00:00:00GitHub baru saja meluncurkan alat yang sangat menarik. Namanya adalah agentic workflows dan tujuannya untuk menyederhanakan
00:00:05pengelolaan pipeline CI/CD dengan menyediakan cara untuk mengatur alur kerja menggunakan pemrograman
00:00:12bahasa alami. Ini ide yang cukup keren dan mungkin akan memodernisasi cara kita memelihara dan memoderasi
00:00:18repositori kita. Dalam video ini, kita akan melihat lebih dekat bagaimana GitHub agentic workflows bekerja
00:00:24dan saya akan menunjukkan cara mengaturnya untuk repositori Anda sendiri. Ini akan sangat menyenangkan,
00:00:28jadi mari kita mulai.
00:00:30GitHub agentic workflows adalah proyek baru dari GitHub Next dan Microsoft Research sebagai bagian dari
00:00:40visi yang lebih luas yang mereka sebut Continuous AI. Tujuannya adalah melampaui otomatisasi kaku menuju konsep
00:00:47yang mereka sebut Productive Ambiguity. Idenya adalah bahwa GitHub Actions tradisional bersifat deterministik.
00:00:54Jika X terjadi, lakukan Y. Namun tugas seperti memilah bug, memperbarui dokumentasi,
00:01:00atau menemukan cacat arsitektur membutuhkan sedikit penilaian. Dan agentic workflows memungkinkan Anda untuk
00:01:06mendeskripsikan penilaian tersebut dalam markdown biasa dan mengeksekusinya. Namun itu juga berarti
00:01:11perlu ada beberapa batasan pengaman, itulah sebabnya alat ini menggunakan pendekatan yang mengutamakan tindakan.
00:01:16Pada dasarnya, ini mewarisi seluruh ekosistem GitHub Actions seperti log yang terlihat oleh tim, manajemen rahasia,
00:01:23dan izin yang dapat diaudit. Jadi Anda mendapatkan kecerdasan agen dengan batasan pengaman
00:01:29dari pipeline CI/CD standar. Agen ini berjalan dengan izin minimal secara default, artinya mereka
00:01:35dapat menganalisis kode dan menyarankan perbaikan, tetapi tidak dapat melakukan operasi penulisan tanpa
00:01:41persetujuan eksplisit melalui jalur sanitasi yang telah ditentukan. Jadi pada dasarnya, idenya adalah membuat
00:01:46asisten AI DevOps tetapi dengan batasan keamanan di sekitarnya. Dan pengaturannya sangat
00:01:52mudah. Anda hanya perlu menambahkannya menggunakan ekstensi GitHub CLI dan Anda siap beraksi.
00:01:57Alur kerjanya sendiri terjadi dalam proses dua langkah. Pertama, Anda membuat file markdown berisi
00:02:03instruksi untuk agen Anda, lalu jalankan ghawcompile pada file markdown tersebut, dan sistem akan membaca
00:02:10instruksi bahasa alami Anda dan mengubahnya menjadi alur kerja GitHub Actions yang kuat dan terkunci
00:02:16yang disimpan dalam file .log.yaml khusus. Anda kemudian mem-push perubahan tersebut ke repositori dan
00:02:22agen akan diaktifkan secara otomatis. Mari kita lakukan demo singkat untuk melihat cara kerjanya. Di sini
00:02:29saya telah membuat proyek kosong dan pertama-tama saya akan membuat file Python sederhana dengan beberapa
00:02:34variabel data untuk saat ini. Kita akan kembali ke file ini nanti, tapi untuk sekarang itu saja yang kita butuhkan.
00:02:39Sekarang kita perlu membuat folder .github dan juga subfolder workflows di dalamnya. Dan pastikan
00:02:46Anda mengikuti konvensi penamaan ini agar Agentic Workflows tahu di mana harus mencari saat mengompilasi
00:02:51file markdown tersebut. Lalu mari buat file markdown bernama agent.md. Dan file ini pada dasarnya
00:02:57terdiri dari dua bagian. Bagian pertama adalah header di mana Anda menentukan izin apa yang akan dimiliki agen ini.
