Context Engineering: Panduan Praktis Optimasi AI Coding

"AI slop" itu bukan salah model-nya, tapi salah kita sebagai user.

Di tools kayak Claude Code, context adalah satu-satunya input yang bisa kita kontrol — jadi gimana cara optimasinya?

---

Apa Itu Context?

Context adalah semua yang kamu kasih ke AI saat kirim pesan.

Ini termasuk:

• Prompt kamu sendiri
• System prompts
• Pesan-pesan sebelumnya
• Thinking process AI
• Tool calls dan responses
• Metadata lainnya

Intinya: semua yang ada di "otak" AI saat dia generate response.

---

Kenapa Context Penting?

AI punya context window yang terbatas.

Semakin panjang conversation, semakin susah AI untuk keep track semuanya dengan akurat. Kualitas output-nya bisa menurun.

Di Claude Code, context window kita cuma 200K tokens. Kedengeran banyak, tapi sebenernya cepet penuh.

Kalau kamu run /context, kamu bakal lihat:

├── 22.5% reserved (buffer)
├── 10.2% system prompts
├── X% MCP servers
├── X% subagents
├── X% rules & settings
└── Sisanya buat kamu

Realitanya, kita cuma punya sekitar 120K tokens untuk kerja. Dan yang lebih penting: kualitas output AI menurun seiring context membesar — bahkan kalau belum mentok limit-nya.

Jadi pertanyaannya: apa yang harus kita masukin ke context supaya hasilnya optimal?

---

Basic Setup yang Harus Dilakukan

Kabar baiknya, 80% hasil bagus datang dari setup dasar yang benar:

# 1. Upgrade ke Max plan (kalau serius)
/upgrade

# 2. Pakai model terbaik untuk planning
/model → opus 4.5

# 3. Buat file untuk bantu Claude pahami project
/init

Dari sini, advice standar yang sering kamu denger itu bener:

1. Mulai di Plan Mode (Shift + Tab)
2. Minta Claude tanya balik untuk klarifikasi hal-hal yang ambigu
3. Execute plan yang sudah kamu refine

Subagents, custom commands, hooks, multi-agent orchestration — semua itu seru, tapi... nggak se-game-changing yang orang-orang bikin keliatan.

Paham cara pakai basic dengan bener itu lebih penting.

---

Workflow yang Bener

Satu Thread = Satu Objektif

Treat setiap conversation baru sebagai satu objektif yang jelas:

• ✅ "Saya mau fix bug X"
• ✅ "Saya mau bikin fitur Y"
• ❌ "Bikin app lengkap dari A-Z" (terlalu broad)

Untuk Project Baru

Kalau objektif-nya lebih broad, berarti butuh planning lebih lama:

1. Plan dulu
2. Refine plan-nya
3. Minta Claude tanya-tanya sampai dia kehabisan pertanyaan
4. Review plan dari berbagai sudut:
   • Arsitektur
   • Best practices
   • Security risks
   • Production readiness
   • Testing strategy

Goal-nya: kasih detail di setiap tempat yang bisa bikin ambigu.

---

Kapan Harus Reset (dan Gimana Caranya)

Kalau Semuanya Lancar

Lanjut aja! Selama task masih relevan dengan apa yang udah ada di context.

Kalau context mulai penuh, run /compact untuk bikin space — atau biarkan Claude Code otomatis compact (itu gunanya 22.5% buffer tadi).

Kalau Mulai Berantakan

Ini yang sering terjadi:

Kamu: "Itu salah, tolong fix"
Claude: *bikin lebih parah*
Kamu: "Bro itu makin ancur, mikir dong"
Claude: *makin ngaco*

Kalau udah di loop kayak gini, jangan lanjut di thread yang sama. Kamu punya opsi:

Option 1: Rewind

/rewind

Balik ke titik di conversation di mana semuanya masih oke.

Option 2: Mulai Baru

/new

Buat thread baru. Ambil prompt awal kamu, refine, dan coba lagi. Di prompt baru, specifically mention apa yang JANGAN dilakukan berdasarkan kesalahan sebelumnya.

---

Jangan Terjebak Complexity Trap

Kalau kamu sering scroll Twitter/X, pasti udah kebanjiran setup-setup fancy:

• MCP servers ini itu
• Subagents sana sini
• Skills macam-macam
• Multi-agent orchestration

Mungkin kamu udah bookmark banyak thread yang "nanti dibaca".

Advice pertama: jangan over-complicate.

Goal kita, seperti kata Anthropic, adalah:

"Find the smallest possible set of high-signal tokens"

Semakin banyak kamu masukkin data (dari MCP servers, misalnya), semakin penuh context window kamu dengan low-signal noise — dan semakin boros token (= uang).

