Context Engineering vs Prompt Engineering: Apa Bedanya?

Kamu mungkin pernah memperbaiki instruksi untuk ChatGPT atau Claude sampai jawabannya sesuai dengan kebutuhan. Namun, ketika aplikasi AI harus mengingat percakapan, membaca dokumen, menggunakan tool, dan membawa hasil dari satu langkah ke langkah berikutnya, kualitas instruksi saja tidak lagi cukup.

Perbedaan tersebut menjadi inti pembahasan context engineering vs prompt engineering. Prompt engineering berfokus pada cara menyusun instruksi, sedangkan context engineering mengatur keseluruhan informasi yang tersedia bagi model ketika model menghasilkan respons.

Apa Itu Prompt Engineering?

Prompt engineering adalah proses menyusun instruksi agar model AI memahami tugas, batasan, format, dan hasil yang diharapkan. Praktik ini tidak hanya berlaku untuk satu pertanyaan sederhana karena developer juga dapat menggunakan prompt engineering pada system prompt, template, maupun alur percakapan yang lebih panjang.

Beberapa teknik prompt engineering membantu pengguna memberikan arahan yang lebih jelas kepada model. Kamu juga dapat melihat penerapannya melalui panduan cara menggunakan prompt Gemini di Google Workspace.

• Few-shot prompting: Pengguna memberikan beberapa contoh input dan output agar model mengenali pola yang diharapkan. Teknik ini membantu model mengikuti struktur jawaban yang lebih konsisten.
• Role prompting: Pengguna menetapkan peran atau sudut pandang agar model menyesuaikan gaya dan fokus respons. Sebagai contoh, pengguna dapat meminta model bertindak sebagai editor teknis atau analis data.
• Structured prompting: Pengguna membagi instruksi menjadi tujuan, konteks, batasan, dan format keluaran. Struktur tersebut membantu model membedakan informasi penting dari arahan tambahan.

Prompt engineering bekerja dengan baik ketika seluruh informasi yang dibutuhkan sudah tersedia di dalam permintaan. Model dapat menyelesaikan tugas seperti meringkas dokumen, menulis draft, mengklasifikasikan teks, atau mengubah format data tanpa harus mengambil banyak informasi dari sistem lain.

Apa Itu Context Engineering?

Context engineering adalah proses memilih, menyusun, mempertahankan, dan memperbarui informasi yang tersedia bagi model pada saat inferensi. Informasi tersebut dapat mencakup system instruction, riwayat percakapan, dokumen hasil retrieval, definisi tool, hasil pemanggilan tool, memory, dan data aplikasi.

Anthropic menjelaskan context engineering sebagai perkembangan alami dari prompt engineering karena aplikasi AI modern perlu mengelola keseluruhan state yang tersedia bagi model, bukan hanya memperbaiki susunan kata pada prompt. Dalam konteks tersebut, context menjadi sumber daya yang terbatas sehingga developer perlu memilih informasi yang paling berguna untuk setiap langkah.

Kalau konsep token, inferensi, dan model bahasa masih terasa abstrak, kamu dapat membaca artikel apa itu LLM terlebih dahulu. Pemahaman tersebut membantu kamu melihat bahwa context window bukan sekadar tempat menyimpan prompt, tetapi ruang tempat berbagai informasi tersedia bagi model sebelum respons dibuat.

Analogi sederhana dapat membantu membedakan kedua pendekatan tersebut. Prompt engineering menyerupai cara kamu menulis instruksi memasak, sedangkan context engineering menyerupai cara kamu menyiapkan resep, bahan, alat, catatan pesanan, dan informasi lain agar koki dapat menyelesaikan pesanan yang sedang dikerjakan.

Context Engineering vs Prompt Engineering: Perbedaan Utama

Prompt engineering dan context engineering saling berkaitan karena prompt merupakan salah satu bagian dari context. Perbedaannya terletak pada objek yang dioptimalkan dan keputusan teknis yang harus dibuat oleh developer.

Perbedaan yang paling mudah diingat adalah prompt engineering mengoptimalkan cara instruksi disampaikan kepada model. Context engineering mengoptimalkan informasi apa yang perlu tersedia, kapan informasi tersebut dimasukkan, dan bagaimana informasi tersebut dipertahankan selama workflow berjalan.

