Komunitas teknologi saat ini sedang dilanda perdebatan sengit mengenai hakikat bekerja dengan Large Language Model ( LLM ). Sebuah konsep baru, context engineering, telah muncul dengan mengusulkan pendekatan sistematis untuk memandu perilaku AI. Sementara sebagian melihatnya sebagai evolusi yang diperlukan, yang lain mempertanyakan apakah konsep ini layak menyandang gelar bergengsi sebagai teknik.
Kebangkitan Context Engineering
Gagasan inti di balik context engineering adalah pergeseran pola pikir. Alih-alih memperlakukan LLM seperti oracle misterius yang merespons perintah yang dirangkai dengan hati-hati—praktik yang sering dicemooh sebagai prompt engineering—para pendukungnya berargumen bahwa kita harus memperlakukannya seperti seorang analis yang terampil. Ini berarti dengan sengaja menyusun seluruh jendela konteks, memberi makan model bukan hanya sebuah pertanyaan, tetapi juga dokumen relevan, definisi alat, dan instruksi penalaran langkah demi langkah untuk sampai pada jawaban yang andal. Pendekatan ini memanfaatkan teknik seperti Retrieval-Augmented Generation ( RAG ) untuk menarik data eksternal dan tool-calling untuk melakukan perhitungan yang presisi, melampaui data pelatihan statis model.
- LLM ( Large Language Model ): Jenis kecerdasan buatan yang dilatih dengan sejumlah besar teks untuk memahami dan menghasilkan bahasa seperti manusia.
- Context Window ( Jendela Konteks ): Jumlah token (potongan kata) tetap yang dapat dipertimbangkan oleh sebuah LLM dalam satu waktu ketika menghasilkan respons.
Pola Umum "Context Engineering":
- RAG (Retrieval-Augmented Generation): Menyuntikkan dokumen eksternal yang relevan ke dalam konteks.
- Tool Calling: Mendefinisikan fungsi eksternal (misalnya, kalkulator) untuk digunakan oleh LLM.
- Structured Output: Memaksa LLM untuk merespons dalam format tertentu seperti JSON.
- Chain of Thought / Reflexion: Mendorong LLM untuk menunjukkan langkah-langkah penalarannya sebelum menjawab.
- Context Compression: Merangkum percakapan panjang untuk menghemat ruang dalam jendela konteks.
Komunitas Terbelah dalam Hal Definisi
Reaksi terhadap pemframingan ini terbelah dengan tajam. Sebagian besar komunitas sangat skeptis terhadap pelabelan praktik-praktik ini sebagai teknik. Para pengkritik berargumen bahwa tanpa teori yang solid dan dapat diprediksi tentang bagaimana LLM memproses konteks, pekerjaan ini tetap lebih merupakan seni atau kerajinan. Mereka menunjukkan bahwa perilaku model dapat berubah secara tak terduga, membuat sistem yang dibangun berdasarkan prinsip-prinsip ini rapuh dan sulit untuk diverifikasi secara formal.
Tidak ada yang presisi dalam merangkai prompt dan konteks—itu hanyalah sebuah kerajinan... Saya sangat berharap kita berhenti menyalahgunakan istilah teknik dalam upaya putus asa untuk memuaskan ego kita sendiri.
Sentimen ini menggema kekhawatiran yang lebih luas bahwa bidang ini mengutamakan terminologi yang mengesankan daripada metodologi yang ketat dan berbasis bukti. Para skeptis menuntut manfaat yang terukur dan hasil yang dapat direproduksi, dengan perasaan bahwa pendekatan saat ini ibarat membangun jembatan ketika tidak ada yang benar-benar tahu seberapa kuat baja tersebut.
Membela Pola Pikir Teknik
Sebagai tanggapan, para pembela istilah tersebut menunjuk pada mekanisme yang mendasarinya. Mereka mencatat bahwa banyak teknik yang dikelompokkan dalam context engineering, seperti RAG dan structured output, telah diteliti dengan baik dan memiliki implementasi yang dapat diuji dan dibandingkan. Argumennya adalah bahwa aspek keteknikannya terletak bukan pada ketidakpastian LLM itu sendiri, tetapi pada desain perangkat lunak sistem yang mengelilinginya yang disengaja dan sistematis. Dengan menerapkan pola desain perangkat lunak yang terbukti—seperti composition dan dependency injection—pada konstruksi konteks, pengembang dapat membuat aplikasi AI yang lebih modular, dapat diuji, dan mudah dipelihara. Perspektif ini membingkai LLM sebagai satu komponen dalam sistem yang lebih besar dan direkayasa.
Pendapatan Box Office UK yang Dilaporkan (Contoh dari Artikel):
- Per 2018 (Data Pelatihan Model): ~£26 juta (GBP) per minggu
- Untuk 2024 (Melalui Context Engineering dengan data terkini): £139,8 juta (GBP) total pendapatan tahunan, dihitung dengan rata-rata ~£2,69 juta per minggu.
 |
|---|
| Ilustrasi pekerjaan analitis yang disengaja, merepresentasikan desain sistematis yang mendukung rekayasa sistem AI |
Jalan Ke Depan untuk Pengembangan AI
Pada akhirnya, perdebatan ini menyoroti masa pertumbuhan yang sulit dalam bidang pengembangan aplikasi AI. Seiring dengan diintegrasikannya LLM ke dalam sistem-sistem kritis, kebutuhan akan keandalan dan ketelitian menjadi sangat penting. Entah disebut context engineering atau context crafting, tantangan intinya tetap sama: beralih dari trial-and-error ke pendekatan yang lebih disiplin dan sistematis. Fokus komunitas pada terminologi ini mencerminkan keinginan yang lebih mendalam untuk membentuk praktik terbaik yang dapat memastikan penerapan AI yang bertanggung jawab dan efektif. Resolusi dari perdebatan ini kemungkinan akan membentuk bagaimana tim pengembangan disusun dan bagaimana sistem AI dibangun untuk tahun-tahun mendatang.
Referensi: Context engineering