Context Engineering: Cara Mengajarkan AI tentang Codebase Kamu

Masalah dengan AI "Out of the Box"

Coba minta AI coding assistant menulis sebuah fitur di project yang baru. Hasilnya mungkin technically correct, tapi seringkali:

• Menggunakan pattern yang berbeda dari yang sudah ada di codebase
• Mengabaikan konvensi naming yang tim sudah sepakati
• Tidak aware tentang library atau helper yang sudah tersedia
• Membuat architectural decision yang bertentangan dengan keputusan yang sudah dibuat sebelumnya

Ini bukan salah AI. AI tidak tahu apa yang tidak diberitahu.

Context engineering adalah disiplin untuk memberikan AI informasi yang tepat tentang project kamu — sehingga output yang dihasilkan konsisten, relevant, dan actually useful.

Apa yang Harus Ada dalam Context

1. Architectural Overview

Dokumen singkat (500-1000 kata) yang menjelaskan:

• Tech stack dan mengapa dipilih
• Struktur folder dan apa yang ada di mana
• Pattern utama yang digunakan (misalnya: repository pattern untuk data access, atau custom hooks untuk state management)
• External services dan integrasi

2. Coding Conventions

Hal-hal spesifik yang tim sepakati:

• Naming conventions (PascalCase untuk components, camelCase untuk functions, dll)
• File structure dalam feature/module
• Cara handle error dan edge cases
• Pattern untuk async operations

3. Decision Log

Ini yang sering dilupakan: dokumentasikan *mengapa* keputusan dibuat, bukan hanya *apa* keputusannya.

"Kita pakai Zustand bukan Redux karena project ini cukup kecil dan Redux terlalu verbose untuk use case kita" — informasi seperti ini mencegah AI (dan developer baru) membuat keputusan yang bertentangan.

4. Current Task Context

Selain konteks permanent tentang project, berikan juga konteks spesifik untuk setiap task:

• File dan function yang relevan
• Behavior yang diharapkan
• Constraint dan edge cases
• Apa yang sudah dicoba dan kenapa tidak berhasil

Rules Files: Konteks yang Persisten

Beberapa AI coding tools mendukung "rules files" — file konfigurasi yang selalu diload ke setiap sesi. Di Idin Studio, kami maintain satu file rules per project yang berisi inti dari semua konteks di atas.

Structure yang kami gunakan:

# Project: [nama project]
## Stack
...
## Architecture
...
## Conventions
...
## Important Decisions
...
## What to Avoid
...

File ini hidup di repository dan di-update setiap kali ada keputusan arsitektur baru atau perubahan konvensi. Developer yang join project baru langsung punya pemahaman yang solid — dan AI yang bekerja di project tersebut selalu dalam konteks yang benar.

Context Hierarchy

Dalam praktik, kami pakai tiga level konteks:

1. Global rules: Konvensi yang berlaku untuk semua project (format commit message, security practices dasar)

2. Project rules: Spesifik untuk project ini (stack, arsitektur, konvensi lokal)

3. Task context: Spesifik untuk task yang sedang dikerjakan saat ini

Semakin spesifik dan relevan konteks yang diberikan, semakin baik output AI.

Investasi yang Sepadan

Membuat dan maintain dokumentasi konteks ini membutuhkan waktu — tapi investasinya sepadan:

• AI menghasilkan kode yang lebih konsisten dan lebih sedikit butuh revision
• Developer baru onboard lebih cepat
• Keputusan teknis tersimpan di tempat yang accessible

Di era agentic coding, context engineering bukan nice-to-have. Ini foundation yang membuat semua hal lain bekerja dengan baik.