Semua yang Saya Tahu Tentang AI Coding Ternyata Salah

Video dibuka dengan menjelaskan bahwa meskipun ada ratusan framework AI coding seperti Beemad dan Speckit, framework tersebut sering gagal memenuhi harapan. Kegagalan ini bukan karena metode yang buruk, melainkan karena framework tersebut tidak cocok dengan kasus penggunaan spesifik pengguna. Dalam membangun aplikasi, lebih baik membuat workflow sendiri yang disesuaikan dengan kebutuhan proyek spesifik daripada mengandalkan solusi yang sudah jadi. Untuk membangun workflow yang efektif, diperlukan pemahaman tentang prinsip-prinsip tertentu yang digunakan oleh setiap framework.

Sebelum membahas prinsip utama, penting memahami context window yang merupakan jumlah informasi yang dapat diingat model sekaligus. Context window memiliki batasan seperti 200k token untuk model Anthropic dan 1 juta untuk Gemini. Meskipun angka ini terlihat besar, dalam praktiknya tidak terlalu luas karena context window tidak hanya berisi system prompt dan pesan pengguna, tetapi juga pesan masa lalu, file memori, tools, dan panggilan MCP. Segala yang keluar dari context window akan hilang dari memori kerja model tanpa bisa diingat kembali. Mengelola konteks adalah inti dari apa yang dilakukan framework-framework AI coding ini.

Progressive disclosure adalah prinsip paling penting dalam desain workflow AI, yang berarti hanya mengungkapkan kepada LLM apa yang penting dan menjaga fokus model pada yang benar-benar dibutuhkan saat ini. Video menggunakan Claude Code sebagai contoh dan menjelaskan bahwa meskipun model canggih seperti Sonnet 4.5 memiliki fitur context editing bawaan untuk menyaring noise, itu saja tidak cukup. Alih-alih memberikan instruksi samar seperti 'perbaiki error di backend', lebih baik meminta pemeriksaan endpoint satu per satu. Skills di Claude adalah perwujudan progressive disclosure, di mana deskripsi mereka memberikan informasi yang cukup untuk mengetahui kapan harus digunakan tanpa memuat semuanya ke konteks. Kesalahan besar adalah menggunakan MCP untuk segalanya - MCP harus digunakan hanya untuk data eksternal, sementara skills untuk yang lainnya.

Prinsip kedua adalah informasi yang tidak dibutuhkan saat ini tidak boleh berada di context window, yang dicapai melalui structured note-taking. Tools AI dapat menggunakan file eksternal untuk mendokumentasikan keputusan, masalah, atau technical debt apa pun, memungkinkan agent mempertahankan konteks kritis yang mungkin hilang pada proyek kompleks. Ketika context window direset melalui compaction, agent dapat menggunakan catatan ini untuk mendapatkan konteks tentang apa yang sudah dikerjakan dan yang masih perlu dilakukan. File agent.md adalah file konteks standar yang dibaca semua agent sebelum memulai sesi, dan beberapa menggunakan file seperti claud.md untuk memandu agent tentang struktur file eksternal. Pendekatan ini sangat membantu untuk tugas jangka panjang yang inheren kompleks.

Agent AI sering berhenti secara acak pada tugas panjang karena konteks melewati 70% dari batasnya, yang disebut attention budget. Ketika context window melewati 70%, model harus lebih fokus dan ada kemungkinan lebih tinggi terjadi halusinasi, yang membuat AI agent tidak menggunakan tools secara efektif. Untuk mengatasi ini, ada beberapa tools bawaan: compaction memungkinkan model memulai lagi dengan ringkasan yang tepat, rewind bawaan Claude untuk menghapus bagian yang tidak perlu, dan memulai context window baru untuk tugas baru agar konteks sebelumnya tidak memperlambat model. Alih-alih membiarkan konteks terisi hingga 90% dan memicu auto-compact, lebih baik mengawasi context window dan melakukan compaction sendiri secara proaktif.

