Vibe Coding - Pengodean Vibe

• Andrej Karpathy menyebut vibe coding sebagai cara baru membuat sesuatu ketika LLM sudah cukup bagus, sehingga kita hampir tidak lagi sadar akan kode itu sendiri
• Dengan menggabungkan Cursor Composer, Sonnet, dan input suara SuperWhisper, ia menyampaikan kebutuhan lewat ucapan hampir tanpa memakai keyboard
• Bahkan untuk permintaan kecil seperti mengurangi padding menjadi setengah, ia tidak mencarinya sendiri dan cukup menyerahkannya, lalu menekan Accept All tanpa membaca diff
• Pesan error disalin-tempel tanpa penjelasan, dan jika LLM tidak bisa memperbaiki bug, ia akan mengakalinya atau terus mengulang perubahan acak sampai masalahnya hilang
• Ini cukup berguna untuk proyek sekali pakai di akhir pekan, tetapi kode bisa membesar melampaui batas pemahaman sehingga pendekatannya terasa lebih dekat ke melihat, berbicara, menjalankan, dan menempel daripada benar-benar mengode

---

Cara kerja “vibe coding”

• vibe coding adalah pendekatan yang hampir sepenuhnya menyerahkan semuanya pada LLM hingga seolah melupakan keberadaan kode itu sendiri
• Contoh alat yang dipakai adalah Cursor Composer with Sonnet, dan untuk input suara digunakan SuperWhisper
• Alih-alih mencari atau mengubah kode secara langsung, alur berikut diulang terus
  • Melihat perubahan yang dibutuhkan di layar
  • Meminta ke Composer lewat ucapan
  • Menjalankan hasilnya
  • Menyalin-tempel pesan error
• Diff tidak lagi dibaca, dan Accept All selalu ditekan
• Jika kode membesar melampaui tingkat pemahaman biasanya, maka akan sampai pada kondisi di mana perlu membaca kode cukup lama untuk benar-benar memahaminya

Batasan dan contoh

• Ada kalanya LLM tidak bisa memperbaiki bug
  • Dalam kasus ini, bug tersebut diakali
  • Atau terus diminta melakukan perubahan acak sampai masalahnya hilang
• Pendekatan seperti ini dinilai tidak buruk untuk throwaway weekend projects
• Dalam sekitar satu jam vibe coding, ia juga membuat game Battleship
  • Bentuknya adalah dua model LLM acak yang dipilih pengguna saling bertarung secara real-time
  • Belum ada statistik yang kuat, tetapi ia mengatakan 4o tampaknya mengalahkan 4o-mini

[GN⁺]

Pendapat di Hacker News

• Setelah mencobanya langsung, hasilnya cukup bagus, tetapi halusinasi jelas harus diwaspadai
  Misalnya, saat saya memintanya menulis laporan pengantar tentang diri saya sepanjang 500 kata, muncul setidaknya 3 kesalahan. Ia menyebut reputasi Stack Overflow saya 47.000 poin, padahal sebenarnya ia mencampuradukkan “47k orang yang dijangkau” di profil dengan reputasi 525 poin. Ia juga mengutip seolah-olah saya pernah menjawab soal PHP monkey-patching, padahal itu sebenarnya pertanyaan yang saya ajukan 15 tahun lalu dan jawabannya ditulis orang lain. Terakhir, kutipan wawancara yang dipakai juga bukan milik saya, melainkan wawancara saudara saya yang bersama-sama mendirikan perusahaan
  Sebagai titik awal masih bisa dipakai, tetapi hasilnya harus selalu diverifikasi dengan mengikuti tautan sumber

