Context Engineering: Kenapa AI Perlukan Maklumat Latar Sebelum Boleh Beri Jawapan Berkualiti

Ramai orang belajar AI dengan bermula daripada prompt. Itu langkah yang betul. Tetapi selepas beberapa lama menggunakan ChatGPT atau tool AI lain, satu perkara akan mula jelas: prompt yang cantik sahaja tidak semestinya menghasilkan jawapan yang benar-benar berguna.

Kadang-kadang kita sudah tulis arahan yang panjang, tetapi jawapan AI masih terlalu umum. Kadang-kadang output nampak kemas, tetapi tidak sesuai dengan situasi sebenar. Kadang-kadang AI memberi cadangan yang bagus di atas kertas, tetapi sukar digunakan dalam kerja harian, assignment, bisnes kecil, kelas atau blog.

Di sinilah konsep context engineering menjadi penting.

Context engineering ialah kemahiran memberi, menyusun dan mengurus maklumat latar yang diperlukan oleh AI supaya ia boleh menghasilkan jawapan yang lebih tepat, relevan dan boleh digunakan. Ia bukan sekadar “tulis prompt lebih panjang”. Ia lebih kepada membina persekitaran maklumat yang cukup jelas sebelum AI menjawab.

Dalam bahasa mudah, prompt ialah arahan. Context ialah maklumat yang membantu AI memahami keadaan sebenar.

Kalau prompt ialah soalan, context ialah latar belakang yang menjadikan soalan itu bermakna.

Apa Itu Context Engineering?

Context engineering ialah proses merancang maklumat yang perlu diketahui oleh AI sebelum ia menjalankan sesuatu tugasan. Maklumat ini boleh merangkumi tujuan tugasan, siapa audiens, format output, batasan, contoh gaya, data rujukan, standard kualiti, perkara yang perlu dielakkan dan cara menilai hasil akhir.

Dalam perkembangan AI moden, istilah ini semakin penting kerana penggunaan AI tidak lagi terhad kepada satu soalan ringkas. Banyak kerja sebenar memerlukan AI memahami keadaan kerja, dokumen, objektif, gaya penulisan, peranan manusia dan hasil akhir yang diharapkan.

OpenAI dalam panduan prompt engineering menekankan kepentingan memberi arahan yang jelas, konteks yang mencukupi dan kriteria kejayaan yang boleh membantu model menghasilkan output yang menepati keperluan pengguna. Anthropic juga menerangkan context engineering sebagai perkembangan semula jadi daripada prompt engineering, khususnya apabila AI digunakan dalam tugasan yang lebih kompleks dan berbilang langkah.

Rujukan lanjut boleh dibaca melalui OpenAI Prompt Engineering Guide dan Anthropic: Effective Context Engineering for AI Agents.

Namun untuk pengguna biasa, kita tidak perlu menjadikan istilah ini terlalu teknikal. Prinsipnya mudah:

AI tidak boleh membaca fikiran kita. Ia hanya boleh bekerja berdasarkan maklumat yang kita berikan.

Jika maklumat yang diberi terlalu sedikit, AI akan mengisi ruang kosong dengan andaian. Kadang-kadang andaian itu betul. Kadang-kadang salah. Kadang-kadang nampak betul tetapi tidak sesuai dengan realiti kerja kita.

Context Engineering vs Prompt Engineering

Prompt engineering dan context engineering berkait rapat, tetapi bukan perkara yang sama.

Prompt engineering biasanya fokus kepada cara menulis arahan yang jelas kepada AI. Contohnya, kita belajar cara menyatakan peranan AI, tugasan, format jawapan dan gaya bahasa.

Context engineering pula lebih luas. Ia bertanya soalan seperti:

• Apakah maklumat latar yang AI perlu tahu?
• Apakah dokumen, contoh atau data yang patut diberi?
• Apakah batasan yang mesti dipatuhi?
• Apakah standard kualiti yang menentukan output ini boleh digunakan?
• Apakah langkah semakan selepas AI menjawab?

