Akhirnya Ada Alasan untuk Beralih ke Cursor

Video membahas bagaimana AI telah mengubah cara menghasilkan kode dengan munculnya berbagai alat coding seperti ClodCode, Cursor, dan Antigravity. Model yang bagus saja tidak cukup menentukan kualitas kode karena cara menggunakan alat dan mengelola konteks sama pentingnya. Cursor baru saja melakukan terobosan besar dengan pendekatan manajemen konteks baru yang dibangun secara native ke dalam aplikasi. Prinsip-prinsip yang diperkenalkan Cursor dapat diterapkan secara luas ke platform apa pun yang digunakan untuk membangun aplikasi, menjadikannya topik yang sangat relevan untuk semua pengembang yang bekerja dengan agen AI.

Cursor mengimplementasikan fitur manajemen konteks langsung ke dalam produk mereka berdasarkan pengamatan bahwa untuk mendapatkan hasil yang baik dari model, lebih baik memberikan sesedikit mungkin detail dalam jendela konteks. Semakin sedikit informasi yang diterima model sekaligus, semakin fokus model pada tugas yang perlu dilakukan karena hanya informasi relevan yang disertakan. Pendekatan ini disebut penemuan konteks dinamis yang menggunakan pencatatan terstruktur. Dengan mengecualikan detail yang berpotensi membingungkan atau kontradiktif, kualitas respons agen meningkat secara signifikan.

Pembaruan pertama dari Cursor adalah menyimpan respons alat yang panjang ke dalam file karena MCP sering mengembalikan respons besar yang membengkakkan jendela konteks. Pendekatan umum dari sebagian besar alat coding adalah memotong respons MCP yang panjang, menyebabkan kehilangan data penting. Solusinya adalah menambahkan instruksi dalam file Claude.md agar setiap respons alat MCP yang lebih dari 50 baris disimpan ke folder MCP di dalam folder .context menggunakan perintah echo di terminal. Ketika menjalankan ekstensi Chrome untuk menganalisis UI, Claude menyimpan respons MCP ke dalam file untuk pembacaan lebih lanjut, meningkatkan akurasi analisis dan menghilangkan kebutuhan untuk panggilan alat yang berulang. Ketika data dari panggilan MCP sebelumnya diperlukan, Claude dapat membacanya langsung dari folder .context tanpa melakukan panggilan alat, menghemat waktu yang signifikan.

Segmen sponsor memperkenalkan Zen Rose sebagai solusi untuk mendapatkan data web yang andal untuk produk AI, otomasi, dan sistem berbasis data. Zen Rose menangani ekstraksi data dari situs web kompleks sambil secara otomatis mengelola bypass anti-bot. Alih-alih berurusan dengan output yang berantakan, Zen Rose menghasilkan hasil terstruktur seperti JSON atau Markdown yang siap diintegrasikan langsung ke dalam pipeline. Sistem ini ideal untuk startup AI, tim data, dan pembuat automasi yang tidak ingin repot mengurus infrastruktur, cocok untuk berbagai use case seperti memperkaya leads, menggerakkan agen AI, atau mengotomatiskan riset.

Langkah peringkasan ketika jendela konteks penuh sangat berantakan dan menyebabkan hilangnya banyak informasi penting. Sebagian besar tool memicu langkah peringkasan dan memulai sesi dengan jendela konteks baru yang menggunakan ringkasan sebagai titik awal. Ketika compact dilakukan berulang kali, ringkasan mulai melupakan detail yang mungkin penting. Solusi Cursor adalah menyimpan semua riwayat chat sebelumnya sebagai file agar agen dapat merujuknya nanti. Ketika model tidak dapat menemukan informasi dalam ringkasan, transkrip sebelumnya berfungsi sebagai basis pengetahuan yang memungkinkan model memulihkan segala sesuatu yang hilang dari ringkasan. Implementasi di Claude code menggunakan instruksi untuk memperbarui riwayat chat setelah setiap giliran dalam folder history di dalam folder .context, dengan nama setiap file mencerminkan sesinya.

