Cara Bertumbuh Secara Majemuk Saat Bekerja Bersama AI

• Panduan praktis yang merangkum secara sistematis lima prinsip dalam kolaborasi dengan AI: memberikan konteks, menetapkan preferensi, mengotomatiskan verifikasi, memperluas delegasi, dan membangun loop umpan balik
• Semua hasil kerja (kode, dokumen, analisis, keputusan) terakumulasi sebagai konteks untuk sesi berikutnya, dan koreksi tercermin ke dalam pengaturan sehingga membentuk struktur pertumbuhan majemuk yang mengurangi kesalahan di masa depan
• Menyajikan cara konkret untuk mengelola perilaku model dan alur kerja seperti kode dengan memanfaatkan CLAUDE.md, file skill, panduan, dan lainnya
• Termasuk strategi delegasi untuk memperluas throughput kerja lewat operasi sesi paralel, verifikasi silang antar-model, dan kendali jarak jauh
• Prinsip-prinsip ini bukan hanya untuk AI, tetapi juga merupakan kerangka umum yang bisa diterapkan sama pada kolaborasi tim manusia

---

Membangun konteks sebagai infrastruktur

• Jika semua kode ditata di ~/src dan pekerjaan berbasis pengetahuan di ~/vault (projects/, notes/, kb/, dll.), model akan lebih mudah mencari konteks dengan grep atau glob
• Konteks organisasi (Slack, Drive, Mail, dll.) dapat dihubungkan ke model lewat MCP(Model Context Protocol)
  • Pertahankan INDEX.md per proyek, dan catat URL, penanggung jawab, serta deskripsi isi sebagai komentar pada tiap item
  • Daftar URL polos membuat model harus membuka semua tautan, sehingga penambahan komentar membantu mencegah pemborosan konteks
• Karena model memulai tiap sesi dari keadaan kosong, CLAUDE.md per proyek perlu ditulis seperti dokumen onboarding karyawan baru
  • Sertakan glosarium singkatan, codename proyek, cara membedakan nama yang sama, dan sebagainya
  • Tentukan urutan baca seperti INDEX.md → TODOS.md → catatan topik tertentu
• Operasikan dua lapisan memori secara terpisah
  • ~/vault: menyimpan informasi faktual (facts) seperti status proyek, artefak, dan pengetahuan domain
  • ~/.claude (CLAUDE.md, skills/, guides/): menyimpan konfigurasi (configuration) seperti preferensi, workflow, dan selera pribadi

Mengodekan preferensi ke dalam konfigurasi

• Memanfaatkan ~/.claude/CLAUDE.md

  • Berperan sebagai kontrak perilaku yang dibaca Claude pada awal setiap sesi
  • Dapat memuat aturan perilaku seperti berbicara secara langsung, membantah saat tidak setuju, jujur saat tidak yakin, menyelidiki akar masalah lalu mencoba lagi saat gagal, serta tidak melakukan reformat di luar cakupan tugas
  • Juga bisa menetapkan bagian teaching yang menjelaskan istilah inti dari sistem atau domain baru dalam 1–2 kalimat saat istilah itu muncul

• Memisahkan cakupan per direktori

  • Global (~/.claude/CLAUDE.md): pengaturan yang berlaku di semua tempat, seperti perilaku, tujuan jangka panjang, dan preferensi belajar
  • Root repo: aturan per repo seperti linting, naming, dan konvensi PR
  • Direktori proyek: konteks khusus proyek seperti struktur direktori dan pengetahuan domain
  • Jika Claude Code dimulai dari subdirektori, ia akan naik menyusuri tree dan memuat tiap CLAUDE.md

• Strategi pemisahan saat CLAUDE.md menjadi panjang

  • CLAUDE.md yang panjang menjadi pajak konteks karena seluruh isinya dimuat di setiap sesi
  • Alih-alih @import, tulis hanya path file panduan dalam bentuk “baca saat relevan” di CLAUDE.md untuk menerapkan lazy loading
  • Contoh: ~/.claude/guides/writing.md saat menulis dokumen, ~/.claude/guides/evals.md saat evaluasi, dan seterusnya

