Panel Coding untuk Masa Depan

하이라이트

• Agen pengembangan perangkat lunak end-to-end (droids) dapat menangani seluruh siklus hidup pengembangan termasuk dokumentasi, testing, dan review, membebaskan developer untuk fokus pada tugas yang lebih menyenangkan

• Penggunaan model open-source meningkat drastis seiring dengan peningkatan kemampuan mereka, dengan aplikasi praktis seperti fine-tuning untuk tugas-tugas spesifik menjadi lebih viable

• Keseimbangan antara eksekusi lokal versus cloud tergantung pada lokasi resources yang perlu diakses, dengan tren jangka panjang mengarah pada konvergensi kedua pendekatan

• Agen coding bekerja lebih baik ketika menerima instruksi yang spesifik dan well-defined, dengan tingkat keandalan yang meningkat seiring dengan kualitas guidance dari pengguna

• Bimodality dalam adopsi agen terlihat di enterprise dengan junior engineer yang lebih terbuka terhadap development native-agent, sementara senior engineer menulis specification detail untuk delegasi

• Tahun depan diproyeksikan akan membawa peningkatan signifikan dalam jumlah langkah agen yang dapat dijalankan (100+ steps) dan kemampuan agen untuk secara proaktif menemukan context sources yang diperlukan

• Agen bukan hanya untuk coding tetapi juga untuk kolaborasi holistik, mencakup documentation, problem-solving, debugging, dan bahkan persuasi, menciptakan 'ideal collaborator' untuk developer

타임라인

1. 00:00 - 01:03

   Pengenalan Panel dan Misi Factory dalam AI Coding

   Panel dimulai dengan sambutan hangat dan pengenalan peserta dari berbagai organisasi teknologi terkemuka. Matan dari Factory mempresentasikan misinya untuk membawa otonomi ke dalam software engineering melalui pengembangan agen bernama 'droids'. Droids dirancang untuk menangani seluruh lifecycle pengembangan perangkat lunak end-to-end, tidak hanya fokus pada coding tetapi juga dokumentasi, testing, dan review. Tujuan utamanya adalah membebaskan developer dari pekerjaan yang tidak menyenangkan sehingga mereka dapat fokus pada aspek coding yang lebih kreatif dan menarik, sambil agen tetap dapat mengotomatisasi tugas-tugas coding yang developer tidak ingin lakukan secara manual.

2. 01:03 - 02:07

   Evolusi Claude Coding: Dari CLI hingga Cloud dan SDK

   Pembicara dari Anthropic menjelaskan perkembangan bertahap dari Claude coding tools di sepanjang tahun ini, dimulai dengan peluncuran agen coding pertama dan Claude CLI yang membawa kekuatan model reasoning ke komputer pengguna. Dilanjutkan dengan peluncuran Claude Cloud yang memungkinkan distribusi dan delegasi tugas ke infrastruktur cloud. Dalam beberapa bulan terakhir, pengalaman ini disatukan untuk bekerja dengan mulus, dengan fokus pada pembuatan fundamentals dan primitives sesederhana mungkin. Baru-baru ini mereka merilis Claude Developer SDK di Dev Day, membuka kemungkinan penggunaan code-executing agents tidak hanya untuk coding tetapi juga untuk tugas-tugas general purpose, memungkinkan developer untuk membangun di atas model reasoning dan primitives seperti sandboxing.

3. 02:07 - 02:40

   V0 dan Pengalaman Agentic Programming Berbasis Preview

   Pembicara menjelaskan visi V0 untuk mengaktifkan developer melakukan agentic programming yang didorong oleh preview real-time dari aplikasi yang sedang dibangun. Tradisionalnya, saat membangun web app, developer memiliki agent terbuka, IDE terbuka, dan preview terpisah yang memerlukan menjalankan dev server. Dengan V0, tujuannya adalah memungkinkan developer hanya menjalankan agen dan langsung memberikan prompt terhadap aplikasi yang sedang berjalan tanpa overhead tambahan. Ini merepresentasikan visi masa depan developer experience (DX) di mana interaksi dengan agen menjadi lebih seamless dan integrated, memungkinkan iterasi yang lebih cepat dan feedback loop yang lebih efisien.

