- Claude Skills yang diumumkan Anthropic adalah pola baru yang menyediakan instruksi, skrip, dan sumber daya yang dibutuhkan model untuk melakukan tugas tertentu dalam bentuk folder, dengan pendekatan memuat keahlian per tugas secara dinamis
- Skills terdiri dari file Markdown dan skrip opsional; saat sesi dimulai, hanya metadata tiap skill yang dimuat dalam beberapa puluh token, lalu isi lengkapnya dipanggil hanya saat benar-benar diperlukan sehingga efisiensi token sangat tinggi
- Melalui Claude Code, Skills melampaui alat coding sederhana dan berkembang menjadi agen otomasi serbaguna; selama ada filesystem dan lingkungan eksekusi perintah, berbagai tugas dapat diotomatisasi
- Berbeda dari MCP, Skills bukan protokol melainkan struktur sederhana berbasis Markdown dan YAML, sehingga bisa langsung dimanfaatkan oleh model atau alat lain dan mudah dibagikan serta disebarkan
- Berkat kesederhanaan dan efisiensi ini, Skills diperkirakan akan memperluas ekosistem jauh lebih cepat daripada MCP, memungkinkan pembangunan agen terspesialisasi di berbagai bidang mulai dari jurnalisme data hingga pedoman merek (tanpa harus menanggung masalah konsumsi token dan spesifikasi kompleks MCP)
Konsep dan struktur Skills
- Anthropic secara resmi mengumumkan Claude Skills pada 16 Oktober 2025
- Sistem perluasan kemampuan berbasis folder yang berisi instruksi, skrip, dan sumber daya yang dibutuhkan model untuk melakukan tugas tertentu (misalnya pekerjaan Excel atau mematuhi pedoman merek organisasi)
- Claude hanya mengakses skill tersebut saat relevan dengan tugas, sehingga meningkatkan kemampuan menjalankan pekerjaan yang terspesialisasi
- Contoh skill resmi tersedia di repositori GitHub anthropic/skills
- Secara konsep, Skills sangat sederhana
- Intinya adalah file Markdown yang memberi tahu model cara menyelesaikan suatu tugas
- Secara opsional dapat menyertakan dokumen tambahan dan skrip yang sudah disiapkan untuk membantu menyelesaikan tugas
- Fitur pembuatan dokumen Claude yang diumumkan pada September ternyata sepenuhnya diimplementasikan dengan Skills
- Skill untuk menangani file
.pdf, .docx, .xlsx, .pptx dapat dilihat di repositori publik
Efisiensi token: keunggulan utama Skills
- Saat sesi dimulai, Claude memindai semua file skill yang tersedia dan hanya membaca deskripsi singkat dari frontmatter YAML tiap skill
- Token awal yang dibutuhkan tiap skill hanya beberapa puluh sehingga sangat efisien
- Detail lengkap hanya dimuat saat pengguna meminta tugas yang memang bisa dibantu oleh skill tersebut
- Inilah pembeda utama yang membuatnya bukan sekadar menyimpan file di disk, tetapi benar-benar menjadi fitur fungsional
Studi praktik skill pembuat GIF Slack
- Deskripsi metadata skill slack-gif-creator
- Toolkit untuk membuat GIF animasi yang dioptimalkan untuk Slack
- Menyertakan validator batas ukuran dan elemen dasar animasi yang bisa dikombinasikan
- Diterapkan pada permintaan seperti “buatkan GIF untuk Slack tentang X yang melakukan Y”
- Proses pengujian nyata
- Mengaktifkan skill slack-gif-creator di web app mobile Claude dengan model Sonnet 4.5
- Memasukkan prompt “Make me a gif for slack about how Skills are way cooler than MCPs”
- Claude otomatis membuat GIF (kualitasnya masih perlu ditingkatkan, tetapi skill seperti ini mudah diperbaiki secara iteratif)
- Hal menarik dari skrip Python yang dihasilkan
- Menambahkan direktori skill ke path Python:
sys.path.insert(0, '/mnt/skills/examples/slack-gif-creator')
- Memanfaatkan kelas
GIFBuilder di direktori core/ milik skill
- Menyimpan file ke
/mnt/user-data/outputs/
- Memastikan kepatuhan dengan spesifikasi lewat fungsi validasi batas ukuran Slack (2MB)
