AI paling pintar jangan disuruh ngetik boilerplate. Sayang duitnya.

Ini masalah klasik yang makin kerasa seiring makin gampangnya kita ngakses model LLM (Large Language Model) tingkat atas. Kita terlalu sering pakai model flagship yang mahal—kayak GPT-4o atau Claude 3.5 Sonnet—buat nulis hal-hal yang sebenarnya repetitif. Padahal, inti dari punya AI coding agent yang efisien itu adalah memisahkan tugas perencanaan (planning) dengan eksekusi (execution).

Secara ringkas, artikel ini bakal ngebahas kenapa pakai satu AI super pintar buat semua urusan koding itu boros, gimana tren baru kayak shadcn/improve ngasih solusi, dan pelajaran yang bisa lu ambil buat nyusun tim AI agent lokal lu sendiri.

Ilusi "Satu Model Untuk Semua"

Waktu awal-awal AI coding assistant muncul, insting pertama kita adalah melempar semua prompt ke model yang paling canggih. Masuk akal, karena kita pengen hasil yang paling minim bug. Tapi begitu lu mulai ngebangun proyek yang agak kompleks atau punya codebase yang besar, lu bakal sadar ada dua masalah besar:

  1. Tagihan API bocor pelan-pelan: Nulis 10 baris CSS atau bikin komponen button standar nggak butuh IQ level senior engineer. Kalau lu pakai GPT-4o buat nge-generate ratusan baris boilerplate React berulang kali, lu buang-buang token mahal buat tugas kuli.
  2. Konteks yang terbuang percuma: Model mahal biasanya dipanggil dengan seluruh konteks file yang relevan. Padahal bagian eksekusinya mungkin cuma butuh fokus di satu fungsi kecil.

Kenapa Memisahkan Planner dan Executor Itu Penting?

Di dunia nyata, kita nggak nyuruh Software Architect atau Tech Lead buat ngetik ulang form validasi atau migrasi nama variabel satu per satu. Mereka bertugas baca dokumen kebutuhan, nentuin struktur database, milih desain pattern, lalu bikin tiket Jira yang detail. Yang ngerjain tiketnya? Junior atau Mid-level developer.

Konsep yang sama sekarang berlaku buat AI agent. Secara sederhana, lu pakai model mahal buat merancang arsitektur atau bikin step-by-step plan. Setelah plan-nya matang dan disetujui, lu lempar eksekusinya ke model yang lebih murah tapi cepat (kayak GPT-4o-mini, Claude 3 Haiku, atau bahkan model lokal seperti Llama 3). Pendekatan ini bikin operasional AI lu jauh lebih hemat, tanpa mengorbankan kualitas arsitektur codebase lu.

Mengenal shadcn/improve: Bukti Nyata Tren Orkestrasi AI

Kalau lu masih mikir ini cuma teori, coba lihat apa yang lagi viral di GitHub belakangan ini. Repo shadcn/improve sukses mencuri perhatian karena mereka memformalkan workflow pemisahan beban kerja ini.

shadcn/improve pada dasarnya adalah sebuah AI orchestration tool ringan yang memungkinkan lu untuk mengatur alur kerja agen. Cara kerjanya cukup simpel tapi masuk akal banget:

  • Audit & Planning: Di tahap awal, alat ini bakal nggunain LLM tingkat atas. Tugas model mahal ini adalah ngebaca masalah yang lu kasih, mengevaluasi kondisi codebase saat ini, dan ngasilin instruksi implementasi atau plan yang sangat spesifik. Dia mikirin pinggir-pinggir logic-nya, struktur komponennya, dan potensi bug-nya.
  • Execution: Begitu instruksi keluar dan lu bilang "oke", instruksi ketat tadi dioper ke model eksekutor yang skalanya lebih kecil (dan tentunya lebih murah). Model murah ini nggak perlu mikir arsitektur lagi; dia tinggal nerjemahin plan tersebut jadi baris-baris kode.

Dengan cara ini, lu bisa menghemat jutaan token. Model mahal cuma "nyala" sebentar pas bagian susah, sementara pekerjaan ngetiknya diserahkan ke worker murah yang cuma butuh arahan jelas.

Subagent-Driven Development di Ekosistem Lokal

Gua pribadi ngerasa relate banget sama pola kerja ini, karena gua nerapin pola yang mirip banget di keseharian gua pakai Hermes Agent. Konsep ini sering disebut sebagai Subagent-Driven Development.

