Apa itu rekayasa loop?

Rekayasa loop adalah praktik merancang alur kerja berbasis agen, atau loop, yang secara berulang memandu agen AI untuk menyelesaikan tujuan yang ditentukan pengguna dengan intervensi manusia minimal. Alih-alih membutuhkan dorongan manusia di setiap langkah, loop agen memungkinkan agen untuk bertindak, mengamati, membuat keputusan, dan mengulangi secara dinamis sampai tugas selesai. 

Bagi pengembang, rekayasa loop mengubah peran mereka dari sekadar memberikan prompt kepada agen AI menjadi merancang sistem otomatis yang memberikan prompt, memeriksa, dan mengarahkan agen AI. Dalam loop yang dirancang dengan baik, agen dapat bernalar, bertindak, ulasan hasil tindakannya dan menyesuaikan tindakan selanjutnya sesuai dengan itu. 

Rekayasa loop adalah praktik rekayasa agen yang muncul yang mendukung banyak agen pengodean AI seperti IBM® Bob, Claude Code, dan Codex dari OpenAI. Rekayasa loop mengoptimalkan sistem eksekusi secara keseluruhan, memungkinkan agen untuk memecahkan masalah multilangkah yang kompleks dengan pengawasan minimal.

Rekayasa prompt adalah praktik menciptakan instruksi tunggal yang paling efektif dan dioptimalkan untuk model AI. Rekayasa loop merancang sistem otomatis yang meminta dan mengevaluasi pekerjaan mereka sendiri sampai mencapai tujuan tertentu. 

Dengan rekayasa prompt, manusia membuat prompt, mengevaluasi hasil, dan membuat prompt berikutnya di setiap tahap. Rekayasa loop menciptakan sistem yang sebagian besar otomatis yang menyempurnakan prompt internal mereka sendiri untuk mencapai hasil yang optimal. Sementara rantai prompt mengikuti struktur yang kaku, loop dinamis, dan fleksibel. 

Rekayasa prompt cocok untuk interaksi satu kali atau panggilan model individu. Rekayasa loop lebih cocok untuk agen yang berjalan lama yang menangani alur kerja seperti pembuatan kode otonom, pemeliharaan perangkat lunak, atau eksekusi tugas multilangkah.

Loop agen biasanya mengikuti pola standar: 

1. Tujuan
   
   
2. Tindakan
   
   
3. Pengamatan
   
   
4. Penyesuaian

Tujuan rekursif dievaluasi pada setiap iterasi loop agen, membantu menjaga agen tetap pada tugas sambil mencegah iterasi yang tidak perlu dan mengendalikan biaya token. Tujuan rekursif memberikan agen AI target yang eksplisit, termasuk kriteria penghentian yang jelas dan dapat diverifikasi. Mereka harus spesifik, dicakup dengan tepat dan dipecah menjadi subtugas yang dapat diuji sedapat mungkin. 

“Buat situs web saya memuat lebih cepat” tidak jelas, sementara “berhenti mengulangi ketika kode Anda melewati semua pengujian unit dan memenuhi persyaratan yang diminta” memberi agen tujuan yang terukur dan kondisi penghentian yang jelas.

Agen mempertimbangkan tujuannya dan kemajuannya saat ini, kemudian bertindak dengan cara yang pindah lebih jauh menuju tujuan. Tindakan mungkin menghasilkan kode, menjalankan pengujian unit atau memperbaiki bug.

Sistem agen mengevaluasi hasil tindakan. Dengan pembuatan kode otomatis, agen mungkin menjalankan pengujian integrasi berkelanjutan (CI) untuk melihat apakah kode yang dihasilkan lulus atau gagal.

Berdasarkan pengamatan, sistem mengevaluasi masukan dan membuat perubahan yang diperlukan pada pendekatannya sebelum memulai ulang loop agen.

Loop yang dirancang dengan baik dapat beroperasi dengan pengawasan minimal sambil tetap efisien, andal, dan terbatas. Loop ini adalah proses efisien yang menjaga biaya token tetap rendah, berakhir ketika seharusnya dan mengarah pada hasil yang dapat diandalkan. Sebaliknya, loop yang dibangun dengan buruk tidak efisien, membuang-buang token melalui upaya gagal berulang, pekerjaan yang tidak perlu, atau penalaran yang salah. 

Saat merancang loop yang akan memberikan hasil yang baik, pengembang biasanya menyertakan: 

• Otomatisasi atau penjadwalan
  
  
• Hook
  
  
• Rekayasa konteks
  
  
• Akses alat
  
  
• Worktree
  
  
• Keterampilan
  
  
• Subagen
  
  
• Struktur utama

Pengulangan adalah apa yang memisahkan loop dari prompt satu kali. Bergantung pada asisten pengodean yang digunakan, looping ditangani melalui otomatisasi atau penjadwalan. Keduanya menetapkan irama loop: memberi tahu apa yang harus dilakukan dan seberapa sering. Misalnya, pengembang sering menggunakan GitHub Actions untuk menjadwalkan atau memicu loop agen. 

