원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
Log in to leave a comment
아직 작성된 글이 없습니다
Lanskap repositori telah berubah sejak alat kecerdasan buatan merambah ke dalam kode produksi. Menurut penelitian dari GitClear, sebuah perusahaan analisis data repositori software yang menganalisis lebih dari 211 juta baris kode produksi dari tahun 2020 hingga 2024, code churn—yaitu persentase kode yang dimodifikasi atau dihapus sepenuhnya dalam waktu 2 minggu setelah digabungkan—melonjak dari 3,1% menjadi 7,1%. Analisis empiris dari platform code review CodeRabbit juga menunjukkan bahwa kode yang dihasilkan oleh kecerdasan buatan menghasilkan 1,7 kali lebih banyak cacat per pull request dibandingkan kode yang ditulis oleh manusia. Cacat logika bisnis muncul 75 persen lebih sering, kelalaian penanganan pengecualian (exception handling) 2 kali lipat, dan kerentanan keamanan 2,74 kali lipat lebih sering. Menurut penelitian SmartBear, begitu ukuran perubahan dari satu pull request tunggal melebihi 400 baris, tingkat penemuan cacat oleh reviewer turun di bawah 70 persen. Pendekatan membaca ratusan baris kode yang dicurahkan oleh junior baris demi baris seperti sebelumnya memicu kelebihan beban kognitif dan pada akhirnya membiarkan cacat struktural yang fatal terabaikan.
Untuk memecahkan kemacetan review manual, senior engineering lead harus berhenti bertindak sebagai pemeriksa sintaks dan bergerak sebagai software architect. Anggap pull request sebagai biner yang belum diverifikasi yang dikeluarkan oleh kompiler, dan jalankan protokol audit arsitektur yang menilai kesehatan struktural dalam waktu 10 menit. Selama 3 menit pertama, bandingkan tugas penyelesaian dalam teks utama dengan daftar file yang benar-benar diubah, yaitu Diff Delta. Jika terdapat modul atau file konfigurasi yang tidak disebutkan dalam penjelasan, jangan baca kode detailnya dan langsung tolak. Selama 4 menit berikutnya, periksa apakah ada pelanggaran batas domain, seperti lapisan presentasi yang melewati layanan bisnis dan langsung mengakses database. Selama 3 menit tersisa, pantau dari perspektif penjaminan kunci idempotensi dan rollback transaksi terdistribusi untuk melihat apakah sistem bertahan saat terjadi kegagalan API eksternal atau kontensi konkurensi. Buat kolom untuk log keputusan arsitektur dan prompt asli di .github/pull_request_template.md di repositori, dan jangan buka bahkan Diff untuk kode yang gagal mencantumkan desain alternatif.
Sebelum manusia membaca keseluruhan kode, semua kesalahan yang dapat dinilai oleh mesin harus disingkirkan. Perusahaan fintech Jepang freee menghemat sumber daya senior reviewer selama 32,8 minggu hanya dalam waktu 6 bulan setelah mengintegrasikan CodeRabbit, alat semantic code review, ke dalam 285 repositori, serta mencatat tingkat penerimaan penunjukan cacat penting sebesar 54 persen. Notifikasi review hanya dikirimkan kepada senior untuk pull request yang telah melewati filter otomatis 3 langkah, sehingga memotong waktu yang dihabiskan untuk tinjauan manual menjadi setengahnya.
Filter verifikasi berurutan harus ditanamkan ke dalam pipeline CI. Pada tahap pertama, yaitu tahap analisis statis deterministik, jalankan ESLint, Biome, dan Ruff untuk menaikkan peringatan linter menjadi error serta membatasi kompleksitas siklomatik per fungsi hingga 15 atau kurang. Pada tahap kedua, yaitu tahap tipe ketat dan invarian arsitektur, aktifkan strict: true di tsconfig.json dan gunakan dependency-cruiser untuk mencegah panggilan bypass lapisan yang tidak sah. Pada tahap ketiga, yaitu tahap code review LLM semantik, pasang CodeRabbit atau Qodo untuk menangkap cacat P1, P2 serta pengujian yang terlewat. Jika tahap sebelumnya tidak lulus 100 persen, tahap berikutnya atau penugasan reviewer manusia dicegah sama sekali.
