Context Engineering adalah praktik merancang dan mengelola secara cermat seluruh informasi yang dimasukkan ke dalam context window sebuah model AI—mencakup system prompt, riwayat percakapan, dokumen hasil pencarian, hasil pemanggilan alat, hingga memori jangka panjang—agar model dapat bekerja seakurat dan seefisien mungkin dalam menyelesaikan suatu tugas.
Istilah ini berkembang sebagai perluasan dari konsep prompt engineering yang lebih sempit. Jika prompt engineering berfokus pada bagaimana menyusun satu instruksi tunggal agar menghasilkan output terbaik, context engineering mencakup lingkup yang jauh lebih luas: bagaimana menyusun keseluruhan "lingkungan informasi" yang dilihat model pada setiap titik interaksi, terutama pada sistem agentic yang kompleks dan berjalan dalam banyak putaran (agent loop).
Praktik context engineering yang baik meliputi memilih informasi mana yang benar-benar relevan untuk disertakan (dan mana yang sebaiknya dihilangkan agar tidak membebani context window secara tidak perlu), menyusun urutan dan format informasi agar mudah "dicerna" model, meringkas atau memampatkan riwayat panjang tanpa kehilangan detail penting, serta menentukan kapan perlu mengambil informasi tambahan lewat pencarian (retrieval) dibanding mengandalkan pengetahuan bawaan model.
Kebutuhan akan context engineering yang cermat semakin krusial seiring meningkatnya kompleksitas AI agent yang menangani tugas berjenjang panjang (long-horizon task). Context window yang terlalu penuh dengan informasi tidak relevan dapat menurunkan kualitas penalaran model dan meningkatkan biaya token secara signifikan, sementara context yang kurang lengkap berisiko membuat model mengambil keputusan yang salah karena kehilangan informasi penting yang seharusnya tersedia.