Ulasan 2 minggu memakai Claude Code: pengalaman nyata dan tips dari sudut pandang power user

• Menggunakan Cursor dan Claude Code secara paralel sambil mengumpulkan pengalaman di berbagai pekerjaan, termasuk pengembangan nyata pada codebase besar dan konsultasi evaluasi LLM
• Cursor sempat sangat digemari para power user berkat UI/UX yang nyaman dan akses API tanpa batas, tetapi pengalaman pengguna belakangan sangat dibatasi setelah diperkenalkannya rate limit yang ketat
• Sonnet 4 di Claude Code menunjukkan reliabilitas dan efisiensi tinggi dalam pemahaman dan penyuntingan kode, serta penanganan konteks skala besar; dikombinasikan dengan Opus 4, bahkan bug yang sulit pun bisa diatasi
• Ada banyak fitur lanjutan tersembunyi untuk power user, seperti lingkungan CLI berbasis perintah dan pemanfaatan sub-agent, sehingga eksperimen dan eksplorasi fitur secara konsisten menjadi pengalaman yang penting
• Kekurangannya meliputi minimnya UI visual, copy/paste yang lambat, keterbatasan dalam memanfaatkan model lain, serta masih adanya permintaan perbaikan tambahan seperti checkpoint

---

Dari Cursor ke Claude Code: latar belakang perubahan

• Hingga belum lama ini, Cursor dicintai para developer berkat penggunaan API tanpa batas dan workflow review diff yang intuitif
• Karena itu, alat ini terutama digunakan untuk menghasilkan kode dalam Gumroad bounties dan pekerjaan konsultasi terkait AI engineering/evaluasi LLM, serta untuk cepat memahami codebase
• Namun, sejak pertengahan Juni, diberlakukan rate limit yang kuat secara mendadak sehingga efisiensi kerja turun tajam, dan keunggulan Cursor pun sangat berkurang
• Di antara berbagai model seperti Sonnet 4, Opus 4, GPT-4.1, dan Gemini Pro 2.5, yang paling sering benar-benar dipakai adalah Sonnet 4 dan Opus 4
• Karena keterbatasan seperti beban harga API dan penurunan kecepatan, penulis sampai mempertimbangkan langganan Claude Code Max (200 dolar per bulan) dan mulai mencoba beralih secara serius

Pengalaman penggunaan Claude Code di dunia nyata

• Claude Code diterapkan pada codebase open source menengah hingga besar dalam Python, Ruby, TypeScript (50M+ token), dan penulis mengalami feedback loop melalui spesifikasi dan pengujian
• Pada awalnya hanya memakai input perintah sederhana, lalu mulai mengeksplorasi cara pemakaian yang lebih dalam sambil mempelajari perintah dasar dan mode plan
  • Input perintah sederhana → mempelajari mode perintah/perencanaan → meningkatkan otomatisasi dan produktivitas melalui kombinasi command yang jelas
• Dengan memperlakukan proses pemecahan masalah seperti sesi konsultasi, penulis bebas menuangkan seluruh konteks masalah ke Claude, lalu beralih ke Opus bila perlu untuk menyusun rencana (Plan mode), dan memakai Sonnet 4 untuk pekerjaan utama sebagai strategi campuran
• Claude diarahkan agar mencatat dan merapikan informasi melalui file di dalam folder .claude untuk manajemen context dan mengurangi ketidaknyamanan copy/paste; disarankan memakai mode Plan dan Auto-edit secara bersamaan
  • Manajemen konteks: alih-alih memakai compaction, lebih memilih memulai chat baru secara berkala, dan mendorong agar perubahan penting dicatat di file terpisah

Manajemen konteks dan pemanfaatan sub-agent

• Claude Code mendukung context compression, tetapi karena lambat dan kurang efisien, penulis lebih suka membuat file ringkasan poin penting sendiri lalu memulai chat baru
• Dengan menyuruh perubahan, memo, dan histori dicatat di file pendukung seperti Scratchpad, informasi itu bisa dimanfaatkan nanti saat bekerja pada branch berbeda atau memulihkan sesi (/resume)
• Sub-agent: memungkinkan beberapa tugas di dalam codebase (seperti pencarian dan analisis) diproses secara paralel, sehingga pekerjaan dapat dibagi dalam struktur multithreading
  • Secara internal, multi-agent berbasis daftar ToDo dibuat untuk membantu pengelolaan konteks