Di lingkungan kerja gua, alurnya kurang lebih begini:

  • Fase Perencanaan (Write Plans First): Gua minta agen utama (yang pakai model cerdas) buat nyusun rencana kerja detail. Rencana ini harus memecah tugas besar jadi gigitan kecil (bite-sized tasks) yang butuh waktu 2-5 menit per pengerjaan. Semua ditulis ke dalam sebuah file Markdown.
  • Fase Eksekusi (Delegation): Rencana kerja yang udah rapi itu kemudian dilempar ke agen bawahan (subagent). Agen bawahan ini bisa diatur pakai model yang lebih efisien karena tugasnya cuma mengeksekusi instruksi per baris yang udah ditulis di Markdown.
  • Fase Review (Quality Gate): Terakhir, ada agen reviewer yang independen. Dia bertugas ngebaca hasil kerja eksekutor, bandingin dengan plan awal, ngecek standar keamanan, dan ngasih lampu hijau sebelum kode benar-benar di-commit.

Pemisahan ini bikin proses debugging jauh lebih gampang. Kalau kodenya ngawur, gua tinggal cek: apakah agen perencana ngasih instruksi yang salah, atau agen eksekutornya yang berhalusinasi? Memisahkan tanggung jawab berarti memisahkan ruang ruang kesalahan.

Risiko dan Tantangan: Sabuk Pengaman Buat AI

Tentu aja, pendekatan ini nggak 100% mulus. Semakin banyak "kepala" AI yang ikut campur, semakin lu butuh sabuk pengaman (guardrails). Ada beberapa risiko yang wajib lu awasi kalau mau mulai nyoba pola ini:

  1. Instruksi yang Ambigu (Garbage In, Garbage Out): Kalau planner lu bikin instruksi yang abu-abu atau terlalu luas, model eksekutor lu pasti bakal salah interpretasi. Model murah itu kayak anak magang yang rajin tapi kurang inisiatif; kalau lu nggak kasih tahu detail variabelnya apa, dia bakal nebak-nebak sendiri. Pastiin planner ngeluarin output yang eksplisit.
  2. Overhead Handoff: Terlalu banyak perpindahan konteks antar model bisa bikin proses jadi lambat. Setiap kali data dioper dari planner ke executor, ada waktu tambahan (latency) dan risiko context loss. Jangan sampai tugas sepele kayak ganti warna button malah harus ngelewatin 3 agen. Gunakan sistem multi-agen ini cuma buat fitur yang butuh perencanaan matang.
  3. Ketergantungan Ekosistem: Buat jalanin orchestration kayak gini, lu butuh sistem terminal atau lingkungan lokal yang stabil. Repo kayak omnigent-ai/omnigent lagi naik daun karena mereka nawarin semacam meta-harness atau wadah buat nampung berbagai AI agent ini biar nggak jalan liar dan nabrak file kerja satu sama lain.

Kesimpulan Singkat (Takeaways)

Kalau lu developer yang sering ngandelin AI buat ngebantu kodingan sehari-hari, ini beberapa poin praktis yang bisa lu lakuin mulai hari ini:

  • Berhenti pakai model paling mahal buat urusan kuli. Simpan token premium lu buat system design, nyari kutu (debugging) yang susah, atau ngerancang plan.
  • Pisahkan antara siapa yang "mikir" dan siapa yang "ngetik". Bikin SOP yang memaksa agen AI nulis rencana kerja (dalam bentuk teks/Markdown) sebelum nulis satu baris pun kode production.
  • Coba eksplor tools orchestration. Mulai pantau atau coba jalankan repo kayak shadcn/improve untuk ngelihat gimana mereka ngatur beban kerja AI agent.
  • Punya guardrails yang jelas. AI eksekutor butuh batasan yang ketat. Jangan kasih agen murah hak untuk otomatis nge-merge PR tanpa ada tahapan review dari agen pemeriksa atau lu sendiri.

Pada akhirnya, punya AI yang pintar aja belum cukup. Lu butuh struktur manajerial yang bener buat mereka. Sama kayak di perusahaan aslinya: bos yang hebat nggak bakal nyuruh manajer gajinya paling tinggi buat nyapu lantai. Semua ada porsinya.

Referensi / Bacaan Lanjut

Tags:
#AI#Software Development