Cara Aman Mengoperasikan AI Coding Agent di Jaringan Perusahaan
TuBrief 편집팀
2026년 7월 8일
0
Computing/Software원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
커뮤니티의 다른 글
댓글 (0)
Log in to leave a comment
아직 작성된 글이 없습니다
원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
Log in to leave a comment
아직 작성된 글이 없습니다
Jika Anda seorang technical lead di tim pengembangan perangkat lunak, Anda pasti sering merasa dilema. Mengadopsi alat coding AI membuat Anda khawatir kode sumber perusahaan akan bocor ke luar, namun membiarkan anggota tim menggunakannya sesuka hati akan membuat biaya API bulanan membengkak tak terkendali. Anda dapat mengatasi masalah ini dengan membangun infrastruktur yang menjalankan model open-source sendiri di dalam jaringan tertutup perusahaan, tanpa bergantung pada layanan komersial berbasis cloud.
Ada lebih dari 14.000 instans Ollama yang terekspos ke internet tanpa autentikasi apa pun. Ini adalah akibat dari pengembang yang sembarangan mengubah pengaturan host demi kenyamanan. Untuk mencegah kebocoran kode, server model dan agen harus dipisahkan secara fisik di tingkat jaringan virtual. Dengan menggunakan fitur isolasi jaringan Docker Compose, Anda dapat memblokir semua paket yang keluar ke internet publik.
Caranya sederhana. Tambahkan opsi internal: true ke pengaturan jaringan di file docker-compose.yml Anda.
`yaml
version: '3.8'
networks:
secure-internal:
internal: true
driver: bridge
services:
ollama:
image: ollama/ollama:0.5.14
environment:
- OLLAMA_CLOUD_DISABLED=true
networks:
- secure-internal
coding-agent:
image: node:20-slim
environment:
- OLLAMA_HOST=http://ollama:11434
networks:
- secure-internal
`
Dengan cara ini, agen dan server model dapat berkomunikasi satu sama lain, namun tidak terhubung ke jaringan luar. Anda dapat memverifikasi sendiri bahwa komunikasi eksternal telah diblokir dengan menjalankan perintah docker compose exec coding-agent ping google.com.
Kode yang ditulis AI sering kali berjumlah banyak namun sulit untuk ditinjau. Kenyataannya, para senior engineer menghabiskan seluruh waktu mereka untuk memeriksa kode tersebut dengan teliti. Manfaatkan framework Pre-commit untuk memastikan AI memeriksa kode berdasarkan aturan keamanan yang telah ditetapkan sebelum kode tersebut di-commit.
Setelah membuat skrip ai_code_review.py yang memeriksa konvensi kode dan kerentanan keamanan tim, daftarkan skrip tersebut ke dalam .pre-commit-config.yaml seperti di bawah ini.
`yaml
repos:
`
Dengan metode ini, kunci rahasia yang di-hardcode atau pelanggaran aturan penamaan akan tersaring sebelum diunggah ke repositori jarak jauh. Anda dapat mengurangi waktu yang dihabiskan untuk meninjau kode sekitar 5 jam per minggu.
Jika AI secara tidak sengaja mengirimkan ribuan permintaan percobaan ulang ke model komersial, biaya akan melonjak dalam sekejap. Untuk mencegah hal ini, Anda harus menempatkan proxy LiteLLM di tengah. Atur batas anggaran API untuk setiap anggota tim, dan konfigurasi agar sistem secara otomatis beralih ke model lokal yang lebih murah jika batas tersebut terlampaui.
`bash
curl -X POST 'http://localhost:4000/key/generate'
-H 'Authorization: Bearer sk-secure-master-key-1234'
-H 'Content-Type: application/json'
-d '{
"key_alias": "backend-developer-key",
"max_budget": 50.0,
"budget_fallbacks": {
"optimized-primary": ["cost-efficient-fallback", "self-hosted-local"]
}
}'
`
Dengan menerapkan pengaturan ini, model lokal perusahaan akan bekerja menggantikan model cloud saat anggaran terlampaui. Ini adalah langkah praktis yang dapat memangkas biaya API bulanan hingga lebih dari 20%.
Jika Anda memasukkan kode lama (legacy code) ke dalam agen secara keseluruhan, token hanya akan terbuang sia-sia dan kemungkinan besar kode yang dihasilkan akan tidak akurat. Gunakan alat seperti Repomix untuk mengompres deklarasi kelas dan antarmuka ke dalam file XML lalu berikan kepada model. Anda dapat menghemat sekitar 70% token sekaligus menyampaikan konteks yang diperlukan dengan lebih akurat.
Berdasarkan hasil penelitian METR, terdapat kasus di mana kelompok pengembang yang menggabungkan AI justru mengalami penurunan produktivitas. Hal ini terjadi karena ukuran perubahan kode yang membengkak tanpa kendali menyebabkan bottleneck dalam proses review. Sebagai technical lead, jangan hanya terpaku pada kecepatan agen. Seberapa presisi Anda mengontrol infrastruktur perusahaan itulah yang akan menentukan keberhasilan tim Anda.