GitHub Copilot Coding Agent Dirilis dalam Public Preview

• GitHub merilis Copilot Coding Agent dalam preview untuk pengguna Copilot Pro+ dan Enterprise
• Pengembang dapat mendelegasikan tugas berulang dan pekerjaan dengan technical debt yang menumpuk kepada Copilot agar bisa lebih fokus pada pekerjaan yang lebih kreatif dan penting
• Dengan menetapkan issue ke AI, AI dapat otomatis melakukan perubahan kode, menjalankan pengujian, hingga membuat PR
• Setelah Copilot menyelesaikan tugas, ia akan meminta review, dan pengembang dapat meminta perubahan tambahan lewat komentar atau melanjutkan pekerjaan langsung di branch tersebut
• Pekerjaan dijalankan di lingkungan pengembangan cloud berbasis GitHub Actions, dan Copilot juga memverifikasi sendiri bahwa pengujian serta linter lolos
• Pengguna dapat meminta revisi kepada Copilot lewat komentar di PR atau membawanya ke branch lokal untuk kolaborasi
• Fitur ini terutama kuat untuk tugas penambahan fitur, perbaikan bug, dan refactoring dengan tingkat kesulitan rendah hingga menengah pada codebase dengan pengujian yang matang

---

GitHub Copilot coding agent in public preview

Mengurangi technical debt lewat code agent dan lebih fokus pada pekerjaan kreatif

• GitHub merilis Copilot Coding Agent dalam public preview, sehingga issue yang berulang atau sederhana dapat didelegasikan kepada Copilot
• Pengembang dapat menetapkan issue ke Copilot layaknya ke pengembang biasa, dan ini didukung di situs web GitHub, aplikasi seluler, serta CLI
• Copilot menganalisis repositori di lingkungan pengembangan cloud miliknya sendiri, menerapkan perubahan, menjalankan pengujian dan validasi lint, lalu membuat PR
• Setelah selesai, Copilot akan meminta review kepada pengguna; umpan balik bisa diberikan lewat komentar di PR atau pekerjaan dapat dilanjutkan langsung dari branch secara lokal

Tugas seperti apa yang cocok

• Copilot unggul untuk penambahan fitur, perbaikan bug, perluasan pengujian, refactoring, dan peningkatan dokumentasi dengan tingkat kompleksitas rendah hingga menengah
• Fitur ini bekerja efektif pada codebase dengan pengujian yang matang, dan juga memungkinkan penetapan beberapa issue sekaligus

Syarat penggunaan dan biaya

• Fitur ini tersedia pada paket Copilot Pro+ atau Copilot Enterprise
• Untuk Enterprise, administrator harus mengaktifkan terlebih dahulu kebijakan ‘Copilot Coding Agent’ agar dapat digunakan
• Penggunaan agent akan mengonsumsi waktu GitHub Actions dan Copilot Premium requests
  • Khususnya, mulai 4 Juni 2025, setiap 1 model request akan dikenai 1 Premium request

Dukungan platform dan cara memulai

• Fitur ini saat ini sedang diluncurkan secara bertahap untuk pengguna GitHub Mobile(iOS/Android) dan GitHub CLI
• Cara memulai dan tips dapat dilihat di dokumentasi Copilot Coding Agent
• Masukan atau pertanyaan dapat dibagikan melalui diskusi komunitas

[wedding]

Saya menggunakannya di VS Code Insiders, dan karena terus berkembang sedikit demi sedikit, ini jadi sangat nyaman digunakan.
Belakangan ini bahkan sudah ada coding prediktif.

[GN⁺]

