---
title: "Perbedaan dan Cara Merancang Engineering Prompt, Konteks, Harness, Agentic, dan Loop"
locale: id
category: comparison
category_name: "Perbandingan"
translation_status: machine
license: cc_by
author: "Injoys Admin"
source_url: https://injoys.com/en/articles/prompt-context-harness-agentic-loop-engineering
published_at: 2026-07-16T17:00:54+09:00
---

# Perbedaan dan Cara Merancang Engineering Prompt, Konteks, Harness, Agentic, dan Loop

> Engineering prompt, konteks, harness, agentic, dan loop masing-masing menangani instruksi, informasi, lingkungan kerja, eksekusi otonom, dan peningkatan berulang. Artikel ini menjelaskan batasan dan struktur kombinasi dari kelima metode, urutan penerapan, metrik validasi, dan cara mencegah kegagalan dari sudut pandang praktis.

## Key Points

- Engineering prompt adalah pekerjaan memperjelas tujuan, batasan, contoh, kontrak output, dan kriteria keberhasilan.
- Engineering konteks mengelola relevansi, keterkinian, sumber, dan efisiensi token dari informasi yang akan digunakan AI untuk penilaian saat ini.
- Engineering harness menciptakan lingkungan agar AI dapat bekerja secara stabil melalui alat, izin, sandbox, struktur dokumen, validator, dan log.
- Engineering agentic secara terbatas mendelegasikan tindakan berikutnya dan pemilihan alat kepada AI untuk mencapai tujuan.
- Engineering loop menghubungkan pembuatan, validasi, analisis penyebab, perbaikan, eksekusi ulang, dan kondisi penghentian untuk mengonvergensikan hasil.

Jika semua pekerjaan untuk meningkatkan kualitas AI generatif digabungkan sebagai “menulis prompt dengan baik”, penyebab kegagalan akan sulit didiagnosis secara akurat. Prompt engineering, context engineering, harness engineering, agentic engineering, dan loop engineering bukanlah jargon tren yang saling menggantikan, melainkan pendekatan desain yang saling melengkapi dan menangani bidang kendali yang berbeda: **ekspresi permintaan, pemilihan informasi, lingkungan eksekusi, pengambilan keputusan otonom, dan perbaikan berulang**.

## Definisi inti dari lima konsep

| Kategori | Pertanyaan inti | Objek desain utama | Hasil utama | Kriteria keberhasilan utama |
|---|---|---|---|---|
| Prompt engineering | Bagaimana menginstruksikan AI untuk melakukan pekerjaan? | Instruksi, batasan, contoh, format keluaran | Template prompt, contoh input·output | Tingkat kepatuhan instruksi, akurasi format, kualitas hasil pertama |
| Context engineering | Apa yang harus ditunjukkan kepada AI saat ini? | Instruksi sistem, dokumen pencarian, status percakapan, memori, hasil alat | Aturan perakitan konteks, kebijakan pencarian·peringkasan | Relevansi, kemutakhiran, berbasis bukti, efisiensi token |
| Harness engineering | Lingkungan kerja seperti apa yang harus dibuat agar AI sulit melakukan kesalahan? | Alat, izin, sandbox, struktur repositori, validator, log | Aturan kerja, antarmuka alat, pengujian·CI, runbook | Reproduktibilitas, keamanan, dapat diverifikasi, dapat dipulihkan |
| Agentic engineering | Siapa yang menentukan tindakan berikutnya, dan dalam cakupan apa? | Tujuan, rencana, pemilihan alat, transisi status, delegasi | Loop agen, orkestrasi, titik persetujuan | Tingkat penyelesaian tugas, pemilihan alat yang tepat, tingkat intervensi manusia |
| Loop engineering | Bagaimana membuatnya konvergen ketika hasil pertama salah? | Generasi, evaluasi, klasifikasi penyebab, perbaikan, eksekusi ulang, kondisi penghentian | Evaluator, uji regresi, kebijakan coba ulang, klasifikasi kegagalan | Tingkat lolos pertama, tingkat pemulihan, jumlah iterasi, tingkat lolos akhir |

Jika lima konsep tersebut dihubungkan dalam satu baris, hasilnya adalah sebagai berikut.

