원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
Log in to leave a comment
아직 작성된 글이 없습니다
Model AI tunggal pasti akan tumbang di hadapan proyek skala besar. Saat mencari bug dalam codebase yang melibatkan ribuan file yang saling terkait atau melakukan refactoring arsitektur, AI yang bekerja sendirian sering kali kehilangan konteks, terjebak dalam loop tak terbatas, dan akhirnya hanya membuang-buang token. Inilah batasan dari struktur yang terisolasi.
Agent-Teams berbasis Claude 4.6 Opus dari Anthropic hadir untuk mengatasi masalah ini. Ini bukan sekadar membuka beberapa jendela chat. Ini adalah realisasi dari Software Engineering Swarm, di mana agen-agen berdialog secara real-time, berbagi sistem file lokal, dan berkolaborasi secara paralel layaknya tim pengembang manusia. Kami mengungkap strategi praktis tentang bagaimana Senior Developer dan Tech Lead harus merancang serta mengendalikan tim yang kuat ini.
Perbedaan krusial antara Agent-Teams dengan metode sub-agen sederhana yang ada sebelumnya terletak pada Shared State (Status Bersama). Jika dulu strukturnya vertikal di mana AI utama memberi tugas dan hanya menerima hasil, kini kolaborasi horizontal dimungkinkan di mana para agen bekerja bersama dalam satu kantor (direktori lokal) yang sama.
Saat sesi dimulai, folder .claude akan dibuat di root proyek. Ini adalah ruang operasional tim.
Fitur yang paling inovatif adalah komunikasi langsung antar agen. Menggunakan tool SendMessage, pesan akan dicatat di inbox agen penerima dan dimasukkan sebagai pesan sistem pada giliran inferensi berikutnya. Secara khusus, sinyal Heartbeat yang dikirim oleh anggota tim setiap 2 hingga 4 detik memungkinkan pemimpin tim untuk memantau ketersediaan anggota secara real-time.
Memberikan perintah sekadar untuk "berkolaborasi" adalah tindakan yang tidak bertanggung jawab. Performa baru akan muncul jika setiap agen diberikan persona dan otoritas yang jelas. Untuk menemukan kerentanan dalam sistem yang kompleks, rancanglah tim sebagai berikut:
| Nama Peran | Misi Utama & Tool yang Digunakan | Output yang Diharapkan |
|---|---|---|
| Security Auditor | Pemindaian kerentanan, analisis statis | Kode PoC dan laporan |
| Performance Analyst | Profiling memori, analisis query | Proposal optimasi titik bottleneck |
| Code Archeologist | Analisis riwayat, pemahaman dependensi | Diagram arsitektur |
| Test Engineer | Eksekusi pengujian edge case | Laporan pengujian regresi |
Untuk mengurangi interferensi antar agen, gunakan Dokumen Tugas dengan struktur seperti di bawah ini sebagai prompt.
[Task Document Template]
/src/auth/* (Dilarang memodifikasi file di luar cakupan ini)npm test dan simpan log kelulusannya.Claude 4.6 Opus sangat kuat, tetapi jika tidak dikelola, biayanya akan membengkak. Berdasarkan data riset, penggunaan Prompt Caching yang tepat dapat memangkas biaya token input hingga 90%. Anda tidak perlu mengerahkan Opus yang mahal untuk semua tugas. Lakukan mix-and-match model sesuai dengan karakteristik pekerjaannya.
Claude 4.6 Opus (Max Effort) - Perancangan struktur keseluruhan dan pengambilan keputusan.Claude 4.6 Sonnet - Keseimbangan optimal antara kecepatan dan akurasi.Claude 4.6 Haiku - Pemrosesan teks massal berbiaya rendah.Jika agen utama mencoba melakukan setiap hal kecil sendiri, alihkan pemimpin ke mode khusus koordinasi melalui Delegate Mode (Shift+Tab). Batasan eksplisit untuk tidak mengintervensi sampai pekerjaan anggota tim selesai adalah kunci utama untuk mencegah pemborosan token.
Berikut adalah langkah-langkah pengaturan lingkungan untuk menggunakan fitur ini.
export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1tmux sangat cocok. Menjalankan dengan opsi claude --teammate-mode tmux memungkinkan Anda mengamati layar kerja setiap anggota tim di panel terpisah secara real-time.Context Window 1 juta token pada Claude 4.6 Opus berarti para agen dapat berdialog sambil memasukkan puluhan ribu baris kode warisan (legacy code) dan dokumen eksternal secara utuh ke dalam pikiran mereka. Faktanya, dalam benchmark MRCR v2, model ini menunjukkan peningkatan kemampuan sebesar 76% dibandingkan generasi sebelumnya dalam menemukan informasi di dalam data yang sangat luas.
Kompetensi inti dari seorang Senior Developer kini bergeser dari kemampuan menulis kode secara langsung menjadi kemampuan merancang dan mengorkestrasi tim agen AI. Anda harus menjadi arsitek yang menetapkan batasan sistem yang kompleks dan mengoptimalkan protokol komunikasi antar agen. Mulailah dengan tim kecil yang terdiri dari 3 orang atau kurang dan ukur sendiri indikator produktivitasnya.