check_slack_size()
- Jika ukurannya melebihi batas, model dapat otomatis mencoba membuat ulang file yang lebih kecil
Ketergantungan lingkungan pada Skills
- Mekanisme Skills hanya akan berfungsi penuh jika model dapat mengakses hal-hal berikut
- filesystem
- alat untuk menelusuri filesystem
- kemampuan mengeksekusi perintah di lingkungan tersebut
- Ini adalah pola umum dalam tooling LLM
- ChatGPT Code Interpreter menjadi contoh skala besar pertama pada awal 2023
- Setelah itu meluas ke mesin lokal melalui alat agen coding seperti Cursor, Claude Code, Codex CLI, dan Gemini CLI
- Kebutuhan ini adalah perbedaan terbesar dibanding upaya perluasan kemampuan LLM sebelumnya seperti MCP atau ChatGPT Plugins
- Ini memang ketergantungan penting, tetapi skala kemampuan baru yang dibuka sangat besar dan mengejutkan
- Isu keamanan tetap penting
- Perlu menyediakan lingkungan coding yang aman
- Perlu cara membangun lingkungan sandbox agar serangan seperti prompt injection hanya menimbulkan dampak pada tingkat yang bisa diterima
Claude Code: berevolusi menjadi agen serbaguna
- Pada Januari 2025, penulis memprediksi bahwa “agen” akan gagal, tetapi ternyata sepenuhnya keliru
- Tahun 2025 justru menjadi tahun “agen” (meskipun definisinya beragam, di sini didefinisikan sebagai “tools in a loop”)
- Claude Code diberi nama yang kurang tepat
- Bukan sekadar alat coding murni, melainkan alat otomasi komputer serbaguna
- Dapat mengotomatisasi semua tugas yang bisa dicapai dengan mengetik perintah di komputer
- Paling tepat dijelaskan sebagai agen serbaguna (general agent)
- Skills membuat potensi ini jauh lebih jelas dan eksplisit
- Cakupan penerapannya sangat luas hingga terasa memusingkan
- Contoh jurnalisme data: bisa menyusun folder skill untuk menangani tugas-tugas berikut
- memahami sumber dan struktur data sensus Amerika Serikat
- memuat data dari berbagai format ke SQLite/DuckDB dengan library Python
- menerbitkan data secara online sebagai file Parquet di S3 atau tabel Datasette Cloud
- menemukan cerita menarik dalam dataset baru (berdasarkan panduan reporter data berpengalaman)
- membangun visualisasi data yang bersih dan mudah dibaca dengan D3
- Hasilnya: hanya dengan file Markdown dan beberapa contoh skrip Python, Anda sudah bisa membangun “agen jurnalisme data” untuk menemukan dan menerbitkan cerita dari data sensus Amerika Serikat
Perbandingan Skills vs MCP
- Model Context Protocol (MCP) meraih perhatian besar sejak diluncurkan pada November 2024
- Semua perusahaan merasa perlu memiliki “strategi AI”, dan mengumumkan implementasi MCP adalah cara mudah untuk memenuhi tuntutan itu
- Keterbatasan MCP makin lama makin terlihat
- Masalah terpenting adalah penggunaan token
- MCP resmi untuk GitHub saja sudah menghabiskan puluhan ribu token konteks
- Jika menambah beberapa lagi, hampir tidak ada ruang tersisa bagi LLM untuk melakukan pekerjaan yang benar-benar berguna
- Sejak mulai serius menangani agen coding, minat penulis pada MCP juga menurun
- Hampir semua hal yang bisa dicapai dengan MCP dapat digantikan oleh alat CLI
- LLM sudah tahu cara memanggil
cli-tool --help, jadi tidak perlu menghabiskan banyak token untuk menjelaskan cara pakainya
- Model bisa mengetahuinya sendiri saat dibutuhkan
- Skills memiliki keunggulan yang sama, bahkan lebih jauh lagi karena tidak perlu membuat alat CLI baru
- Cukup letakkan file Markdown yang menjelaskan cara melakukan tugas tersebut
- Tambahkan skrip hanya jika benar-benar membantu meningkatkan stabilitas atau efisiensi
Prospek pertumbuhan eksplosif ekosistem Skills
- Salah satu hal paling menarik dari Skills adalah kemudahannya untuk dibagikan