**Mengekspresikan permintaan → menunjukkan informasi yang diperlukan → menyediakan lingkungan kerja yang aman → membiarkan AI memilih tindakan berikutnya → memverifikasi dan memperbaiki hingga hasil memenuhi kriteria.**

### Hal yang perlu diperhatikan saat menafsirkan istilah

Prompt engineering dan agen adalah istilah yang relatif luas digunakan, tetapi cakupan penggunaan harness engineering masih berbeda-beda tergantung konteks. Sebagian tulisan menyebut hampir semua lapisan eksekusi selain model sebagai harness, sementara tulisan lain menjelaskannya secara lebih sempit sebagai struktur aturan·verifikasi·umpan balik yang dibuat pengguna agen coding di luar repositori. ‘Loop engineering’ juga lebih tepat dipahami sebagai nama praktis untuk merancang generasi dan verifikasi sebagai proses umpan balik tertutup, bukan sebagai klasifikasi resmi yang ditetapkan oleh satu standar tunggal. ([OpenAI][1])

## 1. Prompt engineering: merancang kualitas instruksi

Prompt engineering adalah pekerjaan membuat instruksi yang disampaikan kepada model menjadi jelas dan dapat diverifikasi. Biasanya efeknya paling terlihat dalam satu permintaan dan respons, tetapi juga diterapkan pada pesan sistem atau aturan percakapan multiturn.

Prompt yang baik biasanya memisahkan elemen-elemen berikut.

- **Tujuan:** Apa yang harus diselesaikan
- **Input:** Apa objek analisis dan sampai mana batas input
- **Batasan:** Apa yang tidak boleh dilakukan, cakupan yang diizinkan, panjang dan format
- **Kontrak keluaran:** Struktur hasil seperti JSON, tabel, patch kode
- **Kriteria keberhasilan:** Apa yang harus terpenuhi agar dapat dianggap jawaban benar
- **Penanganan ketidakpastian:** Apa yang harus dilakukan ketika informasi kurang atau bertentangan
- **Contoh:** Input·output representatif yang menunjukkan perilaku yang diharapkan

Template praktis dapat dimulai secara sederhana seperti berikut.

```text
Tujuan:
Input:
Batasan:
Format keluaran:
Kriteria keberhasilan:
Metode verifikasi:
Penanganan ketika tidak pasti:
Contoh representatif:
```

Penting untuk terlebih dahulu mendefinisikan kriteria keberhasilan dan metode pengujian empiris sebelum menyempurnakan prompt. Tidak semua kegagalan dapat diselesaikan dengan memperbaiki prompt; biaya, latensi, kesalahan alat, dan pemilihan materi yang salah bisa saja merupakan masalah pada lapisan lain. ([Claude Platform Docs][2])

### Masalah yang dapat diselesaikan dengan baik oleh prompt engineering

- Masalah format hasil yang sering rusak
- Masalah prioritas instruksi yang ambigu
- Masalah dengan input dan output yang relatif jelas seperti klasifikasi, ekstraksi, transformasi, dan peringkasan
- Masalah yang performanya menjadi stabil ketika diberi contoh representatif

### Masalah yang sulit diselesaikan hanya dengan prompt

- Ketika fakta atau file yang diperlukan tidak ada dalam input
- Ketika dokumen yang usang atau saling bertentangan tercampur
- Ketika perlu menanyakan·mengubah sistem eksternal dengan aman
- Ketika diperlukan status eksekusi beberapa tahap dan pemulihan kegagalan
- Ketika tidak ada cara untuk memeriksa secara objektif apakah hasilnya benar

## 2. Context engineering: merancang informasi yang dilihat AI

Context engineering adalah pekerjaan memilih·mengurutkan·mengompresi·memperbarui seluruh informasi yang dapat digunakan model pada saat menghasilkan jawaban. Konteks dapat mencakup bukan hanya prompt, tetapi juga instruksi sistem, permintaan pengguna, riwayat percakapan, dokumen pencarian, memori, deskripsi alat, hasil eksekusi alat, waktu saat ini, status izin, dan status progres pekerjaan.

