Context Engineering 2026: 8 Tools untuk Mengatasi Token Bloat

Kebanyakan daftar "tools context engineering terbaik" hanyalah kumpulan framework RAG dengan label baru yang ditempelkan di atasnya. Context engineering sebenarnya adalah stack multi-layer, dan memilih tools untuk hanya satu layer akan menyisakan celah yang muncul di production sebagai halusinasi, biaya yang membengkak, atau agent yang lupa apa yang terjadi dua giliran sebelumnya.

Baru mengenal context engineering? Mulailah dengan panduan lengkap kami. Postingan ini mengasumsikan Anda sudah memahami konsepnya dan perlu memilih tools yang sebenarnya.

8 Tools Context Engineering Terbaik Sekilas Pandang

Inilah daftar berperingkat kami. Setiap tool mendapatkan posisinya berdasarkan kesiapan production, developer experience, dan seberapa besar dampaknya terhadap keseluruhan context pipeline.

Sekarang mari kita bedah setiap tool.

---

1. Langfuse, Layer Observability yang Anda Butuhkan Pertama Kali

Anda mungkin mengharapkan framework retrieval atau API caching di posisi nomor 1. Inilah alasan observability datang lebih dulu: Anda tidak bisa mengoptimalkan context pipeline yang tidak bisa Anda ukur. Tim yang melewatkan observability menghabiskan berminggu-minggu men-debug halusinasi yang sebenarnya bisa dijelaskan oleh satu trace dalam hitungan menit.

Langfuse adalah platform observability LLM open-source dengan 19k+ bintang GitHub. Ia men-trace setiap panggilan LLM di pipeline Anda, context apa yang masuk, apa yang keluar, berapa biayanya, dan di mana kualitasnya menurun.

Kelebihannya

• Open-source dan berlisensi MIT. Self-host untuk penggunaan tanpa batas atau gunakan tier cloud. Tanpa vendor lock-in.
• Didukung ClickHouse untuk skala. Menangani workload production tanpa tersendat oleh volume.
• Native OpenTelemetry. Terhubung ke stack observability Anda yang sudah ada tanpa layer instrumentasi terpisah.
• Integrasi agnostik-framework. Bekerja dengan LlamaIndex, LangChain, OpenAI SDK, Anthropic SDK, Vercel AI SDK, pada dasarnya semuanya.
• Manajemen prompt bawaan. Versikan dan uji prompt berdampingan dengan trace Anda, sehingga Anda bisa mengorelasikan perubahan prompt dengan perubahan kualitas.

Kekurangannya

• Setup self-hosted membutuhkan ClickHouse, yang tidak mudah dioperasikan dalam skala besar.
• UI-nya, meski fungsional, tidak sehalus experience debugging LangSmith untuk trace chain.
• Fitur evaluasi lebih baru dan kurang matang dibanding platform eval khusus.

Harga

Siapa yang Cocok Menggunakannya

Setiap tim yang menjalankan panggilan LLM di production. Serius, jika Anda melakukan panggilan API ke Claude, GPT, atau Gemini dan Anda tidak punya observability, Anda terbang buta. Langfuse adalah tool pertama yang harus Anda tambahkan, apa pun tool lain yang Anda pilih.

Vonis

Langfuse meraih posisi nomor 1 karena ia membuat setiap tool lain di daftar ini bekerja lebih baik. Anda tidak bisa menyetel retrieval, mengoptimalkan caching, atau men-debug layer memory Anda tanpa melihat apa yang terjadi di dalam setiap panggilan. Mulailah dari sini.

---

2. Claude Prompt Caching -- Hemat 90% dengan Kontrol Penuh

Context caching adalah optimasi dengan usaha paling rendah dan dampak tertinggi yang belum banyak digunakan tim. Implementasi Claude memberi Anda kontrol paling granular dibanding provider mana pun.

Anda menetapkan breakpoint cache_control secara eksplisit di array pesan Anda, dan dokumentasi Anthropic mengonfirmasi bahwa pembacaan cache hanya memakan biaya 10% dari harga token input dasar. Penulisan cache memakan biaya 25% lebih mahal dari dasar, tetapi itu biaya satu kali per entri cache. TTL 5 menit diperbarui di setiap hit, sehingga percakapan aktif tetap ter-cache.