• Ubah pekerjaan berulang mingguan menjadi skill

  • Skill adalah file workflow Markdown yang berisi nama, trigger, dan prosedur
  • /polish: lihat diff artefak, jalankan eval jika ada metrik, periksa dengan Chrome jika berupa render browser, jika tidak jalankan kode lalu cek output/error → ulangi lalu buat draft PR
  • /write: wawancara outline → buat subagen riset → tulis draft → minta umpan balik dari kritikus antagonistik → ulangi
  • /daily: baca kalender, Slack, PR, dan log hari sebelumnya lalu tulis prioritas hari ini
  • SKILL.md fokus pada workflow dan routing, sementara pengetahuan seperti template atau skrip dipisah ke file lain agar hanya dimuat saat diperlukan

• Cara bootstrap skill

  • Lakukan suatu tugas sekali secara interaktif, lalu minta model mengubahnya menjadi skill
  • Jalankan skill untuk tugas yang sama atau mirip, dan lakukan koreksi output dalam sesi yang sama
  • Minta model memperbarui skill berdasarkan koreksi dan umpan balik
  • Anda juga bisa memberikan contoh output yang diinginkan agar model mengekstrak polanya, baik struktur kode maupun struktur dan tone dokumen

• Meningkatkan skill lewat transkrip

  • Versi pertama wajar jika overfit terhadap sesi asalnya
  • Jangan edit SKILL.md secara langsung; lakukan koreksi di dalam sesi agar pasangan before-and-after terakumulasi dalam transkrip
  • Saat hasil sudah memuaskan, minta model menggabungkan umpan balik ke dalam skill → setelah beberapa ronde, skill akan konvergen

• Tidak semua pekerjaan butuh konteks ini

  • Untuk brainstorming, eksplorasi, atau pekerjaan draft, gunakan mode sederhana (CLAUDE_CODE_SIMPLE=1 claude)
  • CLAUDE.md tetap dimuat, tetapi agent harness (hook, skill, tool loop) dinonaktifkan sehingga lebih mudah berpikir dekat dengan model itu sendiri

Verifikasi untuk otonomi

• Geser verifikasi ke awal (shift left)

  • Susun verifikasi dalam struktur tangga: bagian bawah murah dan deterministik, bagian atas lebih mahal dan membutuhkan penilaian
  • Tahap paling bawah: post-edit hook yang menjalankan ruff format dan ruff check --fix pada file yang diubah model → deterministik dan tanpa biaya token
  • Tahap di atasnya: test, eval, review oleh LLM, dan sebagainya

• Susun agar model bisa memverifikasi pekerjaannya sendiri

  • Jika sistem menghasilkan metrik, model bisa menjalankan eval sendiri untuk optimasi
  • Jika output berupa render browser, periksa dengan Claude in Chrome
  • Saat membangun image Docker, baca error, perbaiki Dockerfile, lalu build ulang
  • Saat membuat dashboard, cek di Chrome apakah tooltip ter-render, label saling bertumpuk, dan angka konsisten dengan narasi

• Untuk pekerjaan panjang, biarkan model mengawasi model

  • Sesi panjang rentan menumpuk kesalahan dan menimbulkan drift
  • Solusinya: jalankan sesi kedua dengan konteks segar untuk membandingkan spesifikasi asli dengan turn terbaru dari sesi pertama
  • Konfigurasi dua panel tmux: satu untuk pengembangan utama, satu untuk pair programmer
  • Tambahkan instruksi awal dan prompt lanjutan ke file bersama agar pair programmer bisa mengecek secara berkala
  • Execution drift: apakah model menjalankan tugas dengan benar — seperti mengabaikan error, melaporkan metrik yang salah, atau menyimpang dari spesifikasi — yaitu pemeriksaan taktis → cek sering
  • Direction drift: apakah model sedang mengerjakan hal yang benar — misalnya salah memahami maksud awal lalu membuat hal yang keliru — yaitu masalah strategis → cek sesekali

Skalakan lewat delegasi

• Delegasikan unit kerja yang makin besar

  • Gaya pair programming dengan tugas singkat dan umpan balik cepat cocok untuk iterasi cepat, analisis eksploratif, dan prototyping
  • Untuk model yang lebih kuat, niat, batasan, dan kriteria sukses perlu dijelaskan di awal agar model dapat mengeksekusi end-to-end
  • Yang tidak bisa diverifikasi tidak bisa didelegasikan, sehingga definisi kriteria sukses dan metrik harus didahulukan
  • Contoh: “bangun container terisolasi untuk tiap eval suite dan lakukan smoke test → jalankan penuh → logging metrik dan transkrip → verifikasi akurasi lewat subagen → ulangi n kali untuk menghitung interval kepercayaan → buat laporan lalu kirim hasil ke Slack”