Karena jendela konteks terbatas, tujuannya bukan “memasukkan sebanyak mungkin”, melainkan **memasukkan informasi yang diperlukan pada saat yang tepat**. Anthropic menjelaskan konteks sebagai sumber daya agen yang penting tetapi terbatas, dan untuk interaksi panjang merekomendasikan strategi seperti kumpulan alat minimum, contoh representatif, pencarian runtime, kompresi, dan memori. ([Anthropic][3])

### Prinsip desain inti

1. **Utamakan relevansi:** Masukkan hanya informasi yang diperlukan untuk tahap saat ini.
2. **Sumber dan kemutakhiran:** Kelola juga waktu penulisan, versi, pemilik, dan tingkat kepercayaan dokumen.
3. **Pencarian seketika:** Alih-alih menyuntikkan semua materi sebelumnya, ambil dari file·DB·sistem pencarian saat diperlukan.
4. **Pelapisan informasi:** Bedakan aturan tetap, tugas saat ini, materi referensi, dan hasil alat.
5. **Penanganan konflik:** Jika beberapa materi berbeda, jelaskan prioritas dan sumber acuan utama.
6. **Kompresi dan pelestarian status:** Ringkas percakapan lama, tetapi jangan kehilangan keputusan, masalah yang belum selesai, dan tautan bukti.
7. **Pemisahan instruksi dan data:** Tetapkan batas agar kalimat dalam halaman web atau dokumen tidak diperlakukan seperti perintah sistem.

### Contoh

Ketika AI dukungan pelanggan menjawab kebijakan pengembalian dana, sekadar memperkuat prompt “jawablah dengan akurat” memiliki keterbatasan. Context engineering yang tepat menanyakan negara pelanggan, tanggal pembelian, jenis produk, versi kebijakan saat ini, klausul pengecualian, dan status pesanan pada saat diperlukan, lalu menyediakannya bersama-sama, serta membuat klausul kebijakan yang digunakan dalam jawaban dapat dilacak.

## 3. Harness engineering: merancang lingkungan kerja AI

Harness adalah kerangka eksekusi yang menghubungkan kecerdasan model dengan pekerjaan nyata. Harness engineering adalah pekerjaan merancang lingkungan kerja agar kesalahan yang sering dilakukan AI dapat dicegah atau ditemukan lebih awal melalui dokumen, alat, izin, struktur, verifikasi otomatis, dan umpan balik.

### Komponen utama harness

| Komponen | Peran | Contoh |
|---|---|---|
| Instruksi kerja | Menjelaskan prosedur dan larangan dalam pekerjaan berulang | `AGENTS.md`, runbook, checklist |
| Struktur pengetahuan | Membuat AI mudah menemukan materi yang diperlukan | Peta repositori, ADR, glosarium, kumpulan contoh |
| Antarmuka alat | Membatasi input·output tindakan secara jelas | Pencarian file, kueri DB, eksekusi kode, API deployment |
| Lingkungan eksekusi | Mengisolasi kegagalan dan meningkatkan reproduktibilitas | Sandbox, container, dependensi tetap |
| Validator | Memeriksa otomatis apakah hasil memenuhi kriteria | Pemeriksaan skema, uji unit, linter, pemeriksaan kebijakan |
| Izin·persetujuan | Membatasi tindakan berisiko | Izin minimum, pemisahan baca/tulis, persetujuan manusia |
| Observabilitas | Mencatat apa yang dilihat dan tindakan apa yang dilakukan | Trace, log, catatan panggilan alat, biaya |
| Struktur pemulihan | Mengembalikan dan melanjutkan dengan aman setelah kegagalan | Checkpoint, rollback, anggaran coba ulang |

Contoh harness engineering dari OpenAI menjelaskan peran engineer bukan sekadar menulis kode, melainkan merancang lingkungan, intensi, pengetahuan repositori, pengujian·verifikasi·review·loop pemulihan. Intinya bukan meminta ulang kepada AI “berusahalah lebih keras”, melainkan menambahkan kemampuan dan sinyal yang sebelumnya kurang secara eksplisit ke dalam lingkungan. ([OpenAI][1])

### Contoh struktur materi

```text
/ai
  /instructions   # Aturan umum dan instruksi per peran
  /skills         # Prosedur pekerjaan berulang
  /examples       # Hasil baik dan hasil buruk
  /evals          # Data evaluasi dan aturan penilaian
  /policies       # Kebijakan izin, keamanan, persetujuan
  /runbooks       # Penanganan insiden·pengecualian
```

Struktur ini sendiri bukan jawaban yang benar. Yang penting adalah apakah materi dijaga tetap mutakhir, duplikasi·konflik rendah, AI dapat menemukannya pada saat diperlukan, dan aturan berujung pada pemeriksaan otomatis.

