Prompt Engineering untuk AI Agent: 5 Teknik Lanjutan (2026)

Pernah menyuruh AI Agent “rapikan laporan penjualan”, lalu agent malah menimpa file aslinya atau berhenti di tengah jalan? Kejadian seperti itu hampir selalu berasal dari prompt yang terlalu singkat, bukan dari model yang kurang pintar. Prompt engineering untuk AI Agent menutup celah tersebut dengan memberi agent kontrak kerja yang jelas: apa tugasnya, apa yang dilarang, alat apa yang dipakai, dan kapan pekerjaan dianggap selesai.

Apa Beda Prompt Biasa dengan Prompt Engineering untuk AI Agent?

Prompt biasa meminta teks, sedangkan prompt engineering untuk AI Agent meminta tindakan. Agent membaca prompt, memilih alat, menjalankannya, menilai hasil, lalu memutuskan langkah berikutnya. Karena siklus kerja agent berulang, prompt agent harus menjawab tiga pertanyaan yang tidak muncul pada chat biasa: apa yang dikerjakan lebih dulu, apa yang dilarang, dan kapan pekerjaan dianggap selesai.

Perbedaan arsitekturnya dibahas lebih rinci di beda LLM murni vs AI Agent otonom, sedangkan alur keputusannya bisa kamu pelajari di cara kerja AI Agent dari prompt ke aksi otonom.

Aspek	Prompt Chat Biasa	Prompt untuk AI Agent
Hasil yang diminta	Teks jawaban	Tindakan dan hasil kerja
Akses tools	Tidak ada	File, browser, terminal, API
Batasan	Jarang diperlukan	Wajib, karena agent bisa mengubah data
Kriteria selesai	Saat jawaban terkirim	Harus ditulis eksplisit

Teknik 1: Kontrak Lima Komponen dalam Prompt Engineering untuk AI Agent

Setiap prompt agent yang baik mengandung lima komponen berikut.

Komponen	Fungsi	Contoh Isi
Peran	Menetapkan sudut pandang	“Kamu analis data untuk tim penjualan”
Tugas	Menjelaskan hasil akhir	“Susun laporan penjualan mingguan”
Batasan	Mencegah tindakan keliru	“Jangan ubah file sumber”
Alat	Menentukan cara kerja	“Pakai folder data/ dan terminal”
Kriteria selesai	Menentukan kapan berhenti	“Berhenti setelah laporan tersimpan di folder laporan/”

Kelima komponen tersebut mencegah dua kesalahan paling umum: agent berhenti terlalu cepat, atau agent terus bekerja tanpa arah. Panduan resmi dari penyedia model juga menekankan prinsip serupa; panduan prompt engineering OpenAI menganjurkan instruksi yang jelas dan pemisahan bagian prompt yang berbeda fungsinya.

Seperti Apa Contoh Prompt Engineering untuk AI Agent?

Berikut contoh prompt utuh untuk agent rekap penjualan. Kamu bisa menyalin struktur ini dan mengganti isinya sesuai proses bisnismu.

PERAN: Kamu analis data untuk tim penjualan toko online.
TUGAS: Susun laporan penjualan minggu lalu dari file data/penjualan.csv.
BATASAN:
- Jangan mengubah, menghapus, atau memindahkan file di folder data/.
- Jangan mengirim laporan ke siapa pun; cukup simpan.
ALAT: Baca file di data/, jalankan perhitungan di terminal, simpan hasil di laporan/.
LANGKAH:
1. Hitung total omzet dan jumlah transaksi per hari.
2. Tentukan 5 produk dengan penjualan paling banyak.
3. Bandingkan omzet dengan minggu sebelumnya dalam persen.
FORMAT: Tabel markdown dengan kolom Hari | Omzet | Transaksi, lalu 3 kalimat ringkasan.
CEK SEBELUM SELESAI: Pastikan total di tabel sama dengan total di file sumber.
SELESAI JIKA: File laporan/mingguan.md tersimpan.

Contoh di atas sudah memuat tiga teknik prompt engineering untuk AI Agent berikutnya sekaligus: langkah bernomor, pemeriksaan mandiri, dan format keluaran yang dikunci.