Opini Hacker News

• Saya mendapat kesan bahwa Copilot efektif untuk tugas berkesulitan rendah hingga menengah seperti menambahkan fitur, memperbaiki bug, memperluas pengujian, refactoring, dan meningkatkan dokumentasi pada codebase yang sudah teruji dengan baik. Namun, bagian penting bagi manusia adalah tetap waspada saat menggunakan AI. Jika pengujian dibuat hanya oleh AI, ada kekhawatiran hasilnya sebenarnya tidak benar-benar bekerja dengan baik. Saya ingin mendengar angka yang lebih spesifik tentang seberapa sukses alat ini digunakan secara internal di Microsoft. Microsoft memang terkenal benar-benar memakai produknya sendiri di dunia nyata, tetapi rasanya sangat sulit membedakan antara pemasaran besar-besaran dan kegunaan yang benar-benar nyata
  • Di berbagai bagian GitHub dan Microsoft, Copilot coding agent sudah digunakan secara internal selama hampir 3 bulan. Dari pengalaman itu, banyak masukan dan perbaikan bug yang terkumpul sehingga kami siap meluncurkan agent hari ini. Sejauh ini sekitar 400 karyawan GitHub telah menggunakan agent di lebih dari 300 repositori, dan hampir 1.000 PR hasil kontribusi Copilot sudah di-merge. Di repositori tempat agent ini dikembangkan, Copilot agent adalah kontributor terbanyak ke-5. Artinya, kami pada dasarnya sedang menggunakan Copilot coding agent untuk membuat Copilot coding agent. (Saya adalah product lead Copilot coding agent di GitHub)
  • Di Microsoft, saya mendapat kesan bahwa ini didorong secara memaksa dari pihak manajemen. Menurut cerita teman saya di tim Azure, ada kasus orang hampir masuk PIP karena menolak memasang asisten coding AI internal. Tiap manajer menjadikan “jumlah developer yang memakai AI” sebagai OKR, dan banyak developer cenderung hanya memasang lalu hampir tidak memakainya. Khususnya, dukungan untuk C# dan PowerShell masih sangat kurang sehingga kegunaan nyatanya terbatas
  • Microsoft memang pernah merilis angka seperti persentase kode yang dihasilkan AI. Diketahui bahwa 30% kode ditulis oleh AI
  • Pernyataan bahwa Microsoft terkenal karena dogfooding mungkin benar sampai sekitar 15 tahun lalu, tetapi sekarang sama sekali tidak lagi
• Saya ingin memperingatkan bahwa masalah besar dari memakai Copilot adalah kode dari repositori privat bisa dipakai untuk pelatihan. Memang ada paket Pro dan Pro+, tetapi di FAQ hanya tertulis bahwa data Business atau Enterprise tidak dipakai untuk pelatihan, jadi saya memahaminya sebagai data dari paket berbayar pribadi masih digunakan untuk pelatihan model
  • Dulu mungkin memang begitu, tetapi sekarang berbeda. Kebijakan untuk paket pribadi bisa dilihat di dokumentasi resmi GitHub
  • Kalau Anda coding di lingkungan Windows, layar Anda kemungkinan sudah diambil tangkapan otomatis setiap beberapa detik, dan semua karakter di layar dianalisis dengan OCR. Kalau belum tahu, ini kabar yang mengejutkan
• Saya mencoba eksperimen vibe coding pada proyek greenfield dengan Gemini 2.5 pro dan cline. Hasilnya cukup mengesankan dan jauh lebih membantu produktivitas dibanding antarmuka chat LLM biasa. Namun, jika panduan arsitektur tidak cukup kuat, LLM cenderung menumpuk abstraksi yang keliru dan utang teknis, misalnya merusak struktur. Kemampuan refleksi diri soal kualitas kode atau cara yang lebih baik juga belum cukup. Kelebihannya, kalau saya tunjukkan masalahnya dengan jelas dan prompt ulang, perbaikannya cepat sekali. Dan saya terkejut karena biaya token LLM mencapai $15 hanya dalam satu malam. Biasanya rata-rata saya sekitar $20 per bulan, dan baru kali ini habis sebesar itu dalam sehari
  • Menghabiskan $15 token LLM dalam sehari itu bukan bug, melainkan fitur. Saya rasa ke depan fenomena “tagihan AWS meledak” juga akan terjadi pada LLM
  • Saya juga merekomendasikan memakai tool bernama Aider dan mengelola konteks secara aktif dengan /add, /drop, /clear
  • Jika ingin memakai Cline dengan sensitif terhadap biaya, saya merasa konteks perlu dikelola manual. Saya memakai Windsurf sebagai gantinya (tetap menggunakan Gemini 2.5 pro). Pengelolaan konteksnya jauh lebih mudah
  • Di proyek greenfield, pemakaian AI terasa kurang nyaman. Pilihannya terlalu banyak sehingga AI mudah berubah-ubah pendekatan. Di proyek brownfield, kita bisa memberi file referensi agar pola dapat dipelajari secara alami, sehingga jauh lebih mudah mendapatkan hasil yang baik
  • Saya tertarik pada cara mencegah pencemaran arsitektur oleh LLM. Saya berharap langkah berikutnya adalah munculnya linter (berbasis AI) yang memeriksa apakah implementasi sesuai dengan definisi desain
• Menurut saya, optimasi kecepatan harus didahulukan daripada menambah fitur. Autocomplete Copilot memang cepat, tetapi kadang mengedit file 100 baris saja bisa memakan waktu beberapa menit, sehingga terasa tidak produktif. Kalau akurasinya mendekati 100% mungkin masih bisa dimaklumi, tetapi bolak-balik dalam kondisi lambat itu melelahkan. Lebih cepat membuka tab baru dan bertanya ke Claude atau ChatGPT lalu copy-paste kode. Saya sudah membatalkan langganan Copilot dan ke depan akan beralih ke model lokal untuk autocomplete atau tugas sederhana