## 4. Agentic engineering: memberikan tujuan dan alat, lalu mendelegasikan tindakan berikutnya

Agentic engineering adalah desain yang memberikan tujuan, alat, status pekerjaan, dan kondisi batas kepada AI, lalu membuatnya memilih sendiri langkah berikutnya dalam cakupan tertentu untuk mencapai tujuan.

Anthropic membedakan **workflow** sebagai sistem yang mengoordinasikan LLM dan alat melalui jalur kode yang sudah ditentukan sebelumnya, dan **agen** sebagai sistem tempat model menentukan prosesnya sendiri dan penggunaan alat secara dinamis. OpenAI juga menjelaskan agen sebagai sistem tempat LLM mengelola eksekusi workflow dan memilih alat secara dinamis untuk berinteraksi dengan sistem eksternal. ([Anthropic][4])

### Loop agen dasar

1. Mengamati tujuan dan status saat ini.
2. Merencanakan subtujuan atau tindakan berikutnya.
3. Memilih dan menjalankan alat.
4. Memeriksa hasil dan perubahan lingkungan.
5. Memutuskan salah satu dari selesai, perbaikan, coba ulang, atau eskalasi ke manusia.

### Kasus yang cocok untuk agen

- Ketika urutan kerja berbeda untuk setiap input
- Ketika harus menafsirkan informasi tidak terstruktur seperti bahasa alami, dokumen, atau kode
- Ketika harus menggunakan beberapa alat secara selektif
- Ketika harus mengubah rencana berdasarkan hasil antara
- Ketika penyebab kegagalan beragam dan pemulihan pada tingkat tertentu dimungkinkan

### Kasus ketika agen berlebihan

- Otomasi sederhana dengan aturan dan urutan yang tetap
- Pekerjaan yang dapat diselesaikan dengan pasti melalui satu panggilan API atau SQL
- Pekerjaan tanpa sarana verifikasi dan dengan biaya kesalahan yang sangat besar
- Struktur yang menjalankan tindakan sulit dibalik seperti pembayaran, penghapusan, atau deployment tanpa persetujuan
- Struktur multi-agen yang hanya menambah peran padahal satu agen sudah cukup

Otonomi bukanlah dikotomi. Ia dapat dibagi menjadi tipe asistif yang hanya memberi rekomendasi, tipe eksekusi yang hanya mengizinkan baca·tulis terbatas, tipe terawasi yang meminta persetujuan di setiap tahap utama, dan tipe otonomi tinggi yang berjalan lama dalam cakupan risiko rendah. Perlu diperluas secara bertahap sesuai risiko pekerjaan dan kemampuan verifikasi.

## 5. Loop engineering: merancang proses perbaikan yang dapat diverifikasi

Loop engineering bukan sekadar mencoba ulang. Ini adalah membuat **generasi → verifikasi → analisis penyebab kegagalan → pemilihan strategi perbaikan → eksekusi ulang → penilaian penghentian** menjadi sistem umpan balik tertutup yang eksplisit.

### Komposisi loop yang tepat

1. **Generasi kandidat:** Membuat draf, kode, rencana, atau hasil transformasi data.
2. **Verifikasi:** Menjalankan pengujian, skema, data referensi, kebijakan, dan pemeriksaan bukti.
3. **Klasifikasi penyebab:** Membedakan kesalahan instruksi, konteks yang hilang, kegagalan alat, cacat implementasi, dan cacat evaluator.
4. **Perbaikan:** Menerapkan perubahan minimum yang sesuai dengan penyebab kegagalan.
5. **Eksekusi ulang:** Jangan mengulang semuanya dari awal; lakukan kembali dari tahap yang diperlukan.
6. **Penghentian:** Berhenti pada salah satu kondisi: lolos, jumlah iterasi maksimum, batas biaya, batas waktu, atau ambang ketidakpastian.
7. **Perlindungan regresi:** Memeriksa apakah perbaikan baru merusak kasus sukses yang sudah ada.

