Anda membuka editor dan memulai sesi. Sebelum Anda mengetik apa pun, bahkan sebelum kursor benar-benar diam di kolom prompt, agen sudah membaca cukup banyak. Ia telah menyerap system prompt-nya, definisi setiap tool yang bisa dipanggilnya, instruksi perilakunya, CLAUDE.md proyek Anda (atau .cursorrules, atau AGENTS.md), aturan berbasis path apa pun yang berlaku, dan apa pun yang ada di file memorinya. Saat Anda mengucapkan kata pertama, agen sudah punya model tentang Anda, proyek Anda, dan bagaimana ia seharusnya bersikap.
Model mental yang naif adalah: Anda mengetik, si agen menjawab. Urutan sebenarnya adalah: si agen membaca konteks Anda, Anda mengetik, si agen menjawab. Langkah pertama yang senyap itu, saat agen membaca Anda sebelum Anda bicara, adalah tempat sebagian besar hasil Anda ditentukan, dan porsinya mengejutkan. Lalu bukti tentang apakah konteks yang Anda suapkan itu benar-benar membantu ternyata lebih tidak nyaman daripada dugaan kebanyakan orang.
Versi Singkat
- Agen coding AI memuat konteks yang sudah ditulis sebelumnya sebelum pesan pertama Anda: system prompt, definisi alat, dan berkas instruksi khusus alat seperti CLAUDE.md, aturan Cursor, instruksi GitHub Copilot, atau AGENTS.md di tempat yang mendukung atau mengimpornya. Bukan Anda yang memulai percakapan; pembacaan si agenlah yang memulainya.
- Pramuat itu memakan bagian besar dari jendela konteks yang bisa dipakai bahkan sebelum Anda mengetik satu karakter pun, jadi anggaran kerja efektif Anda lebih kecil daripada yang disiratkan jendela yang diiklankan model.
- Temuan empirisnya adalah bagian yang berlawanan dengan intuisi: file konteks yang ditulis pengembang membantu sedikit (sekitar +4% keberhasilan tugas) dengan biaya nyata (sekitar +19% biaya inferensi), sementara file konteks yang dihasilkan LLM atau hasil salin-tempel justru bisa membuat hasilnya sedikit lebih buruk.
- Self-hosting model kamu mengubah apa yang bisa kamu lakukan lihat, bukan apa yang harus Anda do. Arsitektur pra-sesi sama di mana-mana; alat lokal hanya memungkinkan Anda untuk memeriksa dan mengauditnya. Disiplin menulis konteks yang benar-benar Anda pahami tidak hilang.
Model Naif Salah: Agen Membaca Terlebih Dahulu
Bayangkan momen persis saat sesi Claude Code dimulai. System prompt masuk. Definisi tool masuk. Lalu, sebelum Anda mengatakan apa pun, CLAUDE.md Anda dikirimkan, dan detail mekanisnya penting di sini. Dokumentasi Anthropic sendiri menyatakan secara eksplisit bahwa Konten CLAUDE.md “dikirimkan sebagai pesan pengguna setelah system prompt,” dimuat “di awal setiap percakapan.” Jadi giliran pengguna pertama dalam transkrip bukan Anda. Itu file Anda, berbicara atas nama Anda, menetapkan ketentuan sebelum Anda tiba.
Yang benar-benar dimuat pada momen pembuka itu adalah satu tumpukan: system prompt, definisi tool, instruksi perilaku, file konteks proyek dan pengguna Anda, aturan berbasis path apa pun yang cocok dengan file yang sedang dipakai, serta file memori yang dikelola sendiri oleh agen. Di Claude Code, file konteks diselesaikan lewat hierarki empat tingkat (kebijakan terkelola, lalu pengguna (~/.claude/CLAUDE.md), lalu proyek (./CLAUDE.md), lalu lokal (./CLAUDE.local.md)), digabung dalam urutan itu. Memori otomatis menambah porsinya sendiri: 200 baris pertama (atau 25KB) dari MEMORY.md yang ditulis dan dibaca agen sendiri, dimuat setiap sesi.
