Struktur kolaborasi yang saya buat untuk mengerjakan proyek jangka panjang sambil berpindah-pindah antar model AI
(github.com/lim8603)Dalam kolaborasi AI, memori seharusnya ada di repositori, bukan di chat
Dalam beberapa bulan terakhir, saya sering melakukan pekerjaan pengembangan sambil bergantian menggunakan berbagai model AI seperti seri GPT-5, Claude, Copilot, dan Gemini. Dulu satu alat saja sudah cukup, tetapi sekarang memilih model yang lebih cocok sesuai jenis pekerjaan sudah menjadi alur yang wajar.
Sebagai contoh, untuk perancangan struktur, model besar seperti GPT-5.4 lebih stabil; untuk penulisan kode, seri Claude Sonnet / Opus kadang lebih akurat; dan untuk desain frontend atau eksplorasi ide, menggunakan model lain terkadang lebih efisien. Selain itu, karena kecepatan pembaruan model sangat tinggi, alih-alih terpaku pada alat tertentu, saya terus mengganti pilihan sesuai situasi.
Masalahnya mulai dari sini.
Setiap kali model diganti, setiap kali sesi berubah, AI sama sekali tidak bisa mengingat proyek. Akibatnya, saya harus mengulang penjelasan yang sama setiap saat. Konteks dasar seperti proyek ini tentang apa, sejauh mana progresnya sekarang, keputusan apa yang sudah diambil, struktur apa yang harus dipertahankan, dan apa yang tidak boleh dilakukan harus terus disampaikan ulang.
Awalnya hanya terasa merepotkan, tetapi semakin besar skala proyek, semakin terlihat biaya dari hal ini. Terutama saat bolak-balik antar beberapa model, saya merasa lebih banyak waktu habis untuk menjelaskan ulang konteks daripada benar-benar mengembangkan. Karena itu, saya secara alami mulai mengajukan pertanyaan seperti ini.
"Dalam kolaborasi AI, haruskah memori berada di chat, atau justru proyek itu sendiri yang harus memiliki memori?"
Masalah yang tidak bisa diselesaikan hanya dengan Prompt Engineering
Sering ada pembahasan tentang Prompt Engineering sebagai cara menggunakan AI dengan baik. Namun, jika menjalankan proyek jangka panjang, ada masalah yang lebih penting daripada prompt, yaitu konteks yang tidak bertahan.
Prompt adalah cara membuat satu permintaan menjadi baik, sedangkan proyek adalah proses berkelanjutan dari banyak pekerjaan yang saling tersambung. Agar proyek bisa berjalan stabil, setidaknya informasi berikut harus terus dipertahankan.
- Kebutuhan saat ini
- Catatan keputusan sejauh ini
- Rencana kerja
- Pekerjaan yang sudah selesai
- Riwayat perubahan
- Hal-hal yang akan dikerjakan berikutnya
Jika informasi ini tidak terjaga, sebaik apa pun modelnya, kesalahan yang sama akan terus terulang. Karena itu, saya mulai membuat cara untuk mengelola konteks itu sendiri, bukan sekadar membuat prompt yang lebih baik. Pendekatan seperti ini biasanya disebut Context Engineering, dan saya pun mulai menerapkan konsep tersebut ke kolaborasi tingkat proyek setelah mengalami masalah serupa.
Bukan chat, repositori yang harus memiliki memori
Hal pertama yang saya ubah adalah lokasi penyimpanan konteks. Sebelumnya semua konteks ada di dalam chat, tetapi chat menghilang ketika sesi berakhir. Karena itu, saya membuat struktur untuk menyimpan konteks di dalam root proyek.
Saya membuat folder .cowork/ dan mencatat status proyek di sana. Misalnya requirements, architecture decision record, daftar task, catatan pengujian, catatan rilis, dan log sesi.
Saat memulai sesi, alurnya selalu mengikuti membaca status saat ini, membuat rencana, mendapatkan persetujuan, menjalankan, lalu mencatat hasil. Percakapan bersifat sementara, tetapi dokumen tetap ada. Karena itu, meskipun model berganti, proyek tetap bisa berlanjut.