Kelebihannya

• Diskon 90% untuk pembacaan cache. Perhitungannya sederhana, jika Anda mengirim system prompt atau contoh few-shot yang sama berulang kali, Anda menghemat 90% untuk token-token tersebut.
• Breakpoint eksplisit memberi Anda kontrol. Anda memutuskan persis apa yang di-cache, tidak seperti pendekatan otomatis OpenAI.
• TTL 5 menit yang diperbarui. Sesi aktif tetap ter-cache; sesi yang menganggur kedaluwarsa secara alami.
• Bekerja di Claude 3.5 Sonnet, Haiku, dan Opus. Tidak terbatas pada satu tier model.

Kekurangannya

• TTL 5 menit terlalu singkat untuk workload batch processing. Jika panggilan Anda berjarak lebih dari 5 menit, caching tidak akan membantu.
• Membutuhkan penanda cache_control eksplisit, lebih banyak kerja implementasi dibanding caching otomatis OpenAI.
• Anda terkunci di ekosistem Anthropic. Tidak ada caching lintas-provider.

Harga

Siapa yang Cocok Menggunakannya

Tim yang menggunakan API Claude dengan system prompt berulang, contoh few-shot, atau context dokumen besar. Jika konten yang sama muncul di beberapa panggilan dalam jendela 5 menit, aktifkan caching segera.

Vonis

Claude Prompt Caching adalah optimasi biaya paling mudah di seluruh stack context engineering. Jika Anda menggunakan Claude, aktifkan hari ini. ROI-nya instan.

---

3. LlamaIndex, Layer Retrieval yang Benar-Benar Bekerja

Layer retrieval adalah tempat kebanyakan tim memulai, dan di mana debat LangChain vs LlamaIndex tidak pernah berakhir. Di 2026, jawabannya lebih jelas dari yang orang kira: LlamaIndex adalah framework data-first; LangChain/LangGraph adalah layer orchestration. Keduanya menyelesaikan masalah yang berbeda.

LlamaIndex unggul dalam mengeluarkan informasi yang tepat dari data Anda. Injeksi dokumen, penanganan data terstruktur, dan membangun pipeline retrieval yang mengembalikan context relevan, itulah tugas intinya.

Kelebihannya

• 160+ konektor data via LlamaHub. PDF, database, API, Notion, Slack, Google Drive, jika data Anda ada di suatu tempat, kemungkinan ada konektornya.
• Berbagai tipe index. Index vector, keyword, tree, dan knowledge graph. Pilih strategi retrieval yang sesuai dengan data Anda.
• Filosofi desain data-first. LlamaIndex punya pendirian kuat tentang cara melakukan retrieval dengan baik, alih-alih mencoba menjadi framework serbaguna.
• Integrasi native dengan LangGraph. Keduanya bekerja bersama dengan mulus, LlamaIndex menangani injeksi dan retrieval, LangGraph menangani apa yang agent Anda lakukan dengan hasilnya.
• Berlisensi MIT dan open-source. Tanpa kejutan lisensi.

Kekurangannya

• Permukaan API-nya luas dan dokumentasinya bisa terasa membingungkan bagi pemula.
• Jika Anda hanya butuh pencarian vector sederhana, LlamaIndex mungkin berlebihan. Klien Qdrant atau Pinecone langsung akan lebih sederhana.
• Perubahan breaking yang sering antar versi mayor.

Harga

Siapa yang Cocok Menggunakannya

Tim yang membangun pipeline RAG yang perlu meng-injest data dari berbagai sumber dan mengambil context secara akurat. Sangat berharga ketika data Anda bukan sekadar "folder berisi PDF", database terstruktur, API, dan data format campuran adalah tempat LlamaIndex bersinar.

Untuk integrasi tool dan sumber context dinamis di luar retrieval statis, lihat panduan MCP kami.

Vonis

LlamaIndex adalah framework retrieval terbaik untuk RAG production di 2026. Padukan dengan LangGraph untuk orchestration dan Anda mendapatkan context pipeline paling mumpuni yang tersedia.

---

4. Mem0 -- Memory Agent Production Tanpa Pusing Infrastruktur

Tanpa memory, agent Anda memperlakukan setiap percakapan seperti yang pertama. Pilihan Mem0 vs Zep bermuara pada kecepatan-menuju-production vs. kompleksitas temporal enterprise.