Tidak ada satu pun dari ini yang gratis. Beban infrastruktur (system prompt, definisi alat, instruksi perilaku) memakan bagian besar dari jendela konteks efektif bahkan sebelum pesan pertama Anda mendarat. Itulah pajak yang Anda bayar agar si agen tahu cara menjadi agen, dan pajak itu tak terlihat kecuali Anda sengaja mencarinya.
Sebuah nama sedang terbentuk di sekitar disiplin mengelola semua ini. Tim AI terapan Anthropic menyebutnya rekayasa konteks: “sekumpulan strategi untuk mengkurasi dan mempertahankan himpunan token (informasi) yang optimal selama inferensi LLM.” Istilah ini berguna karena mengubah cara pandang atas file yang Anda tulis: dari catatan untuk si robot menjadi keputusan arsitektural tentang apa yang menempati sumber daya yang langka dan mahal.
Empat Agen, Empat Cara Membaca Anda Terlebih Dahulu
Para agen tidak semuanya membaca Anda dengan cara yang sama. Mereka terbagi sepanjang dua sumbu yang perlu disebutkan: apa dimuat saat sesi dimulai (hierarki file yang dikurasi, versus aturan yang selalu aktif, versus pemindaian seluruh repo), dan seberapa banyak dari itu yang bisa kamu periksa, yaitu apakah mekanismenya berupa artefak deterministik yang bisa diaudit atau indeks semantik yang harus kamu percayai begitu saja. Di dua sumbu itulah Claude Code, Cursor, GitHub Copilot, dan Aider benar-benar berbeda.
| Tool | Apa yang dimuat saat awal sesi | Mekanisme | Kemampuan audit |
|---|---|---|---|
| Claude Code | CLAUDE.md hierarchy + .claude/rules/ + memori otomatis; AGENTS.md hanya jika diimpor atau disimlink | Hierarki berbasis file; aturan yang dibatasi jalur dapat dimuat secara lambat; perilaku pemadatan dan pembacaan ulang bervariasi | Tinggi untuk file dan memori Anda; system prompt tetap bersifat proprietary |
| Cursor | Aturan Proyek, Tim, dan Pengguna; dukungan AGENTS.md; indeks basis kode untuk konteks semantik | File aturan yang dapat dibaca ditambah pengindeksan basis kode semantik | Campuran: aturan dapat dibaca, tetapi pengambilan indeks kurang transparan |
| GitHub Copilot | Seluruh repositori copilot-instructions.md plus yang spesifik jalur .instructions.md jika didukung | File instruksi kustom yang diterapkan di seluruh alur kerja Copilot | Sedang: file dapat dibaca, tetapi cakupannya bergantung pada permukaan produk |
| Aider | repo-map kompak yang diturunkan dari repositori git, ditambah file yang ditambahkan/dibaca secara manual | Peta repo berbasis simbol/grafik yang dioptimalkan untuk anggaran token | Tinggi: repo-map dapat diperiksa, tetapi tetap merupakan peta yang dipilih, bukan seluruh repo secara verbatim |
Pemisahan Cursor adalah yang paling informatif. Aturannya ada dalam file yang dapat dibaca yang Anda kendalikan, tetapi juga membangun sebuah indeks semantik dari seluruh codebase kamu, vector embeddings yang mendukung pencarian @codebase dan yang tidak benar-benar dapat Anda periksa. Aider berada di ujung lain: membaca seluruh repositori git Anda dan membangun repo-map, secara deterministik, tanpa embedding di mana pun. Anda bisa mengaudit persis apa yang dikirim ke model. Inversi arsitektur yang sama, tetapi visibilitasnya sangat berbeda. Untuk perbandingan alat per alat yang lebih dalam, kami membahas lanskap CLI agentik di adu tanding CLI koding agentik yang lebih luas dan bersaing langsung dalam OpenCode vs Claude Code di tempat lain.