Pencarian dan pemanfaatan perintah

• Di Cursor, tersedia beragam alat seperti normal/semantic search dan agentic search, dan kecepatan pencariannya juga cepat
• Namun, pencarian di Claude Code bisa terasa lambat. Saat memakai sub-agents, pemrosesan paralel di codebase besar menjadi mungkin
• Dengan memanfaatkan sub-agent dan task tool, serta perintah seperti /think dan /ultrathink, eksplorasi repository berskala besar dan pembagian kerja bisa diwujudkan
• Penting untuk melihat daftar perintah dengan shortcut Shift + ? agar cepat mengetahui fitur baru
• Perintah terminal (bash) juga bisa dijalankan dengan !, termasuk dalam mode headless
• Banyak fitur lanjutan yang tertanam, seperti tag file (@file), fungsi memorize (system prompt yang disesuaikan pengguna), dan pemanfaatan CLAUDE.md

Perbandingan Sonnet 4 vs Opus 4 dan tips workflow

• Sonnet 4: lebih cepat dalam sebagian besar situasi, dan unggul untuk konteks panjang + pekerjaan agent. Lebih kuat pada pekerjaan Python dan frontend
• Opus 4: cenderung menjadi bingung saat instruksi menumpuk berkali-kali; dalam situasi seperti ini, disarankan mencatat ke file lalu memulai chat baru. Juga berguna untuk menyelesaikan bug sulit saat Sonnet 4 mentok
• Untuk masalah kompleks, disarankan memulai dengan Opus, sementara coding umum ditangani Sonnet sebagai pendekatan hybrid

Perintah kustom dan tips lainnya

• Mendukung command kustom seperti /pr-comments dan /review, tetapi memerlukan Github CLI
• Saat mengganti branch, percakapan bisa dimulai ulang, dan workflow yang fleksibel seperti review diff terhadap main juga dapat disusun
• Dengan menekan Esc dua kali, percakapan bisa di-fork dari mana saja
• Permission bisa disesuaikan sebelum sesi dengan /permissions
• Jika berani, cobalah menggunakan claude --dangerously-skip-permissions
• Rekomendasi video Cluade Code Pro TIPS

Hal-hal yang ingin dicoba ke depan

• Ingin bereksperimen dengan cara mendefinisikan dan memanfaatkan command kustom secara langsung
• Ingin mencoba pengembangan otomatisasi frontend dengan memanfaatkan server MCP seperti Playwright server
  • Rencananya berfokus pada membangun feedback loop di mana Claude mengambil screenshot, mengenali hasilnya, lalu memperbaiki UI secara berulang
• Berencana mempraktikkan seluruh metode lanjutan yang diusulkan di how-i-bring-the-best-out-of-claude-code-part-2
• Akan mencoba optimasi prompt
  • Ingin mendefinisikan kriteria evaluasi (rubric.md) secara jelas, lalu merancang loop evaluasi/perbaikan prompt bersama file yang memuat context (seperti pmd)
  • Sedang merencanakan struktur yang berevolusi menjadi model di mana beberapa instance Claude digunakan; ketika satu instance menghasilkan output dari prompt, instance lain mengevaluasi, memberi feedback, lalu memperbaikinya (sistem single atau multi-agent)
  • Pendekatan ini terinspirasi dari post milik Nirant
• Ingin membangun sistem multi-agent yang membuat beberapa instance Claude Code saling berkomunikasi melalui action log

Kesimpulan dan permintaan perbaikan

• Cursor sangat kuat dari sisi UI/UX, tetapi Claude Code mendorong produktivitas dan semangat bereksperimen dalam lingkungan yang ramah bagi power user dan CLI
• Ini adalah tool yang memberi banyak imbal hasil bagi pembelajaran eksploratif dan eksperimen, dan sangat direkomendasikan bagi kalangan nerd/power user