• Operasikan sesi paralel dan temukan bottleneck

  • Dengan delegasi tugas besar, dimungkinkan menjalankan 3–6 sesi secara paralel
  • Bottleneck berpindah dari “menjalankan pekerjaan” ke “menulis spesifikasi yang jelas dan meninjau output dengan cepat” — tahap tengah menjadi kosong
  • Jika sesi paralel berbagi repo yang sama, gunakan git worktrees agar setiap sesi mendapat checkout yang independen

• Pastikan sesi mudah diamati

  • stop hook: memutar suara saat sesi selesai (di macOS memakai afplay untuk memutar Glass.aiff)
  • Judul jendela tmux: identifikasi tiap panel dengan emoji status (⏳ sedang bekerja, 🟢 selesai) dan label singkat yang dibuat Haiku
  • Bar status Claude Code: menampilkan penggunaan konteks dan mode saat ini

• Tetap bisa check-in saat AFK

  • Dengan fitur /remote-control di Claude Code, Anda bisa memeriksa status eksekusi dari tab kode di aplikasi Claude saat sedang berpindah tempat, lalu memberi konteks tambahan atau instruksi baru ke sesi yang tersendat
  • Ini mencegah sesi dibiarkan idle selama berjam-jam, tetapi sebaiknya dipakai hanya saat mendesak

Menutup loop umpan balik

• Bekerja secara terbuka agar konteks tetap kaya

  • Jika pekerjaan dilakukan di dokumen, repo, dan channel bersama, semua anggota tim termasuk model bisa memanfaatkan konteks itu
  • Uji sederhananya: “Apakah anggota tim baru bisa mereproduksi pekerjaan saya selama seminggu terakhir hanya dari konteks bersama?” — jika tidak, berarti konteks penting masih hanya ada di kepala
  • Instruksikan di CLAUDE.md agar saat pekerjaan nyata selesai, model otomatis mem-posting update singkat dan tautan artefak ke channel worklog

• Menambang transkrip untuk memperbarui konfigurasi

  • Dengan membuat model membaca transkrip sesi masa lalu, ia bisa menemukan gap
  • Hasil pemindaian sekitar 2.500 turn pengguna di masa lalu menunjukkan proporsi yang cukup besar memuat ungkapan seperti “can you also…”, “did you check…”, “still wrong”
  • Ini mengindikasikan pekerjaan yang seharusnya dilakukan model secara proaktif, atau langkah verifikasi yang terlewat/tidak berfungsi
  • Lakukan koreksi di dalam sesi agar transkrip bisa dipakai sebagai data input untuk pembaruan CLAUDE.md atau skill berikutnya

• Lakukan refactor dan perapian secara berkala

  • Saat konfigurasi bertambah, isinya bisa saling tumpang tindih atau bertabrakan
  • Jika model mengabaikan aturan, penyebabnya bisa jadi kontradiksi dengan aturan lain; karena itu tiap aturan atau preferensi sebaiknya hanya ada tepat di satu tempat (instruksi penting boleh diulang di CLAUDE.md utama)
  • Rapikan dan satukan settings.json yang tersebar per direktori ke dalam ~/.claude

Kesimpulan

• Pengaturan spesifik mungkin berubah seiring perkembangan model, tetapi prinsip memberikan konteks yang baik, mengodekan preferensi, verifikasi berbiaya rendah, lebih banyak delegasi, dan menutup loop umpan balik tetap berlaku
• Pada akhirnya, proses ini adalah melatih kolaborator satu umpan balik dalam satu waktu, dan prinsip yang sama juga berlaku untuk kolaborasi dengan tim manusia
• Prinsip tersebut tidak terbatas pada alat pribadi, tetapi juga dapat diterapkan pada perancangan agent harness, penetapan norma tim, dan pembangunan infrastruktur organisasi

[xguru]

Riwayat orang ini menarik, belajar dari jurusan psikologi lewat kuliah data science Coursera
lalu bergabung pada masa awal Lazada, yang pernah dijuluki Amazon-nya Asia Tenggara, dan naik jabatan sampai menjadi VP.
Lazada kemudian diakuisisi oleh Alibaba.
Setelah itu pindah ke Amazon sebagai principal scientist untuk rekomendasi/LLM.
Sekarang menjadi technical staff di Anthropic