Dengan kata lain, prompt engineering membantu kita memberi arahan. Context engineering membantu kita membina keadaan yang betul supaya arahan itu difahami dengan lebih tepat.

Contoh mudah:

Prompt biasa:

Tulis caption promosi untuk produk tudung.

Prompt dengan context engineering:

Saya menjual tudung bawal premium untuk wanita bekerja di Malaysia berumur 25 hingga 40 tahun. Gaya brand saya sopan, kemas dan tidak terlalu mendesak. Produk ini sesuai untuk pejabat, majlis formal dan kegunaan harian. Tulis 5 caption Instagram dalam Bahasa Melayu Malaysia. Elakkan ayat terlalu hype seperti “wajib beli sekarang”. Fokus kepada keselesaan, mudah digayakan dan nampak profesional.

Prompt kedua bukan sekadar lebih panjang. Ia lebih bercontext. AI diberi maklumat tentang produk, audiens, gaya brand, kegunaan produk, bahasa, format dan perkara yang perlu dielakkan.

Kenapa AI Perlukan Maklumat Latar?

AI boleh menghasilkan jawapan dengan cepat, tetapi jawapan cepat tidak semestinya jawapan yang betul untuk situasi kita. Tanpa context, AI biasanya akan memberi jawapan umum kerana itu pilihan paling selamat.

Masalahnya, kerja sebenar jarang bersifat umum.

Seorang guru tidak hanya perlukan “aktiviti PdP yang menarik”. Guru perlukan aktiviti yang sesuai dengan tahap murid, masa kelas, objektif pembelajaran, bahan yang ada dan realiti bilik darjah.

Seorang pekerja pejabat tidak hanya perlukan “laporan profesional”. Dia perlukan laporan yang sesuai dengan format organisasi, nada rasmi, data semasa, tujuan mesyuarat dan pembaca tertentu.

Seorang pelajar IPT tidak hanya perlukan “isi assignment”. Pelajar perlu memahami kehendak soalan, rubrik, modul, gaya akademik dan batas etika penggunaan AI.

Seorang blogger tidak hanya perlukan “artikel SEO”. Blogger perlu tahu search intent, internal link, kategori, pengalaman pembaca, struktur artikel dan cara mengelakkan kandungan yang terlalu generic.

Context membantu AI menjawab berdasarkan keadaan sebenar, bukan berdasarkan andaian umum.

Jenis Context yang Patut Diberi kepada AI

Untuk menggunakan context engineering dengan lebih praktikal, kita boleh pecahkan context kepada beberapa jenis. Tidak semua tugasan memerlukan semua jenis context, tetapi senarai ini membantu kita berfikir dengan lebih tersusun.

1. Task Context: Apa Tugasan Sebenar?

Task context menerangkan kerja yang mahu dibuat. Jangan hanya beri arahan umum seperti “buatkan artikel” atau “tulis laporan”. Terangkan tugasan dengan lebih jelas.

Contohnya:

• Adakah anda mahu AI menulis draf pertama?
• Adakah anda mahu AI menyemak struktur?
• Adakah anda mahu AI meringkaskan dokumen?
• Adakah anda mahu AI memberi idea sahaja?
• Adakah anda mahu AI bertindak sebagai editor?

Semakin jelas tugasan, semakin mudah AI memilih bentuk jawapan yang sesuai.

2. Audience Context: Untuk Siapa Output Ini?

Audiens sangat mempengaruhi gaya, kedalaman dan contoh yang digunakan oleh AI.

Artikel untuk guru sekolah rendah tidak sama dengan artikel untuk pelajar universiti. Emel kepada pelanggan tidak sama dengan memo kepada pengurus. Caption untuk peniaga kecil tidak sama dengan penerangan produk untuk marketplace.