Jika agen kecerdasan buatan dikerahkan ke dalam struktur monolitik atau codebase warisan, kontaminasi konteks akan terjadi di mana model mengabaikan utilitas umum yang sudah ada dan membuat duplikat implementasi mandiri. Karena .cursorrules dengan metode file root tunggal akan semakin mengonsumsi konteks model seiring dengan berkembangnya proyek, struktur modular .cursor/rules/*.mdc harus digunakan. Karena file MDC dimasukkan secara kondisional hanya ketika pola file tertentu menjadi target pekerjaan, konsumsi token dapat dikurangi lebih dari 40 persen sambil memaksimalkan tingkat kepatuhan aturan.
Untuk menjaga integritas domain inti, direktori harus dikunci secara paksa. Buat file .cursor/rules/core-boundaries.mdc di akar proyek dan tentukan direktori inti seperti src/core/ledger/** sebagai baca-saja bersama dengan pengaturan alwaysApply: true. Tambahkan .cursor/rules/api-contracts.mdc untuk melarang penghapusan field skema respons yang ada dan memaksa penggunaan kelas pengecualian domain saat mengerjakan lapisan API. Daftarkan .env* dan riwayat migrasi di .cursorignore untuk memblokir sejak awal upaya model memindai informasi sensitif. Kasus di mana agen menduplikasi utilitas lenyap hingga lebih dari 90 persen.
Ketika junior meminta kecerdasan buatan untuk menulis unit test, cakupan baris melampaui 90 persen, namun cacat bug pada logika inti bisnis tidak tertangkap, mengakibatkan cacat lolos yang diam. Satu-satunya cara untuk memeriksa apakah pengujian berjalan dengan baik adalah skor mutasi yang mengukur apakah pengujian berhasil menangkap cacat kode yang dimasukkan secara sengaja dan memicu kegagalan.
Tanamkan framework pengujian mutasi Stryker ke dalam pipeline CI. Buat stryker.config.json di akar proyek, masukkan src/domains/**/*.ts ke dalam item mutate, lalu tetapkan nilai thresholds.break ke 70. Tambahkan perintah npx stryker run --since origin/main ke workflow GitHub Actions .github/workflows/mutation-gate.yml untuk memeriksa hanya kode yang diubah secara inkremental. Setiap hari Jumat pukul 3 hingga 6 sore, hentikan pengembangan fitur baru dan fokuslah pada penghapusan mutan yang bertahan serta integrasi kode duplikat. Jika skor mutasi kode baru turun di bawah 70 persen, pipeline langsung mengeluarkan error dan memblokir penggabungan (merge).
Masalah terbesar dalam proses adopsi kecerdasan buatan adalah keterputusan antara sikap acuh tak acuh dari senior dan ketergantungan butuh dari junior. Shopify menerapkan prinsip bahwa meskipun 95 persen kode ditulis oleh model bahasa, insinyur yang mencantumkan namanya pada pull request bertanggung jawab 100 persen atas setiap baris. Lead harus menjalankan rutinitas untuk mematahkan keyakinan buta junior dan mewariskan pengetahuan injeksi konteks.
Untuk menyamakan kemampuan manipulasi prompt para junior, adakan klinik intensif selama 30 menit setiap minggu. Selama 10 menit pertama di mana junior membawa tiket sprint dan berbagi layar dengan senior untuk memberikan instruksi kepada agen, amati apakah mereka memberikan persyaratan yang ambigu. Pada 10 menit pertengahan, senior mendemonstrasikan context engineering dengan menetapkan aturan penanganan error proyek dan tingkat isolasi transaksi sebagai batasan pada saat memasukkan prompt. Pada 10 menit terakhir, ajarkan mereka untuk tidak menerima satu jawaban pasti tunggal dari kecerdasan buatan, melainkan membuat perbandingan dari berbagai pola arsitektur dan meminta balik kondisi batas yang terlewat sebagai kasus pengujian. Melalui proses ini, tingkat kesalahan prompt junior turun lebih dari 60 persen.