4. 02:40 - 06:20

   Debat Local vs Cloud: Konteks Resources dan Strategi Hybrid

   Diskusi menggali perbedaan antara eksekusi agen lokal versus cloud, dengan kesimpulan bahwa keputusan tergantung pada lokasi resources yang perlu diakses oleh agent. Jika agen perlu mengakses file system lokal, lebih masuk akal menjalankan agent loop secara lokal, sedangkan untuk resources yang ada di cloud atau GitHub, eksekusi cloud lebih tepat. Namun, perspektif jangka panjang adalah bahwa developer mengharapkan agen untuk bekerja di kedua lingkungan dengan seamless, mirip seperti human collaborator yang dapat bekerja baik secara lokal maupun remote. Secara praktis, eksekusi remote lebih berguna untuk tugas-tugas kecil yang confident dapat didelegasikan, sementara lokal lebih cocok untuk tugas besar atau kompleks yang ingin dimonitor secara aktif, memungkinkan developer untuk memandu jika ada kesalahan.

5. 03:57 - 05:24

   Kolaborasi Hybrid: Whiteboarding, Brainstorming, dan Delegasi Tugas

   Pembicara berbagi pengalaman praktis tentang bentuk kolaborasi yang berbeda dengan agen, dimulai dengan sesi whiteboarding dan brainstorming untuk mengembangkan custom instructions bernama agents.md. Proses dimulai dengan dua orang di ruangan yang merancang ide, mengambil foto whiteboard, kemudian meluncurkan pekerjaan ke Claude CLI secara lokal dalam workshop Next.js app, memberikan waktu untuk istirahat dan iterasi lebih lanjut. Pembicara juga mengamati perubahan signifikan dalam jenis tugas yang dapat didelegasikan, khususnya dengan peluncuran Claude 3.5 Sonnet sekitar dua bulan lalu yang dapat menangani tugas-tugas yang lebih panjang, kompleks, dan ambigu selama instruksi jelas tentang output yang diinginkan. Pengalaman ini menunjukkan bagaimana berbagai modality kolaborasi (pairing, brainstorming, delegasi fire-and-forget) dapat dikombinasikan untuk workflow yang efektif dan menyenangkan.

6. 05:24 - 06:22

   Architecture Agen: Loop, Tool Calls, dan Resources

   Pembicara menjelaskan tiga komponen fundamental untuk membuat agen bekerja: agent loop aktual, tool calls yang dibuat, dan resources di mana tool calls perlu bertindak. Keputusan untuk menjalankan agen secara local atau cloud harus didasarkan pada lokasi resources tersebut - jika mengakses file system lokal, agent loop harus berjalan lokal, sebaliknya untuk resources cloud seperti GitHub repositories. Namun, persepsi jangka panjang adalah bahwa resources akan ada di kedua lokasi, dan setiap developer mengharapkan agen dapat bekerja dengan file system lokal maupun PR terbuka yang di-host di GitHub. Kesimpulannya adalah tidak benar-benar penting di mana Anda memulai selama semua komponen akhirnya dapat berjalan di mana saja, dengan agent loop, tool calls, dan resources yang dapat diakses dari berbagai lokasi secara seamless.

7. 06:22 - 09:04

   Generasi Slop vs Leverage: Konteks, Spesifikasi, dan Kualitas Output

   Panel membahas pertanyaan 'penting' tentang apakah mereka menghasilkan 'slop' dan risiko hype bubble, menyimpulkan bahwa konsep slop bersifat relatif dan kontekstual. Sebagai contoh, auto-generated documentation untuk legacy repository tanpa dokumentasi dapat dianggap sebagai 'treasure' daripada 'slop' karena memberikan nilai awal yang signifikan. Kualitas output sangat tergantung pada level guidance dan spesifikasi yang diberikan - prompt generic akan menghasilkan output generic, sementara instruksi metodis dengan test tools untuk memverifikasi capabilities menghasilkan output terstruktur. Pembicara membandingkan ini dengan hiring junior engineer tanpa spesifikasi yang jelas, di mana outcome akan median karena ambiguitas. Perspektif yang muncul adalah bahwa agen berfungsi sebagai 'leverage' - mereka dapat meningkatkan kapabilitas orang tanpa skill (raising the floor) sekaligus mengamplifikasi craftsmanship orang yang sudah skilled (raising the ceiling), dengan principal engineer potensial meningkatkan output dari 5,000 ke 50,000 baris kode sehari.

