Context Engineering vs Prompt Engineering: Apa Bedanya?

Kemarin iseng-iseng baca beberapa artikel tentang context engineering. Istilah ini mulai sering muncul di timeline, terutama setelah beberapa orang di Twitter/X mulai memperdebatkan mana yang lebih penting: prompt engineering atau context engineering. Jadi saya coba ringkas apa yang saya pahami sejauh ini.

Prompt Engineering: Yang Sudah Familiar

Prompt engineering itu teknik menyusun instruksi agar model AI (seperti ChatGPT, Claude, dll) menghasilkan output yang sesuai harapan. Intinya kita ngomong ke AI dengan cara yang tepat supaya hasilnya bagus. Contoh sederhananya:

Gunakan gaya bahasa Indonesia yang natural. Jelaskan konsep X dalam 3 paragraf. Fokus pada...

Prompt engineering ini soal apa yang kita tulis di input. Makin bagus prompt-nya, makin relevan outputnya.

Context Engineering: Leih dari Sekadar Prompt

Nah, kalau context engineering ini lebih luas. Bukan cuma soal prompt yang diketik, tapi soal seluruh informasi yang tersedia untuk model saat generate output. Ini termasuk:

System prompt yang di-set di awal
Riwayat percakapan sebelumnya
Dokumen atau data yang di-inject ke context
Tool definitions yang tersedia untuk model
Output dari tool/function yang dipanggil
Retrieved documents (RAG)
Metadata, user info, dan konteks aplikasi

Jadi prompt itu bagian dari context, tapi context bukan cuma prompt.

Analogi Sederhana

Kalau saya analogikan: Prompt engineering itu seperti menulis surat yang bagus ke seseorang. Context engineering itu seperti memastikan orang tersebut punya semua dokumen, referensi, dan konteks yang dibutuhkan sebelum membaca surat kita. Tulis surat sebagus apapun, kalau penerima nggak punya konteks yang cukup, hasilnya nggak akan optimal.

Kenapa Context Engineering Mulai Dibahas?

Beberapa alasan kenapa istilah ini mulai populer: 1. Prompt saja nggak cukup untuk aplikasi production.
Kita nggak bisa cuma andalkan satu prompt bagus. Ada banyak hal yang perlu di-manage: data user, tool outputs, session history, dll. 2. RAG dan tool use makin umum.
Saat kita pakai AI dengan retrieval augmented generation atau function calling, yang menentukan kualitas output bukan cuma prompt, tapi juga data yang di-retrieve dan hasil tool execution. 3. Semakin banyak komponen yang terlibat.
Di aplikasi AI modern, ada system prompt, conversation history, tool definitions, retrieved context, dan banyak lagi. Mengatur semua ini dengan baik = context engineering.

Dari Sisi Developer

Kalau kalian pernah bikin aplikasi yang pakai LLM API, mungkin sadar bahwa kualitas output sering tergantung pada:

System prompt yang kita set
Data apa yang kita inject sebelum user bertanya
Bagaimana kita format conversation history
Tool/function apa yang kita sediakan

Itu semua bagian dari context engineering, sadar atau nggak. Saya sendiri waktu bikin script untuk mengambil kurs USD, nggak mikir istilah context engineering. Tapi kalau dipikir-pikir, cara kita menyiapkan data dan instruksi ke model itu ya termasuk bagian dari context engineering.

Kesimpulan Singkat

Prompt engineering = menyusun instruksi yang tepat.
Context engineering = mengelola seluruh informasi yang tersedia untuk model. Keduanya nggak saling menggantikan, tapi saling melengkapi. Prompt engineering tetap penting, tapi untuk membangun aplikasi AI yang robust, kita perlu mikir lebih luas — ke context engineering. Kalau mau baca lebih lanjut, istilah ini mulai dipopulerkan oleh beberapa praktisi AI seperti Andrej Karpathy dan beberapa engineer di Anthropic. Begiu sih kira-kira untuk catatan singkat kali ini. (z)