- Banyak skill diperkirakan akan diimplementasikan dalam satu file saja
- Skill yang lebih canggih bisa berupa folder berisi beberapa file
- Materi yang disediakan Anthropic
- Penulis juga sedang memikirkan ide skill seperti cara membangun plugin Datasette
- Bisa digunakan juga di model lain: ini keunggulan lain dari desain Skills
- Jika folder skill dihubungkan ke Codex CLI atau Gemini CLI lalu diberi instruksi “baca
pdf/SKILL.md dan buatkan PDF yang menjelaskan proyek ini”, itu tetap bisa bekerja
- Hal ini tetap memungkinkan meskipun alat dan model tersebut tidak memiliki pengetahuan bawaan tentang sistem skill
- Prediksi: akan terjadi ledakan Kambrium untuk Skills yang membuat gelombang MCP tahun ini tampak sepele
Kesederhanaan adalah kekuatan utama
- Sebagian orang keberatan karena Skills terlalu sederhana hingga terasa bukan sebuah fitur
- Banyak orang memang sudah bereksperimen dengan trik menaruh instruksi tambahan di file Markdown lalu menyuruh agen coding membacanya
- AGENTS.md adalah pola yang sudah mapan, dan bisa memuat instruksi seperti “baca PDF.md sebelum membuat PDF”
- Kesederhanaan inti dalam desain Skills justru menjadi alasan utama penulis antusias
- MCP memiliki seluruh spesifikasi protokol
- host, client, server, resource, prompt, tool, sampling, root, elicitation
- termasuk tiga metode transportasi (stdio, streamable HTTP, awalnya SSE)
- Skills hanyalah Markdown + sedikit metadata YAML + skrip eksekusi opsional
- Jauh lebih dekat dengan sifat dasar LLM: beri teks, lalu biarkan model menanganinya
- Skills mengalihdayakan bagian yang sulit ke LLM harness dan lingkungan komputer terkait
- Ini strategi yang sangat cerdas jika mempertimbangkan semua hal yang telah dipelajari selama beberapa tahun terakhir tentang kemampuan eksekusi alat oleh LLM
12 komentar
Dalam coding, saya jadi berpikir apakah ini juga bisa diterapkan saat menggunakan Claude Code.
Saat ini saya juga menaruh panduan di Claude.md dan menjalankan panduan yang lebih rinci dengan memisahkannya masing-masing.
Kalau tujuannya menyelesaikan banyak pekerjaan dengan sedikit token, rasanya ini bisa diatasi lebih sederhana dengan memanfaatkan multi-agent dan peringkasan daripada optimasi prompt. Saya setuju dengan masalah yang diangkat, tetapi cara penyelesaiannya terasa memiliki keterbatasan.
Apakah Skills juga tidak menggunakan token? Jika iya, sepertinya masalah penggunaan token akan muncul lagi, tetapi saya kurang yakin bagaimana cara menanganinya saat itu.
Sepertinya yang selalu masuk ke konteks bukan seluruh
SKILLS.md, melainkan hanya bagian nama dan deskripsi di bagian atas seperti di bawah ini terlebih dahulu.name: skill-creator
description: Panduan untuk membuat skill yang efektif. Skill ini sebaiknya digunakan ketika pengguna ingin membuat skill baru (atau memperbarui skill yang sudah ada) yang memperluas kemampuan Claude dengan pengetahuan khusus, alur kerja, atau integrasi alat.
license: Ketentuan lengkap ada di LICENSE.txt
Saat bekerja dengan Claude Code, saya terus memasukkan instruksi atau aturan ke dalam konteks, dan akhirnya jadi harus menimbang antara penggunaan token dan konteks. Lalu saya terpikir membuat folder, menuliskan detailnya secara rinci dalam file
.mdper fungsi di sana, dan diclaude.mdhanya menaruh banyak pointer tentang harus melihat apa untuk melakukan sesuatu; ternyata cara ini bekerja cukup baik dengan biaya yang lumayan murah. Karena skills pada akhirnya mungkin adalah kumpulan hal seperti ini, sepertinya ini akan cukup berguna.Dan seperti yang diumumkan, kalau marketplace skills juga dirilis, rasanya cukup oke karena kita bisa mengambil hanya skill yang dibutuhkan lalu mengaktifkannya saat perlu.