  • Penilaian “cukup bagus, tetapi hati-hati halusinasi” terlalu meremehkan masalahnya. Kita tidak akan merekrut orang yang mengarang sembarang hal, dan tidak akan mempertahankannya lama-lama; jadi saya tidak paham mengapa alat “AI” seperti ini layak disebut lebih dari sekadar proyek riset yang menarik. Rasanya model bahasa besar seharusnya dikembalikan ke tahap perancangan ulang sampai punya tingkat keandalan tertentu
  • Sulit menyebut ini sebagai titik awal yang berguna, bahkan dari sudut pandang yang optimistis terhadap AI. Laporan yang penuh kesalahan fakta yang tidak akan dibuat intern yang teliti itu lebih buruk daripada tidak berguna
    Jika bagian yang sulit adalah menulis kalimat, lebih cepat melakukan riset sendiri, menulis kerangka, lalu meminta model bahasa besar mengubahnya menjadi kalimat final. Namun jika begitu, pada akhirnya itu membuktikan bahwa gaya prosa adalah bagian pekerjaan yang nilainya rendah; sebagai mantan mahasiswa sastra Inggris, itu menyakitkan, tetapi pada umumnya benar
  • Saya bertanya-tanya mana yang lebih cepat: melakukan riset sendiri dan menulis laporan 500 kata dari nol, atau membiarkan AI menulisnya lalu memeriksa fakta semua jawabannya dan memperbaikinya secara manual. Karena itu saya tidak memakai AI untuk pekerjaan yang membutuhkan “jawaban benar”. Saya memakainya untuk menyunting paragraf atau kalimat agar lebih enak dibaca, tetapi saya tidak memercayai informasi yang diberikan AI itu sendiri
  • Kesalahan mengingat “saya pernah menjawab di Stack Overflow” itu hampir seperti demensia buatan
    Ada pihak-pihak yang merilis produk jauh sebelum benar-benar mampu meluncurkannya dengan layak, dan saya tidak yakin pembelaan hukumnya akan sekokoh itu. Namun keluaran yang dibantu basis data bisa, dan memang harus, membatasi secara kuat fenomena ingatan keliru seperti ini. Diperlukan verifikasi linear seperti manusia: menghasilkan ide lalu mencocokkannya dengan data; itulah due diligence sekaligus bagian dari proses penalaran. Gerakan ke arah yang berbeda dari evolusi produk inti tampak mengguncang R&D, dan terasa seperti semacam penundaan
  • Penilaian saya terhadap produk berbasis model bahasa besar dalam beberapa tahun terakhir persis “cukup bagus, tetapi hati-hati halusinasi”

• Jika disebut “riset mendalam”, orang akhirnya membacanya sebagai mencakup mendapatkan jawaban yang benar juga
  Sekarang, bahkan jika jawaban yang sepenuhnya salah hanya 10%, banyak orang menilai kepercayaan terhadap semua interaksi runtuh secara signifikan, entah karena salah menurut akal sehat maupun saling bertentangan. Selain untuk mengonfirmasi ulang hal yang sudah diketahui, model bahasa sebenarnya tidak cukup besar untuk benar-benar mengetahui semuanya; ia hanya terdengar seperti tahu
  Yang saya inginkan bukan sekadar jawaban benar, melainkan jawaban benar yang lebih cepat daripada waktu saya melakukan riset sendiri, dan juga lebih cepat daripada waktu untuk memverifikasi jawaban yang diberikan mesin. Meminta siswa mengerjakan lembar ujian yang jawabannya sudah saya ketahui dan harus memercayai jawaban atas pertanyaan yang jawabannya tidak saya ketahui adalah dua tingkat yang sama sekali berbeda

  • Fitur-fitur terbaru berusaha mengurangi halusinasi dengan mengandalkan pencarian web yang luas, tetapi saya khawatir web itu sendiri dengan cepat tercemar oleh keluaran model bahasa besar yang tidak tersaring. Setelah titik tertentu, untuk pertanyaan yang tidak terlalu membutuhkan kemutakhiran, mungkin akan lebih akurat memberi agen riset snapshot web sekitar 5 tahun lalu daripada web real-time
  • Saya menganggap diri saya skeptis “LLM ≠ AI”, tetapi saya khawatir melihat orang-orang berpura-pura mendapatkan sesuatu dari model bahasa besar. Hampir seperti monyet pengetik sebagai layanan
    Berguna untuk sesekali dipakai di sana-sini, tetapi tidak seberguna uang yang digelontorkan ke sana. Tentu saja berguna bagi perusahaan yang menerima uang itu. Ini contoh yang saya harapkan bisa diselesaikan sendiri oleh AI sungguhan, tetapi model bahasa besar saat ini gagal total: https://x.com/RadishHarmers/status/1885884032220643587
  • Karena itu saya tidak terlalu merasa alat AI berguna. Waktu yang dipakai untuk memverifikasi dan memperbaiki jawabannya sering kali lebih lama daripada sekadar mengerjakannya sendiri atau mempelajarinya
  • Saya selalu berpikir masalah yang secara praktis terbantu oleh AI jenis model bahasa besar punya sedikit karakter mirip NP. Maksudnya, menyelesaikan masalahnya sulit, tetapi memeriksa solusinya harus cepat
    Jika bukan ranah yang bisa menerima kesalahan atau halusinasi, waktu manusia untuk memeriksa solusi harus lebih cepat secara eksponensial daripada waktu AI menemukannya agar ada manfaat nyata
  • Jika rasio jawaban yang sepenuhnya salah setahun lalu 30%, beberapa tahun lalu 60%, dan sekarang 10%, suatu saat mungkin akan ada titik ketika ini menjadi cukup baik. Sekarang cara memverifikasi jawaban juga makin membaik
    Ini tidak akan menjadi solusi untuk semua masalah, tetapi mirip dengan banyak masalah rekayasa. Misalnya, ORM tidak bagus untuk semua kueri, tetapi cukup memadai untuk sebagian besar di antaranya

