Context Engineering
Kalau ada satu skill yang membedakan orang yang "sudah coba AI agent, hasilnya jelek" dengan orang yang menjalankan team AI sendirian, ini dia. Context engineering adalah pekerjaan memastikan model melihat informasi yang tepat, pada saat yang tepat, tanpa sampah.
Model hanya tahu isi konteksnya
LLM itu stateless. Setiap kali loop berputar, model menerima satu bundel teks — system prompt, riwayat percakapan, hasil tool — dan hanya itu yang ia "tahu". Tidak ada memori tersembunyi, tidak ada pemahaman repo yang tersimpan diam-diam.
CONTEXT WINDOW (contoh: 200K token)
┌──────────────────────────────────────────────┐
│ system prompt + definisi tools (~5-20K) │ tetap
│ AGENTS.md / CLAUDE.md (~1-5K) │ tetap, kamu yang tulis
│ riwayat: pesan + hasil tool calls (membengkak)│ tumbuh tiap iterasi
│ ...file yang dibaca, output test, error... │
│ └── sisa ruang untuk berpikir & bekerja │ menyusut tiap iterasi
└──────────────────────────────────────────────┘
Dua konsekuensi:
- Konteks membengkak seiring kerja. Setiap file dibaca dan test dijalankan menambah token. Sesi panjang → konteks penuh → kualitas turun.
- Kualitas menurun sebelum konteks habis. Fenomena yang dikenal sebagai context rot: makin panjang dan makin kotor konteks (error lama, file tak relevan, percobaan gagal), makin buruk fokus model — jauh sebelum limit token tercapai. Konteks 200K bukan berarti 200K yang efektif.
:::tip Heuristik operator Perlakukan konteks seperti working memory manusia: satu task, satu sesi. Sesi yang sudah menyelesaikan task A jangan dilanjutkan untuk task B — mulai sesi baru. Bersih itu lebih murah dan lebih akurat daripada panjang. :::
AGENTS.md / CLAUDE.md: konteks tetap yang kamu kendalikan
File instruksi di root repo yang otomatis dimuat setiap sesi. Claude Code memakai CLAUDE.md; standar lintas-tool AGENTS.md kini didukung mayoritas agent (opencode, Codex, Gemini CLI, dll.) — pakai AGENTS.md dan symlink CLAUDE.md ke sana bila perlu.
Isinya bukan dokumentasi proyek, melainkan briefing untuk pekerja baru yang sangat cepat tapi tanpa ingatan:
# Proyek X
## Perintah
- test: `npm test` (satu file: `npx vitest run <path>`)
- lint+typecheck: `npm run check` — WAJIB hijau sebelum selesai
## Arsitektur singkat
- `src/api/` — route handlers (Hono). Validasi pakai zod di `src/schemas/`
- `src/db/` — akses data. JANGAN tulis SQL di luar folder ini
## Aturan
- Jangan menambah dependency tanpa bertanya
- Kalau pendekatan yang sama gagal 2x, berhenti dan jelaskan hipotesismu
Aturan menulisnya: pendek (ratusan baris maksimal), imperatif, dan berisi hal yang tidak bisa ditebak dari kode. Setiap kali agent melakukan kesalahan yang sama dua kali, itu sinyal satu baris baru untuk AGENTS.md. Template lengkap ada di Referensi, dan praktiknya di Playbook langkah 1.
Agentic search vs RAG
Bagaimana agent menemukan kode yang relevan di repo 500 ribu baris?
| Pendekatan | Cara kerja | Posisi 2026 |
|---|---|---|
| RAG (embedding index) | Repo di-embed ke vector DB, potongan "mirip" query disuntikkan ke konteks | Masih dipakai untuk dokumen/knowledge base; untuk kode mulai ditinggalkan agent CLI |
| Agentic search | Agent memakai grep/glob/read berulang — seperti engineer baru menjelajah repo | Pendekatan dominan semua coding agent utama |
Agentic search menang untuk kode karena kode punya struktur yang bisa diikuti (import, definisi, call sites) dan hasil grep selalu fresh — tidak ada index basi. Harganya: token dan waktu untuk eksplorasi. Di sinilah AGENTS.md berperan: peta arsitektur 10 baris menghemat 50 tool call eksplorasi.
Compaction & summarization
Saat konteks mendekati penuh, harness melakukan compaction: meringkas riwayat lama menjadi ringkasan padat, membuang detail, mempertahankan keputusan dan status. Otomatis di kebanyakan tool, manual via /compact di Claude Code.
Yang perlu kamu tahu sebagai operator: compaction itu lossy. Detail yang terbuang bisa jadi penting. Untuk task panjang, jangan andalkan compaction — andalkan file:
Pola "external memory" untuk task panjang:
1. Minta agent menulis rencana ke PLAN.md di awal
2. Agent mencoret item selesai + mencatat keputusan di file itu
3. Konteks penuh/sesi mati? Sesi baru membaca PLAN.md → lanjut tanpa kehilangan arah
Pola ini adalah dasar dari memory & skills, dan alasan kenapa agent yang mati di tengah task tidak harus mulai dari nol.
Anti-pola konteks
- Kitchen-sink prompt — menempel 10 file "supaya lengkap". Sampah menggeser sinyal; biarkan agent mencari sendiri dengan petunjuk arah.
- Sesi abadi — satu sesi untuk seminggu kerja. Context rot menjamin kualitas menurun diam-diam.
- AGENTS.md ensiklopedia — 2.000 baris aturan = tidak ada aturan; model tidak bisa memprioritaskan semuanya sekaligus.
- Menyembunyikan error — memotong stack trace "biar rapi" saat melapor ke agent. Error mentah adalah sinyal terbaik untuk fase observe (Agentic Loop).
Kenapa ini penting untuk playbook
Semua langkah playbook berdiri di atas ini: persiapan repo intinya menulis AGENTS.md dan feedback signal; git worktrees ada supaya tiap agent paralel punya konteks (dan direktori) bersih; dan review via Telegram hanya bisa dipercaya kalau kamu yakin agent bekerja dari konteks yang benar.
Lanjut
→ Memory, Skills & Subagents: cara agent menyimpan pengetahuan antar sesi dan membagi kerja.