Mem0 adalah jalan tercepat menuju memory agent yang benar-benar bekerja. API managed-nya menggabungkan pencarian graph dan vector dalam satu panggilan, Anda menyimpan memory, Anda mengambilnya nanti, dan pendekatan hybrid menangani kemiripan semantik sekaligus pencarian berbasis relasi.

Kelebihannya

• API managed berarti nol infrastruktur. Tidak ada database vector yang perlu disediakan, tidak ada penyimpanan graph yang perlu dipelihara.
• Pencarian hybrid graph + vector. Recall lebih baik daripada pencarian vector murni. Menurut benchmark Mem0, akurasi 26% lebih tinggi dibanding RAG naif untuk tugas retrieval memory.
• API yang sangat sederhana. Simpan memory dengan satu panggilan, ambil dengan panggilan lain. Kompleksitasnya tersembunyi di balik antarmuka yang bersih.
• Tersedia opsi open-source. Mem0 OSS memungkinkan Anda self-host jika Anda membutuhkan kedaulatan data.

Kekurangannya

• Benchmark yang dilaporkan vendor harus disikapi dengan skeptis. Jalankan eval Anda sendiri.
• API managed berarti memory agent Anda berada di server Mem0. Tim compliance enterprise mungkin keberatan.
• Kurang matang dibanding Zep untuk knowledge graph temporal, jika Anda butuh "apa alamat pelanggan tiga bulan lalu?", Zep menanganinya lebih baik.

Harga

Alternatif yang Patut Diketahui

• Zep, Knowledge graph temporal enterprise. Mengklaim latensi 90% lebih rendah untuk pencarian data bisnis. Terbaik untuk aplikasi di mana fakta berubah seiring waktu dan Anda perlu melacak perubahan tersebut.
• Letta (sebelumnya MemGPT), Runtime agent open-source di mana agent mengelola memory-nya sendiri melalui operasi self-editing. Lebih merupakan framework penuh daripada sekadar layer memory.
• LangMem, Opsi ringan untuk tim yang sudah dalam di LangGraph. Fiturnya kurang lengkap tetapi menghindari penambahan dependency lain.

Vonis

Mem0 menang dalam kecepatan-menuju-production. Anda akan memiliki memory agent yang bekerja dalam hitungan jam, bukan minggu. Pilih Zep jika pelacakan temporal adalah kebutuhan inti, atau Letta jika Anda menginginkan kontrol open-source penuh atas runtime agent.

---

5. LLMLingua, Layer Compression yang Tidak Dibicarakan Orang

Ini adalah layer yang paling kurang dibahas di seluruh stack context engineering. Tools compression dapat memangkas biaya token Anda 2-5x tanpa kehilangan kualitas yang berarti, namun hampir tidak ada panduan tool yang menyebutkannya.

LLMLingua dari Microsoft Research mengompres prompt dengan mengidentifikasi dan menghapus token yang tidak secara berarti mengubah output LLM. Ini bukan peringkasan, ini penghapusan token secara bedah yang dipandu oleh skor perplexity model yang lebih kecil.

Kelebihannya

• Kompresi 2-5x dengan degradasi kualitas minimal. Dalam praktiknya, Anda sering kali dapat memangkas context 4.000 token menjadi 1.500 token dan mendapatkan output yang hampir identik.
• Didukung Microsoft Research. Bukan proyek akhir pekan, ini penelitian yang dipublikasikan dengan peer review.
• Open-source. Integrasikan ke pipeline mana pun tanpa kekhawatiran lisensi.
• Melengkapi caching. Kompres terlebih dahulu, lalu cache versi terkompres untuk penghematan ganda.

Kekurangannya

• Menambah latensi. Langkah kompresi menjalankan model yang lebih kecil untuk memberi skor pada token sebelum panggilan LLM utama.
• Degradasi kualitas "minimal" secara rata-rata, tetapi kasus edge individual dapat kehilangan context penting. Anda butuh eval.
• Ekosistemnya belum matang dibanding tools retrieval atau memory. Dokumentasinya lebih tipis.

Harga

Alternatif yang Patut Diketahui

• Selective Context, Mengambil pendekatan penyaringan alih-alih kompresi. Mengevaluasi bagian context yang diambil mana yang benar-benar informatif untuk kueri saat ini dan membuang sisanya. Kira-kira kapasitas pemrosesan konten 2x dan penghematan memory 40%.
• context-engineering-toolkit (GitHub), Proyek open-source yang lebih baru untuk prioritas context dan benchmarking. Berguna untuk mengukur performa pipeline.