• Ini terasa menakutkan. Bahkan jika kita mengakui masalah halusinasi dan kesalahan, pengguna nyata kemungkinan besar akan mengabaikannya dan memasukkan output itu ke PowerPoint mereka sendiri
  Konsultansi manajemen sejak awal sudah cukup buruk, dan akan makin buruk jika grafik dan statistik bisa diproduksi massal sesuka hati. Meski begitu, dulu setidaknya ada sedikit pemahaman di balik layar tentang dari mana angka-angka itu berasal, dan sumbernya juga bisa diberikan
  Semakin kuat alat seperti ini, efek bahwa hasilnya meresap ke mana-mana akan makin sering terjadi

  • Orang pada dasarnya peduli pada akurasi atau tidak. Jika tidak peduli, tidak masalah apakah itu dikarang manusia atau AI. Jika peduli, mereka akan melakukan pengecekan fakta sebelum dipublikasikan. Saya tidak tahu mengapa alat ini mengubah hal itu
  • Jika riset hasil halusinasi diterbitkan sebagai tulisan, lalu tulisan itu dikutip dalam riset AI lain sehingga informasi palsu terus terdorong naik, nantinya akan sulit mengetahui dari mana sumber kebohongan itu berasal
  • Ini juga bisa dilihat seperti semacam vaksin. Sebagian besar laporan konsultan yang ditulis manusia memang sudah sepenuhnya rapuh. Akurasinya rendah, rasio sinyal terhadap noise rendah, dan bentuknya sekadar mendorong generalisasi dalam jumlah besar
    Model bahasa besar membuat orang menjadi kebal terhadap konten bernilai informasi rendah seperti ini. Orang-orang yang menghasilkan output setingkat LLM kini dicurigai memakai LLM, dan makin sulit berpura-pura masih menambahkan nilai. Akibatnya, konsultan akan dituntut menghasilkan kualitas lebih tinggi, dan orang-orang yang hanya memproduksi kata-kata bertele-tele alih-alih informasi yang akurat, berwawasan, dan sesuai konteks akan tersaring
  • Sejujurnya, saya pernah bekerja di konsultansi dan masih punya banyak teman yang melakukannya, tetapi laporan McKinsey pun tiga dari empat kali tidak benar-benar berpijak kuat pada kenyataan dan banyak berisi estimasi
  • Menurut saya kapal itu sudah berlayar ketika Facebook membiarkan penyebaran informasi palsu secara bebas, atau bahkan sebelum itu

• Gemini juga sudah punya Deep Research dengan nama yang sama sejak satu-dua bulan lalu: https://blog.google/products/gemini/google-gemini-deep-resea...
  Sebagai pertanyaan meta, saya penasaran mengapa nama-nama di industri AI begitu sering tumpang tindih. Yang terlintas adalah Triton (Nvidia, OpenAI) atau Gro{k,q} (X.ai, groq, OpenAI)