Contoh audience context:

“Tulis untuk pembaca Malaysia yang baru belajar AI dan tidak mempunyai latar belakang teknikal.”

Ayat ini membantu AI mengelakkan istilah terlalu teknikal dan memberi penerangan yang lebih mudah difahami.

3. Purpose Context: Kenapa Output Ini Dibuat?

Satu tugasan boleh mempunyai tujuan yang berbeza. Contohnya, artikel boleh ditulis untuk mendidik, menjual, membina kepercayaan, menjawab soalan pembaca atau menyokong artikel lain.

Jika tujuan tidak jelas, AI mungkin memilih pendekatan yang salah.

Contohnya:

“Tujuan artikel ini ialah mendidik pembaca, bukan menjual tool AI.”

Context seperti ini membantu AI mengekalkan nada yang lebih neutral, praktikal dan tidak salesy.

4. Format Context: Bentuk Output yang Diperlukan

AI boleh menjawab dalam banyak bentuk. Jika kita tidak nyatakan format, AI akan memilih format sendiri.

Untuk kerja sebenar, format sangat penting. Contohnya:

• Artikel blog dengan H2 dan H3
• Jadual perbandingan
• Checklist semakan
• Draf emel rasmi
• Ringkasan eksekutif
• Nota belajar
• Workflow langkah demi langkah

Format context membantu output terus hampir kepada bentuk siap guna.

5. Constraint Context: Apa Batasan yang Mesti Dipatuhi?

Constraint ialah had atau syarat yang perlu dipatuhi. Ini antara bahagian paling penting dalam context engineering.

Contohnya:

• Jangan guna nada terlalu promosi
• Jangan reka data
• Jangan beri nasihat perubatan muktamad
• Gunakan Bahasa Melayu Malaysia
• Elakkan istilah terlalu teknikal
• Pastikan sesuai untuk pembaca baru
• Jangan ubah maksud asal

Tanpa constraint, AI mungkin menghasilkan output yang nampak baik tetapi tidak sesuai digunakan.

6. Example Context: Contoh Output yang Kita Suka

Contoh ialah jalan pintas yang sangat kuat. Jika kita mahu gaya tertentu, beri contoh.

Contohnya:

“Gaya penulisan yang saya mahu: jelas, natural, tidak terlalu akademik, tidak terlalu santai, dan sesuai untuk pembaca Malaysia.”

Atau:

“Ini contoh struktur yang saya suka: pengenalan ringkas, penjelasan konsep, contoh praktikal, kesilapan biasa, checklist semakan dan penutup.”

AI lebih mudah meniru struktur dan standard apabila contoh diberi dengan jelas.

7. Evaluation Context: Bagaimana Output Ini Akan Dinilai?

Ini bahagian yang sering dilupakan.

Ramai pengguna hanya suruh AI menghasilkan output, tetapi tidak beritahu bagaimana output itu akan disemak. Akibatnya, AI mungkin menulis sesuatu yang nampak lengkap tetapi tidak memenuhi standard sebenar.

Evaluation context boleh berbentuk seperti:

• Output mesti tepat dan tidak membuat dakwaan tanpa asas
• Output mesti praktikal untuk pengguna baru
• Setiap cadangan mesti boleh dibuat tanpa tool berbayar
• Jawapan mesti membezakan fakta, cadangan dan andaian
• Output mesti mengelakkan ayat generic

Di WorkProductiveAI, ini selari dengan prinsip AI evaluation. AI bukan hanya perlu digunakan. Output AI juga perlu dinilai sebelum dipakai.

Contoh Context Engineering untuk Kerja Sebenar

Untuk nampak lebih jelas, mari lihat beberapa contoh dalam konteks Malaysia.

Contoh untuk Guru

Prompt lemah:

Buat aktiviti kelas tentang kata adjektif.