Oh, terima kasih atas penjelasan intinya.
Kira-kira apa kaitannya antara penanganan konteks dan Claude Skills? Saya sempat berpikir, apa bedanya ini dengan custom command Claude Code yang sudah ada sebelumnya? Namun saat membaca dokumentasinya, perbedaan terbesarnya terasa pada fakta bahwa di dalam satu skill kita bisa menyertakan dan menjalankan kode skrip seperti Python atau JavaScript.
Opini Hacker News
Bagi saya, Claude Skills terlihat seperti bukti bahwa RAG dibuat jadi tidak perlu rumit dari sisi pengalaman pengguna. Bukan karena rumit secara teknis, melainkan karena UX-nya yang bermasalah. Kalau bagian ini dibereskan dengan baik, rasanya Claude Skills sendiri bisa jadi tidak diperlukan. Keunggulan Claude Skills dibanding MCP adalah lebih mudah dibuat. Cukup ditulis seperti menulis biasa, jadi siapa pun bisa memakainya. Tapi sangat bergantung pada lingkungannya. Misalnya, kalau dibutuhkan tool tertentu agar bisa berjalan, bagaimana menyiapkan sandbox untuk mengotomatiskannya? Bahkan sulit memastikan apakah versinya sudah benar
Di perusahaan kami, kami juga sedang mencoba sesuatu yang mirip. File konteks di monorepo kami terlalu besar, jadi kami membangun pohon fragment yang dimuat bertahap per tugas. Dokumen konteks seperti ini terlihat sangat mirip dengan dokumentasi developer biasa, tapi dalam praktiknya jauh lebih berguna dan berorientasi pada tugas. Jadi saya jadi bertanya-tanya kenapa dulu kami tidak bisa membuat dokumen seperti ini.
Ini pada dasarnya adalah masalah principal-agent yang bercampur dengan sifat marshmallow test. Jika developer menulis dokumentasi untuk orang lain, bukan untuk AI, mereka tidak tahu siapa orang itu, apa yang dibutuhkan, bahkan apakah dokumentasi itu akan dilihat. Tentu nantinya itu juga bisa membantu dirinya sendiri, tapi sulit untuk benar-benar memahami itu atau punya waktu dan disiplin untuk melakukannya. Namun jika AI menggunakan dokumentasi itu untuk langsung membantu saya, ada motivasi langsung yang sangat kuat untuk mencatat informasi yang dibutuhkan. Loop umpan baliknya juga jadi lebih pendek. Sebagai catatan, karena karakteristik LLM, komentar kode sering hilang, jadi belakangan ini saya lebih banyak meninggalkan dokumentasi dan jauh mengurangi komentar
Developer baru biasanya tidak banyak mengeluh meski dokumentasinya berantakan, karena takut terlihat bodoh. Penulisnya sendiri sudah punya model itu di kepalanya, jadi tidak terlalu merasa ada masalah, dan menulis dokumentasi yang bagus dulu terasa seperti tindakan yang membahayakan pekerjaan sendiri. Tapi kalau dokumentasi berantakan itu diberikan ke robot bodoh, kalau hasilnya jelek kita harus menyalahkan diri sendiri. Jadi menurut saya ini kombinasi #2 + #3. Perubahan besarnya adalah bahwa "kemungkinan untuk digantikan" berubah dari negatif menjadi positif (menggantikan diri sendiri dengan agen sebelum posisi kita direbut agen murah)
Mirip dengan alasan adanya utang teknis: tekanan bisnis, desain yang buruk, kekurangan sumber daya. Dulu, menjaga dokumentasi yang baik tetap mutakhir setiap kali kode berubah memang sangat mahal
Saat diminta membayangkan ada banyak skills di dalam sebuah folder, saya langsung memikirkan situasi yang mencakup tugas seperti mencari lokasi data sensus AS atau cara menafsirkan strukturnya. Begitu mendengar ini, saya teringat saat pertama kali memakai Wolfram Alpha. Berbeda dari mesin pencari biasa, saya benar-benar takjub melihat masalah diselesaikan dengan tool yang sungguh terstruktur. Saya coba lagi sekarang dan itu masih luar biasa: Menanyakan populasi AS dengan Wolfram Alpha. Model Skills di kepala saya mirip seperti menambahkan ekstensi kustom ke Wolfram Alpha