  • Menurut pembuat OpenAI Triton, nama “Triton” diberikan saat ia memublikasikan disertasi doktoralnya pada pertengahan 2019. Setahun kemudian “TensorRT Inference Server” diubah menjadi “Triton Inference Server”, tetapi karena itu satu-satunya nama yang menghubungkan pembimbing doktornya dengan proyek tersebut, ia tidak menggantinya
  • Kalau itu “pertanyaan meta”, sepertinya harus menambahkan “@Meta AI” di depan kuerinya
  • Rasanya seperti ada kelompok industri informal yang bersama-sama mendorong redefinisi istilah tertentu agar cocok untuk penjualan dan PR. Awalnya mereka mengambil “intelligence”, lalu “open source”, lalu “reasoning”, dan itu akan terus berlanjut
    Kata-kata yang dibutuhkan untuk promosi tetapi belum benar-benar dicapai akan didefinisikan ulang. “grok” adalah contoh sempurna; dalam buku fiksi ilmiah aslinya, itu berarti “pemahaman penuh”. Triton dalam mitologi menguasai laut dalam, jadi slogan penjualan “deep learning” langsung mengambilnya
  • Saya ingin mencoba versi Gemini saat dirilis, tetapi sepertinya negara tempat saya tinggal salah. Tampaknya tidak bisa di luar AS. Sayang sekali OpenAI dan DeepSeek tidak punya masalah seperti itu. Padahal saya bersedia membayar, tetapi mereka tidak menerimanya
  • Versi Gemini sulit disebut terlalu “dalam”. Ia menampilkan banyak informasi, tetapi cukup dangkal. Versi OpenAI tampak selangkah lebih dekat ke kedalaman yang sesungguhnya
    Jika dicoba sendiri, membuat model bahasa besar benar-benar masuk secara mendalam ternyata cukup sulit. Deep Research dari OpenAI terasa seperti salah satu contoh pertama yang menunjukkan bagaimana lab besar bisa melakukannya. Biasanya bagian yang sulit bukan “agen” itu sendiri, melainkan memaksa model agar tidak lupa untuk menggali lebih dalam

• Entah apakah Anda menyadarinya, tetapi fitur ini tampaknya dijalankan oleh model o3 yang belum dirilis. Ini juga cocok dengan alasan mengapa ia unggul jauh di benchmark dan klaim bahwa o3 terlalu mahal untuk dirilis secara publik. Terlihat seperti model yang mengesankan dan berada di depan Google, DeepSeek, serta Perplexity

  • Dalam benchmark publik, hanya alat/sistem ini yang punya akses ke alat dan web. Jadi menurut saya peningkatan performanya, secara ketat, kemungkinan besar karena hal itu
    Jika o3 terlalu mahal untuk dibuka ke publik, mengapa memakainya pada alat yang harus melakukan ratusan panggilan inferensi untuk satu pertanyaan? Mereka akan memakai model yang jauh lebih murah. Mungkin kombinasi o3-mini atau o1-mini, dengan o4-mini untuk sebagian tugas
  • “Mahal” mungkin berarti mereka ingin mengenakan harga lebih tinggi, tetapi DeepSeek memaksa tangan mereka bergerak
  • Saya rasa efektivitas dalam lingkungan kerja seperti ini adalah persoalan yang jauh melampaui satu model tertentu. Menggunakan satu model berukuran sama untuk setiap tahap pekerjaan riset akan menjadi pilihan bodoh
    o3 mungkin unggul saat menyintesiskan jawaban akhir atau memilih di antara sumber yang saling bertentangan, tetapi untuk sampai ke titik itu dibutuhkan sangat banyak langkah
  • Saya yakin ketika o3 dirilis 10 bulan lagi, ia akan satu generasi di depan DeepSeek, Google, dan Meta pada saat itu. Benar-benar mengesankan
  • Saya penasaran apa dasar keyakinan bahwa ini dijalankan oleh o3 yang belum dirilis

• Bagi orang-orang yang bekerja di dunia akademik, ini benar-benar alat yang menarik. Saya ingin mencobanya, tetapi saat ini tidak sanggup membayar 200 dolar per bulan
  Akan bagus jika ada yang bisa mengujinya dengan prompt berikut. Permintaannya adalah, sebagai asisten riset fisika partikel, buat ringkasan teknis yang membandingkan CERN Future Circular Collider (FCC), International Linear Collider (ILC), Compact Linear Collider (CLIC), berbagai proposal Muon Collider, dan rencana utama penumbuk partikel generasi berikutnya per 2024, mencakup rentang energi, jenis tumbukan, jadwal, kelebihan dan kekurangan teknis, biaya, target fisika, laporan desain, kolaborasi internasional, efektivitas biaya, potensi penemuan, infrastruktur, dampak lingkungan, hingga jalur upgrade