Prompt dengan context engineering:

Saya seorang guru Bahasa Melayu sekolah rendah. Saya mahu mengajar topik kata adjektif kepada murid Tahun 4. Masa kelas 40 minit. Murid mempunyai tahap sederhana dan mudah hilang fokus jika aktiviti terlalu lama. Tolong cadangkan aktiviti PdP yang ringkas, interaktif dan tidak memerlukan bahan mahal. Sertakan objektif pembelajaran, langkah aktiviti, contoh soalan dan cara guru menilai kefahaman murid.

Prompt kedua lebih baik kerana AI tahu tahap murid, masa, subjek, topik, kekangan bahan dan bentuk output yang diperlukan.

Jika anda mahu belajar penggunaan AI untuk konteks pendidikan, boleh baca juga artikel AI untuk Guru: Cara Bermula Tanpa Rasa Terlalu Teknikal dan Workflow AI untuk Guru.

Contoh untuk Kerja Pejabat

Prompt lemah:

Tulis minit mesyuarat.

Prompt dengan context engineering:

Saya mahu menyediakan minit mesyuarat dalaman jabatan. Mesyuarat ini membincangkan status projek, isu kelewatan, tindakan susulan dan tarikh akhir. Gunakan gaya formal tetapi mudah difahami. Susun output kepada tajuk mesyuarat, tarikh, kehadiran, agenda, perbincangan, keputusan dan tindakan susulan. Jangan tambah maklumat yang tidak diberi. Jika ada maklumat tidak cukup, nyatakan sebagai “perlu dilengkapkan”.

Context seperti ini mengurangkan risiko AI mereka maklumat. Ia juga membantu output lebih sesuai dengan kegunaan sebenar di tempat kerja.

Untuk kegunaan pejabat, artikel AI untuk Kerja Pejabat dan Prompt ChatGPT untuk Surat Rasmi, Emel Profesional dan Ringkasan Dokumen boleh dijadikan rujukan tambahan.

Contoh untuk Pelajar IPT

Prompt lemah:

Tolong buat assignment saya.

Prompt dengan context engineering yang lebih beretika:

Saya sedang menyiapkan assignment universiti. Saya tidak mahu AI menulis jawapan penuh untuk dihantar. Saya mahu AI membantu saya memahami kehendak soalan dan menyusun rangka awal. Soalan assignment ialah: [masukkan soalan]. Rubrik pensyarah menekankan analisis, contoh dan refleksi. Tolong pecahkan soalan kepada beberapa bahagian, cadangkan struktur jawapan dan senaraikan perkara yang saya perlu kaji sendiri sebelum menulis.

Di sini, context bukan sahaja membantu kualiti output, tetapi juga menjaga etika penggunaan AI. Pelajar masih perlu berfikir, membaca dan menulis dengan kefahaman sendiri.

Ini selari dengan artikel AI untuk Student IPT: Cara Guna ChatGPT untuk Belajar Tanpa Menipu dan Cara Semak Jawapan AI Supaya Assignment Tidak Jadi Generic atau Salah.

Contoh untuk Blogger

Prompt lemah:

Tulis artikel SEO tentang AI.

Prompt dengan context engineering:

Saya menulis untuk blog Bahasa Melayu Malaysia tentang penggunaan AI secara praktikal dalam kerja sebenar. Audiens saya ialah guru, pekerja pejabat, pelajar IPT, blogger dan usahawan kecil. Tajuk artikel ialah “Context Engineering: Kenapa AI Perlukan Maklumat Latar Sebelum Boleh Beri Jawapan Berkualiti”. Focus keyword ialah “context engineering”. Nada penulisan mesti natural, profesional, tidak hype dan tidak salesy. Sertakan penjelasan konsep, contoh prompt, kesilapan biasa, cara menilai output AI dan internal link yang relevan.

Prompt ini memberi AI cukup konteks tentang niche, pembaca, keyword, gaya, struktur dan prinsip editorial.

Kesilapan Biasa dalam Context Engineering

Walaupun context engineering sangat membantu, ada beberapa kesilapan yang patut dielakkan.

