Bayangkan Anda menyewa programmer baru. Hari pertama, mereka langsung ngoding tanpa bertanya kebutuhan, tanpa menulis pengujian, tanpa mikirin apakah kodenya bisa ditinjau. Pas ditanya, "Ini udah bener belum?" jawabannya cuma: "Kayaknya sih iya..."
Seperti itulah perilaku bawaan hampir semua AI coding agents saat ini. ChatGPT, Claude, Cursor—mereka semua punya kebiasaan buruk yang sama: mengambil jalan pintas ke "selesai" tanpa melakukan pekerjaan yang sebenarnya membedakan engineer senior dari yang masih junior.
Tapi tunggu dulu. Ada solusi yang sedang viral di kalangan pengembang profesional—sudah 26.000+ bintang di GitHub. Namanya Agent Skills. Dan ini bisa jadi perbedaan antara proyek Anda sukses atau menjadi bencana teknis.
Kenapa AI Coding Agents Sering Gagal?
Saya yakin Anda pernah mengalami ini: minta AI buat fitur sederhana, hasilnya kodenya "keren" tapi pas dicek:
- ✗ Nggak ada pengujian
- ✗ Nggak ada dokumentasi
- ✗ Nggak pernah ditanya apakah ada spesifikasi
- ✗ Langsung ubah 3 file lain yang nggak diminta
- ✗ Pas ada bug, AI bilang: "Maaf, saya lupa..."
Ini bukan kesalahan AI-nya. Ini pola kegagalan yang sama dialami programmer junior—bagian-bagian penting dari pekerjaan engineer senior tidak terlihat di perubahan kode. Spesifikasi, pengujian, tinjauan, disiplin batasan. AI melewati semuanya karena... ya, nggak ada yang minta.
Pekerjaan senior engineer itu sebagian besar adalah bagian yang nggak kelihatan di kode. Mengungkapkan asumsi, menulis spesifikasi, memecah jadi potongan yang bisa ditinjau, memilih desain yang sederhana tapi andal, meninggalkan bukti kalau hasilnya benar.
Agent Skills: Alur Kerja, Bukan Dokumentasi
Jadi apa sebenarnya Agent Skills ini? Bukan pustaka. Bukan plugin yang harus dipasang ribet. Agent Skills adalah kumpulan alur kerja dalam bentuk file markdown yang mengajarkan AI cara kerja seperti engineer senior.
Kata kuncinya: Proses di atas prosa. Alih-alih kasih AI 2000 kata tentang "praktik terbaik pengujian", Agent Skills kasih alur kerja yang bisa ditindaklanjuti:
- Tulis pengujian yang gagal dulu
- Jalankan pengujian, pastikan gagal
- Tulis kode minimum untuk lolos
- Jalankan pengujian lagi, pastikan lolos
- Rapikan kode dengan aman
Ini bedanya: Dokumentasi referensi = AI baca, hasilkan teks yang terdengar masuk akal, tapi lewati pengujiannya. Alur kerja = AI punya tugas konkret, ada titik periksa, ada kriteria keluar. Anda punya sesuatu yang bisa diverifikasi.
6 Fase SDLC yang Dipaksakan ke AI
Agent Skills mengorganisir 20+ skill seputar 6 fase Software Development Lifecycle (SDLC)—sama persis yang dipakai Google, Amazon, dan tim engineering profesional:
| Fase | Command | Apa yang Dilakukan |
|---|---|---|
| Define | /spec |
Tentukan apa yang sebenarnya akan dibangun. Tulis kriteria penerimaan, ungkapkan asumsi tersembunyi. |
| Plan | /plan |
Pecah pekerjaan jadi bagian kecil. Identifikasi risiko, tentukan potongan yang mudah ditinjau. |
| Build | /build |
Implementasi per irisan vertikal. Pilih desain sederhana yang sudah terbukti, jaga disiplin batasan. |
| Verify | /test |
Buktikan bahwa kode berfungsi. Terapkan piramida pengujian, cakupan, dan kasus ekstrem. |
| Review | /review |
Tangkap yang terlewat. PR ~100 baris, label tingkat keparahan, mudah dibaca manusia. |
| Ship | /ship |
Kirim ke pengguna dengan aman. CI/CD, feature flags, rencana rollback. |
Plus /code-simplify yang melintasi semua fase—karena kode yang lebih sedikit = beban pemeliharaan yang lebih sedikit.
Faktanya: Sebagian besar AI agents melewati fase-fase ini secara default. Anda minta fitur, Anda dapat implementasi. Spesifikasi, rencana, pengujian, tinjauan, daftar peluncuran? Nggak ada. Skills mendorong AI melewati fase yang sama dipaksakan oleh engineer senior.
5 Prinsip Penahan Beban yang Mengubah Segalanya
1. Proses di Atas Prosa
Alur kerja itu bisa ditindaklanjuti; esai panjang itu nggak. Sama halnya dengan tim manusia—kalau buku panduan Anda 200 halaman, nggak ada yang baca pas tenggat mepet. Kalau cuma beberapa alur kerja dengan titik periksa, orang (dan AI) bakal menjalankannya.