  • Saya menjalankannya dengan o3-high dan tautan hasilnya ada di sini: https://chatgpt.com/share/67a0b227-8ee4-800f-a8ed-882e7bab97...
    Output aslinya terlalu panjang untuk dituliskan seluruhnya di HN, dan bentuknya berupa laporan yang membandingkan FCC, ILC, CLIC, Muon Collider, CEPC/SppC, dan lain-lain dalam format tabel serta sumber, mencakup energi rencana, metode tumbukan, jadwal, biaya, tantangan teknis, target fisika, dukungan internasional, dampak lingkungan, dan jalur upgrade jangka panjang

• Saya meragukan apakah kemampuan ini benar-benar merupakan prasyarat AGI dan ASI
  Penalaran, pemecahan masalah, dan verifikasi riset pada dasarnya semuanya dekat dengan pemikiran yang tertata. Riset masih merupakan area yang membuat saya skeptis soal pentingnya hal ini, karena bukti yang valid tidak muncul dari jawaban yang rapi, melainkan dari hasil eksekusi
  Misalnya, sekeras apa pun Anda meneliti penyedot debu terbaik di internet, sebelum mencobanya langsung Anda akan terjebak di antara pemasaran, ulasan palsu, dan influencer. Bidang sains mungkin agak terlindungi dari masalah ini karena membosankan, tetapi menakutkan jika membayangkan perusahaan farmasi bisa memenuhi internet dengan artikel blog khusus berisi “hasil riset” medis kelas atas untuk menciptakan nuansa makalah yang mereka inginkan. Pada titik tertentu, internet bisa menjadi sama sekali tidak dapat dipercaya, dan titik itu mungkin segera datang
  Dengan ledakan teks generatif, nilai riset tampaknya akan jauh berkurang karena tumpukan sampah informasi yang luar biasa besar. Bisa saja itu menjadi sesuatu yang tersisa dari masa ketika internet masih “nyata”

  • Untuk jenis penggunaan seperti itu, ya tinggal jangan pakai alat ini. Meski begitu, poinnya valid
    Dulu saya pernah mencari artikel dengan pengukuran nyata untuk membandingkan perbedaan Hydroflask, Klean Kanteen, dan Thermos pada minuman panas/dingin, tetapi sebagian besar hasil pencarian Google hanyalah perbandingan umum tanpa data keras. Namun artikel seperti “Hydroflask lebih baik untuk minuman hangat” tetap muncul di peringkat atas
    Kuncinya adalah apakah alat ini bisa dibuat mengabaikan artikel seperti itu dan hanya menggunakan artikel dengan eksperimen sungguhan, serta apakah bisa menyaring hasil duplikat ketika eksperimen yang dilakukan satu orang dikutip berulang oleh banyak blogger
  • Itu sepenuhnya bergantung pada bagaimana Anda mendefinisikan “AGI”
  • Ini bukan satu fitur, melainkan satu arah dalam lanskap yang sangat besar. Menjadi lebih baik dalam berbagai tugas seperti pencarian, serta riset yang digabungkan dengan penalaran, membuat model lebih dekat ke AGI
    Jika AGI, ia tentu bisa melakukan tugas seperti ini, dan semakin luas diagram Venn dari kemampuan-kemampuan seperti ini, semakin kita bisa mempersempit apa yang mungkin menjadi mekanisme dasar AGI. Moravec pernah menggambarkan lanskap kemampuan manusia yang perlahan terendam oleh kemampuan AI; kita akan tahu bahwa kita telah mencapai AI yang benar-benar general-purpose ketika AI bisa melakukan semua hal yang bisa dilakukan manusia, baik secara aktual maupun secara prinsip. Deep Research hanyalah satu pulau lain yang sedang tenggelam dalam banjir itu