1. Beri Context Terlalu Sedikit

Ini kesilapan paling biasa. Pengguna memberi arahan pendek dan berharap AI faham semua perkara tersirat.

Contohnya:

“Tulis emel profesional.”

Emel profesional untuk siapa? Tujuannya apa? Nada formal atau mesra? Ada isu sensitif? Perlu ringkas atau lengkap?

Tanpa context, AI akan meneka.

2. Beri Context Terlalu Banyak Tetapi Tidak Tersusun

Context yang banyak tidak semestinya bagus jika bercampur-aduk. Kadang-kadang pengguna menyalin semua maklumat tanpa susunan. AI mungkin keliru antara arahan utama, nota sampingan, contoh lama dan maklumat yang tidak relevan.

Context yang baik perlu disusun. Gunakan bahagian seperti:

• Tujuan
• Audiens
• Bahan rujukan
• Format output
• Batasan
• Standard semakan

Susunan ini memudahkan AI memahami keutamaan.

3. Tidak Bezakan Fakta dengan Andaian

Jika kita memberi maklumat yang belum pasti, nyatakan bahawa ia ialah andaian.

Contohnya:

“Anggaran audiens saya ialah pekerja pejabat berumur 25 hingga 45 tahun. Ini belum disahkan dengan data analytics.”

Ini membantu AI tidak melayan andaian sebagai fakta muktamad.

4. Tidak Beri Kriteria Output Berkualiti

Jika kita tidak beritahu standard kualiti, AI mungkin menghasilkan jawapan yang nampak panjang tetapi tidak semestinya berguna.

Contohnya, untuk artikel blog, kriteria mungkin termasuk:

• Menjawab search intent dengan jelas
• Tidak mengulang isi yang sama
• Ada contoh praktikal
• Ada internal link yang relevan
• Tidak membuat dakwaan melampau
• Mudah dibaca di telefon

Ini menjadikan output lebih dekat dengan standard penerbitan sebenar.

5. Terus Guna Output Tanpa Evaluation

Context yang baik boleh meningkatkan kualiti output, tetapi ia tidak menjadikan AI sempurna.

AI masih boleh tersilap, tertinggal maklumat penting, memberi cadangan yang tidak sesuai atau menghasilkan ayat yang terlalu yakin. Sebab itu, selepas context engineering, kita masih perlu buat semakan.

Gunakan prinsip dalam artikel Cara Menilai Output AI Supaya Tidak Salah, Kosong atau Terlalu Generic dan Checklist Semak Jawapan ChatGPT.

Template Context Engineering yang Boleh Digunakan

Berikut template mudah yang boleh digunakan untuk kerja harian.

Template ini boleh diubah mengikut keperluan. Untuk tugasan ringkas, tidak perlu guna semua bahagian. Untuk tugasan penting seperti laporan kerja, assignment, artikel SEO atau bahan mengajar, lebih baik beri context yang lengkap.

Contoh Prompt Lengkap Menggunakan Context Engineering

Berikut contoh prompt yang lebih matang:

Prompt ini mempunyai arahan, context, audiens, tujuan, gaya, format, batasan dan evaluation. Inilah asas context engineering yang praktikal.

Context Engineering dan Workflow AI

Context engineering menjadi lebih kuat apabila digabungkan dengan workflow AI.

Dalam workflow, kita tidak bergantung kepada satu prompt sahaja. Kita pecahkan kerja kepada beberapa langkah. Contohnya:

1. Kumpul context
2. Susun maklumat utama
3. Hasilkan draf awal
4. Semak kelemahan output
5. Baiki struktur
6. Semak fakta dan kesesuaian
7. Sediakan versi akhir

Ini lebih selamat dan lebih profesional berbanding meminta AI terus menghasilkan output akhir dalam satu arahan.