Saya klik link yang Anda kirim, dan di Wolfram Alpha kuerinya terbuka sebagai
what%27s the total population of the United States%3F. Hasilnya lucu, karena muncul6.1% mod 3 °F (2015-2019 American Community Survey 5-year estimates). Saya jadi penasaran bagaimana itu dihitungSejujurnya, Wolfram Alpha zaman dulu benar-benar pencapaian yang gila. Sampai sekarang saya masih heran bagaimana mereka bisa membangun sistem yang menangani soal matematika rumit tanpa AI pada masa itu
Saya agak bingung dengan perbedaan antara Skills dan tool yang sudah ada. Banyak skill juga bisa dianggap sekadar tool, atau kumpulan beberapa tool plus penjelasan. Tapi bukankah definisi tool dan definisi skill berada di tempat yang berbeda? Saya penasaran bagaimana dependency di antara keduanya seharusnya dinyatakan. Jika skill menyatakan "bisa memakai command line, butuh python, tool A, tool B", apakah itu berarti tool-tool tersebut akan ikut diaktifkan saat skill dimuat?
Yang sebenarnya patut diperhatikan adalah semua orang terlalu terobsesi dengan MCP dan bertindak secara path dependent. Yang benar-benar menarik itu sebenarnya hanya "tool call" itu sendiri. Tool call benar-benar berguna dan mengagumkan. MCP hanya salah satu dari beberapa cara untuk mewujudkannya. Bahkan bukan cara yang terlalu hebat
Menurut saya MCP menyebar begitu luas karena timing adalah segalanya. Sebelum MCP, pemanggilan tool juga sudah ada, tapi model belum pandai melakukannya. Waktu kemunculan MCP tepat berbarengan dengan saat model mulai mahir melakukan tool call. Jadi inti dari demam MCP adalah bahwa orang-orang akhirnya sadar LLM bisa memanggil tool untuk berinteraksi dengan sistem lain
Server MCP pada dasarnya adalah registry untuk mendaftarkan tool call. Lalu apa yang lebih buruk dibanding tool call biasa?
Yang bermakna dari MCP adalah ia memperkenalkan konsep oauth kepada LLM. Karena itu pemanggilan tool berbasis server jadi mungkin. Dulu, setiap cli yang ingin dipakai harus diinstal terpisah dan autentikasinya juga ditangani sendiri di dalamnya. Memang benar tool calling adalah keunggulan terbesar LLM, tapi menurut saya fakta bahwa pesan "kita harus memikirkan autentikasi tool" ikut menjadi jelas juga sangat bernilai
Sekadar catatan, MCP juga merupakan fitur yang dihadirkan Anthropic sebagai inovasi
Bahkan tanpa Skills pun, saya penasaran apa pendekatan yang lebih baik daripada MCP
Pengaruh MCP jauh melampaui terminal. Ini bisa dipakai di ChatGPT, Claude Web, n8n, dan LibreChat, dan sudah memikirkan autentikasi, resource, bahkan UI (
apps-sdk, dll.). Jika fokusnya adalah workflow coding atau agen berbasis CLI (seperti Claude Code), tool CLI memang sangat bernilai, tetapi untuk area seperti CRM, sales, support, operasional, dan keuangan, tool berbasis MCP adalah bentuk yang lebih cocok. Skills dan MCP bukan hubungan kompetitif, melainkan tujuan yang saling melengkapi. Lompatan sesungguhnya terjadi terutama ketika kode Python dalam Skills bisa langsung memanggil MCP lewat interpreter (kami juga sudah mencobanya dan hasilnya sangat baik)Salah satu keunggulan besar MCP dibanding tool berbasis terminal adalah ia bisa berjalan tanpa sandbox seperti lingkungan Linux yang sepenuhnya terisolasi. Dan itu juga bisa dipakai dengan model yang jauh lebih sederhana. Model yang berjalan di laptop atau bahkan ponsel pun cukup mampu menangani dua atau tiga MCP. Sejujurnya, terlalu berlebihan kalau meminta model seperti itu membaca file dan menjalankan