Evaluasi agen lebih kompleks daripada evaluasi satu giliran yang hanya melihat input dan output. Karena agen memanggil alat berkali-kali dan mengubah status lingkungan, bukan hanya hasil akhir tetapi juga proses dan perubahan lingkungan harus diperiksa bersama. Inti evaluasi otomatis adalah memberikan input lalu menerapkan logika penilaian pada output atau status yang berubah. ([Anthropic][5])

### Prioritas validator

- **Verifikasi deterministik:** Kompilasi, uji unit, skema, batasan matematis, pemeriksaan izin
- **Verifikasi berbasis referensi:** Data acuan, kutipan sumber asli, pencocokan basis data
- **Verifikasi berbasis aturan:** Kata terlarang, field wajib, syarat kebijakan
- **Evaluasi berbasis model:** Item yang sulit dijadikan aturan seperti gaya bahasa, pelestarian makna, kualitas menyeluruh
- **Evaluasi manusia:** Penilaian berisiko tinggi, validitas tujuan itu sendiri, persetujuan pengecualian

Jika memungkinkan, gunakan verifikasi deterministik terlebih dahulu, dan jangan membuat model menilai sendiri hasilnya hanya dengan evaluasi model. Saat menggunakan evaluasi model, sertakan kriteria evaluasi, contoh, pemeriksaan bias, dan review sampel oleh manusia.

## Lima cara ini adalah lapisan, bukan pengganti

Dalam sistem nyata, kelima cara ini bekerja bersama.

- Prompt membuat **kontrak tindakan saat ini**.
- Konteks menyediakan **status dan bukti yang diperlukan untuk penilaian**.
- Harness menyediakan **lingkungan yang dapat ditindaklanjuti dan pengaman**.
- Desain agentic membagi **hak memilih tindakan berikutnya**.
- Desain loop **menemukan kesalahan dan membuat kualitas konvergen**.

Karena itu, pemahaman seperti “context engineering telah menggantikan prompt engineering” atau “jika memakai agen, workflow tidak diperlukan” tidak akurat. Lapisan yang lebih luas hanya mencakup atau memanfaatkan lapisan yang lebih sempit, dan untuk masalah sederhana, desain sederhana bisa lebih stabil.

## Contoh praktik: sistem coding AI yang memperbaiki bug

Anggap AI memperbaiki bug “setelah login, hanya pengguna tertentu yang mengalami error 500”.

### Prompt engineering

- Pastikan kondisi reproduksi error.
- Jangan mengubah API publik.
- Selesaikan dengan perubahan minimum.
- Setelah perbaikan, laporkan hasil pengujian dan risiko yang tersisa.

### Context engineering

- Deskripsi issue dan log error
- ID pelacakan permintaan terkait
- File terkait autentikasi·model pengguna
- Riwayat perubahan terbaru
- Aturan arsitektur dan standar coding
- Pengujian yang gagal dan informasi lingkungan eksekusi

### Harness engineering

- Alat pencarian repositori, pembacaan·pengeditan file, eksekusi pengujian
- Branch terisolasi dan sandbox
- Formatter, linter, uji unit·integrasi
- Area yang dilarang diubah dan kebijakan izin
- Log semua perintah dan perubahan file
- Rollback dan checkpoint saat gagal

### Agentic engineering

AI memilih urutan reproduksi, perumusan hipotesis, penelusuran kode terkait, patch, pengujian, dan ringkasan hasil sesuai situasi. Namun deployment atau perubahan data memerlukan persetujuan manusia.

### Loop engineering

Jika pengujian gagal, jangan mengulang perintah yang sama, melainkan klasifikasikan jenis kegagalan. Jika reproduksi gagal, lengkapi pengumpulan konteks; jika terjadi regresi, kecilkan patch; jika error lingkungan, pulihkan dependensi dan konfigurasi. Berhenti ketika semua pengujian wajib lolos dan dasar perubahan tersisa.

## Cara menemukan engineering yang diperlukan berdasarkan gejala masalah

| Gejala | Area yang harus diperiksa terlebih dahulu |
|---|---|
| Format keluaran atau gaya bahasa sering menyimpang | Prompt |
| Fakta·file yang diperlukan untuk jawaban hilang | Konteks |
| Salah memilih alat atau menjalankan perintah berbahaya | Desain harness dan izin |
| Banyak variasi yang sulit ditangani dengan urutan tetap | Desain agentic |
| Hasil pertama sering salah tetapi penilaian otomatis dimungkinkan | Loop dan evaluator |
| Penyebab kegagalan tidak diketahui dan sulit direproduksi | Observabilitas harness |
| Semakin diulang, hanya biaya yang bertambah dan kualitas tidak membaik | Klasifikasi penyebab, sinyal verifikasi, kondisi penghentian |
| Semakin banyak materi, jawaban justru makin buruk | Penataan konteks dan kebijakan pencarian |

## Urutan pembangunan yang direkomendasikan

### Tahap 1: Buat kriteria keberhasilan dan set evaluasi terlebih dahulu

Kumpulkan pekerjaan representatif, kasus sulit, dan kasus terlarang, lalu definisikan bagaimana hasil akan dinilai. Jika tidak ada data jawaban benar, buat setidaknya skema, bukti wajib, kepatuhan kebijakan, dan kriteria evaluasi manusia.