Teknik 2: Few-Shot, Contoh Keluaran yang Ditiru Agent

Teknik few-shot berarti menyertakan contoh keluaran yang benar di dalam prompt. Agent meniru pola dari contoh, bukan menebak dari penjelasan. Untuk format yang sulit dijelaskan dengan kata-kata, satu contoh laporan jadi lebih efektif daripada satu paragraf instruksi.

Dokumentasi prompt engineering Anthropic merekomendasikan contoh yang relevan dan beragam agar model tidak meniru detail yang tidak disengaja. Mulailah dari satu sampai tiga contoh, lalu tambah contoh baru hanya bila agent masih keliru pada kasus tertentu.

Teknik 3: Instruksi Bertingkat untuk Tugas Panjang

Pecah tugas besar menjadi langkah bernomor, dan pastikan setiap langkah punya keluaran yang jelas. Dengan begitu, agent bisa memverifikasi kemajuannya sendiri di setiap tahap.

Langkah bernomor juga memudahkan penelusuran saat terjadi kesalahan. Kamu tahu persis di langkah mana kekeliruan muncul, bukan hanya tahu hasil akhirnya salah. Dalam prompt engineering untuk AI Agent, instruksi bertingkat juga mengurangi risiko agent melompati langkah penting.

Teknik 4: Pola Refleksi untuk Menurunkan Kesalahan

Pola refleksi meminta agent memeriksa hasilnya sendiri sebelum menyelesaikan pekerjaan. Instruksi pemeriksaan menambah satu putaran koreksi, sehingga kesalahan hitung atau langkah yang terlewat lebih mungkin tertangkap sebelum hasil disimpan.

Instruksi sederhana seperti “sebelum menyimpan, cocokkan semua angka dengan file sumber” sudah cukup. Agent akan meninjau ulang hasilnya, bukan langsung menyimpan.

Teknik 5: Mengunci Format Keluaran

Tentukan format akhir secara eksplisit, misalnya tabel dengan kolom tertentu atau JSON dengan kunci tertentu. Format yang dikunci membuat keluaran agent bisa langsung dipakai sistem lain tanpa diproses ulang.

Untuk agent yang dipanggil sistem lain, konsistensi format lebih penting daripada gaya bahasa yang menarik. Strategi prompting Gemini dari Google juga menyarankan menyebutkan format respons secara spesifik, termasuk memberi contoh struktur yang diharapkan.

Di Mana Prompt AI Agent Disimpan pada OpenClaw?

Pada chatbot, prompt hilang begitu percakapan ditutup. Pada OpenClaw, prompt agent disimpan sebagai file di folder kerja (workspace) dan dibaca ulang setiap sesi dimulai. Menurut dokumentasi workspace OpenClaw, AGENTS.md berisi instruksi kerja dan aturan, SOUL.md berisi persona dan batasan gaya bicara, dan USER.md menyimpan preferensi pengguna yang tetap.

Jadi kontrak lima komponen di atas tidak perlu diketik ulang setiap kali memberi tugas. Peran dan batasan ditulis sekali di file, sedangkan tugas, langkah, dan kriteria selesai dikirim lewat chat sesuai pekerjaan hari itu.

Komponen Kontrak	Tempat di OpenClaw	Kapan Diubah
Peran	SOUL.md	Jarang, saat persona agent berubah
Batasan	AGENTS.md	Setiap ada kejadian baru yang perlu dicegah
Alat	Kebijakan tools di konfigurasi, plus catatan di bagian Tools AGENTS.md	Saat akses agent ditambah atau dicabut
Tugas, langkah, format	Pesan chat atau file skill	Setiap tugas
Kriteria selesai	Pesan chat atau file skill	Setiap tugas

Ada dua detail teknis yang jarang dibahas. Pertama, dokumentasi OpenClaw menegaskan bahwa bagian Tools di AGENTS.md hanya panduan dan tidak mengatur tools mana yang benar-benar tersedia. Larangan seperti “jangan kirim email” di prompt tetap perlu didukung dengan mencabut akses tool-nya di konfigurasi.

Kedua, file prompt yang terlalu panjang dipotong saat dimasukkan ke konteks. Per Oktober 2026, batas bawaannya 20.000 karakter per file dan 60.000 karakter untuk total semua file bootstrap. Aturan penting bisa ikut terpotong kalau file terus ditambah tanpa dirapikan, jadi pindahkan catatan yang jarang dipakai ke file terpisah.

