Cara Memimpin 30 Agen AI: Meningkatkan Produktivitas Coding 10x Lipat dengan Gastown

Era menanyakan kode ke chatbot sederhana dan menunggu jawabannya telah berakhir. Claude Code atau GitHub Copilot memang asisten yang hebat, tetapi mereka terlalu lambat dan linier untuk memodifikasi sistem enterprise yang melibatkan ratusan file yang saling terkait. Menyerahkan segalanya pada satu AI yang kehilangan konteks dan kebingungan saat sesi menjadi panjang kini hanyalah menjadi penghambat produktivitas.

Sekarang adalah era orkestrasi agen. Proyek open-source Gastown, yang diusulkan oleh Steve Yegge, bertujuan untuk menciptakan sistem pabrik coding yang mengoperasikan lebih dari 30 agen AI secara bersamaan untuk menguraikan fitur dan membangunnya secara paralel. Anda kini bukan lagi sekadar coder, melainkan harus menjadi orkestrator yang memimpin pasukan AI.

Arsitektur Gastown: Hasil Sempurna dari Pekerja yang Tidak Dapat Dipercaya

Gastown bukan sekadar wrapper AI biasa. Ia mengadopsi prinsip komputasi terdistribusi untuk mengatasi ketidakstabilan agen individual melalui struktur sistem. Kuncinya adalah memisahkan peran dengan jelas dan membagi tugas ke dalam unit-unit atomik.

• Mayor (Walikota): Koordinator pusat dari seluruh sistem. Ia menganalisis tujuan pengembang dan memecahnya menjadi unit kerja kecil yang disebut Bead.
• Bead (Manik-manik): Data isu permanen yang dicadangkan dengan Git. Ini adalah perangkat inti yang menjaga riwayat kerja bahkan jika sesi agen mengalami crash.
• Polecat: Pekerja sekali pakai yang benar-benar memodifikasi kode di worktree Git yang independen. Ia akan segera dimusnahkan setelah tugas selesai untuk mencegah konflik kode.

Inti dari struktur ini adalah untuk keluar dari Vibe Coding (coding berdasarkan perasaan). Gastown secara fisik memblokir agen untuk melakukan commit langsung ke branch utama melalui sistem hook PreToolUse. Semua kode ditulis di branch fitur terpisah dan hanya akan diintegrasikan setelah lolos verifikasi pengujian yang ketat dari Refinery.

Strategi Penempatan Agen Berdasarkan Skala Proyek

Mengerahkan puluhan agen untuk setiap tugas adalah pemborosan biaya API. Anda harus mendistribusikan kekuatan tempur secara tepat sesuai dengan kompleksitas tugas.

Saat melakukan tugas konversi skala besar dengan menjalankan 30 agen, pekerjaan yang biasanya memakan waktu 6 jam secara manual dapat dipangkas menjadi sekitar 20 menit. Namun, hal ini memerlukan optimalisasi alokasi model. Berikan model berperforma tinggi seperti Claude 3.5 Sonnet kepada Mayor yang bertugas merancang, dan tempatkan model hemat biaya seperti Gemini untuk Polecat yang melakukan implementasi sederhana atau pengujian untuk memaksimalkan efisiensi biaya.

Penerapan Praktis: Panduan Membangun Sistem Autentikasi JWT

Mari kita asumsikan situasi di mana Anda menambahkan autentikasi JWT ke aplikasi berbasis Go. Berikut adalah proses menggerakkan pasukan dengan satu baris perintah:

1. Akses Mayor: Mulai sesi dengan perintah gt mayor attach.
2. Penetapan Tujuan: "Bangun sistem JWT pada proyek Go. Sertakan perubahan skema DB, API login, middleware, dan pengujian integrasi."
3. Orkestrasi: "Jangan menulis kode sendiri, uraikan tugas dan delegasikan ke para Polecat. Lakukan tinjauan dengan Refinery."
4. Pemantauan: Periksa progres setiap agen secara real-time dengan gt convoy list.
5. Peninjauan: Verifikasi hasil akhir yang telah digabungkan oleh Refinery dengan gt status lalu berikan persetujuan.

Jika pengoperasian tidak berjalan lancar, periksa lingkungan Anda terlebih dahulu. Sangat penting untuk memastikan versi Dolt adalah 1.82.4 atau lebih tinggi. Versi lama dapat menyebabkan kesalahan sinkronisasi database Git yang memicu konflik kerja antar agen. Selain itu, jika ada masalah saat menjalankan daemon, pastikan versi tmux -V adalah 3.0 atau lebih tinggi, lalu jalankan gt doctor --fix untuk menginisialisasi lingkungan.

Peran Baru Senior Engineer: Arsitek Sistem

Mengoperasikan 30 agen AI secara bersamaan berarti Anda tidak lagi melakukan pengetikan (typing). Sekarang, keahlian asli seorang engineer diukur dari seberapa canggih Anda mencatat keputusan arsitektur dalam dokumen panduan seperti CLAUDE.md.

Agen adalah asisten yang hebat, tetapi jika tidak dikelola dengan benar, mereka bisa seperti simpanse super cerdas yang melumpuhkan sistem. Pastikan untuk menjalankannya di Rig eksperimental yang terpisah dan tetapkan batas biaya API. Untuk mengurangi kelelahan dalam meninjau puluhan PR satu per satu, tempatkan agen tambahan yang berperan sebagai 'PR Sheriff' untuk menyaring kesalahan sintaksis dan kegagalan pengujian pada tahap pertama. Pabrik perangkat lunak Anda kini siap beroperasi.