Di bawah format khas masing-masing alat, sebuah standar lintas alat sedang mengeras. AGENTS.md muncul di seluruh ekosistem perkakas agen (OpenAI Codex, Amp, Jules dari Google, Cursor, dan Factory) dan kini dikelola oleh Agentic AI Foundation di bawah Linux Foundation, diadopsi di lebih dari 60.000 repositori. Inilah file konteks pra-sesi yang naik kelas dari sekadar kemudahan per-alat menjadi artefak portabel kelas satu: industri sepakat bahwa “apa yang dibaca agen sebelum Anda bicara” layak punya standar sendiri.
Apa yang Dikatakan Bukti tentang Apakah Semua Ini Membantu
Di sinilah cerita yang nyaman mulai retak. Sebuah tim di ETH Zurich (Gloaguen, Mündler, Müller, Raychev, dan Vechev) melakukan evaluasi terkontrol, “Mengevaluasi AGENTS.md,” tentang apakah berkas konteks di tingkat repositori ini benar-benar meningkatkan performa agen pengodean. Di seluruh agen dan model yang mereka teliti, hasilnya bukan “berkas konteks berhasil” atau “berkas konteks gagal”. Abstrak versi terbaru menyatakan bahwa berkas konteks pada umumnya tidak meningkatkan keberhasilan tugas dan menaikkan biaya inferensi lebih dari 20% secara rata-rata. Dalam hasil rinci makalah tersebut, berkas yang ditulis pengembang adalah pengecualian: berkas itu meningkatkan performa sekitar 4% rata-rata, tetapi menaikkan biaya hingga 19%. Berkas yang dihasilkan LLM bergerak ke arah yang salah, menurunkan performa sekitar 3% rata-rata sambil menaikkan biaya lebih dari 20%. Temuan ketiga mempertajamnya: agen memanggil sebuah alat 1,6 sampai 2,5 kali lebih sering ketika alat itu disebut namanya dalam berkas konteks, dan hal itu membantu atau merugikan sepenuhnya tergantung apakah panggilan tambahan tersebut memang beralasan.
Berhentilah sejenak di bagian tentang berkas yang dihasilkan LLM, karena itulah bagian yang menopang semuanya. Berkas yang bukan Anda tulis sendiri, entah dibuat oleh model atau diunduh dari paket komunitas berisi “konfigurasi CLAUDE.md terbaik” lalu dijatuhkan ke repo Anda, terbaca oleh agen seperti instruksi dari orang yang sebenarnya tidak mengenal basis kode Anda. Pada model-model yang diuji dalam studi itu, hasil bersihnya negatif: Anda membayar lebih banyak token untuk hasil yang sedikit lebih buruk. ulasan Augment Code tentang hal ini merangkumnya dengan baik ketika menyebut hasil yang menumpuk itu sebagai “laci rongsokan konteks agen Anda”. Setiap instruksi yang tampak masuk akal dan Anda sekop masuk punya biaya, dan yang bukan Anda tulis, untuk basis kode yang tidak dipahaminya, biasanya memakan biaya lebih besar daripada hasilnya.
Saya membaca ini bukan sebagai “berkas konteks itu buruk” dan bukan pula “berkas konteks itu bagus”. Justru bingkai semua-atau-tidak sama sekali seperti itulah yang runtuh begitu bersentuhan dengan data. Pembacaan yang lebih sempit adalah: konteks adalah infrastruktur yang Anda rancang dengan sengaja, dan berkas yang bukan Anda tulis, untuk basis kode yang tidak ia pahami, adalah biaya, bukan hadiah. Catatan soal cakupan juga penting. Ini adalah temuan makalah tersebut untuk model dan agen yang diujinya, bukan hukum universal untuk setiap LLM. Namun arahnya jelas ke satu sisi, dan diperkuat dari pihak vendor: tim AI terapan Anthropic sendiri mencatat pergeseran ke arah memuat konteks “tepat pada waktunya” lewat alat saat runtime alih-alih memuat semuanya di awal, dan menggambarkan pendekatan hibrida yang mengambil sebagian data di awal lalu menjelajahi sisanya saat runtime. Ketika perusahaan yang merilis CLAUDE.md justru condong memuat lebih sedikit di awal, naluri menyalin-tempel berkas konteks raksasa layak ditinjau ulang.