Agen diberikan skills untuk mengelola masalah konteks yang disebabkan oleh MCP, dengan tujuan utama membuat agen menggunakan kapabilitasnya sendiri dengan lebih baik melalui progressive disclosure. Anthropic adalah yang pertama mencetuskan ide ini dengan memberikan agen seperangkat instruksi, skrip, dan sumber daya yang dapat ditemukan dan digunakan agen untuk bekerja lebih baik pada tugas-tugas tertentu. Setelah Anthropic membuat skills agen ini open-source, Codex, Gemini, dan akhirnya Cursor mengimplementasikan hal yang sama. Hanya nama dan deskripsi skills yang ada dalam konteks statis, dan agen dapat menarik skill mereka sendiri menggunakan grep dan pencarian semantik cursor yang menggunakan model embedding dan pipeline indexing, bukan pencocokan pola biasa. Dalam proyek contoh, 5 skill hanya mengonsumsi sekitar 0,2% dari total token, menyisakan lebih banyak ruang untuk bekerja, dan skill Claude juga dapat diakses melalui /commands untuk pemicuan manual.

MCP mengandung banyak tool yang semuanya terekspos di jendela konteks, membengkakkan konteks secara tidak perlu. Cursor menekankan bahwa menjadi tanggung jawab agen coding untuk memperbaiki pembengkakan konteks dengan penemuan konteks dinamis melalui penyinkronan deskripsi tool dalam folder. Solusinya adalah memiliki semua MCP dengan namanya di folder terpisah, dan di dalam setiap folder semua tool terdaftar, sehingga agen hanya menerima nama-nama tool dan mencarinya melalui folder kapan pun membutuhkan. Dalam pengujian, penemuan dinamis tool MCP mengurangi penggunaan konteks sebesar 46,9%, membuat perbedaan besar untuk sistem yang berjalan lama. Implementasi ini juga membantu ketika server MCP terputus atau memerlukan autentikasi ulang, di mana agen dapat memberi tahu pengguna. Claude memiliki tool pencarian lanjutan dengan flag tersembunyi 'enable_experimental_MCP_CLI' yang menghapus semua tool MCP dari jendela konteks dan menggunakan lapisan bash tengah yang disebut MCP CLI untuk menangani semua tugas terkait MCP.

Melaporkan error terminal sulit di Cursor karena aksesnya yang terbatas, sehingga solusinya adalah memindahkan sesi terminal ke file. Kapan pun mengajukan pertanyaan, agen merujuk file riwayat tersebut dan menggunakan grep untuk mengekstrak output yang relevan. Karena log server biasanya berjalan lama dan mengandung banyak noise, menggunakan tugas grep lebih efisien karena memungkinkan agen mencocokkan pola. Meskipun Claude menangani ini secara cerdas dengan sendirinya, kita dapat mengelolanya lebih lanjut dengan instruksi di Claude.md untuk mencatat semua log terminal ke folder terminal di dalam folder .context menggunakan perintah yang mencatat aliran output dan error standar. Setiap kali perlu mencari di dalamnya, cukup gunakan perintah grep dengan pola tertentu dan memuat 20 baris terakhir untuk mengekstrak hanya yang penting. Ini sangat berguna ketika perlu merujuk kembali ke cara kerja aplikasi atau mengidentifikasi layanan mana yang menyebabkan crash tanpa harus menjalankan ulang test suite yang memakan waktu.

Video ditutup dengan ajakan kepada penonton untuk mendukung channel melalui tombol super thanks di bawah video. Pembuat konten mengucapkan terima kasih kepada penonton yang telah menonton dan mengumumkan akan jumpa lagi di video berikutnya. Ini adalah segmen penutup standar yang mengajak engagement dan dukungan dari komunitas penonton. Meskipun singkat, segmen ini penting untuk membangun hubungan dengan audiens dan mendorong mereka untuk terus mengikuti konten yang dibuat oleh channel tersebut.