• Jika saya memahami grafiknya dengan benar, tingkat kelulusan tes internal tampaknya hanya 20%. Kalau begitu, apakah artinya setelah menunggu 30 menit dan membayar mahal, kita tetap harus menyisir dinding teks panjang yang kemungkinan besar keliru?
  Jika kemungkinan halusinasi tidak cukup kecil untuk diabaikan, terlalu banyak materi yang harus ditinjau sekaligus. Rasanya prosesnya harus jauh lebih iteratif

  • Contoh jenis soal yang mencapai 20% itu berada pada level seperti ini: menyatakan transformasi natural antara dua funktor sebagai end, mendefinisikan kotransformasi natural sebagai coend, lalu menanyakan jumlah kotransformasi natural dengan ∞-kategori di bawah delooping nerve dari grup simetris Σ4 dan Σ7
    Dengan kata lain, itu bukan pertanyaan umum, melainkan lebih dekat ke benchmark matematika mutakhir
  • Tingkat kelulusan 26,6% di Humanity’s Last Exam sebenarnya mengesankan. Tingkat kelulusan harus dilihat dalam konteks tingkat kesulitan tugasnya
  • Itu hanya relevan ketika mengajukan pertanyaan setingkat benchmark mutakhir
  • Sulit menyimpulkan karena datanya kurang. Jika diasumsikan satu kueri menyelesaikan pekerjaan sehari, maka ketika meninjau pekerjaan lima hari memakan waktu kurang dari sehari, penggunaannya bisa masuk akal
    Untuk kasus seperti riset nyata, ketika volume pekerjaan persiapan lebih besar daripada keluaran akhir, ini bisa cocok secara konseptual. Jika melihat benchmark secara kasar, menjelang akhir tahun tampaknya bisa melewati 50% per kueri, dan sepertinya meningkat dua kali lipat setiap satu atau dua generasi model
  • Angka itu berasal dari soal-soal yang bahkan pakar di bidang tersebut sulit menjawabnya dengan tepat

• Di ranah blog ada para ahli yang dikenal dalam bidang sempit atau orang-orang terkenal di bidangnya, dan jauh lebih banyak lagi orang yang menulis artikel bermanfaat. Setidaknya mereka menulis dalam arti berharap manusia lain membacanya
  Namun jika semua pembacanya menjadi bot, saya penasaran apakah mereka akan tetap menulis. Rasanya internet mati semakin mendekat

  • Menurut saya menulis untuk dibaca hanya oleh bot pun tidak masalah, jika caranya bisa diketahui. Makalah akademik pun sebenarnya sering tidak benar-benar dibaca; sering kali hanya dipindai sebentar untuk sitasi, apalagi publikasi besar seperti artikel jurnal atau tesis/disertasi
    Namun sebagai penulis, tetap menarik bahwa kita bisa berkontribusi pada dunia pengetahuan yang mudah diakses ketika orang ingin menulis. Tidak perlu lagi susah payah menelusuri makalah-makalah yang hanya judulnya tampak relevan, dan tidak apa-apa juga jika orang lain tidak perlu susah payah membaca makalah saya
  • Tentu saja mereka akan terus menulis. Banyak juga orang yang membawa kamera terbesar yang masih mampu mereka tanggung untuk mengambil ratusan foto yang tidak akan dilihat siapa pun secara sukarela

• Saya penasaran apakah ada orang yang benar-benar sudah punya akses ke fitur ini. Di situs web tertulis mulai hari ini tersedia untuk pengguna Pro, tetapi meskipun saya punya Pro lewat akun perusahaan, saya tidak melihat opsi Deep Research di penulis pesan

  • Saya Pro dan berada di AS, tetapi belum terlihat
  • Saya mulai bisa mengaksesnya sekitar 3 jam lalu. Bahkan terlihat di aplikasi desktop Windows, yang beberapa fiturnya biasanya terlambat
    Jika membuka model apa pun, tag (Deep research) muncul di kotak input di sebelah opsi pencarian web. Saya tidak menghapus cache atau apa pun
  • Saya Pro, tetapi belum terlihat
  • Dua kenalan saya yang berlangganan Pro juga bilang belum punya akses
  • Tinggal di AS, menggunakan Pro, tetapi masih belum bisa mengaksesnya

[GN⁺]

Komentar Hacker News

• Setiap tahun saya merasa standar kualitas perangkat lunak tidak mungkin turun lagi, tapi setiap kali saya sadar pikiran itu salah

  • Saya tidak paham kenapa orang repot-repot melakukan sesuatu yang bahkan tidak akan dikerjakan dengan benar
  • Rasanya seperti memaku potongan kayu yang dipotong seadanya menjadi sesuatu yang mirip kursi lalu mendudukinya
  • Ada yang bilang “kadang kita cuma butuh tempat untuk duduk”, tapi tetap saja menurut saya harus ada tingkat penyelesaian minimum
  • Saya melihat beberapa orang yang tidak percaya diri dengan bahasa Inggris jadi sepenuhnya bergantung pada LLM, dan akibatnya kehilangan kemampuan mengekspresikan diri serta rasa percaya diri
  • Dalam perangkat lunak, jarang sejak awal kita benar-benar tahu bahwa yang sedang dibuat adalah ‘kursi’
    • Pada akhirnya ini cuma nama lain untuk pemrograman eksploratif atau pembuatan prototipe
  • Kadang yang penting bukan tujuan akhirnya, melainkan sekadar ingin cepat sampai ke suatu tempat
    • Ini seperti memarahi orang yang kelelahan karena duduk sebentar di lantai
  • Akhir-akhir ini saya khawatir rasa keterikatan pada realitas bahwa kode berjalan di perangkat keras sungguhan mulai hilang
    • Banyak pengembang muda yang tidak memahami konsekuensi fisik dari kode
    • Saya pikir AI dan hype-nya suatu saat akan runtuh, tapi perjuangan menjaga kualitas harus terus berlanjut

• Saya juga menikmati hal seperti ini saat mengerjakan proyek ringan

  • Tapi untuk keamanan, jelas tidak bisa dikerjakan asal-asalan
  • Asisten coding AI sering membuat API tanpa autentikasi atau menghasilkan template yang berisiko XSS
  • Saya memakai LLM setiap hari, tapi saya yakin peran insinyur keamanan akan tetap sangat dibutuhkan ke depannya

• Melihat pendekatan seperti ini, rasanya seperti hasil kerja dari ‘orang yang coding sambil makan’ diserahkan begitu saja

• Saya khawatir kalau mulai coding dengan cara ini, kemampuan menyelesaikan masalah sulit akan mengalami kemunduran

  • Tapi ada juga yang bilang orang tetap bisa mengerjakan bagian yang memang perlu dengan teliti secara manual
  • Sebagai gantinya, hambatan masuk untuk mencoba hal baru jadi lebih rendah sehingga eksplorasi bisa dilakukan jauh lebih bebas

• Belakangan ini makin banyak pengembang AI-native yang belajar dengan cara seperti ini sejak awal

  • Sekarang rasanya ini sudah bukan coding lagi, melainkan lebih ke mengelola AI coder

• Alat seperti “WYSIWYG yang bisa diedit lewat perintah bahasa alami” tampaknya akan punya tebing kesulitan yang curam, seperti batasan alat RAD

• Ada yang bilang “jangan belajar dengan cara seperti ini”, tapi menurut saya yang penting adalah menyeimbangkan upaya dan tingkat hasil akhir

  • Vibe Coding adalah cara yang bagus untuk belajar dan bereksplorasi
  • Ini bisa membuka spektrum baru antara upaya dan hasil akhir
  • Hanya saja, seperti kata Fred Brooks, kalau percobaan pertama kurang baik maka kita harus berani membuangnya
    • Jika terlalu terpaku pada implementasi pertama buatan LLM, kita bisa terikat pada titik acuan yang keliru tanpa benar-benar memahami masalahnya

• Saya rasa untuk CSS, Vibe Coding saja sudah cukup

  • Tapi ada yang membantah bahwa jika mempertimbangkan aksesibilitas dan desain responsif, kenyataannya tidak sesederhana itu
  • CSS yang dibuat dengan baik justru ringkas dan mudah dirawat
  • Menyisipkan AI malah bisa menjadi gangguan
  • Orang lain lagi mengatakan bahwa mereka pernah membangun utilitas web kecil sepenuhnya dengan Claude
  • Ada juga yang menjelaskan bahwa mereka membuat DSL pencarian berbasis React atau editor pipeline GUI dengan cara yang sama, dan pendekatan ini sudah melampaui level CSS sederhana