### Tahap 2: Buat baseline panggilan tunggal

Ukur performa, biaya, dan latensi dengan prompt paling sederhana dan konteks minimum yang diperlukan. Jika agen diperkenalkan tanpa baseline, efek kompleksitas sulit dibedakan.

### Tahap 3: Instrumentasikan pasokan konteks

Catat dokumen dan hasil alat apa yang masuk, seberapa lama usianya, dan apakah benar-benar digunakan dalam jawaban. Bedakan kegagalan pencarian dan konteks yang berlebihan.

### Tahap 4: Buat harness minimum

Kurangi jumlah alat dan buat nama serta inputnya jelas. Prioritaskan sandbox, izin minimum, pengujian otomatis, log, dan checkpoint.

### Tahap 5: Berikan otonomi terbatas

Biarkan satu agen mulai menjalankan pekerjaan berisiko rendah yang berpusat pada membaca. Jelaskan kondisi penghentian dan kondisi eskalasi ke manusia, lalu setujui secara terpisah izin tulis·hapus·pembayaran·deployment.

### Tahap 6: Tutup loop verifikasi·pemulihan

Hubungkan klasifikasi kegagalan, strategi perbaikan, jumlah iterasi maksimum, batas biaya, dan uji regresi. Perluas alat dan cakupan otonomi hanya setelah tingkat keberhasilan stabil.

## Metrik operasi

Tidak ada angka target yang universal, sehingga standar harus ditentukan sesuai risiko dan biaya pekerjaan.

| Metrik | Makna |
|---|---|
| Tingkat penyelesaian tugas | Rasio yang memenuhi kriteria keberhasilan akhir |
| Tingkat lolos pertama | Rasio yang lolos sejak awal tanpa perbaikan berulang |
| Tingkat pemulihan | Rasio yang berhasil melalui loop setelah kegagalan pertama |
| Jumlah iterasi rata-rata | Jumlah siklus yang diperlukan hingga berhasil atau dihentikan |
| Tingkat kesalahan pemilihan alat | Rasio panggilan alat yang tidak tepat atau tidak perlu |
| Kelengkapan bukti | Rasio klaim inti yang memiliki sumber yang dapat dilacak |
| Tingkat intervensi manusia | Rasio yang memerlukan persetujuan, perbaikan, atau instruksi ulang |
| Biaya·latensi per keberhasilan unit | Sumber daya yang digunakan untuk menyelesaikan satu tugas yang berhasil |
| Jumlah insiden keselamatan | Jumlah pelanggaran izin, penulisan salah, atau tindakan ireversibel |
| Tingkat kegagalan regresi | Rasio perubahan baru yang merusak kasus sukses yang sudah ada |

## Kesalahan desain yang sering terjadi

| Area | Kesalahan | Cara memperbaiki |
|---|---|---|
| Prompt | Menumpuk semua pengecualian dalam satu kalimat | Strukturkan aturan dan pisahkan contoh representatif serta evaluasi |
| Prompt | Menginstruksikan “tulislah dengan baik” tanpa kriteria keberhasilan | Jelaskan format, konten wajib, larangan, dan kriteria penilaian |
| Konteks | Memasukkan semua dokumen yang tidak relevan | Gunakan pencarian runtime dan konteks bertahap |
| Konteks | Memberikan kebijakan lama dan kebijakan terbaru secara bersamaan | Kelola versi·tanggal berlaku·sumber acuan utama |
| Harness | Menyediakan banyak alat dengan fungsi yang tumpang tindih | Rancang kumpulan alat minimum dan parameter yang jelas |
| Harness | Tidak ada izin tulis dan fungsi pembatalan | Sediakan izin minimum, sandbox, dan checkpoint |
| Agentic | Membuat multi-agen sejak awal | Verifikasi mulai dari satu agen dan workflow deterministik |
| Agentic | Membiarkan terus berjalan tanpa kondisi selesai | Tetapkan kondisi penghentian·anggaran·eskalasi yang eksplisit |
| Loop | Mengulang permintaan yang sama begitu saja | Klasifikasikan penyebab kegagalan dan ubah titik perbaikan |
| Loop | Mengevaluasi sendiri semua hasil dengan satu model generatif | Gabungkan pemeriksaan deterministik, pencocokan referensi, dan review sampel manusia |