Inti bagian ini: kepengarangan adalah sinyal yang memprediksi apakah konteks itu terbayar. Biaya token sama saja di kedua kasus; yang mengubah hasilnya adalah apakah instruksi itu datang dari orang yang benar-benar mengenal basis kodenya.
Konteks yang Memudar: Mengapa Awal Sesi Bukanlah Keseluruhan Cerita
Pemuatan di awal menetapkan batasannya. Ia tidak menjaga batasan itu. Yang terus-menerus ditemui pengembang adalah paruh kedua ceritanya: konteks yang Anda susun dengan rapi di awal sesi terkikis seiring berjalannya sesi, dan itu terjadi tanpa suara.
Cara yang berguna untuk membayangkan ini berasal dari framing tim Mem0 bahwa sebuah jendela konteks adalah RAM, bukan penyimpanan, bersifat sementara dan terbatas, bukan tempat permanen bagi instruksi Anda. Muat sesuatu di awal dan ia ada di sana; jalan terus cukup lama tanpa memakainya dan ia memudar, seperti variabel yang berhenti Anda rujuk lalu akhirnya tertimpa. Itulah mekanisme di balik pola yang para peneliti sebut sebagai peluruhan instruksi. Studi 2026 oleh Gamage dan rekan-rekan menemukan bahwa batasan berupa larangan sangat rapuh: dalam satu skenario yang diuji, kepatuhan turun dari 73% pada giliran ke-5 menjadi sekitar 33% pada giliran ke-16. Itu temuan laboratorium, bukan konstanta universal, tetapi cocok dengan yang dirasakan banyak orang dalam sesi panjang.
Batas sesi adalah tempat di mana semuanya semakin jelas. Pengembang dalam diskusi Hacker News melaporkan bahwa subagen yang dijalankan bisa mengalami masalah serah-terima konteks, sehingga pekerjaan yang dialihkan di tengah tugas bisa tiba dengan konteks sesi induk yang lebih sedikit daripada yang Anda kira. Dan waktu menganggur juga punya biayanya sendiri: dalam sebuah thread di mana Boris Cherny dari Anthropic turut berpendapat, diskusinya membahas bagaimana sesi yang menganggur bisa memicu pembangunan ulang besar akibat cache-miss, ratusan ribu token, tanpa peringatan apa pun untuk Anda. Benang merah yang terus dilaporkan komunitas adalah keheningan: pemadatan berjalan, penalaran sebelumnya dipangkas, kualitas menurun, dan tak ada apa pun di layar yang memberi tahu Anda bahwa itu terjadi. Anda hanya sadar hasilnya jadi lebih buruk.
Apakah Self-Hosting Memberi Anda Lebih Banyak Kontrol?
Jalankan semuanya sendiri (Ollama plus Open WebUI, atau agen seperti Aider atau Continue.dev yang diarahkan ke model lokal) dan jawaban jujur untuk “apakah saya jadi punya lebih banyak kendali?” adalah: Anda mendapat lebih banyak visibilitas, bukan lebih banyak kontrol inheren. Perbedaan itulah inti masalahnya.
Yang benar-benar Anda dapatkan dari self-hosting adalah kemampuan memeriksa. Tidak ada data percakapan yang keluar dari infrastruktur Anda. Anda bisa membaca system prompt secara utuh alih-alih memercayai begitu saja prompt tertutup milik vendor. Dengan tool deterministik seperti Aider, Anda bisa mengaudit persis apa yang masuk ke setiap panggilan model: repo-map adalah artefak yang bisa dibaca, bukan kotak hitam semantik seperti indeks embedding milik Cursor. Bagi siapa pun yang peduli pada auditabilitas dan reproduktibilitas, pada kemampuan menjawab “apa yang sebenarnya dilihat agen?”, kemampuan memeriksa itu nyata dan bukan hal sepele.