Karena prompt merupakan bagian dari context, prompt engineering dapat dipandang sebagai bagian yang lebih sempit dari pekerjaan context engineering. Namun, developer tetap membutuhkan prompt yang jelas karena context yang lengkap tidak akan banyak membantu apabila model menerima instruksi yang ambigu.

Perbedaan Fungsi dalam Satu Alur Kerja

Perbedaan fungsi keduanya terlihat jelas ketika model harus menangani keluhan pelanggan. Prompt engineering dapat menghasilkan instruksi seperti, “Balas keluhan pelanggan dengan sopan, jelaskan solusi yang tersedia, dan jangan menjanjikan refund sebelum syaratnya terpenuhi.”

Instruksi tersebut belum cukup apabila model tidak mengetahui transaksi pelanggan dan kebijakan perusahaan. Context engineering melengkapi proses dengan menyediakan status pesanan, aturan refund yang relevan, riwayat interaksi, dan data lain yang memang dibutuhkan untuk menangani kasus tersebut.

Developer tetap harus melakukan seleksi karena tidak semua data pelanggan perlu dikirimkan kepada model. Context engineering yang baik memberikan informasi yang relevan dan membatasi informasi yang tidak diperlukan agar model memperoleh dasar yang cukup tanpa memenuhi context window dengan noise.

Pengelolaan Token dan Context Window

Context window memiliki kapasitas tertentu, sehingga developer tidak sebaiknya memasukkan seluruh data hanya karena model mendukung input yang panjang. Context engineering berusaha menggunakan kapasitas tersebut secara efisien dengan mempertimbangkan relevansi, urutan, dan kebutuhan setiap langkah.

Developer biasanya perlu mengambil beberapa keputusan ketika mengelola context window. Keputusan tersebut menentukan apakah model menerima informasi yang benar-benar diperlukan atau justru harus memproses terlalu banyak informasi yang tidak relevan.

• Menentukan prioritas informasi: Sistem mempertahankan informasi yang masih dibutuhkan oleh model dan meringkas bagian yang sudah terlalu panjang. Developer juga dapat menghapus riwayat yang tidak lagi relevan dengan tujuan saat ini.
• Memilih bentuk informasi: Sistem dapat mengirim dokumen mentah, kutipan terpilih, ringkasan, atau data terstruktur sesuai kebutuhan tugas. Format yang tepat membantu model menemukan informasi penting dengan lebih mudah.
• Mengatur hasil retrieval dan tool: Sistem memilih hasil pencarian atau output tool yang benar-benar dibutuhkan pada langkah berikutnya. Keputusan ini mencegah context dipenuhi hasil lama yang sudah tidak relevan.
• Menempatkan informasi penting dengan hati-hati: Developer perlu memperhatikan posisi informasi ketika context menjadi panjang. Riset Lost in the Middle menunjukkan bahwa performa model yang diuji dapat menurun ketika informasi relevan berada di bagian tengah context yang panjang.

Temuan tersebut tidak berarti semua informasi harus selalu diletakkan di awal atau akhir. Temuan itu menunjukkan bahwa context window yang besar tidak otomatis membuat model mampu memanfaatkan seluruh informasi dengan kualitas yang sama.

Manajemen context yang lebih baik juga dapat membantu mengurangi kondisi ketika model menjawab berdasarkan informasi yang tidak relevan atau tidak cukup. Jika kamu ingin membahas masalah tersebut dari sisi kualitas output, panduan cara mengurangi hallucination pada LLM menjelaskan faktor penyebab dan langkah mitigasinya.

Kapan Prompt Engineering Sudah Cukup?

Prompt engineering biasanya sudah cukup ketika model menerima seluruh bahan yang dibutuhkan dalam satu permintaan atau satu alur yang sederhana. Dalam kondisi tersebut, developer lebih banyak mengoptimalkan instruksi daripada membangun sistem untuk mengambil dan mempertahankan informasi tambahan.

Beberapa tugas berikut dapat menggunakan prompt engineering sebagai pendekatan utama. Setiap tugas memiliki input yang relatif jelas sehingga model tidak membutuhkan banyak state atau sumber informasi eksternal.

• Model menerjemahkan teks yang seluruh isinya sudah diberikan oleh pengguna.
• Model meringkas satu dokumen yang sudah tersedia di dalam permintaan.
• Model membuat draft konten berdasarkan brief yang sudah lengkap.
• Model mengubah data ke format tertentu tanpa membutuhkan database, memory, atau tool eksternal.