2. Tabel Anti-Rasionalisasi
Ini desain paling khas. Tiap skill punya tabel alasan-alasan umum untuk melewati alur kerja—lengkap dengan bantahannya:
- "Tugas ini kecil, nggak perlu spesifikasi." → Kriteria penerimaan tetap berlaku. 5 baris boleh. 0 baris nggak boleh.
- "Nanti aja nulis pengujiannya." → "Nanti" itu kata kunci. Nggak ada nanti. Tulis pengujian yang gagal dulu.
- "Pengujian lolos, kirim aja." → Pengujian yang lolos itu bukti awal, bukan bukti final. Cek waktu proses? Verifikasi perilaku yang terlihat pengguna? Ada yang baca perubahan kode?
Kenapa ini penting? LLM itu jago merasionalisasi. Mereka bisa menghasilkan paragraf yang terdengar masuk akal kenapa tugas ini nggak perlu spesifikasi, atau kenapa perubahan ini oke digabung tanpa tinjauan. Tabel anti-rasionalisasi adalah bantahan tertulis untuk kebohongan yang belum diucapkan AI.
3. Verifikasi Itu Tidak Bisa Ditawar
Tiap skill berakhir di bukti konkret: pengujian lolos, hasil build bersih, jejak runtime sesuai ekspektasi, peninjau menyetujui. "Kayaknya bener" itu nggak pernah cukup.
4. Pengungkapan Bertahap
Jangan muat semua 20 skill sekaligus. Aktifkan berdasarkan fase. Meta-skill using-agent-skills jadi pengarah yang menentukan skill mana yang berlaku. Ini rekayasa harness—token yang relevan aja yang masuk konteks, sisanya di disk.
5. Disiplin Batasan
"Sentuh hanya yang diminta." Nggak refactoring sistem sebelah. Nggak hapus kode yang nggak dimengerti. Ini prinsip paling penting yang menentukan apakah PR AI Anda bisa digabung atau harus dibatalkan.
DNA Google di Dalam Setiap Skill
Agent Skills dipenuhi praktik dari Software Engineering at Google. Ini disengaja—sebagian besar yang bikin software skala Google berfungsi itu sudah didokumentasikan dan publik, dan itu persis yang paling sering dilewati oleh AI.
Hukum Hyrum dalam Desain API
Setiap perilaku yang terlihat dari API Anda akan jadi ketergantungan seseorang. Desain dengan mempertimbangkan itu.
Piramida Pengujian & Aturan Beyoncé
"Kalau kamu suka, harusnya kamu pasang pengujian." ~80% unit, ~15% integrasi, ~5% end-to-end. Perubahan infrastruktur nggak menangkap bug; pengujian yang menangkap.
DAMP di Atas DRY dalam Pengujian
Kode pengujian harus terbaca seperti spesifikasi, meski ada duplikasi. Pengujian yang terlalu diabstraksi itu anti-pola.
Ukuran PR ~100 Baris
PR besar nggak ditinjau; mereka cuma distempel. Label tingkat keparahan: Kritis / Nit / Opsional / FYI.
Pagar Chesterton dalam Penyederhanaan
Jangan hapus sesuatu sebelum mengerti kenapa dipasang di sana.
Pengembangan Berbasis Trunk
Commit atomik, cabang berumur pendek, sering gabung ke utama.
Shift Left & Feature Flags
Tangkap masalah secepat mungkin. Pisahkan deploy dari rilis.
Poin kuncinya: Semua ini bukan ide baru. Tapi tidak satupun ada di AI agent secara default. Model frontier sudah baca "Hukum Hyrum" di data pelatihan, tapi mereka nggak menerapkan Hukum Hyrum saat mendesain API jam 3 pagi. Skills adalah cara memastikan mereka melakukannya.
Cara Pakai Agent Skills (3 Mode, dari Ringan ke Komit Penuh)
Mode 1: Pasang via Marketplace (Direkomendasikan)
Kalau pakai Claude Code:
/plugin marketplace add addyosmani/agent-skills
/plugin install agent-skills@addy-agent-skillsAnda langsung dapat perintah garis miring dan AI akan otomatis mengaktifkan skill yang relevan berdasarkan konteks.
Mode 2: Taruh Markdown ke Tool Pilihan
Skills adalah markdown biasa dengan frontmatter. Pengguna Cursor taruh di .cursor/rules/. Gemini CLI punya jalur pasang sendiri. Codex, Aider, Windsurf, OpenCode—semua yang menerima system prompt bisa membaca. Perkakasnya nggak sepenting alur kerja di dalamnya.
Mode 3: Baca Sebagai Spesifikasi (Cara Saya Mulai)
Meski nggak memasang apa pun, skills adalah dokumentasi seperti apa rekayasa yang baik dengan AI agents. Baca code-review-and-quality.md, terapkan kerangka lima sumbu ke proses tinjauan tim Anda. Baca test-driven-development.md, selesaikan perdebatan "apa kita perlu tulis pengujian dulu" dengan junior.