8. 09:04 - 10:48

   Bimodality Adopsi Enterprise: Senior vs Junior Engineers dan Model Native Development

   Pembicara mengidentifikasi pattern menarik dalam adopsi agen native development di enterprise dengan 'bimodality' yang jelas. Junior engineer lebih terbuka untuk membangun dengan cara native-agent tetapi kurang berpengalaman dalam delegation dan specification writing. Sebaliknya, senior engineer memiliki pengalaman delegasi yang kuat dan tahu cara menulis specification detail yang jelas, tetapi sering kali stubborn dan tidak ingin mengubah workflow mereka. Di enterprise, pattern yang umum terjadi adalah senior engineer menulis ticket dengan specification detail, junior engineer mengambil ticket tersebut dan memberikannya ke agen untuk implementasi, menciptakan arbitrage value antara kemampuan specification writing senior dan eksekusi agen. Ini menunjukkan bahwa adoption terbaik mengkombinasikan strength dari kedua level - expertise senior dalam specification dan openness junior terhadap tooling baru, dengan agen bertindak sebagai translator antara requirements dan implementation.

9. 10:48 - 15:27

   Model Open-Source vs Closed-Source: Trade-offs dan Pergeseran Penggunaan

   Diskusi mendalam tentang pentingnya model open-source dalam strategi jangka panjang sustainable development lifecycle, dengan Anthropic menyediakan documentation yang jelas untuk penggunaan model reasoning mereka dengan model open-source yang akan datang. Matan dari Factory membagikan benchmark Terminal Bench yang menunjukkan model open-source seperti GLM berkinerja cukup baik dibandingkan frontier models, meskipun jelas less performant dengan margin yang tidak terlalu besar. Temuan mengejutkan adalah bahwa dalam top seven open-source models pada benchmark, hanya satu yang dibuat di United States, sementara frontier models didominasi Amerika Serikat. Sejak mendukung model open-source, persentase pengguna yang menggunakannya meningkat drastis, didorong oleh cost efficiency dan kontrol lebih besar atas observability. Pergeseran ini didorong oleh use cases spesifik seperti documentation generation di mana Anda tidak perlu highest reasoning level, juga kebutuhan privacy dan security dalam embedded use cases atau ketika data tidak boleh meninggalkan perimeter organisasi.

10. 15:27 - 19:53

    Dual-Use Model Strategy: Reasoning Frontier untuk Open-Ended, Fine-Tuned Open-Source untuk Specific

    Vercel mendeskripsikan strategi dual-use model mereka di pipeline V0, menggunakan closed-source models untuk open-ended reasoning tasks dengan goal function yang tidak well-defined, sementara menggunakan fine-tuned open-source models untuk niche tasks dengan goal function yang jelas dan defined. Mereka accept 20% performance cut dari reasoning ability untuk mendapatkan fine-tuning yang sangat spesifik untuk use case mereka. Pengalaman Vercel menunjukkan evolusi dramatis dalam viability open-source models - 1.5 tahun lalu tidak mungkin menggunakan model open-source dalam pipeline V0, hari ini setiap bagian dari pipeline dievaluasi untuk kemungkinan mengganti frontier closed-source dengan fine-tuned open-source, dengan success yang telah terbukti menggunakan Qwen dan model-model serupa. Proyeksi untuk tahun depan adalah peningkatan penggunaan open-source dari current 5% menjadi 10-20% industri-wide, dengan small model class bersaing paling langsung dengan fine-tuned open-source models, dan use cases yang menggunakan frontier model menjadi semakin terbatas pada truly complex reasoning tasks.

11. 20:16 - 23:45

    Visi Masa Depan: Super Collaborator, Multi-Step Agents, dan Proactive Context Discovery

    Pembicara menutup panel dengan visi aspiratif tentang kapabilitas agen di masa depan, dimulai dari pengalaman pribadi membandingkan o1 preview dari setahun yang lalu dengan Claude terbaru saat ini. Model saat ini dapat menangani tugas well-defined dengan dua kalimat instruksi, dijalankan selama 30 menit hingga 8 jam, melakukan tidak hanya coding tetapi juga dokumentasi, system understanding, dan bahkan persuasi - menciptakan 'super collaborator' ideal. Untuk tahun depan, dua garis depan utama improvement adalah: (1) jumlah langkah agen meningkat dari current 5-20 steps menjadi 100+ steps dengan keandalan di atas 90%, dan (2) agen secara proaktif menemukan context sources yang diperlukan tanpa perlu user mengkonfigurasi MCP atau API calls secara manual. Pembicara menekankan bahwa sambil agen dapat melakukan hampir semuanya hari ini, seberapa jauh mereka melakukannya dengan reliable dan proaktif adalah slider yang terus berubah, tergantung pada bagaimana user adapt behavior mereka dan setup environment mereka untuk kolaborasi optimal dengan agen.