00:00:00Claude Code resmi diluncurkan pada 22 Mei tahun lalu, bersamaan dengan perilisan Claude 4.
00:00:06Namun sebelumnya juga ada pratinjau riset, jadi saya sudah menggunakan alat ini
00:00:11selama setahun lebih, dan saya sudah menghitungnya. Jika menjumlahkan semua waktu
00:00:15yang saya habiskan untuk memberi perintah, meninjau kode, dan memantau Claude, saya sudah menggunakannya selama lebih dari 2.000
00:00:21jam. Jadi ya, ada banyak hal yang bisa saya ajarkan. Itulah tujuan saya di video ini.
00:00:27Sekarang, saya ingin membagikan semua strategi teruji yang akan mengubah Anda
00:00:31dari pengguna dasar Claude Code menjadi seorang power user. Saya telah merangkum semuanya
00:00:37ke dalam kerangka kerja yang saya sebut WISC. Dan percayalah, strategi ini sangat ampuh. Saya bukan salah satu
00:00:43kreator konten AI yang baru sekadar ikut-ikutan tren Claude Code dalam beberapa bulan terakhir. Saya sudah
00:00:48menggunakan alat ini setiap hari selama setahun lebih. Jadi, strategi ini akan berhasil pada
00:00:54basis kode apa pun, bahkan yang masif atau proyek dengan banyak basis kode. Saya sudah melihat ini
00:01:00diterapkan di tingkat perusahaan, jadi apa pun proyek Anda, ini cocok untuk Anda. Strategi ini juga
00:01:05berlaku untuk asisten coding AI mana pun. Saya fokus pada Claude Code karena menurut saya itu yang terbaik saat
00:01:10ini. Saya berasumsi Anda setidaknya sudah paham dasar-dasar Claude Code, dan sekarang
00:01:15ingin naik level. Jika Anda butuh dasar-dasar membangun sistem coding AI,
00:01:21saya punya video yang akan saya tautkan di sini. Semua strategi ini ditujukan
00:01:25saat kita bekerja pada basis kode nyata yang rumit karena kita punya serangkaian strategi
00:01:32seputar manajemen konteks. Ini penting karena degradasi konteks adalah masalah terbesar asisten coding AI
00:01:38saat ini. Tidak peduli Claude Code punya batas baru 1 juta token, kita
00:01:43tetap harus memperlakukan konteks sebagai sumber daya paling berharga yang harus dirancang dengan sangat hati-hati
00:01:49pada asisten coding AI kita. Jadi W, I, S, dan C dalam kerangka kerja ini, semua strateginya
00:01:56mengacu pada hal tersebut, dan ini adalah hal-hal yang bisa langsung Anda terapkan pada proyek Anda.
00:02:00Saya akan menjelaskannya secara sederhana untuk Anda. Sekarang, pertanyaan yang mungkin muncul adalah,
00:02:05Cole, kenapa kita sangat fokus pada manajemen konteks? Setelah 2.000 jam menggunakan
00:02:11Claude Code, inikah fokus utamanya? Dan jawaban saya adalah ya. Saya tahu ini sangat spesifik,
00:02:17tapi kita perlu memahami masalah degradasi konteks dan cara menghindarinya. Saya bahkan berani mengatakan
00:02:23bahwa sekitar 80% kesalahan agen coding pada basis kode Anda disebabkan karena Anda
00:02:28tidak mengelola konteks dengan cukup baik. Jadi saya ingin memulai dengan masalah degradasi konteks,
00:02:33lalu segera masuk ke bagian praktis dari setiap elemen kerangka kerja WISC. Saya ingin
00:02:38memulai dengan degradasi konteks sebagai pengantar agar Anda benar-benar paham alasannya. Begitu menerapkan kerangka WISC,
00:02:45Anda akan langsung melihat peningkatan keandalan pada coding AI Anda, bahkan pada basis kode
00:02:50yang berantakan. Saya terus menekankan basis kode yang lebih besar dan rumit karena di sanalah degradasi konteks
00:02:56menjadi masalah yang semakin besar. Saat ini, sudah banyak penelitian industri tentang degradasi
00:03:02konteks, tapi favorit saya, yang paling praktis dan mungkin paling populer, adalah Laporan
00:03:07Teknis Chroma yang membahas bagaimana penambahan token input memengaruhi performa LLM. Ide utamanya
00:03:13adalah hanya karena Anda bisa memasukkan sejumlah token ke dalam jendela konteks LLM, bukan berarti
00:03:18Anda harus melakukannya. Dan ya, ini juga berlaku untuk Claude Code dengan batas baru 1 juta tokennya.