Sebab itu artikel Prompt vs Workflow: Kenapa Prompt Sahaja Tidak Cukup untuk Jadi Produktif sangat berkait dengan topik ini. Context engineering membantu AI memahami keadaan. Workflow membantu kita mengawal proses kerja.

Jika tugasan besar, anda juga boleh gabungkan dengan prompt chaining, iaitu memecahkan tugasan kepada beberapa arahan kecil yang lebih kemas.

Cara Menilai Sama Ada Context Anda Cukup

Sebelum tekan enter, semak lima soalan ini:

• Adakah AI tahu tujuan sebenar tugasan ini?
• Adakah AI tahu siapa audiens output ini?
• Adakah AI tahu format yang saya mahu?
• Adakah AI tahu perkara yang perlu dielakkan?
• Adakah AI tahu bagaimana output ini akan dinilai?

Jika jawapan kepada kebanyakan soalan ini “tidak”, maksudnya context masih lemah.

Selepas AI menjawab, semak pula:

• Adakah jawapan ini terlalu umum?
• Adakah ada andaian yang tidak tepat?
• Adakah output sesuai dengan situasi Malaysia?
• Adakah cadangan boleh dibuat dalam dunia sebenar?
• Adakah manusia masih perlu membuat keputusan akhir?

Soalan-soalan ini menjadikan penggunaan AI lebih matang. Kita tidak hanya mengejar output cepat, tetapi output yang boleh dipercayai.

Human Judgement Masih Bahagian Paling Penting

Context engineering bukan bermaksud kita menyerahkan semua kerja berfikir kepada AI. Sebaliknya, ia membantu kita menggunakan AI dengan lebih bertanggungjawab.

Manusia masih perlu menentukan:

• Maklumat apa yang patut diberi kepada AI
• Maklumat apa yang tidak patut dikongsi
• Output mana yang sesuai digunakan
• Bahagian mana yang perlu disemak
• Keputusan akhir yang paling sesuai dengan situasi sebenar

Dalam konteks kerja, assignment, pendidikan dan bisnes, AI boleh membantu mempercepat proses berfikir. Tetapi AI tidak menggantikan tanggungjawab manusia untuk menilai, memilih dan membuat keputusan.

Ini sebabnya human judgement dalam penggunaan AI perlu menjadi asas. Context yang baik membantu AI menjawab dengan lebih baik, tetapi judgement manusia menentukan sama ada jawapan itu patut digunakan atau tidak.

Kesimpulan

Context engineering ialah kemahiran penting untuk sesiapa yang mahu menggunakan AI secara serius dalam kerja sebenar. Ia membawa kita keluar daripada tahap “cuba-cuba prompt” kepada tahap yang lebih matang: merancang maklumat, menyusun arahan, menetapkan batasan dan menilai output.

Prompt yang baik memang penting. Tetapi prompt sahaja tidak cukup jika AI tidak diberi latar yang betul.

Untuk mendapatkan jawapan AI yang berkualiti, kita perlu membantu AI memahami tujuan, audiens, keadaan, format, batasan dan standard kualiti. Inilah asas context engineering.

Bagi guru, ia membantu menghasilkan bahan mengajar yang lebih sesuai dengan kelas sebenar. Bagi pekerja pejabat, ia membantu menyediakan emel, laporan dan minit mesyuarat yang lebih kemas. Bagi pelajar IPT, ia membantu merancang pembelajaran tanpa menipu. Bagi usahawan kecil dan blogger, ia membantu menghasilkan content yang lebih relevan dan kurang generic.

Akhirnya, AI yang baik bukan hanya bergantung kepada tool yang digunakan. Ia bergantung kepada cara manusia memberi context, menyusun workflow dan menilai output dengan bijak.

Jika anda mahu membina kemahiran AI yang lebih kukuh, jangan berhenti pada prompt. Belajar juga context engineering, AI evaluation, workflow dan human judgement. Di situlah nilai sebenar penggunaan AI untuk kerja produktif.