curldengan andalMengintegrasikan LLM dengan software eksternal atau dunia fisik sekarang terasa sangat keren. Semua ini bisa dilakukan dengan bahasa alami. Bahkan LLM bisa membuat kode server MCP, sehingga kemampuan yang benar-benar baru bisa diciptakan dengan mudah
Sejujurnya saya rasa MCP terlalu dibesar-besarkan dan batasannya juga jelas. Saat ini 95% server MCP tidak berguna, dan bisa digantikan cukup dengan tool call sederhana
Sudah jelas, tapi server MCP yang dibuat dengan baik memang sangat bagus. Sebaliknya, server MCP yang amburadul justru menimbulkan masalah yang lebih parah. Biasanya semua tim produk mendapat tekanan bahwa mereka harus membuat server MCP hanya karena "MCP sedang panas". Pelanggan juga pasti punya target terkait pemanfaatan AI, jadi mereka menuntut hal seperti ini. Tapi mereka sebenarnya tidak tahu apa yang mereka inginkan, yang penting cukup bisa bilang "sudah ada AI-nya". Akibatnya tim produk pun bisa cepat memasarkan produknya sebagai "produk AI kami" berkat MCP, meskipun efek penerapan AI itu sendiri tidak jelas. Ini fenomena yang tidak terlalu terkait dengan esensi AI
MCP hanya bisa dipakai jika kita mempercayai penyedia server. Pada dasarnya kita bergantung pada kejujuran server itu. Dalam praktiknya, perusahaan seperti Uber pasti akan terus mendorong lewat berbagai prompt engineering agar LLM menganggap layanan mereka sebagai opsi terbaik. Pada akhirnya, insentif antara publisher MCP dan consumer benar-benar tidak selaras
Saya setuju bahwa tool call adalah intinya. Tapi MCP punya setidaknya dua kelebihan dibanding CLI. Pertama, saat LLM tool call membutuhkan output terstruktur dan interaksi kompleks, MCP lebih mudah daripada CLI. Kedua, state di antara tool call bisa dipertahankan secara alami di server MCP. Awalnya saya juga sempat berpikir mungkin saya terlalu mudah terbawa hype, tapi demo kecil yang baru-baru ini saya buat untuk belajar MCP (https://github.com/cournape/text2synth) ternyata lebih mudah dibuat dibanding versi CLI, dan saya rasa ini menunjukkan potensi penggunaan MCP yang menarik
Server MCP terasa sangat populer di kalangan hacker. Terlalu banyak instance yang dikonfigurasi asal-asalan dan dideploy seadanya. Perusahaan-perusahaan seperti sudah menghapus semua lini pertahanan deployment yang sebelumnya ada
Tim frontend kami mendapatkan nilai yang luar biasa dari figma MCP. Pekerjaan yang biasanya makan waktu 3 minggu bisa selesai dalam 1 hari
Saya juga membuat sesuatu yang sebanding dengan skills hanya dengan beberapa file markdown. Cukup mengingatkan agen soal skill itu kira-kira sekali per sesi. Saya tidak terlalu paham apa yang istimewa hanya karena Claude melakukan ini
Bagian pentingnya adalah memberi nama pada suatu pola. Ini sebenarnya pola berguna yang sudah ditemukan dan dipakai banyak orang secara alami, tapi setelah punya nama, diskusinya bisa naik level. Anthropic juga menangkap bahwa pola ini membantu menyelesaikan masalah klasik agen coding, yaitu "polusi konteks". Dulu AGENTS.md atau MCP tidak praktis karena terlalu banyak informasi masuk ke konteks, sementara pola skills jauh lebih efisien