Vonis

LLMLingua adalah tool kompresi terbaik yang tersedia, dan gratis. Kendalanya adalah kematangan, tools ini masih berkembang. Uji secara menyeluruh di pipeline spesifik Anda sebelum berkomitmen ke production.

---

6. Gemini Context Caching, Diskon Terbesar untuk Context Panjang

Jika aplikasi Anda bekerja dengan context yang sangat panjang dan Anda menggunakan model Google, API caching Gemini menawarkan diskon terdalam di pasar. Dokumentasi caching Google menunjukkan diskon hingga 90% untuk token yang di-cache pada model Gemini 2.5.

Kelebihannya

• Diskon hingga 90% pada Gemini 2.5, 75% pada 2.0. Diskon pembacaan cache terbesar dari semua provider.
• TTL yang dapat dikonfigurasi. Tidak seperti jendela 5 menit tetap Claude, Anda mengatur berapa lama konten yang di-cache bertahan.
• Cocok untuk aplikasi context panjang. Jika Anda meng-cache seluruh codebase atau koleksi dokumen yang jarang berubah, biaya penyimpanan per jam sangat sepadan dengan diskon pembacaannya.

Kekurangannya

• Minimal 32.768 token untuk di-cache. Jika konten yang dapat di-cache lebih pendek dari ~25 halaman, Anda tidak dapat menggunakan fitur ini sama sekali.
• Biaya penyimpanan per jam. Anda membayar pembuatan cache, penyimpanan per jam, dan pembacaan (tarif berkurang). Perhitungannya bisa mengejutkan untuk cache yang berumur panjang.
• Terkunci di ekosistem Gemini. Jelas hanya bekerja dengan model Google.

Harga

Perbandingan Provider

Vonis

Caching Gemini menang untuk aplikasi context panjang di mana minimal 32k bukan masalah. Untuk caching yang lebih pendek dan berfrekuensi tinggi, pendekatan Claude di nomor 2 lebih praktis. Caching otomatis OpenAI (diskon 50%, nol konfigurasi) layak mendapat sebutan kehormatan untuk tim yang ingin berhemat tanpa memikirkannya.

---

7. CLAUDE.md + Cursor Rules, Context Engineering untuk Coding Agent

Inilah sesuatu yang sepenuhnya dilewatkan kebanyakan panduan tool: file konfigurasi seperti CLAUDE.md dan Cursor Rules adalah context engineering untuk coding agent Anda. File-file ini mendefinisikan apa yang agent ketahui tentang proyek Anda sebelum ia menulis satu baris kode pun.

Kelebihannya

• CLAUDE.md + /init adalah titik masuk paling sederhana. Claude Code membaca CLAUDE.md proyek Anda untuk instruksi, standar coding, keputusan arsitektur, perintah umum. Perintah /init membuatnya secara otomatis dengan memindai struktur proyek Anda.
• Tiga level memory. Level proyek (CLAUDE.md), level pengguna (~/.claude/CLAUDE.md), dan level sesi memberi kontrol granular atas context yang didapat setiap interaksi.
• AGENTS.md bekerja lintas tool. Standar Builder.io didukung oleh Cursor, Copilot, dan coding agent lainnya. Satu file konfigurasi untuk tim yang menggunakan editor berbeda.
• Awesome Skills (Antigravity) memiliki 22k+ bintang GitHub dengan 1.234+ paket context siap pakai untuk Claude Code, Cursor, dan Gemini CLI. File skill yang dipelihara komunitas menyelamatkan Anda dari menulis context proyek dari nol.

Kekurangannya

• CLAUDE.md hanya bekerja dengan Claude Code. Jika tim Anda menggunakan beberapa tool coding AI, Anda juga membutuhkan AGENTS.md.
• Tidak ada format standar lintas tool, setiap agent membaca file konfigurasinya sendiri secara berbeda.
• Overhead pemeliharaan. File-file ini menjadi usang seiring berkembangnya proyek Anda, dan context yang usang lebih buruk daripada tidak ada context.

Harga

Untuk perbandingan lebih dalam tentang bagaimana Claude Code, Cursor, dan Copilot menangani context proyek, lihat perbandingan tools coding AI kami.