  • Pengalaman saya justru kebalikannya. Mengedit file ratusan baris selesai dalam beberapa detik. Dulu mungkin memang lambat, tetapi baru-baru ini bottleneck-nya hilang. Bahkan memakai Copilot lewat Wi-Fi perpustakaan pun masih cukup nyaman
  • Kalau sampai memakan waktu beberapa menit, menurut saya itu masalah serius. Sebagian besar model memprosesnya dalam hitungan detik
• Di VS Code saya bergantian memakai ChatGPT dan Copilot. Memahami sintaks Objective-C jadi jauh lebih mudah, dan walaupun dukungan library masih kurang, saya rasa itu juga karena saya belum cukup mencoba library pihak ketiga. Kesalahan sintaks dan alur bisa langsung terlihat, jadi setelah sedikit perbaikan saya hampir bisa langsung memakai kodenya. Dengan harga $10 per bulan, ini terasa cukup menjanjikan untuk masa depan. Saya punya sangat banyak aplikasi iOS produktivitas yang perlu diperbarui, dan semuanya saya pakai sendiri sekaligus saya jual. Jadi manfaatnya terasa dua kali lipat
• Saya sudah cukup banyak memakai Copilot. Mengesankan, tetapi juga menakutkan. Masalah pentingnya adalah alat ini sembarangan merekomendasikan dependensi acak dari repositori kecil, dan dalam banyak kasus dependensi itu tidak cocok untuk proyek utama. Jadi, pengguna perlu berhati-hati
  • Saya melihat pola serupa di berbagai AI. Mereka terlalu percaya pada data yang dibaca dari web. Sebagai contoh, ketika diminta memverifikasi penipuan phishing, AI hanya merangkum isi tanpa analisis yang benar-benar dapat dipercaya. Saya juga pernah melihat AI merekomendasikan repositori Tiongkok tidak terkenal dengan bintang cuma dua seolah-olah itu standar industri, hanya karena tertulis begitu di README. Sedikit tidak terkait, tetapi pernah juga AI merekomendasikan protokol kriptografi “Strobe” dan mengarahkan ke strobe.cool, padahal situs itu sendiri membahas hal-hal yang memicu halusinasi
  • Terima kasih sudah menyebut fenomena ini. Saat pengujian saya belum mengalami perilaku seperti itu, jadi saya ingin menyelidikinya lebih dalam. Jika bisa dibagikan lewat email, itu akan sangat membantu (nickname HN saya ada di github.com). Saya bekerja di tim produk Copilot coding agent
  • Eksekusi PR di repositori privat berjalan dengan konteks yang lebih dapat dipercaya, jadi dalam situasi seperti itu masalah rekomendasi dependensi seperti di atas memang agak mengkhawatirkan
• Saya cukup terkesan dengan pernyataan “Copilot kuat untuk tugas berkompleksitas rendah hingga menengah”. Namun, antusiasme itu hilang ketika syaratnya adalah “codebase yang sudah teruji dengan baik”
  • Seperti komentar lain, coding agent sangat unggul dalam meningkatkan test coverage. Dan kalau melangkah lebih jauh, tool coding berbasis agent memang memberi hasil jauh lebih besar bila test coverage yang baik sudah ada. Pengujian membantu membatasi agent dan memberinya kesempatan untuk berulang kali memverifikasi pekerjaannya sendiri. Ini bukan syarat mutlak untuk tool seperti ini, tetapi kalau ada hasilnya memang lebih baik (saya bekerja di tim Copilot coding agent)
  • Kalau semua pengujian disuruh Copilot yang menulis, codebase yang teruji dengan baik akan cepat terbentuk
  • Menurut pengalaman saya, tanpa pengujian pun alat ini bekerja cukup baik, terutama pada proyek greenfield. Hanya saja, efek update atau patch memang jelas lebih baik ketika pengujian sudah ada
• Pada slogan iklan “Tenggelam dalam utang teknis?”, saya menanggapinya sambil bercanda: menyerahlah dan tenggelam saja. Dengan Github Copilot Coding Agent, utang teknis akan bertambah, akan muncul utang teknis baru yang entah siapa yang bertanggung jawab, dan rekan kerja Anda juga sebentar lagi akan menyusul ke situasi yang sama
• Teman saya ikut terlibat dalam proyek terkait di GitHub, jadi beberapa hari ini saya terus mendengar kabar tentang ini. Dia terus menekankan bahwa keynote hari Senin wajib ditonton. Setelah timeout autentikasi ketiga, saya menyerah menonton streaming, tetapi kalau tahu topiknya ini, saya mungkin akan mencoba sekali lagi
  • Saya penasaran keynote yang mana tepatnya. Sejauh ini bahkan hampir tidak muncul di pencarian
  • Satu saran: langsung saja buka YouTube dan lewati proses pendaftaran anggota MS
  • Saya selalu berhati-hati mendengarkan cerita dari coder yang benar-benar bekerja di sana, karena pemasaran internalnya sangat kuat. Saya berharap ini bisa mengungguli pesaing seperti Cursor, dan saya berniat menonton demonya secara langsung
• Pada awal era LLM, saya pernah membuat agent sendiri dengan github actions dan workflow issues. Fiturnya terbatas, tetapi cukup dengan menandai bug, sistem akan otomatis menjalankan langkah-langkah, menangani tugas arsitektur atau pengeditan, memverifikasi perubahan, lalu di akhir mengirim PR. Sekarang saya antusias karena alat resmi memungkinkan hal serupa dipakai dengan lebih mudah (contoh pekerjaan saya: chota)