Konsep sub-agent berasal dari prinsip progressive disclosure, memungkinkan agent menjalankan tugas di background tanpa mencemari context window utama. Sub-agent bekerja di context window terisolasi mereka sendiri dan hanya melaporkan output kembali ke agent utama. Ini sangat membantu untuk tugas yang terisolasi karena context window utama terlindungi dari pembengkakan dengan panggilan tools dan pencarian yang dilakukan sub-agent, memastikan informasi tetap di zona kerja khususnya. Karena berjalan di background, pengguna dapat terus berinteraksi dengan agent utama untuk hal yang memerlukan perhatian. Contoh penggunaan adalah untuk penelitian tentang aturan framework baru, di mana panggilan tools dan pencarian terisolasi dan hanya jawaban yang dikembalikan ke agent utama.

Format file yang berbeda mempengaruhi jumlah token dan efisiensi workflow karena struktur formatnya. YAML adalah yang paling efisien dalam token sehingga cocok untuk skema database, konfigurasi keamanan, dan detail API, dengan indentasi yang membantu model menyusun informasi dengan benar. Markdown lebih baik untuk dokumentasi seperti claud.md karena tingkat heading memudahkan navigasi antar bagian. XML secara khusus dioptimalkan untuk model Claude karena Anthropic menyatakan model mereka di-fine-tune untuk mengenali tag sebagai container dan separator, berguna untuk constraints, ringkasan, atau detail visual, meskipun model lain umumnya lebih menyukai Markdown dan YAML. JSON adalah yang paling tidak efisien karena semua kurung kurawal dan tanda kutip ekstra, sehingga hanya digunakan untuk hal kecil seperti status tugas.

Git adalah hal paling dasar dalam programming dan ada tren menggunakan riwayat git commit sebagai pengingat bagi model tentang kemajuan yang telah dibuat, baik di seluruh proyek atau pada satu tugas. Workflow context engineering harus dilakukan di repositori yang sudah diinisialisasi git karena memiliki alur kerja ini berarti tidak membiarkan model melakukan semuanya sekaligus, melainkan bertindak berdasarkan langkah-langkah terencana satu per satu. Git memungkinkan kontrol versi untuk mengembalikan ke versi tertentu jika ada masalah, membantu dalam mengevaluasi perubahan mana yang menyebabkan masalah. Orang-orang juga telah menerapkan paralelisme dengan git worktrees, di mana sub-agent bekerja di worktrees khusus untuk pekerjaan paralel.

Dalam workflow apa pun, selalu ada kasus mengulangi instruksi untuk prosedur umum seperti melakukan git commit atau memperbarui dokumentasi. Hampir semua tools AI memiliki cara untuk menggunakan kembali prompt yang paling sering digunakan melalui custom/commands yang memberi Claude panduan yang dapat digunakan kembali. Contohnya adalah perintah catchup yang berisi instruksi tentang cara menyusun memori di luar context window agar Claude dapat mengejar perkembangan proyek tanpa membaca setiap file. Commands juga baik dalam menegakkan struktur, seperti commit/command yang mengikuti format khusus untuk pesan commit dan pemeriksaan pra-commit. Dengan cara ini, /commands menjaga semuanya tetap terstandarisasi tanpa perlu menginstruksikan Claude berulang kali.

MCP harus digunakan kapan pun data eksternal diperlukan, seperti Jira MCP untuk mengakses tiket manajemen tim secara langsung dan mulai menerapkan perubahan berdasarkan informasi tersebut. Figma MCP digunakan untuk menyediakan kode Claude dengan panduan gaya aplikasi yang kemudian digunakan untuk menyusun desain. Untuk tugas di mana kemampuan bawaan model tidak mencukupi, MCP sangat penting untuk berinteraksi dengan sumber eksternal secara efisien. MCP dapat disertakan langsung dalam /commands sehingga menjadi bagian integral dari keseluruhan workflow. Video ditutup dengan ajakan untuk mendukung channel melalui tombol super thanks dan ucapan terima kasih kepada penonton.