Vonis

Mulailah dengan CLAUDE.md + /init jika Anda menggunakan Claude Code. Tambahkan AGENTS.md untuk tim multi-tool. Layer ini mudah diabaikan, tetapi context coding agent yang dikonfigurasi dengan baik meningkatkan kualitas pembuatan kode secara dramatis.

---

8. LangChain / LangGraph, Perekat Orchestration

LangGraph mendapatkan posisi nomor 8 bukan karena kurang penting, tetapi karena ia adalah layer orchestration, ia menghubungkan tools lain alih-alih menyelesaikan masalah context engineering tertentu sendirian. Anda hampir pasti akan menggunakannya berdampingan dengan tools yang berperingkat lebih tinggi di daftar ini.

Kelebihannya

• Graph agent stateful. LangGraph menangani rantai reasoning multi-langkah, koordinasi penggunaan tool, dan control flow kompleks yang tidak dapat dikelola framework yang lebih sederhana.
• Integrasi native LlamaIndex. Pola yang direkomendasikan di 2026: LlamaIndex untuk retrieval, LangGraph untuk orchestration.
• Ekosistem masif. Lebih banyak integrasi, tutorial, dan dukungan komunitas daripada alternatif mana pun.
• Integrasi LangSmith. Jika Anda memilih LangSmith daripada Langfuse untuk observability, experience debugging-nya sangat baik.

Kekurangannya

• Layer abstraksi LangChain bisa terasa berat. Kasus penggunaan sederhana terkubur di bawah kompleksitas yang tidak perlu.
• API-nya sering berubah. Tutorial dari enam bulan lalu mungkin tidak bekerja.
• Haystack lebih bersih jika Anda menginginkan satu framework yang berpendirian alih-alih menyatukan LangGraph + LlamaIndex.

Harga

Vonis

LangGraph adalah framework orchestration terbaik untuk pipeline agent yang kompleks. Padukan dengan LlamaIndex (nomor 3) untuk retrieval dan Langfuse (nomor 1) untuk observability. Jika Anda menginginkan pendekatan satu framework yang lebih sederhana, evaluasi Haystack.

---

Mengapa Techsy Memilih Langfuse sebagai Nomor 1

Mungkin terasa kontraintuitif menempatkan tool observability di atas framework retrieval dan API caching. Inilah alasannya: setiap tim yang pernah kami tangani yang melewatkan observability akhirnya menambahkannya nanti, setelah berminggu-minggu men-debug halusinasi misterius atau lonjakan biaya yang tidak dapat dijelaskan.

Langfuse menunjukkan kepada Anda persis context apa yang masuk ke setiap panggilan LLM, berapa biayanya, dan apa yang kembali. Visibilitas itulah yang memungkinkan setiap optimasi lainnya. Anda tidak dapat menyetel retrieval LlamaIndex tanpa melihat dokumen mana yang benar-benar diambil. Anda tidak dapat mengukur penghematan caching tanpa men-trace hit vs. miss cache. Anda tidak dapat mengevaluasi kompresi LLMLingua tanpa membandingkan output.

Mulailah dengan observability. Lalu tambahkan layer yang aplikasi Anda butuhkan.

Cara Memilih Stack Context Engineering Anda

Tools yang tepat bergantung pada apa yang Anda bangun. Kerangka keputusan ini memetakan tipe proyek umum ke pilihan tool tertentu.

Tidak ada satu tool pun yang mencakup semua layer. Stack context engineering terbaik adalah yang dirakit untuk kasus penggunaan spesifik Anda.

Di Techsy, kami membantu tim merancang stack context engineering untuk aplikasi bertenaga AI, dari arsitektur retrieval hingga memory agent. Dapatkan konsultasi gratis.

Butuh Sesuatu yang Kustom?

Jika proyek Anda tidak cocok dengan rapi ke dalam kerangka keputusan di atas, misalnya Anda membangun pipeline agent multi-modal dengan kebutuhan memory spesifik-domain dan anggaran latensi yang ketat, rekomendasi tool generik tidak akan memadai.

Itulah jenis masalah yang kami selesaikan di Techsy. Kami telah membangun pipeline context production di seluruh AI percakapan, coding agent, dan RAG enterprise, dan kami dapat membantu Anda memilih tools yang tepat untuk kendala spesifik Anda. Lihat layanan integrasi AI kami. Bicara dengan tim engineering AI kami.