00:03:24Karena model bahasa besar bisa kewalahan dengan informasi, sama seperti manusia. Ini disebut
00:03:30masalah "jarum dalam tumpukan jerami". Saat Anda punya informasi yang sangat spesifik atau dalam agen coding,
00:03:35sebuah file spesifik yang sudah dibaca dan perlu diingat kembali, LLM akan melakukannya dengan baik
00:03:41dalam memori jangka pendeknya, tapi hanya jika jendela konteksnya tidak terlalu penuh.
00:03:47Saat Anda mulai memuat konteks dalam jumlah masif, Anda mulai mendapatkan apa yang disebut
00:03:52"distraktor". Ini adalah potongan informasi yang mirip atau mendekati apa yang perlu diingat oleh
00:03:58LLM, tapi tidak tepat. Kita sering melihat ini di coding AI, terutama pada basis kode
00:04:04yang lebih besar. Kita mengikuti pola yang sama untuk berbagai hal di seluruh basis kode. Ada banyak
00:04:09kemiripan dalam cara bagian-bagian basis kode diimplementasikan. Sehingga model bahasa besar akan
00:04:14mengambil informasi yang salah namun tetap sangat percaya diri dengan perbaikan atau implementasinya. Saya yakin
00:04:19Anda sering melihat ini. Masalah jarum dalam tumpukan jerami ini terjadi setiap saat
00:04:24pada coding AI. Inilah konsep degradasi konteks. Semakin besar jendela konteks kita, semakin sulit
00:04:30model bahasa besar menarik informasi yang tepat untuk giliran perintah saat ini dengan agen
00:04:36coding tersebut. Kembali ke diagram, biarkan saya menjelaskannya secara spesifik. Yang kita atasi dengan
00:04:42semua strategi ini adalah pertanyaan: bagaimana cara menjaga jendela konteks seramping mungkin
00:04:48namun tetap memberikan semua konteks yang dibutuhkan agen coding? Itulah rekayasa konteks
00:04:53yang kita lakukan di sini. Saya akan membahas setiap strategi satu per satu. Saya bahkan punya
00:04:57contoh untuk masing-masing strategi yang akan saya praktikkan langsung pada basis kode yang rumit. Semua
00:05:02perintah, aturan, dan dokumen yang saya gunakan sebagai contoh ada di folder yang akan saya tautkan
00:05:06di deskripsi. Jadi Anda bisa menggunakan semua strategi ini secara konseptual, dan juga menggunakan
00:05:12perintah-perintah contoh yang saya punya di folder .claude ini. Baik, mari kita bahas
00:05:17masing-masing strateginya. W untuk Write (Tulis), I untuk Isolate (Isolasi), S untuk Select (Pilih), dan C untuk Compress (Kompres). Dan
00:05:24tentu saja kita akan mulai dengan W, yaitu menulis, mengeksternalisasi memori agen kita.
00:05:30Sebisa mungkin, kita ingin mencatat keputusan penting dan apa yang telah dikerjakan agen
00:05:34sehingga di sesi mendatang kita bisa membuat agen memahami situasi lebih cepat dan menghabiskan
00:05:40lebih sedikit token di awal untuk membuat agen paham apa yang sebenarnya kita inginkan. Strategi pertama
00:05:46di sini adalah menggunakan git log sebagai memori jangka panjang. Saya sangat menyukai ini karena banyak
00:05:52orang yang suka merancang kerangka kerja memori yang sangat rumit untuk agen
00:05:56coding mereka, padahal sebenarnya semua orang sudah menggunakan git dan GitHub untuk kontrol versi. Jadi kita bisa
00:06:01memanfaatkan alat yang sudah kita gunakan untuk memberikan memori jangka panjang kepada agen kita. Mari
00:06:07masuk ke basis kode dan akan saya tunjukkan maksudnya. Basis kode yang akan saya gunakan untuk semua
00:06:12contoh di sini adalah Archon baru. Saya sudah bekerja keras untuk ini selama beberapa bulan
00:06:18terakhir di balik layar. Ini adalah pusat komando AI tempat Anda bisa membuat, mengelola, dan menjalankan alur kerja
00:06:23coding AI yang berjalan lama. Kami bahkan sedang mengerjakan pembangun alur kerja. Ini akan seperti
00:06:28N8N untuk coding AI. Jadi kita bisa memulai alur kerja, melihat log, dan memantaunya di
00:06:33kendali misi. Kita bisa melihat riwayat eksekusi untuk mengetahui apa yang terjadi. Contohnya ini adalah alur kerja
00:06:39yang sangat panjang untuk memvalidasi seluruh pull request di basis kode saya. Jadi ya, Anda bisa tahu
00:06:44dari melihat ini dan banyak lagi fitur Archon yang akan segera hadir, tapi Anda bisa tahu
00:06:47bahwa ada banyak bagian yang bergerak. Ini adalah basis kode yang sangat rumit. Jadi
00:06:51ini adalah contoh yang bagus untuk semua strategi yang akan saya bahas di sini.
00:06:57Untuk git sebagai memori jangka panjang, saya akan tunjukkan contoh satu baris perintah
00:07:03untuk semua pesan komit terbaru saya. Dan yang ingin saya sampaikan di sini adalah kita punya
00:07:09cara yang sangat standar dalam membuat pesan komit ini. Ada penggabungan (merge), tapi juga ada
00:07:13implementasi fitur dan perbaikan. Saya membuatnya sangat standar karena dengan begitu saya bisa mengandalkan
00:07:19pesan komit tersebut untuk memberi tahu agen coding apa yang sudah saya kerjakan baru-baru ini, karena sering kali
00:07:24hal itu akan memandu kita tentang apa yang ingin dikerjakan selanjutnya. Alasan saya membuatnya begitu
00:07:29standar adalah karena ada perintah komit yang saya jalankan. Menjalankan git commit itu mudah,
00:07:36tapi jika kita ingin menstandarisasi pesannya dan meminta agen coding membantu kita,
00:07:40menggunakan perintah khusus sangatlah ampuh. Saya punya implementasi lengkap yang saya lakukan di sini
00:07:46dalam satu jendela konteks dengan agen coding. Sekarang saya sudah di tahap akhir dan siap menjalankan
00:07:51komit. Jadi saya cukup mengetik /commit, itu saja. Perintah ini akan menjalankan standarisasi
00:07:55untuk mendokumentasikan pekerjaan yang saya lakukan. Dan juga apa pun yang saya lakukan untuk meningkatkan
00:08:01aturan atau perintah saya. Jadi ini perintah dua bagian: apa yang kita bangun, dan bagaimana kita meningkatkan
00:08:06lapisan AI-nya. Ini akan membuat komit dan saya akan tunjukkan hasilnya nanti.
00:08:10Sekarang mari kita lihat pesan komitnya, kita bisa melihat bahwa kita melakukan peningkatan pengujian
00:08:14pada CLI. Ada awalan yang bagus lalu masuk ke detailnya. Selain itu, agar agen
00:08:19coding tahu bagaimana aturan dan perintahnya sendiri berkembang seiring waktu, kita menyertakan hal itu dalam pesan
00:08:23komit setiap kali ada kesempatan untuk meningkatkan, misalnya, perintah rencana (plan) kita. Dan tentu saja
00:08:29perintah komit ini adalah salah satu sumber daya yang saya sediakan untuk Anda di repositori. Jika Anda ingin
00:08:33menggunakannya sebagai titik awal, saya juga mendorong Anda untuk menyesuaikan format pesan
00:08:37komit Anda sendiri. Yang penting di sini adalah kita menstandarisasi pesannya. Kita membuatnya sangat
00:08:41detail sehingga bisa digunakan sebagai memori jangka panjang. Baik. Strategi "menulis" yang kedua adalah
00:08:47selalu mulai dengan jendela konteks yang baru setiap kali Anda menulis kode. Apa pun yang saya kerjakan,
00:08:53alur kerja saya selalu sama: satu percakapan untuk merencana dengan agen coding. Saya akan membuat semacam
00:08:57file markdown yang berisi rencana terstruktur saya. Lalu saya kirimkan itu sebagai satu-satunya konteks ke sesi
00:09:03baru untuk masuk ke tahap implementasi. Sangat penting di sini agar spesifikasi Anda memiliki semua
00:09:08konteks yang dibutuhkan agen untuk menulis kode dan melakukan validasi. Misalnya, dalam percakapan ini,
00:09:14saya hanya melakukan perencanaan. Saya menjalankan perintah 'prime' di awal. Saya akan bahas ini sebentar lagi.
00:09:18Saya memuat konteks lalu membuat rencana dengan perintah ini. Ini perintah lain yang saya sediakan sebagai
00:09:24sumber daya untuk Anda. Ini pada dasarnya memandu agen coding: inilah struktur tepat
00:09:28yang ingin kita buat untuk satu dokumen markdown tersebut. Mengubah memori jangka pendek kita
00:09:33menjadi satu dokumen tunggal. Lalu kita akhiri sesi di sini. Kita pindah ke jendela konteks yang baru
00:09:38dan mulai implementasi. Saya jalankan perintah 'execute' saya. Di sini saya bisa
00:09:42menentukan jalur ke rencana terstruktur saya. Tanpa konteks lain karena ini seharusnya sudah berisi semua yang
00:09:48dibutuhkan. Ini sangat penting karena membuat agen coding tetap fokus pada tugas yang sedang
00:09:53dikerjakan. Terlalu banyak riset atau hal lain bisa mengacaukan jendela konteks
00:09:57jika kita melakukan implementasi di tempat yang sama dengan perencanaan. Strategi W terakhir untuk mengeksternalisasi
00:10:03memori agen adalah file progres dan log keputusan. Anda akan sering melihat ini pada kerangka kerja
00:10:08coding AI yang lebih canggih di mana ada file seperti handoff.md atau todo.md untuk berkomunikasi antar
00:10:13sub-agen atau tim agen, bahkan antar sesi agen yang berbeda. Saat Anda
00:10:17mulai kehabisan konteks, sering kali Anda ingin membuat ringkasan tentang apa yang baru saja dilakukan. Jadi
00:10:22Anda bisa pindah ke sesi baru karena mulai terlihat adanya degradasi konteks di mana agen mulai
00:10:27berhalusinasi saat percakapan menjadi terlalu panjang. Memang idealnya kita menghindari percakapan yang terlalu
00:10:33panjang, tapi terkadang itu diperlukan. Misalnya, yang sering saya lakukan dengan Archon adalah
00:10:38memintanya menggunakan CLI browser agen Vercel untuk melakukan pengujian end-to-end di browser. Dan
00:10:44saya memintanya mencoba berbagai perjalanan pengguna dan menguji kasus ekstrem. Itu memakan banyak
00:10:49konteks. Anda bisa lihat di bawah ini, saya menjalankan /context dan kita sudah mencapai 200.000 dari
00:10:56batas baru 1 juta token. Ini terisi sangat cepat. Dan begitu Anda mencapai beberapa ratus ribu
00:11:01token dalam jendela konteks, saat itulah performa agen mulai menurun. Jadi
00:11:05saya cukup menjalankan /handoff. Perintah ini akan membuat ringkasan yang bisa diteruskan ke
00:11:11sesi lain agar agen tersebut bisa melanjutkan pekerjaan. Sekarang agen tersebut tidak memiliki ratusan ribu
00:11:16token berisi panggilan alat dan sejenisnya di jendelanya. Perintah handoff ini pada dasarnya hanya
00:11:21memandu proses tentang apa saja yang harus dimasukkan ke dokumen ini agar agen selanjutnya memiliki yang dibutuhkan.
00:11:25Baik, itu menutup bagian W kita dan setiap strategi ini sangat penting karena kita
00:11:31mencatat keputusan kunci agar sesi agen di masa depan bisa memahaminya dengan cepat.
00:11:36Saya tahu penjelasan saya agak cepat. Jadi beri tahu saya di kolom komentar jika ada salah satu
00:11:40strategi yang ingin Anda bahas lebih mendalam dalam satu video penuh, karena saya bisa melakukannya untuk masing-masing strategi.
00:11:45Sekarang kita masuk ke bagian I untuk Isolate (Isolasi) menggunakan sub-agen. Saya senang menggunakan sub-agen untuk segala urusan
00:11:52riset, dan menggunakannya di hampir setiap sesi. Hal yang paling penting di sini adalah menjaga
00:11:56konteks utama Anda tetap bersih. Kita bisa menggunakan sub-agen untuk melakukan puluhan atau bahkan ratusan ribu
00:12:03token riset di seluruh basis kode atau web. Lalu hanya memberikan ringkasan yang diperlukan ke jendela
00:12:10konteks utama Claude Code kita. Jadi alih-alih memuat puluhan ribu token riset ke dalam jendela
00:12:16konteks utama, sekarang hanya sekitar 500 token. Kita tetap mendapatkan informasi inti
00:12:21yang kita butuhkan, tapi kita mendapatkan peningkatan sebesar 90,2% menurut riset Anthropic dengan menggunakan sub-agen
00:12:28untuk memuat konteks riset di awal, alih-alih membiarkan agen utama kita mengurus semuanya.
00:12:33Mari saya beri contoh singkat. Ini selalu dilakukan di awal percakapan atau sebelum rencana terstruktur yang
00:12:38saya bahas tadi, saat saya dalam proses perencanaan. Di situlah saya menggunakan sub-agen secara intensif. Lihat ini.
00:12:43Saya ingin membangun pembangun alur kerja di dalam Archon.
00:12:50Jadi saya ingin Anda membuat dua sub-agen, satu untuk melakukan riset mendalam pada basis kode untuk melihat bagaimana
00:12:55kita akan membangun pembangun alur kerja dan apa pengaruhnya bagi Archon, lalu buat sub-agen lainnya
00:13:01untuk riset web tentang praktik terbaik untuk tumpukan teknologinya. Misal jika ingin menggunakan React, library
00:13:06apa yang sebaiknya digunakan? Dan secara umum, bagaimana membangun pembangun alur kerja seperti Diffy atau N8N? Saya
00:13:12hanya menggunakan alat text-to-speech saya di sini. Kirim perintahnya. Berhasil.
00:13:16Jadi kita tidak hanya mendapatkan keuntungan isolasi, tapi juga kecepatan karena sub-agen ini akan berjalan secara paralel,
00:13:21kembali dengan ringkasan, dan agen utama saya akan mensintesis semuanya untuk memberikan keputusan akhir.
00:13:26Berhasil. Kedua sub-agen berjalan paralel di balik layar. Kita bisa melihat log masing-masing
00:13:31sub-agen tersebut. Dan mereka akan kembali di akhir setelah selesai dengan laporan akhirnya.
00:13:36Baik, sub-agen sudah selesai. Dan alih-alih menggunakan ratusan ribu token dalam
00:13:41jendela konteks utama kita — yang merupakan jumlah token yang digunakan sub-agen untuk risetnya —
00:13:46kita hanya menggunakan 44.000 token, hanya 4% dari kapasitas jendela kita sejauh ini. Itulah kekuatan sub-agen.
00:13:53Saya tidak menyarankan sub-agen untuk implementasi karena biasanya Anda butuh semua konteks tentang apa yang sudah dilakukan.
00:13:57Tapi untuk riset, ini sangat ampuh. Jadi ya, isolasi dan sub-agen sangat penting untuk proses
00:14:04perencanaan Anda. Cara lain kita menggunakan sub-agen adalah dengan apa yang saya sebut pola pengintai (scout pattern).
00:14:09Kita ingin mengirim pengintai terlebih dahulu sebelum memasukkan konteks utama. Mungkin ada bagian dari basis kode
00:14:14atau dokumentasi yang Anda ingin dijelajahi oleh sub-agen untuk melihat apakah itu relevan untuk dimuat ke dalam
00:14:21sesi utama Claude Code Anda. Jadi sub-agen bisa membuat keputusan sebelumnya. Seperti, ya, ini
00:14:25harus dimasukkan untuk perencanaan yang lebih besar atau tidak, ini tidak relevan, lewati saja. Misalnya,
00:14:30dengan Archon, saya punya beberapa dokumen markdown yang membahas sangat mendalam bagian tertentu dari basis kode,
00:14:36bukan jenis konteks yang kita inginkan dalam aturan karena tidak kita butuhkan setiap saat. Tapi terkadang
00:14:41Anda mungkin ingin memuat ini, bisa jadi dokumen di Confluence atau Google Drive, atau di mana pun Anda menyimpan konteks.
00:14:45Jadi kembali ke percakapan utama ini, saya bisa berkata, buat sub-agen untuk riset semua yang ada di
00:14:48folder .claude/docs. Apakah ada bagian dokumentasi di sini yang perlu dimuat ke dalam konteks
00:14:54utama untuk perencanaan? Saya kirim perintah ini, ia akan membuat keputusan lalu memuat apa yang penting.
00:14:59Nah, di sini kita memulai sub-agen 'explore'. Ia menemukan semua dokumentasi kita dan menyarankan untuk memuat satu.
00:15:04Lalu saya katakan, ya, silakan dimuat. Ini sangat penting untuk apa yang sedang kita rencanakan di sini.
00:15:09Jadi alih-alih hanya menggunakan sub-agen untuk riset, terkadang kita punya seluruh bagian dokumentasi yang
00:15:13kita anggap krusial untuk jendela konteks utama kita. Saat itulah kita ingin menggunakan pola pengintai.
00:15:18Itulah pembahasan lengkap untuk isolasi. Ingatlah untuk menggunakan sub-agen secara luas untuk riset
00:15:23dan perencanaan Anda. Dan sekarang kita masuk ke bagian S untuk Select (Pilih). Muat konteks Anda saat dibutuhkan,
00:15:28bukan sekadar berjaga-jaga. Maksudnya adalah jika Anda tidak 100% yakin bahwa suatu informasi
00:15:34penting bagi agen coding Anda saat ini, maka Anda tidak perlu repot-repot memuatnya. Dan kita
00:15:40punya pendekatan berlapis untuk membantu hal ini. Kita mulai dengan aturan global kita. Ini adalah
00:15:46batasan dan konvensi yang selalu kita ingin agar agen coding menyadarinya. Anda ingin
00:15:51file ini cukup ringkas, biasanya antara 500 hingga 700 baris. Banyak orang menyarankan
00:15:57bahkan lebih sedikit, tapi isinya mencakup arsitektur, perintah yang harus dijalankan, serta hal-hal
00:16:02seperti strategi pengujian dan logging. Ini contoh saya dari Archon, hal-hal yang Anda
00:16:08ingin agen coding ketahui setiap saat. Kemudian kita punya lapisan kedua: Konteks Sesuai Permintaan
00:16:12(On-demand context). Ini adalah aturan yang hanya berlaku untuk bagian tertentu dari basis kode.
00:16:18Misalnya jika kita sedang mengerjakan bagian front-end, yang tidak dilakukan setiap saat, tapi jika ya,
00:16:23inilah aturan global untuk front-end, atau aturan global untuk membangun endpoint API. Jadi kita tambahkan
00:16:28ini ke aturan global untuk jenis tugas tertentu, karena kita tidak selalu bekerja di
00:16:33front-end, misalnya. Untuk menunjukkan satu contoh, kita punya referensi YAML alur kerja yang baru saja
00:16:38saya ambil dengan sub-agen Explorer. Saat kita mengerjakan alur kerja, barulah kita
00:16:43membutuhkan ini, tapi kita tidak ingin ini ada di aturan global karena sering kali
00:16:48saat mengerjakan Archon, kita tidak sedang mengerjakan bagian spesifik tersebut. Jadi,
00:16:52ini adalah konteks sesuai permintaan. Lalu lapisan ketiga yang kita punya adalah keahlian (skills). Ini sangat populer
00:16:57pada Claude Code dan lainnya saat ini. Ada tahapan yang berbeda di mana agen akan
00:17:05mengeksplorasi instruksi dan kemampuan dalam skill tersebut hanya jika ia merasa membutuhkannya. Kita
00:17:10mulai dengan deskripsi. Ini adalah jumlah token yang sangat kecil yang dimuat di awal bersama aturan global.
00:17:15Jika agen memutuskan untuk menggunakan skill ini, ia akan memuat file skill.md lengkap,
00:17:20yang juga bisa mengarah ke skrip lain atau dokumen referensi yang ingin kita muat jika ingin
00:17:25mendalami skill tersebut lebih jauh. Sebagai contoh, saya punya skill 'agent browser'. Ini
00:17:29yang saya gunakan untuk otomasi browser untuk semua pengujian end-to-end yang saya tunjukkan tadi. Saya menggunakan
00:17:35ini setiap hari. Jadi setiap kali saya melakukan pengujian end-to-end, saya ingin memuat set
00:17:40instruksi ini agar agen paham cara menggunakan browser agen tersebut. Dan akhirnya untuk lapisan
00:17:46keempat, saya punya perintah 'prime'. Semua yang saya bahas sebelumnya adalah dokumentasi statis
00:17:52yang akan kita perbarui sesekali. Namun terkadang kita butuh agen untuk melakukan eksplorasi
00:17:57pada basis kode yang sedang berjalan. Kita perlu memastikan semua informasinya benar-benar mutakhir
00:18:02dan kita bersedia mengeluarkan beberapa token dengan sub-agen di awal untuk mewujudkannya. Itulah
00:18:07fungsi perintah prime: kita mengeksplorasi basis kode di awal proses perencanaan
00:18:11agar ia memahami basis kode kita sebelum masuk ke apa yang ingin kita bangun selanjutnya. Dan seperti yang Anda lihat di
00:18:16folder perintah saya, ada banyak perintah prime yang berbeda karena ada bagian basis kode yang berbeda
00:18:22yang ingin saya pahami oleh agen tergantung pada apa yang ingin saya bangun. Perintah prime umum saya adalah
00:18:27yang sedang kita lihat ini. Saya hanya menyuruhnya untuk mendapatkan pemahaman tentang basis kode Archon
00:18:32pada tingkat tinggi. Langkah demi langkah di sini adalah apa yang saya ingin ia baca, termasuk git log
00:18:36karena itu penting untuk menggunakan git log sebagai memori jangka panjang. Saya juga punya yang khusus,
00:18:41'prime workflows', saat saya tahu akan mengerjakan mesin alur kerja di Archon. Perintah yang sangat mirip
00:18:47tapi lebih terspesialisasi. Saya menggunakan ini di awal percakapan agar agen saya bisa
00:18:53memuat semua yang dibutuhkannya dengan cepat. Saya bisa mengonfirmasi ia memahami basis kode saya, baru kemudian masuk ke
00:18:58proses perencanaan yang saya tunjukkan tadi. Singkatnya: aturan global selalu dimuat. Konteks
00:19:03sesuai permintaan saat Anda tahu akan mengerjakan bagian basis kode yang didokumentasikan terpisah. Skills saat
00:19:09Anda butuh kemampuan berbeda, misal: oke, waktunya pengujian end-to-end, mari muat skill browser
00:19:13agen. Dan perintah prime biasanya saya jalankan di awal percakapan untuk persiapan
00:19:18perencanaan saya. Itulah penjelasan lengkap untuk bagian Select (Pilih). Sekarang kita ke bagian Compress (Kompres), dan ini
00:19:22sebenarnya bagian yang paling cepat dibahas karena Anda seharusnya tidak perlu sering melakukan kompresi
00:19:28jika Anda sudah melakukan Write, Isolate, dan Select dengan baik. Jika kita melakukan semua strategi
00:19:34lain untuk menjaga konteks tetap ramping, kita bisa menghindari ini, dan itu bagus karena Anda ingin menghindari
00:19:39kompresi sebanyak mungkin. Jika Anda harus melakukan kompresi, ada beberapa strategi yang bisa dibahas.
00:19:46Dua strategi tersebut adalah handoff dan pemadatan fokus. Mari masuk ke Claude Code dan
00:19:52melihat ini. Untuk handoff, kita sudah membahasnya sebagai salah satu strategi Write. Kita meringkas
00:19:56semua yang baru saja dilakukan untuk diserahkan ke agen lain atau agen yang sama setelah pemadatan memori.
00:20:02Lalu kita punya perintah bawaan /compact di Claude Code. Ini akan meringkas percakapan kita,
00:20:06lalu menghapus riwayat percakapan tersebut dan meletakkan ringkasannya di bagian atas jendela konteks kita. Handoff sangat
00:20:12ampuh karena di sana kita bisa menentukan alur kerja kita sendiri tentang cara mengingat informasi. Tapi
00:20:18/compact juga sangat berguna, terutama karena kita bisa memberikan instruksi ringkasan secara opsional.
00:20:23Saat saya benar-benar harus melakukan kompresi, saya akan menggunakannya setiap saat. Misalnya, "fokus pada
00:20:28kasus ekstrem yang baru saja kita uji". Sekarang, saat membuat ringkasan tersebut, ia akan memberikan
00:20:34perhatian lebih pada bagian memori jangka pendeknya itu. Ada sedikit salah ketik tapi tidak apa-apa.
00:20:41Tapi saya sering merasa perlu menggunakan keduanya. Handoff terutama jika Anda melakukan
00:20:48kompresi lebih dari dua kali — biasanya percakapan itu sudah terlalu membengkak, jadi sebaiknya Anda mulai
00:20:53sesi baru dengan handoff. Tapi jika baru sekali, sering kali saya tidak masalah menjalankan
00:20:58/compact sekali. Namun biasanya setelah kompresi, saya tetap akan meminta agen meringkas apa yang
00:21:03ia ingat agar saya yakin ia benar-benar paham, seperti: "apa yang kamu ingat di sini?"
00:21:09Jadi ya, kompresi itu tidak ideal. Hindari sebisa mungkin. Strategi kompresi
00:21:14terbaik adalah dengan tidak membutuhkannya sama sekali. Baik, itulah kerangka kerja WISC.
00:21:19Saya tahu penjelasannya cukup panjang, jadi saya harap ini bermanfaat dan beri tahu saya jika ada
00:21:24salah satu strategi yang ingin Anda bahas lebih dalam, karena saya bisa membuat video khusus untuk masing-masing
00:21:30strategi tersebut. Tapi inilah kerangka WISC. Saya harap Anda bisa menggunakannya untuk membawa kemampuan
00:21:36Claude Code Anda — atau asisten coding AI lainnya — ke tingkat berikutnya. Jika video ini bermanfaat
00:21:41dan Anda menantikan konten lainnya tentang coding AI serta penerapan kerangka kerja seperti ini,
00:21:46saya akan sangat menghargai jika Anda memberi like dan subscribe. Sampai jumpa
00:21:52di video berikutnya. Sst! Ada satu hal terakhir yang sangat penting dan tidak boleh Anda lewatkan.
00:21:59Pada 2 April, saya akan mengadakan lokakarya transformasi AI gratis secara langsung di channel YouTube saya bersama
00:22:04Lior Weinstein, pendiri CTOX, dan ini acara besar. Lior akan mengajari kita cara
00:22:09merestrukturisasi seluruh organisasi kita untuk AI, lalu saya akan mengajari Anda cara menguasai metodologi
00:22:14coding AI yang saya gunakan untuk membangun sistem yang andal dan terulang untuk agen coding saya.
00:22:20Saya akan sertakan tautan ke halaman ini di deskripsi. Acaranya akan live di channel YouTube saya, jadi Anda
00:22:27bisa mengaktifkan notifikasinya dengan mengeklik tombol ini. Sampai jumpa di sana!
00:22:32la méthodologie que j'utilise pour construire des systèmes fiables et reproductibles pour mes agents de codage. Et donc
00:22:38j'aurai un lien dans la description vers cette page. Ce sera en direct sur ma chaîne YouTube pour que vous
00:22:42puissiez activer les notifications en cliquant sur ce bouton juste ici. On se voit là-bas !