Pendekatan sederhana tersebut sering lebih efisien karena developer tidak perlu menambahkan komponen yang belum dibutuhkan. Context engineering yang kompleks baru memberikan manfaat ketika aplikasi memang memiliki banyak sumber informasi, state, atau tindakan yang harus dikelola.

Kapan Context Engineering Dibutuhkan?

Context engineering menjadi lebih penting ketika aplikasi harus mempertahankan informasi di banyak langkah atau mengambil informasi dari luar prompt. Kebutuhan tersebut sering muncul pada AI agent, sistem RAG, asisten internal, dan chatbot yang melayani percakapan panjang.

Beberapa kondisi dapat menunjukkan bahwa aplikasi mulai membutuhkan pengelolaan context yang lebih terstruktur. Kondisi tersebut biasanya muncul ketika model tidak lagi dapat menyelesaikan seluruh pekerjaan hanya berdasarkan satu kumpulan instruksi dan data.

• Aplikasi perlu mengingat informasi yang relevan dari percakapan sebelumnya.
• Model perlu mengambil data dari database, dokumen internal, API, atau sumber eksternal lain.
• Model memiliki banyak tool dan harus memilih tool berdasarkan kondisi yang sedang terjadi.
• Workflow menggunakan output dari satu langkah sebagai input untuk langkah berikutnya.
• Sistem perlu meringkas, mengganti, atau membuang informasi lama agar context tetap relevan.

RAG menjadi salah satu mekanisme yang sering digunakan karena sistem dapat mengambil dokumen yang relevan sebelum model menyusun jawaban. Kamu dapat melihat contoh teknisnya pada panduan implementasi RAG pada chatbot yang menggunakan Python dan FastAPI.

Survei State of Context Management Report 2026 dari DataHub juga menunjukkan perubahan kebutuhan pada implementasi AI produksi. Dalam survei tersebut, 82% pemimpin IT dan data yang menjadi responden menyatakan bahwa prompt engineering saja tidak lagi cukup untuk menjalankan AI pada skala besar.

MCP dalam Context Engineering

Model Context Protocol atau MCP dapat menjadi salah satu mekanisme untuk menyediakan data dan kemampuan eksternal kepada aplikasi AI. MCP menggunakan pola host, client, dan server agar aplikasi dapat menemukan primitives seperti resources, prompts, dan tools melalui antarmuka yang terstandar.

MCP tidak otomatis memasukkan semua resource ke dalam context dan tidak membuat model bebas menjalankan setiap tool. Spesifikasi MCP membedakan kontrol primitives karena prompts pada dasarnya dipilih pengguna, resources dikelola aplikasi, sedangkan tools dapat ditemukan dan dipanggil model sesuai implementasi serta izin yang tersedia.

Dalam praktik context engineering, MCP dapat membantu aplikasi menyediakan data atau tool yang dibutuhkan tanpa membangun pola integrasi yang berbeda untuk setiap layanan. Kamu dapat mempelajari arsitektur dan batasannya lebih lanjut melalui artikel apa itu MCP.

Pada Web Hosting Nimbus DomaiNesia, AI Agent Access berbasis MCP dapat menghubungkan aplikasi AI yang kompatibel dengan area seperti Files, Databases, Domains & DNS, serta Git deploy sesuai level akses pengguna. Pengguna dapat memilih tingkat akses seperti Containment, Read-only, No destructive, atau Full access agar kemampuan agent dapat disesuaikan dengan risiko dan kebutuhan pekerjaan.

Kesimpulan

Prompt engineering dan context engineering tidak perlu dipertentangkan karena keduanya menyelesaikan masalah pada lapisan yang berbeda. Prompt engineering membantu model memahami instruksi, sedangkan context engineering membantu sistem menyediakan informasi yang tepat agar instruksi tersebut dapat dijalankan dengan kondisi yang sesuai.

Untuk tugas yang sederhana, prompt yang jelas sering kali sudah memadai. Ketika aplikasi mulai menggunakan memory, RAG, tool, data eksternal, atau workflow multi-langkah, developer perlu mengelola context secara lebih terstruktur agar model menerima informasi yang relevan pada setiap tahap.