Cara Membuat Agen Coding

(ghuntley.com)

62 poin oleh GN⁺ 2025-08-25 | Belum ada komentar. | Bagikan ke WhatsApp

Pada tahun 2025, membuat agen coding sendiri adalah salah satu proyek terbaik yang bisa dicoba oleh developer individu
Agen dapat berjalan hanya dengan 300 baris kode dan loop token LLM, dan dengan membangunnya sendiri Anda mendapat kesempatan untuk beralih dari konsumen menjadi produsen AI
Komponen dasarnya adalah tool seperti membaca file, daftar file, menjalankan Bash, mengedit file, dan pencarian kode, yang memungkinkan implementasi otomatisasi nyata
Untuk pemilihan model, Claude Sonnet, Kimi K2 dan model agentic serupa cocok digunakan, dan bila perlu model oracle seperti GPT dapat dihubungkan sebagai tool untuk melakukan verifikasi tingkat tinggi
Dalam praktiknya, produk komersial seperti Amp, Cursor, Claude Code, dan GitHub Copilot juga memiliki struktur yang serupa

Gambaran workshop

Workshop gratis yang dipandu Geoffrey Huntley ini memberikan panduan praktik langsung tentang cara membuat agen coding sendiri dan memahami prinsip kerjanya
Dengan membandingkan struktur dan prinsip tool AI komersial yang sudah ada seperti Roo code, Cline, Amp, Cursor, Windsurf, dan OpenCode, workshop ini memberi kesempatan untuk mengimplementasikannya sendiri
Melalui pengalaman membuatnya, Anda bisa berkembang dari sekadar pengguna AI menjadi developer yang secara langsung memanfaatkan AI untuk membuat tool otomatisasi
Struktur intinya adalah membangun fungsi agen dengan memanfaatkan loop token LLM dalam sekitar 300 baris kode
Sambil menambahkan fungsi primitif untuk tiap tool (membaca, daftar file, eksekusi, edit, pencarian kode), contoh kerja nyata dan kodenya dipublikasikan di repositori GitHub

Belakangan ini istilah "agen" digunakan secara luas, tetapi makna praktis dan prinsip kerja internalnya sering kali tidak jelas
Karena hambatan masuk untuk membuat agen semakin rendah, kini dimungkinkan untuk melampaui peran sebagai konsumen AI dan tumbuh menjadi produsen yang dapat memimpin otomatisasi kerja
Per 2025, seperti konsep dasar database seperti primary key, prinsip pembuatan agen telah menjadi pengetahuan esensial
Perusahaan seperti Canva sudah mendorong penggunaan AI dalam proses wawancara, dan kemampuan otomatisasi berbasis AI menjadi faktor utama dalam perekrutan
Kini alasan tertinggal bukanlah karena AI, melainkan karena tidak mempelajari tool baru melalui pengembangan diri

Agen coding terdiri hanya dari 300 baris kode dan loop token LLM, dan menjalankan fungsinya melalui input token yang berulang
Konsep pekerjaan serentak (concurrent work) itu penting
- Contoh: bahkan saat sedang rapat Zoom, agen dapat bekerja secara paralel sehingga efisiensi kerja meningkat drastis
Tidak semua LLM bersifat agentic
- 'Keamanan tinggi' (misalnya: Anthropic, OpenAI)
- 'Keamanan rendah' (misalnya: Grok)
- 'Oracle' (unggul untuk ringkasan dan penalaran tingkat tinggi)
- 'Agentic' (berorientasi tindakan, iterasi cepat, dan pemanggilan tool)
Developer perlu memahami karakteristik tiap model dan memilih model yang akan digunakan sesuai tujuan
Mengalokasikan context window secara berlebihan justru menurunkan performa, dan perlu diingat bahwa "semakin sedikit yang dialokasikan, semakin baik hasilnya"
- Pendaftaran tool MCP yang berlebihan juga menyebabkan penurunan performa
Aturan: "Less is more" → performa optimal dicapai bila hanya menempatkan tool dan data yang diperlukan ke dalam konteks

1. Registrasi tool dan function calling
- Misalnya, daftarkan tool pengecekan cuaca ke LLM agar LLM dapat merespons dalam format function calling saat menghadapi situasi yang sesuai
- MCP (Model Context Protocol) mirip dengan "banner informasi tentang fungsi"; cukup daftarkan deskripsi fungsinya maka pemanggilan otomatis bisa dilakukan
2. Fungsi inti per tool primitif
- Membaca file (ReadFile): saat path diberikan, isi file dibaca ke dalam konteks
- Daftar file (ListFiles): menyediakan daftar file dan folder di dalam direktori
- Menjalankan perintah (Bash): LLM menjalankan perintah shell sistem dan mengembalikan hasilnya
- Mengedit file (Edit): mengotomatiskan tindakan membuat atau memodifikasi file tertentu
- Pencarian kode (CodeSearch): mencari seluruh codebase dengan cepat berdasarkan pola, kata kunci, atau nama fungsi (menggunakan ripgrep)
3. Contoh dan alur hasil
- Dengan mengintegrasikan tiap tool ke LLM, pekerjaan berurutan dapat diotomatisasi hanya dengan prompt bahasa alami (misalnya: membuat kode FizzBuzz → memverifikasi eksekusi, menjelajahi direktori → menganalisis isi, dll.)
- Fungsi tool dipanggil secara berurutan sesuai input pengguna atau skenario, dan pengembalian hasilnya diulang di dalam loop
- Urutan operasi utama agen: input pengguna → menentukan apakah perlu memanggil tool → menjalankan tool → menempatkan hasil ke konteks → ulangi

Saat ini sebagian besar agen coding bekerja di atas tool open source yang sudah ada seperti ripgrep
Di GitHub ada proyek agen yang sederhana namun kuat seperti SST Open Code dan mini-swe-agent, yang diimplementasikan hanya dalam 100 baris, sehingga bisa dijadikan referensi untuk performa dan struktur
Developer disarankan untuk memahami prinsip dan pemanfaatannya dengan membuatnya sendiri alih-alih hanya membandingkan produk yang ada
Saat diterapkan pada pekerjaan nyata dan otomatisasi, membuat agen sendiri lalu menyebarkannya di dalam organisasi dapat menjadi keunggulan kompetitif

Agen coding bukanlah teknologi yang rumit, melainkan tersusun dari struktur loop sederhana dan kombinasi tool
Kunci pembuatan agen coding adalah memahami struktur dan kemampuan mengeksekusi dengan cepat, dan melalui pengalaman membuatnya sendiri, Anda dapat merespons perubahan teknologi AI secara proaktif
Yang terpenting saat ini bukan AI itu sendiri, melainkan pengembangan diri yang konsisten dan investasi pribadi dalam kemampuan membuat tool sebagai strategi pertumbuhan individu yang paling penting
"Ancaman sebenarnya bukan AI yang merebut pekerjaan Anda, tetapi rekan kerja Anda yang dipersenjatai dengan agen, mengotomatiskan pekerjaan, dan bekerja lebih cepat"