Aturan Plan → Approve → Execute
Salah satu masalah yang paling sering saya alami saat berkolaborasi dengan AI adalah model langsung mengubah kode. Kejadian seperti mengabaikan keputusan sebelumnya, merusak struktur, atau melakukan perubahan yang berbeda dari arah yang sudah disepakati terus berulang.
Karena itu, saya membuat satu aturan kerja: selalu menjaga urutan Plan → Approve → Execute. Pertama buat rencana, lalu manusia memeriksanya, setelah itu baru dieksekusi. Hanya dengan satu aturan ini saja, kesalahan dalam proyek jangka panjang berkurang secara signifikan.
Artifact is Memory
Prinsip yang paling penting dalam framework ini bisa dirangkum dalam kalimat 'Artifact is Memory'. Memori seharusnya tidak berada di chat, melainkan pada artefak proyek.
Dengan begitu, meskipun model berganti, sesi berganti, alat berganti, atau IDE berganti, status proyek tetap bisa dipertahankan. Terutama dalam lingkungan yang menggunakan beberapa model sekaligus, prinsip ini bekerja jauh lebih penting daripada yang dibayangkan.
Artefak yang dimaksud di sini tidak hanya berarti hal yang sejak awal ditulis sebagai dokumen. Di dalam percakapan dengan AI pun, informasi yang benar-benar perlu ditinggalkan dalam proyek terus muncul, seperti pematangan kebutuhan, keputusan desain, rencana kerja, dan hasil review. Masalahnya, selama isi seperti ini tetap berada di dalam chat, ia mudah habis sebagai konteks sekali pakai.
Karena itu, saya memandang penting cara untuk secara otomatis mengelompokkan dan mencatat isi percakapan dengan AI yang bermakna, lalu menggunakannya kembali sebagai artefak proyek. Bukan sekadar menumpuk log percakapan, tetapi merangkum inti dari percakapan ke dalam bentuk seperti catatan keputusan, dokumen kebutuhan, rencana kerja, dan log sesi agar tersisa dalam keadaan yang bisa digunakan ulang.
Dengan cara ini, percakapan tidak berhenti sebagai antarmuka sesaat, tetapi diubah menjadi bahan kerja yang terus mendorong proyek maju. Pada akhirnya, menurut saya yang harus diingat bukanlah percakapan itu sendiri, melainkan hasil terstruktur yang diekstraksi melalui percakapan.
Masalah yang muncul saat bekerja sambil berpindah-pindah antar beberapa model
Sekarang hampir tidak ada kasus hanya menggunakan satu model saja. Karena tiap model punya keunggulan yang berbeda, kita akhirnya memakai model yang berbeda sesuai tahap pekerjaan, dan aktivitas seperti perancangan, modifikasi kode, review, serta analisis konteks dilakukan berulang di antara banyak sesi dan banyak model.
Pada saat seperti itu, jika konteks hanya ada di dalam chat, setiap kali model diganti proyek harus dijelaskan ulang. Karena itu, saya membuat struktur yang menempatkan konteks bukan di chat, tetapi di dalam repositori.
Yang saya buat: cowork-context-framework
Saya merangkum proses ini dan menjadikannya satu framework. Ini adalah struktur untuk menyimpan konteks di dalam proyek, memulihkan sesi, mencatat keputusan, melacak pekerjaan, dan memungkinkan pekerjaan dilanjutkan meskipun model berganti.
Sebelumnya saya menggunakannya dalam bentuk template dan mencoba menerapkannya pada proyek nyata hingga cukup tervalidasi, lalu berdasarkan pengalaman itu saya merapikan strukturnya dan menaikkannya menjadi bentuk framework. Saya berpikir bahwa struktur seperti inilah bentuk minimum kolaborasi yang dibutuhkan saat mengerjakan proyek jangka panjang dengan AI.
Saya penasaran apakah ada orang lain yang pernah mencoba hal serupa
- Pernah menggunakan beberapa model AI bersama-sama
- Pernah harus mengulang penjelasan yang sama karena sesi terputus
- Pernah membuat struktur seperti agent / workflow / harness
- Pernah mengelola konteks proyek secara terpisah
Kalau ada pengalaman serupa, saya ingin mendengar pendapatnya.
Belum ada komentar.