Kelola Konteks Seperti Sebuah Sumber Daya
Percakapan yang panjang bukanlah hal yang gratis. Seiring bertambah panjangnya sebuah thread, instruksi-instruksi awal terkubur, model semakin mengandalkan pesan-pesan terbaru, dan detail yang Anda sebutkan dua puluh giliran yang lalu diam-diam berhenti diperhatikan. Bayangkan jendela konteks sebagai kotak berukuran tetap: seiring percakapan bertambah panjang, kotak itu terisi penuh, dan instruksi awal Anda terdorong ke bawah tempat model paling sedikit memberi perhatian:
early turn long conversation
┌──────────────┐ ┌──────────────┐
│ SPEC (clear) │ │ chatter │ ◀ recent (heeded)
│ │ │ chatter │
│ │ │ fix attempt │
│ │ │ old code v3 │
│ │ ───▶ │ old code v2 │
│ │ ├──────────────┤
│ │ │ SPEC (buried)│ ◀ ignored
└──────────────┘ └──────────────┘
│ XXXXXXXXXXXX │ ◀ pushed out
└──────────────┘
Perlakukan jendela konteks sebagai permukaan kerja yang menjadi tanggung jawab Anda untuk dijaga tetap bersih, bukan sebagai memori tak terbatas.
Beberapa kebiasaan yang membantu:
- Nyatakan ulang spesifikasi ketika Anda berbelok arah. Jangan berasumsi bahwa sebuah persyaratan dari sepuluh pesan yang lalu masih berlaku. Rangkum target saat ini dalam satu paragraf singkat dan biarkan AI bekerja dari situ.
- Mulai dari awal untuk masalah baru. Ketika Anda beralih dari kode autentikasi ke bug CSS (Cascading Style Sheets — bahasa yang mengatur tampilan sebuah halaman), buka percakapan baru. Membawa serta konteks yang tidak relevan membuat model menjadi lebih buruk, bukan lebih baik.
- Tempelkan kode saat ini, bukan riwayatnya. Jika sebuah fungsi sudah berubah lima kali, AI tidak butuh lima versi lama — AI butuh versi yang ada sekarang. Berikan keadaan saat ini dan perubahan berikutnya.
- Simpan sumber kebenaran singkat di luar chat. Untuk tugas yang lebih panjang, beberapa baris dalam sebuah file ("stack teknologi, keputusan-keputusan kunci, apa yang sudah selesai, apa langkah berikutnya") memungkinkan Anda menyemai ulang percakapan baru dalam hitungan detik, alih-alih menyusunnya kembali dari gulungan riwayat.
Tujuannya sama dengan yang mengalir di sepanjang bab ini: di setiap momen, AI seharusnya bekerja dari gambaran tugas yang akurat dan ringkas — bukan transkrip yang bertele-tele yang harus ditebak-tebak jalannya.