Pertanyaan yang Sering Diajukan

Tools apa yang digunakan untuk context engineering?

Context engineering mencakup beberapa layer stack, masing-masing dengan tool khusus: retrieval (LlamaIndex, LangGraph), memory (Mem0, Zep), compression (LLMLingua), caching (API Claude/Gemini/OpenAI), observability (Langfuse, LangSmith), dan context coding agent (CLAUDE.md, AGENTS.md). Tidak ada satu tool pun yang mencakup semua layer.

Apa framework RAG terbaik di 2026?

LlamaIndex untuk injeksi data dan retrieval, LangGraph untuk orchestration. Pola production 2026 adalah menggunakan keduanya bersama-sama, LlamaIndex menangani mendapatkan dokumen yang tepat, LangGraph menangani apa yang agent Anda lakukan dengannya.

Apa tool memory AI agent terbaik?

Mem0 untuk jalan tercepat menuju production dengan API managed graph + vector-nya. Zep untuk aplikasi enterprise yang membutuhkan knowledge graph temporal. Letta untuk tim yang menginginkan kontrol open-source penuh atas runtime agent dan layer memory.

Bagaimana cara kerja prompt caching Claude?

Anda menandai breakpoint cache dengan cache_control di array pesan Anda. Konten yang di-cache bertahan selama 5 menit (diperbarui di setiap hit). Pembacaan cache memakan biaya 10% dari harga input dasar, penghematan 90%. Penulisan cache memakan biaya 25% lebih mahal dari dasar, tetapi itu biaya satu kali per entri cache.

Bagaimana cara kerja context caching Gemini?

Anda membuat cache melalui API dengan TTL yang dapat dikonfigurasi. Token yang di-cache mendapat diskon 75-90% tergantung modelnya (90% pada Gemini 2.5). Anda membayar pembuatan cache, penyimpanan per jam, dan pembacaan tarif berkurang. Ukuran cache minimal adalah 32.768 token.

Apa itu file CLAUDE.md?

Ini adalah file instruksi level proyek yang dibaca Claude Code sebelum setiap interaksi. Isinya standar coding Anda, context arsitektur, perintah umum, dan aturan spesifik proyek. Perintah /init membuatnya secara otomatis dengan memindai repositori Anda. Anggap saja sebagai context engineering untuk coding agent Anda.

Bisakah saya menggunakan LangChain dan LlamaIndex bersama-sama?

Ya, dan Anda mungkin sebaiknya begitu. LlamaIndex menangani injeksi data dan retrieval (160+ konektor, berbagai tipe index), sementara LangGraph (framework agent LangChain) menangani orchestration, routing tool, dan reasoning multi-langkah. Keduanya terintegrasi secara native.

Apa saja tools context engineering open-source terbaik?

Langfuse untuk observability (lisensi MIT, 19k+ bintang GitHub), LlamaIndex untuk retrieval (MIT), Letta untuk memory agent (runtime open-source), LLMLingua untuk compression (Microsoft Research), dan Haystack untuk pipeline RAG satu framework yang bersih.

Bagaimana cara mengurangi biaya context window LLM?

Tiga pendekatan bekerja bersama: tools compression seperti LLMLingua yang menyusutkan prompt 2-5x, API caching (Claude dengan penghematan 90%, Gemini 75-90%, OpenAI 50%) yang memangkas biaya context berulang, dan retrieval selektif melalui RAG yang hanya mengirim context relevan ke model.

Mana yang lebih baik untuk pemantauan LLM, LangSmith atau Langfuse?

Langfuse menang untuk kebanyakan tim, ia open-source, berlisensi MIT, memiliki tier gratis 50k observasi/bulan yang murah hati, dan terintegrasi dengan setiap framework besar. LangSmith lebih baik jika Anda sepenuhnya berkomitmen pada ekosistem LangChain/LangGraph dan menginginkan integrasi paling ketat dengan debugging chain.

Sumber

• Dokumentasi Claude Prompt Caching
• Dokumentasi Gemini Context Caching
• Dokumentasi LlamaIndex
• Dokumentasi CLAUDE.md dan Memory
• Dokumentasi Langfuse
• Dokumentasi Mem0