Fitur yang diharapkan bisa diperbaiki

• Integrasi UI (Claudia sebagai referensi)
• Dukungan checkpoint seperti Cursor. Git memang ada, tetapi cara Cursor terasa jauh lebih nyaman
• Peningkatan kualitas copy/paste
• Dukungan penggunaan berbagai model

[GN⁺]

Pendapat Hacker News

• Setiap kali melihat orang memuji Claude Code habis-habisan, rasanya sulit menghilangkan kesan bahwa mereka semua influencer atau cuma penggemar berat tool tradisional seperti terminal, Emacs, dan Vim. Setiap kali melihat komentar bahwa Claude Code jauh lebih baik daripada Cursor, saya benar-benar berlangganan lalu mencobanya pada codebase TypeScript besar, tapi prosesnya lama dan kurva belajarnya tinggi. Hasil akhirnya sama saja seperti Claude bawaan Cursor, hanya lebih lambat dan lebih tidak jelas sehingga lebih sulit direview. Sekarang rasanya para fanatik di kolom komentar itu entah disponsori atau sudah telanjur bayar 200 dolar lalu merasa perlu membenarkan pilihannya. Jujur, Cursor jauh lebih produktif buat saya. Saya programmer 18 tahun pengalaman dan menulis banyak kode setiap hari, memakai Gemini 2.5 Pro dan Claude 4.0 bergantian, tapi justru lebih banyak dapat hasil dari Cursor. Sampai sekarang belum ada satu orang pun yang berhasil meyakinkan saya. Saya belum melihat keuntungan yang nyata. Mungkin nanti pendapat saya berubah, tapi saat ini saya sama sekali belum merasakannya

  • Saya rasa kebanyakan orang sangat salah paham tentang apa bagian tersulit dari pengembangan perangkat lunak. Sebagian besar pekerjaan nyata bukan membuat algoritme kompleks, melainkan merangkai dan mencocokkan ide-ide yang sudah ada. Tapi semua itu datang setelah pekerjaan awal seperti spesifikasi, desain, arsitektur, dan seterusnya. Memakai AI untuk membangun program seperti ini dengan cepat memang terlihat keren dan dalam demo terasa seperti langsung “selesai”, tetapi masalah sebenarnya adalah membuat sistem yang benar-benar sesuai standar kualitas dan bisa dipakai 30 tahun. Untuk prototipe atau tujuan sekali pakai, ini luar biasa, tapi untuk ketahanan jangka panjang ada batasnya

  • Untuk memaksimalkan produktivitas dengan tool seperti ini, kuncinya adalah feedback loop yang sangat pendek dan cepat. Model autocomplete tab di Cursor terasa seperti secara intuitif menangkap apa yang editor hendak lakukan, seperti menekan kopling dengan kecerdasan yang gila. Saya tidak perlu pusing memprogram makro sendiri; kalau tidak perlu tinggal batalkan dengan Esc, kalau perlu baru bertahap pindah ke mode agentic. Editor yang sepenuhnya berbasis agen butuh 15–30 menit dan workflow jadi benar-benar terputus. Mereview hasilnya sendiri sudah jadi pekerjaan, dan butuh perhatian yang jauh lebih besar dibanding loop terima/tolak yang pendek. Belum lagi harus memikirkan apakah mau diberi akses jaringan atau dijalankan offline, jadi rasanya hanya layak dipakai saat perlu cepat-cepat membuat kode yang tidak terlalu penting dari sisi maintainability, keamanan, atau reliabilitas. Selain itu justru produktivitas turun. Nanti pasti akan membaik, tapi saat ini saya jelas bisa menghasilkan hasil yang lebih baik di Cursor

  • Dulu saya juga merasa begitu, tapi belakangan setelah benar-benar memakai Claude Code, saya merasa ini jauh lebih baik daripada Cursor. Saya tidak sepenuhnya tahu alasannya, tetapi Claude tampaknya lebih paham struktur keseluruhan dan lebih pandai menghindari perubahan yang tidak perlu. Tentu ada kalanya saya tetap harus memberi arah sendiri, tetapi efisiensinya jauh lebih tinggi. Salah satu cirinya, biasanya hanya menampilkan satu file pada satu waktu, jadi jauh lebih mudah direview. Cursor membuka banyak file sekaligus, dan perubahan yang terjadi banyak sekali sehingga sulit dipahami cepat. Sebagai catatan, saya memakai ekstensi Claude Code di terminal VSCode. Claude membuka tab file yang akan diubah lalu mengusulkan perubahannya