## Checklist implementasi

- [ ] Apakah kondisi keberhasilan bukan hanya berupa kalimat, tetapi dapat diperiksa secara mekanis sejauh mungkin?
- [ ] Apakah prioritas prompt, materi referensi, dan hasil alat dipisahkan?
- [ ] Apakah sumber, versi, tanggal berlaku, dan pemilik dokumen dapat dilacak?
- [ ] Apakah nama alat dan parameternya tidak saling tumpang tindih dan jelas?
- [ ] Apakah izin baca, tulis, hapus, pembayaran, dan deployment dipisahkan berdasarkan tingkat risiko?
- [ ] Apakah ada sandbox untuk mengisolasi kegagalan dan sarana untuk membatalkan perubahan?
- [ ] Apakah semua tindakan penting dan panggilan alat dicatat dalam bentuk yang dapat direproduksi?
- [ ] Apakah ada validator eksternal seperti pengujian, skema, dan pemeriksaan kebijakan?
- [ ] Apakah jumlah iterasi maksimum, biaya, waktu, dan kondisi eskalasi ke manusia didefinisikan?
- [ ] Apakah ada evaluasi regresi yang memastikan perbaikan baru tidak merusak kasus lama?

## Kesimpulan

Sistem AI yang baik bukanlah sistem dengan prompt paling panjang. Sistem yang baik adalah sistem yang membedakan apakah kegagalan terjadi pada **instruksi**, **informasi**, **lingkungan**, **pengambilan keputusan**, atau **verifikasi·pemulihan**, lalu menempatkan solusi paling sederhana pada lapisan terkait. Pendekatan yang stabil adalah terlebih dahulu membuat kriteria keberhasilan dan baseline panggilan tunggal, memperkuat konteks dan harness hanya sebanyak yang diperlukan, lalu memperluas otonomi dan loop berulang dalam cakupan yang dapat diverifikasi.

## FAQ

### Apakah lima metode rekayasa harus diterapkan secara berurutan?
Ini bukan tahap kematangan yang tetap. Namun, setelah membuat kriteria keberhasilan dan baseline panggilan tunggal, lalu merapikan prompt dan konteks, serta menambahkan harness, otonomi, dan loop iteratif saat diperlukan, efek kompleksitas menjadi lebih mudah diukur.

### Apakah rekayasa konteks menggantikan rekayasa prompt?
Tidak menggantikannya. Prompt mendefinisikan tindakan yang harus dilakukan dan kontrak output, sedangkan konteks menyediakan fakta, keadaan, dan dasar yang diperlukan untuk tindakan tersebut. Sistem yang baik merancang keduanya secara bersama-sama.

### Apa perbedaan antara rekayasa konteks dan rekayasa harness?
Rekayasa konteks berfokus pada informasi yang dilihat model pada momen tertentu. Rekayasa harness mencakup alat, izin, lingkungan eksekusi, struktur dokumen, log, dan perangkat pemulihan yang menemukan informasi tersebut, melakukan tindakan, dan memeriksa hasil.

### Apa perbedaan antara agen dan otomatisasi alur kerja biasa?
Alur kerja biasa mengikuti urutan dan percabangan yang telah ditentukan sebelumnya, sedangkan agen menafsirkan keadaan saat ini untuk memilih tindakan dan alat berikutnya secara dinamis. Untuk pekerjaan dengan aturan yang stabil, alur kerja deterministik bisa lebih murah dan lebih dapat diprediksi.

### Apa perbedaan antara rekayasa loop dan percobaan ulang sederhana?
Percobaan ulang sederhana hanya menghasilkan ulang dalam kondisi yang sama. Rekayasa loop memeriksa kegagalan dengan sinyal verifikasi eksternal, mengklasifikasikan penyebabnya, lalu memperbaiki bagian yang diperlukan di antara prompt, konteks, alat, dan implementasi, serta menerapkan kondisi penghentian dan pemeriksaan regresi.

