Pengantar
- Saat hasil coding AI tidak memuaskan, daripada menghabiskan token secara membabi buta, jauh lebih efektif memilih hanya informasi yang benar-benar diperlukan sesuai niat lalu memberikannya sebagai konteks.
- Bahkan jika context window model makin besar, terlalu banyak informasi justru menghambat AI menemukan dan memahami bagian yang diinginkan.
- Berikut 4 teknik yang saya gunakan untuk mendapatkan hasil yang lebih memuaskan dari coding agent di codebase legacy. Teknik ini tidak terlalu bergantung pada performa model, dan merupakan cara praktis yang bisa langsung menghemat waktu dan biaya.
1. Jelajahi dan pahami dulu sebelum mengimplementasikan
- Sebelum menyelesaikan masalah atau mengubah kode, menginvestasikan waktu untuk meningkatkan pemahaman terhadap domain dan codebase akan lebih menguntungkan.
- Dengan begitu, kita bisa memakai istilah teknis yang lebih akurat, merujuk file yang tepat, dan membuat AI bekerja lebih presisi.
- Pada tahap ini, sebaiknya hindari mengubah kode, lalu fokus membangun pengetahuan dengan mengajukan pertanyaan kepada AI.
2. Tunjukkan kode yang bisa ditiru
- Karena LLM cenderung bergerak ke rata-rata, kita perlu memberikan contoh kode yang baik untuk meningkatkan kualitas hasilnya.
- Daripada menjelaskan konvensi kode panjang lebar dalam tulisan, jauh lebih efektif menunjukkan contoh kode yang dibuat dengan baik sambil berkata, 'buat seperti fungsi ini'.
- Terutama saat memigrasikan pola tertentu, jika beberapa bagian pertama diubah dengan benar lalu ditunjukkan kepada AI sebagai contoh, sisanya biasanya bisa ditangani dengan sangat baik.
3. Beri skrip sebagai alat
- Jika alat analisis statis diberikan kepada AI sebagai tool, kualitas hasil dapat ditingkatkan dengan menutupi kelemahan LLM yang batas bawah performanya rendah.
- Demikian juga, jika pekerjaan yang mudah memunculkan kesalahan berulang—seperti skrip untuk mencari kunci i18n—dibuat menjadi skrip agar bisa dimanfaatkan AI, masalah dapat dicegah dengan lebih pasti.
- Serupa dengan itu, untuk pekerjaan ekstraksi/transformasi dengan pola yang jelas, jauh lebih akurat jika AI diminta menulis skrip yang menjalankan pekerjaan tersebut lalu mengeksekusinya, daripada menyuruh AI melakukannya langsung.
4. Perbaiki hulu aliran
- Daripada melihat hasil yang salah lalu meminta perbaikan, lebih menguntungkan memperbaiki 'prompt' yang menjadi penyebab hasil itu muncul sejak awal.
- Lebih jauh lagi, akan lebih baik jika proses pembuatan prompt juga diperbaiki (misalnya dengan menulis contoh kode atau kode pengujian lebih dulu).
- Dan akan lebih baik lagi jika otak yang membuat proses itu juga ditingkatkan. Kita perlu merefleksikan pengalaman ping-pong yang tidak perlu dengan AI, lalu mengembangkan kemampuan untuk menilai kapan harus turun tangan sendiri dan kapan harus memakai AI.
Penutup
- Salah satu benchmark utama agent adalah 'berapa lama ia bisa terus bekerja', tetapi secara realistis, bagi mayoritas pengguna (termasuk saya), kemampuan untuk memberi pekerjaan hingga batas agent itu sendiri masih belum ada.
- Saya pikir orang yang mampu 'menemukan pekerjaan yang layak diserahkan ke agent, memberinya tool yang tepat, dan membuatnya bekerja lama dengan prompting yang tepat' akan menjadi talenta kelas atas di era AI.
- Semoga teknik-teknik yang diperkenalkan dalam tulisan ini membantu latihan untuk menjadi talenta seperti itu
1 komentar
Ini sangat sesuai dengan pengalaman saya!