  • Yang belum banyak disadari orang adalah Cursor bukan satu produk yang benar-benar selesai, melainkan sekumpulan fitur yang semua tool lain buru-buru tambahkan agar bisa mengejar. Pelajaran sebenarnya adalah ada strategi untuk menggabungkan solusi agen terbaik di kelasnya dengan editor pilihan masing-masing, bukan hanya antarmuka yang sangat dalam. Pengalaman-pengalaman seperti ini pada akhirnya akan mengendap menjadi “best practice”, lalu orang akan menerapkannya secara alami di editor atau IDE mereka sendiri, dan fork vscode seperti ini pada akhirnya akan menghilang

  • Saya memakainya kurang dari sebulan dengan paket 17 dolar, dan rasanya setengah kagum setengah frustrasi. Saya menulis 8 ribu baris Rust dan 12 ribu baris Markdown, lalu memisahkan spesifikasi kerja dan task konkret dengan cara yang mirip test harness untuk berinteraksi dengan AI. Entah keajaiban ini karena subsidi VC atau apa, tapi Rust sampai terasa seperti bahasa scripting. (Sebagai referensi: repositori GitHub-nya bernama knowseams)

• Hal terbaik dari AI buat saya adalah, saat malas saya bisa bilang “tolong kerjakan ini”. Bagus atau jelek hasilnya tidak terlalu penting. Setidaknya dia memberi titik awal

  • Berkat LLM, rasa takut pada halaman kosong hilang. Saya tidak perlu menghidupkan lagi konteks rumit di kepala; cukup tanya “kita tadi sedang mengerjakan apa?” atau “kode ini apa sih?” dan AI akan cepat menjelaskannya, lalu saya bisa langsung tenggelam lagi ke pekerjaan. Untuk rubber duck debugging maupun pekerjaan kecil berulang yang menyita waktu (yak shaving), ini sangat cepat dan benar-benar berguna. Saya juga memakainya terhubung dengan Slack, Notion, Linear, dan lain-lain, jadi buat saya ini juga tool manajemen task/proyek

  • Bahkan saat saya ingin mengerjakannya sendiri, saya minta AI menyusun rencana lalu menyimpannya di Markdown. Hari ini pun saya minta rencana refactor, tetapi dia mendekati masalah dengan cara yang salah, yaitu merombak blok kode prototipe 40 file dari bawah ke atas. Kalau saya salah mengikuti arah itu, mungkin saya akan menghabiskan waktu luar biasa banyak untuk debugging. Meski begitu, tetap memberi saya titik serang, dan dalam satu jam rencananya bisa saya perbaiki dan terapkan. Kalau saya melakukannya sendiri, mungkin saya sudah keburu kewalahan oleh kompleksitas lalu bahkan tidak mulai, atau menyerah sambil terus mengulang dokumentasi

  • Di akhir hari, saat saya sudah tidak bisa fokus lagi sampai jumlah yang saya tulis dan saya rollback kurang lebih sama, saya bisa menyerahkan kemudi ke AI dan bernapas sebentar. Untuk issue kecil saya cukup melirik diff, dan untuk issue sulit pun kalau saya sudah tahu apa tepatnya masalahnya, saya bisa mengarahkan dan meyakinkan AI. Biasanya saat pekerjaan sudah sekitar 40–60% selesai, saya ambil alih sendiri dan menyelesaikannya. Dalam keseharian, saya memusatkan jam-jam paling tajam saya untuk berpikir dan mengembangkan sendiri, sedangkan lembur sisa waktu atau kerja repetitif saya limpahkan ke AI agar saya bisa menyiapkan pekerjaan esok hari atau fokus pada penulisan dan desain yang lebih tingkat tinggi

  • Saya sih biasanya jalan-jalan dan minum kopi. Masalah manusia rasanya lebih alami diselesaikan dengan cara yang manusiawi

• Claude Code itu sulit dijelaskan. Setelah memakainya, saya bahkan merasa seperti sudah ganti profesi. Sebelumnya saya juga sudah memasukkan Claude ke seluruh workflow saya, tetapi Claude Code benar-benar seperti “steroid”. Kalau belum mencobanya, saya sangat merekomendasikannya. Ini pertama kalinya saya benar-benar merasa seperti bekerja bersama engineer junior

  • Pengalaman saya justru kebalikannya. Saya memberi instruksi, lalu beberapa menit kemudian dia memberi hasil, tapi ternyata aplikasinya rusak, dan saat mulai debugging, ternyata dia mengerjakan hal yang sama sekali melenceng sehingga akhirnya semua dibuang. Meski begitu saya tetap kembali ke Claude, karena kalau benar-benar berjalan seperti yang dialami orang lain, hasilnya memang akan sangat bagus. Kenyataannya, paling sering dia cuma menghasilkan boilerplate, saya masih harus debugging cukup banyak, dan kalau sedang apes, saya cuma membuang satu jam dan token

  • Hari ini saya pertama kali memakainya di kantor, dan ini perubahan yang jauh lebih revolusioner daripada Cursor. Meskipun memakai foundation model yang sama, pengalamannya benar-benar berbeda. Sebulan lalu AI justru membuat pekerjaan saya lebih lambat, tapi hari ini dengan Claude Code semuanya selesai dalam 20 menit, dan biaya API pun tidak sampai 10 dolar. Saya hampir tidak perlu memikirkan manajemen konteks; Claude Code sendiri menemukan konteks yang dibutuhkan dan bisa bekerja produktif jauh lebih lama. Mode agent di Cursor hanya terasa berguna untuk pekerjaan 3–5 menit, tetapi Claude Code tetap tidak kehilangan arah bahkan pada pekerjaan lebih dari 10 menit dan terus membuat kemajuan. Pemakaian tool-nya juga luar biasa, dan mengejutkan bahwa dia tidak mudah terjebak dalam loop

  • Anda bilang “rasanya seperti bekerja dengan engineer junior”, tetapi yang saya rasakan justru saya ini staf bawahan dan Claude adalah atasan. Rasanya seperti saya bilang, “Saya berhasil bikin hal keren ini!” lalu dia menjawab, “Tapi itu bukan yang saya suruh…”

  • Bisa jelaskan lebih spesifik pekerjaan, bahasa, dan domain apa yang Anda pakai? Semua kasus terasa sangat berbeda jadi saya penasaran

  • Saya juga punya pengalaman serupa. Claude lebih dari sekadar junior biasa. Dia sangat bagus dalam mengusulkan opsi, memberi rekomendasi untuk pengambilan keputusan, dan memvisualisasikan trade-off

• Apakah belum banyak walkthrough nyata membuat aplikasi atau library dengan Claude Code? Saya ingin melihat pengembangan yang benar-benar terjadi dengan tool ini, bukan tulisan yang cuma bilang “wah keren”. Kalau ada kumpulan contoh seperti itu, akan sangat bagus

  • Rasanya ada sesuatu yang agak aneh dalam situasi ini secara keseluruhan. Claude Code sendiri jelas bagus, dan bisa dipakai untuk menemukan dokumentasi atau Stack Overflow jauh lebih cepat. Tapi kalau rumor yang dibesar-besarkan itu benar, bukankah seharusnya inovasi perangkat lunak besar-besaran sudah terjadi dengan sangat cepat berkat tool seperti ini? CEO Stripe bilang tool AI meningkatkan produktivitas 100x; kalau sudah 3–4 bulan berlalu, bukankah Stripe seharusnya sekarang sudah meluncurkan roket? Microsoft juga katanya all-in pada AI coding, tapi kenapa Teams masih terasa biasa saja? Sudah lebih dari setahun tool ini disebut revolusioner, tetapi realitasnya tampak tidak terlalu berbeda dari 3–4 tahun lalu

  • Dua tren yang belakangan paling menonjol adalah (1) orang non-ahli memakai AI untuk proyek kecil, dan (2) developer yang lebih dulu menulis spesifikasi aplikasi secara sangat rapat—termasuk struktur file, interface, tech stack, sampai test framework—lalu menyuruh LLM menangani detailnya dengan sangat rinci untuk akhirnya mendapatkan hasil yang lumayan contoh YouTube. Sekitar 80–99% cerita yang terdengar dari PR/YouTube pada dasarnya datang dari kelompok pertama. Alasan orang merasa lebih produktif adalah karena berbicara, mendokumentasikan, mengarahkan, dan merevisi bersama LLM terasa lebih tidak melelahkan daripada benar-benar mengembangkan sendiri. Waktu maupun total usahanya bisa saja sama, tetapi ekspektasi mentalnya lebih ringan

  • Saya mencari stream/kasus lapangan di YouTube yang benar-benar menunjukkan boost produktivitas nyata, tapi belum pernah melihat contoh yang membuat saya berpikir, “Wah, ini benar-benar cepat!”

  • Ada banyak pendapat ekstrem pro dan kontra, tetapi sebagian besar orang sebenarnya diam-diam terus commit sendiri-sendiri (yang ironisnya sudah jadi pernyataan tersendiri). Dalam kasus saya, tergantung jenis pekerjaannya, saya benar-benar merasakan percepatan 1,5x sampai 10x. Keuntungan terbesar adalah pada pekerjaan yang murni kreatif, sekali pakai, boilerplate, atau refactoring, karena beban kognitifnya jauh berkurang sehingga performa saya lebih konsisten. Saya masih banyak “ngoding manual”, dan hampir semua baris tetap saya review sampai akhir. Membiarkannya berjalan sendiri berjam-jam itu mimpi buruk. Saya bahkan memakainya pada aplikasi produksi yang sudah dipelihara lebih dari 10 tahun, hanya saja saya tidak punya waktu untuk menulis promosi di blog. Di sisi lain, organisasi saya sangat ramping sehingga konteks seluruh sistem juga saya pegang sendiri, dan itu sangat membantu memahami masalah lebih cepat. Di lingkungan yang menuntut efisiensi pribadi, ini benar-benar memperkuat fondasinya. Di organisasi besar, pengalaman seperti ini lebih sulit didapat

• Menurut pengalaman saya, berguna sekali menaruh file Markdown bernama Claude.md di root tiap folder kode, lalu menambahkan ruleset minimal seperti pipeline. Aturan itu memastikan pembuatan dan penempatan test selalu sesuai folder serta cara yang ditentukan, mencegah pembuatan file debug, dan mencegah ledakan class atau struktur baru dengan mendorong reuse kecuali benar-benar perlu. Prompt pun tidak saya buat panjang; biasanya saya hanya menulis rencana untuk bagian yang belum jelas. Bahkan untuk issue baru yang berada di luar cakupan pengetahuan LLM, saya hanya memberi input besar seminimal mungkin. Dengan cara ini saya bisa secara konsisten mendapatkan hasil 1 input–1 output (termasuk penerapan sampai kedalamannya). Belakangan saya malah pindah dari Claude Code ke mode CLI agar bisa memakai model besar lain seperti Opus dengan biaya lebih murah. CLI adalah kekuatan yang sebenarnya. Saya menjalankan 60–70 agent stream secara bersamaan, dan codebase skala 200 juta token (react/typescript/golang) pun bisa dikelola tanpa masalah. Saya hanya ingat satu dua kali perlu memberi instruksi tambahan

  • Bisa buat daftar apa saja yang Anda jalankan lewat agent stream? Saya sangat penasaran

  • Saya ingin tahu model apa saja yang Anda pakai selain Anthropic. Saya pernah mencoba Kimi K2, tapi tidak cocok untuk penggunaan saya

  • Saya penasaran apa yang dimaksud dengan "agent stream". Bagaimana Anda mengelola 60–70 sekaligus? Beban kognitifnya sulit saya bayangkan

• Kadang saat memakai Claude Code untuk tugas tertentu, produktivitas saya naik drastis. Saya merekomendasikan memakai slash command, lalu mengubah percakapan sebelumnya menjadi slash command baru. Dengan begitu, lama-lama Anda membangun set perintah primitif yang semakin berguna. Contoh saya ada di GitHub: make-command.md, improve-command.md

  • Saya rasa mencoba memprogram black box non-deterministik seperti ini benar-benar luar biasa. Keberaniannya hebat sekali

• PSA (informasi publik): repositori ini bisa menghubungkan Claude Code ke model apa pun. Katanya Kimi-K2 terbaru berjalan cukup baik

  • Saya juga pernah mencoba Kimi-K2; performanya masih di bawah Sonnet/Opus 4.0, tetapi tool calling-nya lebih baik daripada Gemini 2.5 Pro. Kalau Claude Max (100–200 dolar per bulan) terasa berat, ini sangat saya rekomendasikan. Saya suka karena modelnya sendiri sangat sederhana dan minim embel-embel. Anthropic juga seharusnya mempertimbangkan open-source Claude Code; itu bisa jadi VSCode-nya dunia cli coding agent. Dan saya juga merekomendasikan opencode. Mendukung semua model secara native dan menyediakan fitur mirip Claude Code

  • Kalau mau pakai banyak model, saya justru langsung merekomendasikan sst/opencode (saya juga memakainya dengan Claude Pro)

  • Sebagai catatan, bagi yang belum sempat mencoba CC — klien CC bisa diunduh lewat npm dan dipakai gratis

• Saya sempat main-main “vibe coding” aplikasi Python sederhana dengan Claude Code, local LLM, Continue, dan VSCode, lalu tahu ada free tier Claude, jadi saya masukkan kode yang sedang dikerjakan beserta hasil dari LLM. Dia langsung merangkum dan memperbaiki error serta update dengan tepat dalam sekali jalan, jadi saya senang sekali! Lalu saya naik level: saya menyusun spesifikasi dan prompt proyek game 2d berbasis pygame (gaya Manic Miner) dengan ChatGPT, lalu memberikannya ke Claude. Tapi Claude terus merujuk method yang tidak ada, atau bicara ngawur soal perbedaan versi codebase yang sebenarnya tidak ada. Bahkan setelah saya tunjukkan nomor baris dan potongan kode sekitarnya secara spesifik, dia masih seperti gaslighting. Bagaimana sebaiknya saya mengatasinya? Saya tidak berharap sempurna, tetapi rasanya mentok pada batas yang mirip dengan local LLM. Kesehatan saya kurang baik jadi saya mengerjakannya sesekali; mohon sarannya

  • Kemungkinan besar Anda terjebak di “neraka kode penuh interface ambigu dan asumsi tersembunyi”. Dalam situasi seperti ini, lebih baik ringkas seluruh hasil ChatGPT yang ada, buat dokumen mendalam tentang apa yang game saat ini lakukan dan daftar semua fiturnya, lalu masukkan dokumen itu ke Claude dan pecah ulang requirement-nya dari awal. Claude bisa menghasilkan sampel yang bagus bahkan secara zero-shot, dan dalam skenario terburuk pun masih bisa melakukan brush-up mandiri secara iteratif. Jika Claude masih tetap membuat fitur yang tidak masuk akal, saya sarankan memasang server MCP context7 lalu secara eksplisit meminta Claude memakai context7

  • Ini adalah batasan fundamental teknologi LLM. Ia secara probabilistik mengeluarkan urutan token yang “paling masuk akal”, tetapi ketika “masuk akal” dan “benar” tidak selaras, tidak ada jalan keluar. Setiap LLM punya standar “masuk akal” yang berbeda tergantung proses training dan fine-tuning-nya

• Setelah pengaturan dasar selesai, saya penasaran metode tambahan apa yang dipikirkan orang untuk membuat tool ini bekerja dengan baik. Maksud saya, praktik-praktik konkret seperti apa dalam penyusunan konteks dan struktur codebase agar tool ini bisa mengarahkan dirinya sendiri dengan benar? Saya sudah menuliskan rangkuman pemikiran saya di tulisan ini. Saya rasa metodologi yang lebih baik akan terus bermunculan

• Saya memang mendapat banyak alpha dari Claude Code, tetapi saya khawatir bagaimana menskalakannya ke seluruh tim. Saya penasaran apakah ada cara untuk berbagi tips praktis atau best practice agar rekan tim saya, atau orang-orang yang saya kelola, bisa memanfaatkan Claude Code secara efektif