### Kapan sebaiknya menggunakan multi-agen?
Pertimbangkan ketika alat dan izin untuk tiap peran sangat berbeda, dan ketika konteks atau kumpulan alat satu agen menjadi terlalu besar sehingga kinerja dan evaluasi memburuk. Jika membuat beberapa agen hanya untuk pembagian peran sederhana, biaya, latensi, propagasi kesalahan, dan tingkat kesulitan debugging dapat meningkat.

### Bolehkah membiarkan AI mengevaluasi hasilnya sendiri?
Bisa digunakan sebagai sinyal tambahan, tetapi berisiko jika dijadikan satu-satunya validator. Jika memungkinkan, terapkan terlebih dahulu pengujian, skema, data referensi, dan aturan kebijakan, lalu lengkapi evaluasi model dengan rubrik eksplisit dan tinjauan sampel oleh manusia.

### Apa yang harus dimasukkan dalam dokumen harness?
Masukkan prosedur kerja yang berulang, struktur repositori dan sistem, tindakan yang diizinkan dan dilarang, cara menggunakan alat, contoh yang baik dan buruk, perintah pengujian, penanganan gangguan, kebijakan persetujuan, dan kriteria penyelesaian. Dokumen harus singkat, dapat dicari, dan dikelola versinya.

### Apa prinsip keamanan terpenting saat memasukkan dokumen eksternal ke dalam konteks?
Dokumen eksternal harus diperlakukan sebagai data yang tidak tepercaya dan dipisahkan dari instruksi sistem. Minimalkan izin alat agar perintah di dalam dokumen tidak dijalankan, dan tetapkan pemeriksaan kebijakan terpisah serta persetujuan manusia untuk tindakan penting seperti menulis, menghapus, pembayaran, dan deployment.

### Dari mana sebaiknya tim kecil memulai?
Kumpulkan set evaluasi representatif yang kecil dan contoh kegagalan untuk mengukur baseline dari satu panggilan model. Setelah itu, akan efisien untuk mengidentifikasi apakah penyebab kegagalan terbesar ada pada instruksi, informasi, lingkungan alat, perencanaan, atau verifikasi, lalu memperbaikinya satu lapisan demi satu lapisan.

## Sources

- [Ikhtisar rekayasa prompt - Claude Platform Docs](https://platform.claude.com/docs/ko/build-with-claude/prompt-engineering/overview)
- [Rekayasa konteks yang efektif untuk agen AI](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
- [Rekayasa harness: memanfaatkan Codex di dunia yang mengutamakan agen](https://openai.com/index/harness-engineering/)
- [Membangun agen yang efektif](https://www.anthropic.com/engineering/building-effective-agents)
- [Panduan praktis untuk membangun agen](https://openai.com/business/guides-and-resources/a-practical-guide-to-building-ai-agents/)
- [Mengungkap evaluasi untuk agen AI](https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents)
- [Rekayasa harness untuk pengguna agen coding](https://martinfowler.com/articles/harness-engineering.html)

## Images

![Pusat AI terhubung ke modul instruksi, konteks, alat, tindakan otonom, dan siklus validasi](https://injoys.com/rails/active_storage/blobs/redirect/eyJfcmFpbHMiOnsiZGF0YSI6MTg0NywicHVyIjoiYmxvYl9pZCJ9fQ==--9f1b84d1d297642915a0d27477d3800017987668/ChatGPT%20Image%202026%E1%84%82%E1%85%A7%E1%86%AB%207%E1%84%8B%E1%85%AF%E1%86%AF%2016%E1%84%8B%E1%85%B5%E1%86%AF%20%E1%84%8B%E1%85%A9%E1%84%92%E1%85%AE%2004_12_32.webp)
![Alur pembangunan AI dari pengaturan instruksi dan penyaringan konteks hingga eksekusi aman, tindakan otonom, dan validasi](https://injoys.com/rails/active_storage/blobs/redirect/eyJfcmFpbHMiOnsiZGF0YSI6MTg1NCwicHVyIjoiYmxvYl9pZCJ9fQ==--47acd549387f7a60f4c18de6ac673ca1b551dd36/ChatGPT%20Image%202026%E1%84%82%E1%85%A7%E1%86%AB%207%E1%84%8B%E1%85%AF%E1%86%AF%2016%E1%84%8B%E1%85%B5%E1%86%AF%20%E1%84%8B%E1%85%A9%E1%84%92%E1%85%AE%2004_36_26.webp)