Tetapi inversi arsitektural ini tidak peduli di mana model dijalankan. Entah Anda memakai model lokal lewat Ollama, Claude Code yang terhubung ke API cloud, atau Cursor dengan langganan, agen tetap membaca konteks pra-sesinya sebelum Anda berbicara, dan Anda tetap harus merancang konteks itu dengan sengaja. Disiplinnya identik. Menghosting sendiri memberi Anda jendela yang lebih jernih ke mekanismenya; ia tidak memberi Anda mekanisme yang berbeda, dan jelas tidak membebaskan Anda dari pelajaran ETH Zurich tentang apa yang terjadi ketika Anda memuat konteks yang bukan Anda tulis. Jadi satu pergeseran yang layak dibawa pulang dari semua ini: berhenti memperlakukan berkas konteks sebagai hadiah yang Anda serahkan kepada agen, dan mulailah memperlakukannya sebagai infrastruktur dengan biaya berjalan. Tuliskan apa yang benar-benar Anda pahami tentang basis kode, muat lebih sedikit alih-alih lebih banyak, dan ingat bahwa agen membaca Anda lebih dulu, jadi versi diri Anda yang ia baca sebaiknya versi yang bisa Anda pertanggungjawabkan.
Pertanyaan yang Sering Diajukan
Apakah Agen Pengkodean AI Membaca File Anda Sebelum Anda Mengetik Apa Pun?
Ya. Saat sesi dimulai, agen coding AI memuat system prompt-nya, definisi tool-nya, dan berkas konteks Anda (CLAUDE.md, .cursorrules, atau AGENTS.md), beserta repo-map atau berkas memori apa pun, semuanya sebelum pesan pertama Anda. Khusus di Claude Code, CLAUDE.md dikirim sebagai pesan pengguna tepat setelah system prompt, sehingga percakapan sebenarnya dimulai dengan berkas Anda, bukan dengan Anda.
Apakah File Konteks Seperti CLAUDE.md Benar-benar Meningkatkan Kinerja Agen?
Sebagian, dan lebih sedikit dari yang kebanyakan orang asumsikan. Di Evaluasi ETH Zurich terhadap file bergaya AGENTS.md, abstrak saat ini menyatakan bahwa file konteks umumnya tidak meningkatkan keberhasilan tugas dan menaikkan biaya inferensi rata-rata lebih dari 20%. Hasil rincinya lebih berguna bagi praktisi: file yang ditulis pengembang meningkatkan performa rata-rata sekitar 4%, tetapi menaikkan biaya hingga 19%, sementara file yang dihasilkan LLM menurunkan performa rata-rata sekitar 3% dan menaikkan biaya lebih dari 20%. Bacaan praktisnya: file yang Anda tulis dan pahami bisa sedikit membantu; file yang bukan Anda tulis bisa diam-diam merugikan Anda.
Berapa Banyak Jendela Konteks yang Digunakan Sebelum Saya Mengirim Pesan?
Porsi yang cukup besar. System prompt, definisi alat, dan instruksi perilaku dimuat sebelum ada input pengguna, dan bersama-sama mereka memakan bagian yang berarti dari jendela konteks efektif. Anggaran kerja yang benar-benar bisa Anda pakai lebih kecil daripada jendela konteks yang diiklankan model karena beban awal tetap ini.
Apakah Self-Hosting Model AI Memberi Anda Lebih Banyak Kontrol atas Konteks?
Lebih banyak visibilitas, bukan kendali yang secara hakiki lebih besar. Self-hosting memungkinkan Anda memeriksa seluruh system prompt, menyimpan data percakapan di infrastruktur sendiri, dan (dengan alat deterministik seperti Aider) mengaudit persis apa yang masuk ke setiap panggilan. Tapi arsitektur konteks pra-sesi tetap sama seperti pada alat cloud, dan Anda tetap harus merancang konteks Anda secara sengaja.
Apa itu AGENTS.md?
AGENTS.md adalah format terbuka untuk memberi tahu agen pengkodean cara bekerja dengan sebuah basis kode, padanan README yang ditujukan kepada agen. Format ini muncul di seluruh ekosistem perkakas agen (OpenAI Codex, Amp, Jules dari Google, Cursor, dan Factory) dan kini dikelola oleh Agentic AI Foundation di bawah Linux Foundation, dengan adopsi di lebih dari 60.000 repositori, sehingga menjadi standar lintas alat yang sedang terbentuk untuk konteks agen sebelum sesi.