Sistem berbasis Unix seperti Linux atau macOS mengotomatisasi tugas dengan menggunakan penjadwal berbasis waktu yang dikenal sebagai cron job.

Tidak seperti otomatisasi terjadwal, hook adalah instruksi yang dipicu oleh peristiwa seperti menghasilkan kode, mengedit file, memanggil alat atau menyelesaikan tugas. Hook dapat terjadi sebelum atau sesudah peristiwa terkait. 

Pengembang sebagian besar menggunakan hook untuk keamanan dan kualitas, seperti menegakkan kebijakan, memvalidasi output, dan memicu alur kerja secara otomatis. Misalnya, pre-commit hook dapat digunakan untuk memeriksa kode terhadap standar sebelum perubahan dilakukan ke repositori. 

Hook menghapus tugas seperti tata kelola dan pemeriksaan kualitas dari agen dalam loop, mengurangi biaya token dan penggunaan komputasi.

Setiap siklus loop menghasilkan data, yang dikenal sebagai konteks, yang dimasukkan ke dalam siklus berikutnya. Agen AI modern dan model bahasa besar (LLM) memiliki jendela konteks yang besar, yang berarti bahwa pengguna dapat input sejumlah besar data sekaligus. Namun, memberikan konteks yang berlebihan dapat mengurangi relevansi, meningkatkan biaya dan mempersulit model untuk mengidentifikasi informasi yang paling penting. 

Rekayasa konteks adalah praktik merancang sistem yang menyediakan data yang dibutuhkan model AI sambil meminimalkan konteks berlebih. Strategi termasuk meringkas iterasi loop sebelumnya untuk kompresi konteks dan menggunakan penurunan harga untuk penataan konteks yang lebih baik.

Insinyur loop biasanya menggunakan server MCP (protokol konteks model) bersama API dan integrasi lain untuk memungkinkan agen melakukan tindakan otonom dengan konektor dan alat. Tanpa akses alat, agen hanya dapat menggambarkan apa yang akan mereka lakukan daripada bertindak pada sistem eksternal.

Agen pengodean menggunakan alat untuk mengeksekusi kode, mengakses sistem file, menjalankan perintah di terminal atau shell, basis data kueri, dan menjalankan tes. Rekayasa harness agen adalah praktik yang muncul dalam merancang lingkungan eksekusi lengkap di sekitar agen untuk menciptakan sistem yang terus-menerus dan mengoreksi diri.

Worktree memungkinkan percabangan sehingga beberapa agen dapat bekerja secara paralel tanpa mempengaruhi pekerjaan satu sama lain. Git worktree memungkinkan beberapa direktori kerja untuk berbagi satu repositori, memungkinkan cabang paralel tanpa menduplikasi riwayat repositori. Agen tidak akan menggabungkan cabang sampai kode diuji, ditinjau oleh manusia, atau sampai kriteria lain yang ditentukan pengguna terpenuhi.

Keterampilan berisi pengetahuan proyek khusus tugas untuk satu alur kerja berulang. Agen mereferensikan file keterampilan saat melakukan tugas terkait. Beberapa asisten pengodean memformat keterampilan sebagai folder yang berisi file skill.md dengan instruksi dan metadata. Sebagai perbandingan, file instruksi tingkat proyek seperti agents.md mencakup seluruh repositori. 

Tanpa keterampilan, pengguna harus menyertakan konteks proyek dengan setiap sesi atau meminta agen menebak apa yang seharusnya mereka lakukan (dan berisiko agen salah menebak). Keterampilan dapat dibagikan di seluruh proyek dan repositori sebagai plug-in.

Agen utama dapat mendelegasikan agen khusus yang dikenal sebagai subagen untuk memenuhi peran tertentu, seperti riset, eksplorasi, implementasi atau verifikasi. Rekayasa loop yang baik menggunakan struktur pembuat/pemeriksa dengan satu agen memeriksa kode lain untuk meningkatkan kualitas kode. 

Sementara subagen meningkatkan penggunaan token, subagen verifikasi terpisah dengan instruksinya sendiri biasanya memberikan jaminan kualitas yang lebih besar daripada meminta agen pengodean memeriksa kodenya sendiri. Beberapa platform kode menggunakan subagen terpisah untuk memantau kemajuan tugas dan menentukan kapan kondisi penghentian terpenuhi.

Loop mencakup struktur utama: yaitu status atau memori persisten yang digunakan untuk melacak kemajuan proyek dan mencegah terulangnya kesalahan. