00:00:00Ada banyak editor kode AI, masing-masing dengan rangkaian alat dan fitur unik yang membuatnya menonjol.
00:00:04Claude Code bisa dibilang yang terbaik, terutama dengan model Opus, tapi harganya juga mahal.
00:00:09Di sisi lain, Cursor adalah favorit pengembang yang suka melihat kode bersandingan dengan aksi agennya, namun ia punya masalah tersendiri.
00:00:16Google juga merilis Anti-Gravity dengan Gemini 3, yang langsung populer di kalangan pengembang karena modelnya yang mumpuni dan penggunaan gratis.
00:00:23Meskipun lebih baru dari Claude Code dan Cursor, ia berhasil mengimplementasikan banyak hal dengan lebih baik daripada Cursor.
00:00:28Sejak pengkodean AI menjadi sangat canggih, banyak orang mulai menciptakan alur kerja mereka sendiri dengan alat-alat ini.
00:00:35Namun kunci dari alur kerja yang baik adalah seberapa efisien ia dalam mengelola konteks Anda.
00:00:39Sebelumnya, Anthropic merilis 'harness' agen untuk tugas jangka panjang, dan kali ini, Cursor merilis harness-nya sendiri untuk memaksimalkan kemampuannya.
00:00:50Prinsip-prinsip dalam artikel tersebut berlaku bagi semua agen, jadi saya menerapkan prinsip tersebut pada Anti-Gravity milik Google.
00:00:57Mungkin belum menjadi yang terbaik, tapi ia memiliki fitur-fitur yang membedakannya dari yang lain.
00:01:01Banyak yang harus kita bahas hari ini karena dengan penambahan harness ini, performa Anti-Gravity meningkat pesat.
00:01:28Terakhir, ada faktor cara Anda berinteraksi, cara memberikan prompt, dan cara menindaklanjuti responsnya.
00:01:38Harness sangat penting karena model yang berbeda merespons prompt yang sama dengan cara berbeda, sesuai kekuatan dan lingkungan pelatihannya.
00:01:48Misalnya, model yang dilatih di lingkungan berbasis shell mungkin lebih memilih menggunakan GREP daripada alat pencarian khusus.
00:01:54Ini penting karena kita tahu model seperti Claude sangat baik dengan prompt XML, sementara yang lain lebih oke dengan Markdown.
00:02:00Oleh karena itu, sangat krusial agar harness yang kita gunakan disesuaikan dengan model spesifik yang sedang dikerjakan.
00:02:04Perencanaan sebelum implementasi sangat penting untuk memastikan kode sesuai dengan ekspektasi Anda.
00:02:10Pengembang berpengalaman cenderung membuat rencana sebelum membuat kode agar bisa berpikir jernih dan memberi agen target yang konkret.
00:02:18Fitur perencanaan Anti-Gravity adalah favorit saya karena merevisi rencana sangat mudah dilakukan melalui komentar.
00:02:24Saat saya mulai dalam mode perencanaan, ia menganalisis instruksi saya dan basis kode yang ada secara mendalam, lalu membuat rencana detail.
00:02:30Meskipun membosankan, membaca seluruh rencana sangat penting untuk memastikan implementasi selaras dengan visi Anda.
00:02:38Untuk perubahan, saya cukup berkomentar pada baris yang tidak sesuai, dan ia akan memasukkannya ke dalam rencana yang direvisi.
00:02:46Sangat penting untuk terus menyempurnakan rencana tersebut hingga sempurna.
00:02:49Setelah selesai, agen dapat mengimplementasikan semuanya secara otonom.
00:02:52Bahkan jika hasilnya tidak sesuai keinginan, lebih baik kembali ke mode perencanaan daripada menggunakan prompt tindak lanjut.
00:03:00Setelah itu, agen perlu bekerja dengan konteks yang tepat.
00:03:03Namun sebelum itu, ada pesan dari sponsor kami.
00:03:05Luma AI dengan alat baru mereka, Dream Machine, Ray3 Modify.
00:03:08Jika Anda pernah membuat video AI, Anda tahu frustrasinya: saat ingin mengubah gaya atau adegan, karakter jadi berantakan dan gerakan terasa aneh.
00:03:18Ray3 Modify mengatasi masalah tersebut.
00:03:20Untuk pertama kalinya, video AI benar-benar terasa bisa disutradarai, bukan sekadar tebakan.
00:03:23Anda bisa mengambil klip yang sudah ada dan mengubah dunia, pencahayaan, atau gaya sinematiknya sambil menjaga identitas karakter dan emosinya.
00:03:33Performanya tetap terjaga, sementara tampilannya berubah persis seperti yang Anda inginkan.
00:03:36Dengan referensi karakter dan keyframe yang bisa dimodifikasi, Anda mengontrol apa yang tetap konsisten di setiap pengambilan gambar.
00:03:42Sangat cocok untuk alur kerja hibrida, film pendek, video musik, dan karya konsep sinematik.
00:03:47Bahkan untuk produksi skala kecil sekalipun.
00:03:48Sejujurnya, ini terasa seperti pascaproduksi AI yang sesungguhnya.
00:03:51Berhenti menebak-nebak. Mulailah menyutradarai.
00:03:53Cek Ray3 Modify di komentar yang disematkan atau pindai kode QR untuk melihat kemampuannya.
00:03:58Setelah perencanaan matang, tugas Anda adalah memberikan konteks yang dibutuhkan setiap agen untuk menyelesaikan tugasnya.
00:04:04Kesalahan umum lainnya adalah orang cenderung menandai (tag) setiap file secara manual.
00:04:08Anda tidak perlu melakukannya secara manual karena agen memiliki alat pencarian canggih yang bisa menarik konteks saat dibutuhkan.
00:04:13Menandai file secara manual membebani konteks dengan semua data, padahal tidak semua baris kode diperlukan.
00:04:18Agen dapat menggunakan grep untuk memuat segmen spesifik yang mereka butuhkan saja.
00:04:21Contohnya, jika ingin mengubah halaman pendaftaran, menandai file akan memuat lebih dari 200 baris kode, yang justru membebani konteks.
00:04:30Padahal yang dibutuhkan mungkin hanya satu fungsi sekitar 50 baris, sisanya hanyalah sampah informasi bagi konteks.
00:04:38Daripada menandai file secara manual, andalkan alat pencarian agen untuk mencari fungsi yang diperlukannya.
00:04:43Anda tidak harus menyelesaikan semuanya dalam satu percakapan saja.
00:04:45Mulailah percakapan baru untuk setiap tugas baru, atau saat agen mulai bingung dan melakukan kesalahan yang sama.
00:04:52Intinya, buat percakapan baru setelah Anda menyelesaikan satu unit pekerjaan yang logis.
00:04:57Misalnya, saya membuat obrolan baru untuk setiap fitur baru dan memulainya dengan perencanaan fitur tersebut.
00:05:04Dengan cara ini, semua tugas terisolasi dan sesuai dengan kebutuhan saya.
00:05:07Anda tidak butuh percakapan baru hanya jika sedang mengerjakan fitur yang sama, butuh konteks diskusi tersebut, atau sedang men-debug fitur itu.
00:05:16Di luar kasus tersebut, lebih baik kurangi gangguan dengan memulai percakapan yang baru.
00:05:21Efektivitas respons agen sebenarnya adalah panduan kapan Anda harus memulai percakapan baru.
00:05:26Jika ingin merujuk detail dari obrolan sebelumnya, cukup referensikan obrolan tersebut secara langsung alih-alih membimbing agen dari awal.
00:05:35Ini memungkinkan agen mengidentifikasi konteks secara cerdas, membaca riwayat secara selektif, dan hanya mengambil konteks yang diperlukan.
00:05:43Kemampuan agen dapat diperluas dengan menggunakan serangkaian aturan dan keterampilan (skills).
00:05:47Anda bisa menyesuaikan perilakunya dengan menentukan aturan proyek, yaitu panduan spesifik atau praktik terbaik yang harus diikuti agen secara konsisten.
00:05:55Anti-Gravity memudahkan penambahan kustomisasi ini baik di lingkup lokal maupun global.
00:06:00Untuk menambahkan panduan, cukup masukkan aturan tersebut ke dalam lingkup proyek.
00:06:03Aturan ini disimpan di folder .agent, yang berisi folder rules dengan file markdown untuk instruksinya.
00:06:09Sebagai contoh, saya menambahkan aturan di proyek ini agar bagian front-end memenuhi standar VCAG.
00:06:13Setelah aturan ditambahkan, Anti-Gravity akan membuat rencana yang menyertakan tag label dan detail lainnya agar halaman tersebut patuh pada VCAG.
00:06:24Anda bisa menambahkan sebanyak mungkin aturan yang dibutuhkan untuk memandu dan memperluas kemampuan agen.
00:06:29Demikian pula, 'agent skills' ditambahkan di Anti-Gravity dengan mengikuti standar terbuka Anthropic yang berisi instruksi, skrip, dan pengetahuan spesifik.
00:06:38Keterampilan dimuat secara dinamis saat agen menganggapnya relevan, sehingga konteks tetap terjaga.
00:06:43Semua keterampilan ini tersimpan di folder .agent pada Anti-Gravity.
00:06:47Setiap skill berisi file .md khusus yang mencakup nama, deskripsi konteks, dan detail cara penggunaannya.
00:06:55Akses ke referensi dan skrip lainnya disimpan di folder masing-masing.
00:06:59Menggunakan skill di Anti-Gravity semudah menentukan skill mana yang Anda inginkan dan tugas apa yang harus dilakukan.
00:07:05Saya meminta Anti-Gravity menggunakan skill spesialis pengujian untuk menulis kasus uji, dan ia membuat rencana pengujian lengkap sesuai panduan.
00:07:14Ia juga menggunakan semua pustaka di referensi, skrip, dan panduan yang ditentukan dalam skill tersebut untuk menjalankan tugasnya.
00:07:21Model kini semakin mahir menganalisis gambar, jadi kita harus lebih mengandalkan kemampuan tersebut dalam prompt kita.
00:07:29Daripada menjelaskan desain dengan kata-kata, Anda bisa langsung mengambil tangkapan layar dari bagian yang ingin diimplementasikan.
00:07:35Masuk ke Anti-Gravity, tempel tangkapan layarnya, dan minta ia mengimplementasikannya persis seperti di gambar.
00:07:41Melalui analisis gambar, agen dapat memahami visual tersebut sepenuhnya dan menerjemahkannya ke dalam kode.
00:07:45Hal lain yang sering saya lakukan dengan gambar adalah debug kesalahan, karena isu UI lebih mudah dijelaskan dengan gambar daripada kata-kata.
00:07:54Jadi setiap ada masalah UI, saya ambil screenshot, berikan ke Anti-Gravity, dan ia akan memperbaikinya untuk saya.
00:08:00Alih-alih langsung terjun ke kode, kita perlu mengikuti praktik terbaik pengembangan perangkat lunak dalam pengembangan AI juga.
00:08:06Salah satu alur kerja yang efektif adalah Test-Driven Development (TDD), di mana agen menulis pengujian terlebih dahulu baru kemudian kodenya.
00:08:15TDD bekerja baik dengan agen AI karena mereka jadi punya target optimasi yang jelas dan kriteria keberhasilan yang terukur.
00:08:26Saat mengatur backend, saya meminta agen menulis tes untuk rute otentikasi tanpa menulis kode implementasinya terlebih dahulu.
00:08:40Setelah agen menulis kasus uji dan saya merasa puas, baru saya memintanya untuk menjalankan pengujian tersebut.
00:08:45Tes-tes ini awalnya gagal karena memang belum ada implementasi kodenya.
00:08:49Setelah pengujian selesai dibuat, saya melakukan commit ke Git untuk menjaga log seandainya agen mencoba mengubah pengujian tersebut.
00:08:55Lalu, saya minta agen menulis kode untuk endpoint tersebut, dengan instruksi tegas untuk tidak mengubah file pengujiannya.
00:09:01Kami terus beriterasi sampai semua tes lolos, memverifikasi berulang kali hingga setiap pengujian berhasil.
00:09:07Dengan cara ini, agen memiliki tujuan yang jelas untuk dicapai melalui iterasi.
00:09:10Saat mulai bekerja pada basis kode baru dengan agen, ajukan pertanyaan yang sama seperti yang Anda tanyakan pada rekan satu tim.
00:09:16Ini memungkinkan agen menelusuri basis kode menggunakan grep dan pencarian semantik untuk memahami struktur proyek sambil menjawab Anda.
00:09:24Saya bertanya tentang detail kode dan rute agar agen dapat menangkap struktur dan fungsionalitas proyek tersebut.
00:09:30Dengan begitu, saat saya memberikan fitur baru untuk dibuat, agen sudah paham strukturnya sehingga pengerjaan jadi lebih mudah.
00:09:37Git sangat penting karena bukan hanya sebagai kontrol versi, tapi juga sebagai basis pengetahuan bagi agen pengkodean.
00:09:43Kami sudah sering menekankan pentingnya menggunakan Git di video-video sebelumnya.
00:09:47Commit Git yang jelas membantu agen, memudahkan pelacakan versi stabil, dan memungkinkan pembatalan jika agen melakukan perubahan yang salah.
00:09:58Untuk mempermudah kerja dengan Git, saya menggunakan set perintah yang dapat digunakan kembali, yang kami sebut sebagai 'workflows' di Anti-Gravity.
00:10:04Saya lebih suka format commit yang terstruktur, jadi saya memastikan alur kerja commit memaksakan struktur tersebut, bahkan dengan contoh untuk si agen.
00:10:13Sebelum commit, pemeriksaan keamanan dan tinjauan kode dilakukan untuk memastikan commit Git saya bersih dan sesuai standar.
00:10:20Anda juga bisa membuat set perintah untuk mengelola pull request, worktree, branch, dan lainnya, membuat alur kerja Git lebih konsisten.
00:10:28Memanggil alur kerja ini cukup dengan menuliskan nama workflow-nya, yang kemudian akan menjalankan semua langkah secara otomatis.
00:10:34Gunakan perintah lain seperti 'fix issues' atau 'review' untuk meninjau kode atau memperbarui dependensi sesuai kebutuhan basis kode.
00:10:43Ini mungkin terdengar mendasar, tapi kode buatan AI pasti butuh ditinjau dan tidak selalu sempurna.
00:10:48Satu praktik penting adalah memperhatikan agen saat ia sedang bekerja.
00:10:51Jika Anda melihatnya mulai menyimpang, segera instruksikan untuk berhenti dan arahkan kembali ke tujuan awal.
00:10:56Setelah agen selesai, Anda perlu melakukan peninjauan menggunakan agen itu sendiri.
00:11:00Dalam proyek saya, saya sering menggunakan workflow kustom untuk peninjauan kode yang menyertakan praktik terbaik Git.
00:11:06Workflow ini menyoroti masalah berdasarkan tingkat keparahan, membuat daftar periksa, serta menjalankan linter dan pengujian setelah peninjauan.
00:11:15Ini menjamin kode yang dihasilkan memiliki kualitas tinggi dan dapat diandalkan.
00:11:18Karena hampir semua proyek menggunakan kontrol sumber seperti GitHub, kami menggunakan BugBots untuk analisis AI guna menemukan isu pada setiap pull request.
00:11:28Banyak alat berbasis AI yang bisa membantu meninjau kode Anda, seperti CodeRabbit, Sentry, dan lainnya.
00:11:33Bahkan GitHub punya fitur peninjauan kode bawaan untuk setiap pull request yang sangat membantu alur kerja tim.
00:11:38Untuk mengidentifikasi masalah arsitektur, kita bisa meminta agen membuat diagram mermaid.
00:11:43Dengan diagram ini, kita bisa menganalisis secara visual dan menemukan masalah-masalah utama.
00:11:47Visual seperti ini sangat berguna karena lebih mudah dipahami dan berfungsi sebagai dokumentasi arsitektur proyek yang jelas.
00:11:54Menjalankan agen secara paralel sangat penting karena selain meningkatkan performa model AI, ini juga menghemat banyak waktu tunggu.
00:12:05Pendekatan ini dapat meningkatkan hasil keluaran secara signifikan.
00:12:07Saya sering menggunakan beberapa agen sekaligus untuk tugas yang berbeda, dan menggunakan model yang berbeda pula karena tiap model punya keunggulan masing-masing.
00:12:16Agen-agen ini bekerja secara independen dan hanya akan memberitahu Anda jika butuh masukan, sehingga mereka bisa beroperasi serentak.
00:12:22Karena agen Anti-Gravity berbagi ruang kerja yang sama, saya membiarkan mereka bekerja di branch yang terpisah.
00:12:28Setelah tugas selesai dan lolos pemeriksaan, saya baru menggabungkan (merge) fitur-fitur tersebut ke branch utama.
00:12:34Seringkali kita menemui bug yang sangat sulit untuk diperbaiki.
00:12:38Dalam kasus seperti itu, mode debug adalah solusi terbaik.
00:12:40Alih-alih menebak perbaikan, mode debug mencoba memahami masalah dan membuat pernyataan logging untuk mempersempit bug secara sistematis.
00:12:50Meski tidak ada mode debug bawaan di Anti-Gravity, kita bisa menerapkannya menggunakan 'debug mode skill'.
00:12:56Skill ini berisi semua instruksi untuk menangani perilaku kode yang tidak terduga.
00:13:00Ia mengikuti pendekatan berbasis bukti, membuat hipotesis, dan menyediakan rencana bertahap untuk menyelesaikan masalah.
00:13:08Dipandu oleh skrip dan referensi khusus, efektivitas mode debug ini menjadi jauh lebih andal.
00:13:14Kapan pun saya menemukan bug, saya cukup menggunakan mode debug dan membiarkan agen mencari tahu masalahnya sesuai panduan di skill.md.
00:13:25Itulah akhir dari video kali ini.
00:13:27Jika Anda ingin mendukung saluran ini agar kami bisa terus membuat konten seperti ini, silakan gunakan tombol 'Super Thanks' di bawah.
00:13:33Seperti biasa, terima kasih sudah menonton dan sampai jumpa di video berikutnya.