╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok ╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok

Konsep

Apa itu
rekayasa konteks?

Ini adalah pergeseran dari prompt engineering ke operasi konteks, disiplin merancang, mengompresi, dan mengatur lingkungan informasi penuh tempat agen AI Anda bekerja. LeanCTX adalah disiplin tersebut, yang diotomatisasi — lapisan context engineering untuk agen AI.

Masalahnya

Prompt saja tidak cukup

Prompt engineering mengoptimalkan input. Context engineering mengoptimalkan lingkungan.

Ketika agen AI terbatas pada interaksi satu putaran, prompt engineering sudah memadai. Anda merancang instruksi yang tepat, model mengembalikan respons yang berguna, dan alur kerja berakhir.

Agen coding AI modern beroperasi secara berbeda. Mereka menjalankan alur kerja multi-langkah di puluhan file, mempertahankan status antar sesi, dan membuat keputusan yang terakumulasi seiring waktu. Prompt bukan lagi hambatan, konteksnya.

Agen coding dengan prompt sempurna tetapi konteks buruk akan berhalusinasi jalur file, kehilangan jejak keputusan sebelumnya, dan mengulangi pekerjaan yang sudah diselesaikan. Mode kegagalan bukan instruksi yang buruk, melainkan gambaran codebase yang tidak lengkap.

Kerangka Kerja

Tiga pergeseran dari prompt menuju context engineering

Context engineering mewakili perubahan mendasar dalam cara kita berpikir tentang input agen AI.

Prompt statis → Pipeline konteks dinamis

Alih-alih prompt sistem yang tetap, context engineering membangun pipeline yang merakit konteks yang tepat untuk setiap tugas, hanya membaca apa yang relevan, pada tingkat kompresi yang tepat, dengan metadata yang benar.

Kurasi manual → Kompresi otomatis

Daripada memilih file mana yang akan disertakan secara manual, context engineering membaca struktur setiap file, menyimpan bagian yang membawa sinyal nyata, dan mengompresi sisanya, secara otomatis.

Single-shot → Memori Persisten antar Sesi

Context engineering menambahkan memori sesi, knowledge graph, dan handoff yang bersih, sehingga agen membangun pemahaman dari waktu ke waktu alih-alih memulai dari nol di setiap percakapan.

Disiplin

Apa itu context engineering mencakup

Context engineering mencakup empat domain yang saling terhubung, masing-masing mengatasi aspek berbeda dari lingkungan informasi agen.

Kompresi

Memasukkan lebih banyak sinyal dalam token yang lebih sedikit

Beberapa mode baca (penuh, map, signatures, entropy, agresif), parsing AST tree-sitter di seluruh 26+ bahasa, dan *semantic chunking* mengurangi konten file sebesar 60–99% sambil mempertahankan informasi yang dibutuhkan agen untuk membuat keputusan.

Memory

Mempertahankan pemahaman antar sesi

Snapshot sesi, knowledge graph, ledger handoff, dan memori prospektif memungkinkan agen mengingat keputusan sebelumnya, menghindari pekerjaan berulang, dan mentransfer konteks di antara anggota tim atau instance agen.

Governance

Mengontrol apa yang dapat diakses agen

Kebijakan akses berbasis peran, anggaran token, penegakan SLO, dan sandboxing path memastikan agen beroperasi dalam batas yang ditentukan, hanya membaca apa yang seharusnya, dan menghabiskan hanya yang dialokasikan.

Verifikasi

Membuktikan kompresi tidak kehilangan informasi

Validasi output, artefak bukti, pemeriksaan pelestarian path dan identifier, serta penilaian kehilangan informasi memberikan keyakinan terukur bahwa konteks yang dikompresi mempertahankan konten semantik yang dibutuhkan agen.

Implementasi

Cara LeanCTX mengimplementasikan rekayasa konteks

LeanCTX adalah runtime context engineering sumber terbuka yang membawa prinsip-prinsip ini ke produksi untuk agen coding AI.

81 alat MCP

Permukaan alat lengkap untuk membaca, mencari, mengompresi, dan mengelola konteks, semuanya diekspos melalui Model Context Protocol.

10 mode baca

Dari pembacaan cache penuh hingga kompresi filter entropi, setiap mode dioptimalkan untuk tugas tertentu: pengeditan, eksplorasi, peninjauan, atau referensi.

95+ pola shell

Kompresi berbasis pola untuk git, cargo, npm, docker, dan output CLI lainnya, mengurangi hasil perintah yang bertele-tele menjadi ringkasan terstruktur dan efisien token.

Nol panggilan jaringan

Berjalan sepenuhnya lokal. Tanpa telemetri, tanpa ketergantungan cloud, tanpa data meninggalkan mesin Anda. Open-source di bawah Apache-2.0.

Jelajahi arsitektur lengkap

FAQ

Context engineering, dijawab.

Apa itu context engineering?

Context engineering adalah disiplin mengelola informasi yang dilihat, diingat, dan ditindaklanjuti oleh agen AI. Ini menggantikan prompt engineering ad-hoc dengan runtime sistematis yang memampatkan, menyimpan cache, memverifikasi, dan mengatur konteks AI.

Mengapa context engineering penting untuk coding AI?

Agen coding AI menghabiskan ribuan token karena membaca ulang file, mengurai output shell yang bising, dan kehilangan konteks antar sesi. Context engineering mengurangi pemborosan ini hingga 99%, membuat agen lebih cepat, lebih murah, dan lebih andal.

Bagaimana context engineering berbeda dari prompt engineering?

Prompt engineering berfokus pada perancangan prompt individual. Context engineering mengelola seluruh siklus hidup informasi — apa yang dibaca agen, bagaimana itu dikompresi, apa yang di-cache, apa yang diingat antar sesi, dan apa yang diverifikasi sebelum diserahkan.

Mulai

Mulai melakukan rekayasa konteks Anda

LeanCTX gratis, open-source, dan terinstal dalam waktu kurang dari satu menit. Lihat apa yang dapat dilakukan context engineering untuk alur kerja AI Anda.

Memulai Arsitektur

Apa iturekayasa konteks?