / perencanaan. Setiap subagen memiliki konteks dan prompt yang sempit. Claude utama hanya menerima ringkasan, bukan materi mentah. Lihat “Subagen untuk Claude Code” dan “Skills untuk Claude Code” untuk detail lebih lanjut (Skills adalah cara mengemas keahlian khusus ke dalam skill yang diterapkan Claude secara otomatis).
Pengambilan data tepat saat dibutuhkan, bukan pemuatan awal. Jangan menuangkan seluruh repositori ke dalam jendela. Biarkan Claude mencari sendiri dengan
globdangrep. Inilah arsitektur Claude Code sendiri.
Aturan praktis tambahan dari pengalaman proyek yang dijelaskan:
- Satu tugas, satu jendela. Setelah selesai, tutup jendela dan buka yang baru. Jangan menumpuk riwayat dari beberapa tugas berurutan.
- Templat untuk perintah pertama di jendela baru. Gunakan teks yang sama setiap kali: “Baca secara berurutan
CLAUDE.mddan area tugas. Konfirmasikan dalam satu baris. Jangan mulai mengerjakan tugas; tunggu pesan berikutnya.” Dalam alur kerja yang dijelaskan, templat ini disimpan di editor cuplikan dengan satu tombol pintasan. - Saat jendela konteks terisi >60%, beralihlah ke jendela baru. Teknik sementara: minta Claude, “tulis prompt agar obrolan sebelah dapat melanjutkan tugas tanpa kehilangan maknanya,” salin prompt itu, lalu buka jendela baru.
- Setiap kesalahan AI adalah alasan untuk menambahkan aturan. Jangan menulis aturan secara manual di file memori. Beri tahu Claude “itu salah karena...” saat kesalahan terjadi, dan Claude akan menyusun aturan ke dalam file sesuai konvensi “Aturan → Alasan → Cara.”
Selanjutnya: Bagaimana Disiplin Context Engineering Akan Berkembang?
Poin utama
Pada 2026, context engineering beralih dari file Markdown berbasis teks ke format yang lebih terstruktur. Fitur Dreaming telah hadir, yang memungkinkan agen meninjau kembali sesi sebelumnya pada malam hari. Berikutnya adalah artefak HTML, memori persisten, dan orkestrasi multiagen di seluruh tim produk.
Satu arah yang sedang dituju disiplin ini saat ini:
Dreaming—meninjau kembali sesi pada malam hari. Di Code w/ Claude SF pada 6 Mei 2026, Anthropic menunjukkan fitur yang memungkinkan agen meninjau kembali sesi sebelumnya pada malam hari dan memperbarui catatannya sendiri. File memori terstruktur kini berkembang bukan hanya ketika Anda menulisnya, tetapi juga ketika agen menarik kesimpulan dari pengalaman yang terkumpul.
Satu tren sudah jelas: context engineering menjadi disiplin penuh untuk merancang informasi bagi agen AI, bukan sekadar “cara menulis CLAUDE.md.” Prompt engineering adalah salah satu tingkat awal disiplin ini. Context engineering adalah tingkat berikutnya.
Hal minimum yang layak disiapkan pada malam pertama: atur CLAUDE.md menjadi 80-120 baris (panduan di sini), buat folder dengan struktur pengetahuan bisnis, pelajari cara menggunakan /compact, dan berhenti menghabiskan batas penggunaan.
Berikutnya, tambahkan subagen (panduan) dan Skills untuk memindahkan keahlian khusus keluar dari konteks bersama dan ke dalam skill khusus.
Sumber
- Context engineering yang efektif untuk agen AI - Tim Applied AI Anthropic, 29.09.2025. Teks kanonis dengan 4 prinsip context engineering.
- Bagaimana kami membangun sistem riset multiagen - Anthropic Engineering, 13.06.2025. Sumber angka kualitas +90.2% dan token 15×.
- Anthropic Cookbook - Context engineering dengan penggunaan alat - Primitif praktis: pemadatan, penghapusan hasil alat, dan alat memori.
- Dokumentasi Memori Claude Code - Panduan instruksi proyek yang ringkas dan spesifik; target yang dikutip adalah di bawah 200 baris. Rentang 80–120 baris merupakan preferensi penulis.
Kenali Ailoot.
Rincian selengkapnya
Pertanyaan tentang Context Engineering pada 2026: Apa Itu, Apa Bedanya dengan Prompt Engineering, dan Cara Menerapkannya di Claude Code
Apakah 200 baris merupakan batas keras CLAUDE.md?
Tidak. Panduan yang dikutip menyarankan tetap di bawah 200 baris untuk menghemat konteks dan meningkatkan kepatuhan. Rentang 80–120 baris penulis adalah preferensi praktis; verifikasi aturan penting pada tugas nyata alih-alih menganggap jumlah baris sebagai jaminan.
Apa yang sebaiknya dipindahkan dari konteks awal?
Pindahkan contoh terperinci, hasil alat panjang, dan bahan referensi khusus tugas ke file terpisah. Pertahankan aturan dan petunjuk ringkas dalam CLAUDE.md, lalu ambil kutipan yang relevan ketika tugas memerlukannya.