Cara Menjadikan Agen AI Benar-Benar Milik Saya
(monet.team-monet.com)Kalau kamu developer yang bekerja setiap hari dengan agen coding AI, kamu pasti paham rasanya.
Padahal kemarin kita sudah jelas sepakat soal konvensi ini, tapi begitu buka sesi baru semuanya kembali kosong. Bahwa di TypeScript saya selalu memakai type alih-alih interface, bahwa di review PR saya bilang pola itu kurang bagus, akar penyebab bug yang minggu lalu susah payah akhirnya ketemu — semuanya harus dijelaskan lagi seolah-olah itu cerita yang baru pertama kali didengar.
Kalau terus berulang, ujung-ujungnya jadi, "sudah, biar saya saja yang kerjakan."
Untuk menyelesaikan masalah ini, saya membuat Monet. Tujuannya membuat agen AI umum bertindak seperti agen saya sendiri. Sebuah sistem yang mempelajari konvensi saya, mengingat cara yang saya sukai, dan otomatis menjaga sejarah proyek.
Cara kerjanya
Intinya sederhana.
Menulis — agen menilai sendiri. Tanpa perlu diperintah "ingat ini", ia sendiri mencatat keputusan yang diambil saat bekerja, pola yang ditemukan, dan masalah yang ditemui. Noise disaring, yang tersisa hanya sinyal penting.
Membaca — yang berguna muncul lebih dulu. Ini bukan pencarian kata kunci biasa. Memori yang benar-benar sering dirujuk dan membantu menyelesaikan masalah akan diprioritaskan. Catatan zombie yang tidak pernah dicari akan terdorong ke belakang secara alami.
Bertumbuh — makin menumpuk, makin cerdas. Pekerjaan pertama memang lambat. Karena ia belum tahu codebase, belum paham konvensi, dan belum mengenali bug yang sering muncul. Tapi begitu memori terkumpul, pekerjaan berikutnya jadi lebih cepat. Pola yang ditemukan kemarin, keputusan yang dibuat minggu lalu, akar penyebab bug itu — tidak perlu dicari lagi. Setelah kira-kira sebulan, agen ini bukan lagi alat umum, melainkan bergerak seperti engineer khusus yang benar-benar paham proyek ini luar dalam.
Bagaimana bisa sampai di sini
Awalnya saya hanya menumpuk catatan di satu file. Hal-hal yang dipelajari agen saat bekerja ditulis ke Markdown, lalu di-include saat memulai sesi baru. Sederhana, tapi semakin menumpuk, semakin banyak noise.
Jadi 4 bulan lalu, saya membuat sistem memori yang benar-benar layak. Monet lama. Dirancang berbasis MCP agar agen bisa membaca dan menulis, sekaligus mempertimbangkan penggunaan bersama tim. Tapi karena terlalu fokus pada berbagi untuk tim, pengalaman saat dipakai sendirian jadi terasa tanggung. Seperti berfungsi, tetapi tidak cocok dengan workflow saya.
Jadi saya rombak total. Beberapa minggu lalu, target berbagi untuk tim saya sisihkan dulu, lalu saya membangun ulang Monet dari nol dengan fokus hanya pada satu hal: "apakah saya benar-benar bisa memakainya setiap hari?" Saat tulisan ini dibuat, 12 agen sedang membaca dan menulis di atas Monet baru. Karena belum ada fitur monitoring, saya tidak bisa memberi angka yang presisi, tetapi dibanding sebelumnya, pencarian berkurang dan aktivitas baca/tulis meningkat jauh. Artinya agen sedang memilah hal penting sendiri lalu menumpuknya.
Sejujurnya
Pada tahap vibe coding, memori tidak terlalu penting. Kebanyakan adalah fitur baru yang sedang dibuat, dan bug-nya juga sederhana. Kalau kita bilang ke agen, "tolong perbaiki ini", biasanya selesai di dalam context window.
Tapi saat aplikasi itu makin kompleks, ceritanya berubah. Untuk mengubah satu baris kode saja, kita harus memeriksa sepuluh logika terkait, dan agen merayap dari file ke file untuk mencari side effect. Kesalahan juga makin sering terjadi. Diberi 1M token pun, setelah konteks dikompresi tiga kali hasilnya kembali ke titik semula.
Di rumah saya membuat hal-hal baru yang menarik bersama agen, sementara di kantor saya tiap hari bergulat dengan kode berusia lebih dari 20 tahun. Di kantor, memori agen itu wajib. Tanpanya, pekerjaan nyaris tidak bisa berjalan.
Karena itu saya mulai membuat dan memakai sendiri memori indeks berbasis file. Dari situlah Monet dimulai. Belakangan ini di kantor saya sengaja memutar agen-agen terus — supaya mereka mengumpulkan konteks. Sebagian besar tiket selesai dalam 20% konteks. Bukan cuma menghemat waktu, tingkat stres juga turun.
Yang paling penting, dulu saya harus mengingat-ingat, "bug itu dulu diperbaiki bagaimana ya," sedangkan sekarang saya tinggal bertanya ke Kiro (agen coding kantor). Sebagian besar waktu, dia sudah tahu.
Saat agen sudah berjumlah puluhan dan kode mencapai jutaan baris, konteks bukan lagi masalah byte, melainkan masalah infrastruktur. Dan pada titik itu, memori bukan lagi nice-to-have, melainkan penentu apakah pekerjaan itu bisa dilakukan atau tidak.
Kalau ingin mencobanya
- Situs web: monet.team-monet.com
- GitHub: github.com/team-monet/with-monet — harness instalasi (Apache-2.0)
- 100% lokal: kode tidak keluar dari perangkatmu. Embedding on-device, tanpa network maupun telemetri. Memori hanya satu file SQLite di
~/.monet— bisa kamu buka sendiri, backup, dan export. - Gratis digunakan. Mesinnya berupa binary hasil kompilasi tertutup, tetapi antarmuka integrasinya adalah MCP standar. Bisa langsung terhubung dengan agen yang mendukung MCP seperti Claude Code, Cursor, Codex, dan lainnya.
Terutama saya ingin orang-orang seperti ini mencobanya:
- Developer yang serius bekerja setiap hari dengan agen AI
- Orang yang pernah merasakan lelahnya, "harus menjelaskan hal yang sama seperti kemarin lagi…"
- Orang yang berpikir, "memori agen? memang kenapa itu perlu?" (serius — saya juga ingin mendengar pendapat yang berlawanan)
Semua contoh dan skenario yang dipakai dalam tulisan ini didasarkan pada pengalaman nyata.
Belum ada komentar.