Untuk menulis aturan baru, kami di Komunitech memakai pola tiga bagian: aturannya, alasannya, dan kejadian yang memicunya. Contoh bentuknya: “jangan ubah file di folder data/, karena laporan pernah tertimpa saat agent merapikan data”. Alasan dan kejadian membantu agent menerapkan aturan pada situasi yang mirip, bukan hanya pada kalimat yang persis sama.

Apa Saja Kesalahan Umum dalam Prompt Engineering untuk AI Agent?

• Prompt panjang tanpa struktur. Instruksi penting tenggelam di antara instruksi lain.
• Tidak menetapkan batasan. Agent mencoba tindakan yang seharusnya dihindari, seperti menimpa file.
• Tidak ada kriteria selesai. Agent berhenti terlalu cepat atau bekerja terlalu lama.
• Menjelaskan tanpa contoh. Agent menafsirkan format sesuai tebakannya sendiri.
• Tidak menguji prompt di tugas kecil. Kesalahan prompt baru ketahuan setelah agent menyentuh data penting.

Komunitech: Melatih Prompt Engineering untuk AI Agent

Prompt agent yang baik lahir dari pemahaman alur kerja, bukan hafalan template. Lewat workshop OpenClaw Komunitech, peserta berlatih prompt engineering untuk AI Agent yang menangani proses bisnis nyata, dari rekap laporan sampai balasan chat pelanggan, lalu membawa pulang Karyawan AI yang sudah berjalan.

Kalau kamu ingin melihat prompt dipakai dalam konteks lokal, pelajari prompt AI Agent untuk bahasa gaul dan budaya belanja Indonesia. Kalau yang kamu cari adalah pilihan kelas dan sertifikasinya, perbandingannya ada di workshop prompt engineering bahasa Indonesia. Untuk ide penerapan berikutnya, lanjutkan ke 10 use case OpenClaw untuk otomatisasi bisnis.

Pertanyaan yang Sering Ditanya

Apakah prompt engineering untuk AI Agent butuh kemampuan coding?

Tidak. Prompt agent ditulis dalam bahasa sehari-hari. Kemampuan teknis baru berguna saat menyambungkan agent ke tools atau API tertentu.

Apakah prompt yang panjang selalu lebih baik?

Tidak. Prompt yang baik terstruktur, bukan panjang. Setiap bagian prompt harus punya fungsi yang jelas.

Berapa contoh keluaran yang ideal untuk few-shot?

Mulai dari satu sampai tiga contoh yang beragam. Tambah contoh hanya bila agent masih keliru pada jenis kasus tertentu.

Apakah pola refleksi memperlambat agent?

Sedikit, karena ada satu putaran pemeriksaan tambahan. Untuk tugas yang melibatkan angka atau keputusan penting, tambahan waktu tersebut umumnya sepadan.

Apakah teknik prompt engineering untuk AI Agent berlaku untuk semua model?

Prinsip lima komponen berlaku umum untuk GPT, Claude, maupun Gemini. Detail format yang paling efektif bisa berbeda antar model, jadi uji prompt pada tugas kecil lebih dulu.

Kesimpulan

Prompt engineering untuk AI Agent pada dasarnya adalah menulis kontrak kerja: peran, tugas, batasan, alat, dan kriteria selesai. Tambahkan contoh keluaran, langkah bernomor, pemeriksaan mandiri, dan format yang dikunci, lalu uji prompt pada tugas kecil sebelum agent menyentuh data penting. Lima teknik tersebut bisa langsung kamu terapkan pada prompt agent berikutnya.

Disclaimer

Konten di halaman Komunitech ini bersifat edukatif. Perilaku model dapat berubah seiring pembaruan versi. Uji prompt pada tugas kecil sebelum dipakai di alur kerja utama.

Referensi

• Anthropic, Prompt Engineering Overview (docs.claude.com)
• OpenAI, Prompt Engineering Guide (platform.openai.com)
• Google, Prompting Strategies untuk Gemini API (ai.google.dev)
• OpenClaw, dokumentasi Agent Workspace (docs.openclaw.ai)

Artikel telah diupdate pada 07/10/2026 untuk memastikan artikel tetap sesuai kondisi terkini.