Rasanya seperti menstrukturkan secara resmi sesuatu yang sebenarnya sudah diselesaikan, lalu menambahkan sedikit otomatisasi. Di antara MCP yang pernah saya pakai sebelumnya, banyak yang sebenarnya cuma fungsi pencarian dokumentasi yang dibuat mewah, dan saya berharap skills seperti ini bisa menggantikannya
Saya juga punya pertanyaan yang sama. Saya sudah memakai ini lebih dari setahun dengan Aider atau CC
Ini mungkin agak negatif, tapi saya ingin tahu apakah ada orang lain yang merasakan hal serupa. Kalau pengguna rata-rata diminta menyiapkan layanan seperti ini sendiri, reaksi yang wajar adalah "apa kalian gila?". Kebanyakan orang hanya ingin login, meminta sesuatu, lalu sistem mengurus sisanya sendiri. MCP, Apps, Skills, Gems, semuanya salah menangkap masalahnya. Ini mirip kanal YouTube yang tiap 6 bulan sekali bilang "bahasa pemrograman atau framework baru ini yang terbaik", lalu membuat aplikasi todo dan mengulang video yang sama sampai 6 kali. Yang ada hanya perbaikan dangkal yang berulang, sementara masalah mendasarnya tidak terselesaikan. Ada sesuatu yang salah di salah satu genre teknologi ini, dan ketika uang mulai membanjir, yang keluar hanya presentasi seperti ini, lalu orang membuat rilis berikutnya, naik jabatan, pindah kerja, dan tidak ada nilai esensial yang benar-benar tertinggal
Menanggapi klaim bahwa masalah mendasarnya tidak terselesaikan, sekarang justru solusinya datang satu paket dengan masalah baru. Saat kotaknya dibuka, masalah dan solusi melompat keluar bersamaan, saling mengejar dan melarikan diri. Dan itu membuat saya merasa seperti sudah menjadi manusia yang secara teknis lebih maju
Soal pernyataan bahwa MCP, Apps, Skills, Gems dan seterusnya semuanya memikirkan masalah yang salah, dari sudut pandang pesimis saya, kita sedang membuat lebih banyak dokumentasi dan API untuk AI, padahal kalau itu dibuat sebagai dokumentasi untuk manusia pun hasilnya mungkin akan mirip. Setengah waktu saya habis terseret untuk men-debug sistem kompleks yang tidak punya dokumentasi
Saya penasaran apa yang dimaksud dengan "masalah mendasar", dan sebelum ChatGPT populer di 2023, seberapa sering siklus penyelesaian "masalah mendasar" seperti itu terjadi
Kalau memakai contoh "membuat aplikasi todo yang sama 6 kali lalu melupakannya", saya tidak terlalu paham apa masalahnya. Teknologi memang maju secara bertahap dan berulang. Besok seseorang akan mengunggah lagi video tentang framework frontend terbaik, dan dulu hal yang sama juga terjadi dengan Nextjs, sebelumnya React, Angular, JQuery, PHP, dan HTML. Kalau peluru investasi tidak diarahkan ke AI, mungkin kita masih akan berhenti di GPT-3 atau Claude 2. Dari sisi tool memang kadang keluar hal yang payah (saya justru merasa Skills cukup bagus), tapi melihat itu lalu menyimpulkan seluruh industrinya busuk rasanya berlebihan
Ya, semuanya memang masih di tahap awal dan belum ada yang benar-benar tahu apa yang akan berhasil. Kelihatannya seperti percobaan yang dangkal, tapi sebenarnya ini adalah garis depan teknologi
Ini konsep yang sama sekali berbeda. MCP mencakup koneksi ke layanan eksternal, termasuk penanganan autentikasi seperti oauth. Skills pada dasarnya adalah kombinasi tool cli + prompt. Area penggunaannya berbeda, jadi sulit dibandingkan secara langsung. Sebagai catatan, sebelum MCP muncul, kami juga pernah membuat sistem bernama Skillset, dan sekarang kalau dipikir-pikir itu seperti hibrida terbaik yang menggabungkan kelebihan MCP dan Skills
Ini benar-benar berlebihan