---

MCP Servers: Cara Pakai yang Bener

MCP servers itu basically tools pihak ketiga yang bisa AI pakai untuk ambil context:

• Dokumentasi
• Code dari GitHub
• Tickets dari Linear
• Design dari Figma

Waktu pertama keluar, MCP servers di-hype gila-gilaan. Tapi orang cepet sadar: banyak yang makan context terlalu banyak dan nggak worth it.

MCP Servers yang Recommended

1. Exa.ai — Web search untuk AI agents
2. Context7 — Dokumentasi up-to-date untuk AI agents
3. Grep.app — GitHub search untuk AI agents

Kapan Pakai MCP?

Pakai untuk gather context tentang cara implementasi — hal-hal yang sebenernya bisa kamu research sendiri di docs atau cari code snippets.

Anthropic nyebut ini "Just-in-Time Context Strategy" — di mana agent cari informasi sendiri saat dibutuhkan.

---

Subagents: Cara Hemat Context

Subagents adalah instance Claude Code lain yang jadi "anak" dari main agent.

Cek subagents yang kamu punya:

/agents

Kenapa Subagents Penting?

Subagents punya:

1. Context window terpisah dari main agent
2. Bisa pakai model berbeda (misal: Sonnet instead of Opus)

Artinya: kamu bisa spawn subagent untuk tugas yang makan token banyak (kayak research), terus dia kasih summary singkat ke main agent.

┌─────────────────────────────────────────────┐
│              MAIN AGENT (Opus)              │
│                                             │
│  "Pakai librarian untuk research X"         │
│                    │                        │
│                    ▼                        │
│    ┌─────────────────────────────────┐      │
│    │  SUBAGENT "Librarian" (Sonnet)  │      │
│    │                                 │      │
│    │  - Scan repos                   │      │
│    │  - Baca docs                    │      │
│    │  - Pakai MCP tools              │      │
│    │                                 │      │
│    │  Output: Summary singkat        │      │
│    └─────────────────────────────────┘      │
│                    │                        │
│                    ▼                        │
│  Main agent dapat summary (hemat token!)    │
└─────────────────────────────────────────────┘

Contoh: "Librarian" Subagent

Workflow favorit: subagent "librarian" yang pakai Sonnet (lebih murah) untuk:

• Scan open source repos
• Baca dokumentasi
• Kasih summary padat ke main agent

Prompt ke main agent:

"Pakai librarian untuk research cara implementasi X dengan library Y, 
terus implement Z berdasarkan hasilnya"

Benefit:

• Context window main agent nggak terpolusi
• Hemat uang (Sonnet lebih murah dari Opus)
• Task research di-handle agent yang specialized

---

Skills: Tarik Context yang Relevan

Skills itu kebalikan dari subagents.

• Subagents: Delegasi task ke agent terpisah dengan context sendiri
• Skills: Tarik specialized knowledge ke context agent yang sekarang

Contoh: Claude Code punya skill "frontend designer" — prompt panjang yang kasih tau Claude dos and don'ts untuk design frontend.

┌─────────────────────────────────────────────┐
│                 AGENT                       │
│                                             │
│  ┌─────────────────────────────────────┐    │
│  │         SKILL: Frontend Design      │    │
│  │                                     │    │
│  │  - Typography guidelines            │    │
│  │  - Color best practices             │    │
│  │  - Layout patterns                  │    │
│  │  - Animation dos & don'ts           │    │
│  └─────────────────────────────────────┘    │
│                                             │
│  Agent sekarang "tau" cara design frontend  │
└─────────────────────────────────────────────┘

Kedengerannya fancy, tapi sebenernya simple: Claude narik chunk text ke context saat dia pikir perlu pakai skill itu.

---

Kesimpulan

Vibe coding yang bagus itu tentang optimasi value-dense context.

Setiap informasi yang kamu kasih atau terima dari AI harus concise dan aim untuk bantu AI jawab request berikutnya.

Kalau nggak begitu — jangan lanjut di context yang sama. Ini kunci utama untuk hindari slop trap yang frustrating.

Rangkuman Tips

Tip	Penjelasan
Satu thread = satu objektif	Jangan campur-campur task yang beda
Plan lebih lama	Refine sampai nggak ada ambiguity
Rewind atau restart	Kalau udah masuk slop loop, jangan maksa lanjut
Jangan over-complicate	Basic yang bener > fancy setup yang salah
Pakai subagents untuk research	Hemat context main agent
Skills untuk specialized knowledge	Tarik expertise yang dibutuhkan

---

Mindset yang Bener

Perintah fancy yang kamu lihat di Twitter — subagents, MCP, skills — mungkin bikin kamu ngerasa ketinggalan...

Realitanya, nggak se-complicated kedengerannya.

Coba bantu AI dengan informasi yang concise dan berkualitas, kasih dia tools untuk cari informasi sendiri — sama kayak kamu treat kolega kerja.

That's it. Itu intinya.