5 Pola yang Harus Anda Curi (Meski Nggak Pakai AI)
1. Anti-Rasionalisasi sebagai Praktik Tim
Tulis kebohongan yang tim Anda ceritakan ke diri sendiri: "Nanti aja perbaiki pengujiannya setelah rilis." "Perubahan ini kecil, nggak perlu dokumen desain." Pasangkan tiap dengan bantahan. Tim yang menulis anti-rasionalisasi mereka adalah tim yang punya lebih sedikit jalan pintas berbahaya.
2. Proses di Atas Prosa untuk Dokumen Internal
Kalau Anda menulis dokumen 2000 kata "bagaimana kami melakukan X", Anda menulis referensi. Ubah jadi alur kerja dengan titik periksa. Dokumen jadi 400 kata dan orang benar-benar menjalankannya.
3. Verifikasi sebagai Kriteria Keluar yang Keras
Jadikan "hasilkan bukti" langkah keluar tiap tugas. Bukti itu apa pun yang membuktikan pekerjaan selesai: pengujian hijau, tangkapan layar, catatan, persetujuan tinjauan. Tanpa itu, tugas nggak selesai.
4. Pengungkapan Bertahap untuk Buku Aturan
Jangan menulis buku panduan 50 halaman. Tulis pengarah kecil yang mengarahkan ke bab kecil yang tepat untuk situasi. Ini berlaku untuk AGENTS.md, buku panduan, playbook insiden—apa pun yang dibaca saat tenggat mepet.
5. 5 Hal yang Tidak Bisa Ditawar dari Meta-Skill
- Ungkapkan asumsi sebelum membangun. Asumsi salah yang disimpan diam adalah mode kegagalan paling umum.
- Berhenti dan tanya kalau persyaratan bertentangan. Jangan menebak.
- Tolak kalau memang perlu. AI/engineer bukan mesin "ya".
- Pilih solusi yang sederhana dan jelas. Kepintaran itu mahal.
- Sentuh hanya yang diminta.
Budaya rekayasa yang berharga dalam 5 baris—dan Anda nggak perlu memasang apa pun untuk mengadopsinya.
Di Mana Agent Skills Cocok dalam Rekayasa Harness
Dalam gambaran besar, skills adalah satu lapisan dari rekayasa harness agent. Harness itu model plus semua yang Anda bangun di sekelilingnya:
AGENTS.md— buku aturan bergulir- Hooks — lapisan penegakan deterministik
- Tools — tindakan yang bisa diambil agent
- Session log — memori tahan lama
- Skills — potongan alur kerja yang dapat digunakan ulang, diungkapkan secara bertahap ke system prompt
Skills lebih penting untuk agent yang berjalan lama daripada yang model chat. Proses panjang memperkuat setiap jalan pintas. AI yang melewatkan pengujian dalam sesi 10 menit = 1 bug. AI yang melewatkan pengujian dalam sesi 30 jam = proyek arkeologi debugging di akhir proses, saat nggak ada yang ingat maksud aslinya.
Portabilitas format skills juga penting. File SKILL.md yang sama bisa bekerja di Claude Code, Cursor (dengan aturan), Gemini CLI, Codex, dan harness lain yang menerima konten system-prompt. Tulis alur kerja sekali, runtime yang menegakkan. Itulah yang dibeli format markdown-dengan-frontmatter yang tidak bisa diberikan oleh rekayasa prompt khusus.
Kesimpulan: Rekayasa Senior Tidak Lagi Opsional
Yang paling saya ingin orang ambil dari proyek ini—lebih dari skill itu sendiri—adalah kerangka berpikirnya.
AI coding agents itu engineer junior yang sangat mampu dengan nol insting untuk bagian pekerjaan yang nggak kelihatan di perubahan kode. Pekerjaan rekayasa senior (mengungkapkan asumsi, membatasi ukuran perubahan, menulis spesifikasi, meninggalkan bukti, menolak penggabungan yang nggak bisa ditinjau) adalah persis yang bakal dilewati oleh AI kecuali Anda membuatnya mustahil untuk dilewati.
Skills adalah salah satu bentuknya. Tabel anti-rasionalisasi. Pengungkapan bertahap. Proses di atas prosa. Verifikasi sebagai kriteria keluar yang menahan beban. Praktik Google yang sudah berfungsi, dijadikan portabel.
Anda bisa memasang versi Addy Osmani. Anda bisa membuat sendiri. Tapi pelajarannya tetap sama: bagian rekayasa senior dari pekerjaan tidak lagi opsional, meski engineer-nya adalah model AI.
Siap Meningkatkan Kualitas AI Coding Anda?
Jangan biarkan AI Anda terus menghasilkan kode yang "kayaknya bener". Mulai terapkan Agent Skills hari ini dan rasakan perbedaan antara junior dan senior—bahkan di dunia kecerdasan buatan.
Repo: github.com/addyosmani/agent-skills (MIT). Untuk gambaran kerangka kerja lebih luas, baca Agent Harness Engineering dan Long-running Agents.
Komentar
Posting Komentar