4 Sumbu Kunci Context Engineering untuk Vibe Coding [Artikel terjemahan]

Vibe coding membutuhkan context engineering

1. Apa itu Vibe Coding?

• Metode di mana AI membuat kode yang benar-benar berfungsi hanya dari prompt bahasa alami.
• Bahkan tanpa pengetahuan pemrograman atau pemahaman arsitektur, dengan prompt minimal pun pengguna bisa cepat mendapatkan ‘kode yang bekerja’ untuk kebutuhan seperti pembuatan prototipe.
• Kelebihan: produktivitas awal tinggi, umpan balik cepat, dan cara penggunaan yang intuitif.
• Batasan:
  • Dalam proyek kompleks, pengembangan tim, dan lingkungan deployment layanan nyata, kontrol tidak bisa dijaga hanya dengan ‘intuisi’.
  • Seiring waktu, utang teknis (cacat desain, pengecekan izin yang terlewat, penamaan yang membingungkan, sulit dikelola, dll.) akan menumpuk, sehingga sangat rentan dalam pemeliharaan dan perluasan.
    • (Teks asli: “Intuisi tidak bisa diskalakan, tetapi struktur bisa.”)
• Y Combinator lewat “How To Get The Most Out Of Vibe Coding” dan lainnya juga menekankan bahwa “proses pengembangan profesional harus dipindahkan apa adanya ke dalam LLM.”

2. Dari prompt engineering ke context engineering

• Pada tahap awal, sekadar ‘menyusun prompt dengan baik’ (Prompt Engineering) masih cukup efektif, tetapi ketika skala proyek dan kompleksitas pekerjaan meningkat, pentingnya 'input/pengelolaan konteks' pun melonjak tajam.
• Context Failure: LLM memberikan jawaban tanpa konteks atau melewatkan informasi penting → produktivitas dan akurasi menurun.
• Stan Polu, pendiri Dust: menyebut bahwa “syarat terpenting agar AI berhasil menyelesaikan tugas = konteks yang kaya dan tepat.”
• Apa itu context engineering?
  • Serangkaian proses engineering untuk mengelola informasi secara sistematis agar AI/LLM dapat bekerja dengan ‘konteks’ yang tepat, pada waktu yang tepat, dan dalam bentuk yang sesuai.
  • Jika prompt engineering setara memo satu baris, maka context engineering lebih dekat pada membangun sistem yang dilengkapi dokumen, aturan, contoh, dan panduan terkait secara rapi.

3. Empat sumbu kunci context engineering

1. Context Writing:
   • Mencatat/menata (Write) informasi sesuai tujuan ke dalam ‘repositori’ yang konsisten
2. Context Retrieval:
   • Memilih dan menyediakan hanya informasi/konteks yang sesuai berdasarkan progres pekerjaan (Select/Retrieve)
3. Context Compression:
   • Menghilangkan/merangkum informasi yang tidak perlu untuk mengoptimalkan penggunaan token (Compress)
4. Context Segmentation:
   • Memisahkan konteks per tugas/peran/proses rinci agar dapat dikelola secara efektif (Segment)

• Keempat sumbu ini menjadi fondasi bagi ‘pemrograman berbasis konteks’ untuk AI.

4. Kasus praktik: OpenAI vs Claude Code

• OpenAI:
  • Mengelola ‘konteks’ dengan berfokus pada specification eksplisit dan dokumentasi.
  • Standar yang jelas dan specification Markdown menjadi hasil utama sekaligus acuan kolaborasi.
  • Dengan ‘grader model’ untuk verifikasi jawaban dan deliberative alignment, aturan/kebijakan pada dasarnya bisa diinternalisasi sebagai ‘memori otot model’.
  • (“Era ketika specification menjadi kode”, “Specification-Driven Approach”)
• Claude Code (Anthropic):
  • Menggunakan CLAUDE.md, Model Context Protocol, folder perintah (.claude/commands), dan lainnya untuk pengelolaan konteks otomatis.
  • Konteks rinci per pekerjaan berulang, fungsi, dan proyek dapat dipanggil dengan mudah untuk mendukung kerja paralel dengan berbagai instance LLM (multi-agent).
  • Poin utamanya bukan ‘optimasi prompt’, melainkan fokus pada ‘context curation’.

5. Perluasan akademik/teoretis (paper arXiv, 12-Factor Agents)

• Paper arXiv “A Survey of Context Engineering for Large Language Models”
  • Mendefinisikan context engineering bukan sebagai sekadar desain prompt, melainkan bidang kajian ilmiah tentang optimasi informasi/pengelolaan sistem.
  • Komponen inti:
    • pencarian/pembangkitan konteks (Retrieval/Generation),
    • pemrosesan konteks (Processing: pengelolaan panjang, self-refinement, strukturisasi, dll.),
    • pengelolaan konteks (Management: hierarki memori, kompresi, optimasi komputasi, dll.).
  • Contoh implementasi utama:
    • Retrieval-Augmented Generation (RAG),
    • memori jangka panjang (sistem memori),
    • integrasi alat eksternal (Function Calling, dll.),
    • sistem multi-agent (dukungan pemrosesan paralel, dll.).
• HumanLayer ‘12 Factor Agents’
  • Menafsirkan ulang prinsip 12-factor dari software engineering untuk pengelolaan konteks AI, seperti “Own Your Context Window”.

6. Hakikat context engineering dan prospek ke depan

• Penemuan asimetri LLM:
  • LLM unggul dalam memahami/memproses ‘konteks’ yang kompleks, tetapi masih memiliki keterbatasan dalam menghasilkan output akhir yang rinci.
  • Artinya, ‘pengodean spontan (Vibe Coding)’ mungkin berguna untuk demo atau proyek jangka pendek, tetapi pada pengembangan berkelanjutan/skala besar, risiko kegagalannya tinggi tanpa pengelolaan sistematis (context engineering).
• Nilai inti:
  1. Pengurangan kesalahan secara sistematis
     (Systematic Error Reduction, mengurangi error dan ketidakakuratan secara sistematis, serta mengulang verifikasi/koreksi berdasarkan standar)
  2. Skalabilitas dan konsistensi
     (Scalability and Consistency, kualitas tidak menurun meski skala membesar)
  3. Sistem validasi dan koreksi diri berbasis AI
     (Self-Correcting Systems, validation loop otomatis)
  4. Perubahan peran developer
     (berkembang dari sekadar pengodean spontan menjadi perancang sistem/arsitektur, dengan fokus pada dokumentasi dan perancangan panduan yang memandang ke masa depan)
• Kesimpulan:
  • Di era LLM, bukan developer yang mampu membuat ‘prompt keren’ yang akan menjadi tokoh utama kolaborasi berbasis AI, melainkan developer yang mampu merancang/mengkurasi ‘konteks yang sempurna’.
  • Context engineering adalah kunci agar AI berevolusi bukan sekadar menjadi code generator, melainkan menjadi ‘mitra perancangan software’ yang sesungguhnya dan berbasis konteks.

7. Poin kunci

• Vibe coding berbasis intuisi memiliki batas yang jelas.
• Tanpa context engineering yang sistematis, pemanfaatan LLM akan terbatas.
• Kemampuan specification/dokumentasi/curation yang jelas akan menjadi kompetensi developer yang wajib di masa depan.
• Di era AI, developer harus bertransformasi dari ‘penanya yang menarik keluar jawaban’ (Prompt Engineer) menjadi ‘orkestrator yang merancang keseluruhan konteks’ (Context Engineer).