00:03:03Anda juga perlu menentukan penyedia AI mana yang akan Anda gunakan. Dalam kasus saya, saya akan
00:03:09menggunakan Copilot. Dan semua setelah itu hanyalah interpretasi bebas. Anda cukup menggunakan bahasa alami
00:03:15untuk mendeskripsikan apa yang perlu dilakukan agen. Dalam demo ini, saya akan membuat auditor Big O yang bertugas
00:03:21memeriksa commit kode, menghitung kompleksitas Big O dari setiap kode baru, dan jika tidak efisien,
00:03:27mengidentifikasi serta menyarankan cara yang lebih baik untuk mengoptimalkannya. Saya juga akan memintanya menampilkan temuan
00:03:33dalam tabel berformat markdown untuk gambaran cepat. Sekarang saya akan kembali ke direktori root dan menjalankan
00:03:38gh-aw-compile. Dan jika semuanya benar, kita akan mendapatkan pesan yang menyatakan bahwa kita telah mengompilasi
00:03:45alur kerja baru. Dan jika kita melihat struktur file sekarang, Anda akan melihat bahwa kita sekarang memiliki file .log.yaml,
00:03:51yang secara otomatis dikompilasi oleh skrip, dan juga folder baru bernama aw, yang
00:03:57berisi file log GitHub Actions. Jadi sekarang kita bisa mem-push perubahan ini ke repositori kita. Dan hal
00:04:03terakhir yang harus Anda lakukan adalah menyetel kunci API dari penyedia AI pilihan Anda sebagai secret, agar agentic workflows
00:04:10dapat mengaksesnya. Dalam kasus saya, saya memilih Copilot sebagai mesinnya, jadi saya memberikan token GitHub Copilot saya
00:04:15di sini. Setelah semua selesai, saya akan mem-push semua perubahan ini ke GitHub. Pada titik ini,
00:04:21agentic workflow seharusnya sudah siap dan siap untuk diaktifkan. Dan karena saya mengonfigurasi alur kerja saya
00:04:26untuk diaktifkan pada setiap pull request baru, mari kita buat pull request baru untuk mencobanya.
00:04:32Saya akan membuat branch baru untuk repositori saya. Dan di branch baru ini, saya akan menambahkan fungsi baru
00:04:37ke file main.py yang akan mencari record yang cocok. Tapi saya sengaja menulis fungsi ini
00:04:44agar memiliki kompleksitas Big O yang sangat tidak efisien yaitu O(N^2). Jadi jika saya membuka pull request dengan kode ini,
00:04:50agen kita seharusnya mengidentifikasi fungsi ini tidak efisien dan menyarankan beberapa perbaikan.
00:04:56Mari kita coba sekarang. Saya sudah menambahkan kodenya, mem-push perubahannya, dan kembali ke GitHub, mari kita buka
00:05:02pull request baru. Dan Anda akan melihat begitu saya membuka permintaan tersebut, pipeline agentic workflow akan
00:05:08segera aktif dan mulai memproses perubahan kode kita. Pipeline ini membutuhkan waktu sekitar tiga
00:05:13menit untuk selesai. Dan sekarang kita melihat bahwa auditor Big O kita memang telah mengidentifikasi fungsi kita sebagai
00:05:20tidak efisien. Dan memberikan penjelasan rinci mengapa hal itu terjadi dengan tabel yang terformat rapi, seperti yang
00:05:26saya minta, diikuti dengan bagian di mana ia mengusulkan solusi yang lebih baik. Dan lihat itu, ia bahkan menghitung
00:05:33dampak performa yang bisa kita peroleh dengan menerapkan solusi yang dioptimalkan. Jadi saya harap contoh ini menunjukkan
00:05:39kepada Anda bagaimana dengan pengaturan minimal, kita dapat menggunakan agentic workflows untuk memberikan pemeriksaan keamanan tambahan
00:05:44di sekitar basis kode kita. Di sinilah peran ambiguitas produktif tersebut, kita dapat meminta agen untuk
00:05:51menggunakan penilaiannya sendiri guna mencapai tujuan tingkat tinggi seperti menjaga kualitas kode dan performa. Sekarang,
00:05:56jelas ini masih merupakan prototipe penelitian dari GitHub Next, dan Anda mungkin akan menghadapi
00:06:01beberapa latensi. Dan Anda pasti masih membutuhkan peran manusia untuk memverifikasi pemeriksaan akhir. Namun
00:06:07ini adalah visi yang lebih luas dari continuous AI, di mana kita dapat memanfaatkan kekuatan agen AI untuk memantau
00:06:14dan mengelola pipeline CI/CD kita secara otonom. Dan berbicara tentang sistem yang mengatur diri sendiri, jika Anda
00:06:19mengelola lingkungan produksi, Anda tahu bahwa menjaga semuanya berjalan lancar adalah pekerjaan 24 jam seminggu.
00:06:25Itulah mengapa saya merekomendasikan untuk mencoba Better Stack karena kami baru saja meluncurkan AI SRE
00:06:31milik kami sendiri yang membantu Anda menangani insiden on-call saat Anda tidur. Jadi Anda bisa berhenti memadamkan api dan fokus
00:06:38untuk benar-benar merilis kode. Jadi begitulah teman-teman. Jika menurut Anda video ini bermanfaat dan
00:06:42informatif, beri tahu saya dengan mengeklik tombol suka di bawah video. Dan jangan lupa
00:06:47untuk berlangganan saluran kami. Ini Andris dari Better Stack dan sampai jumpa di video
00:06:52berikutnya.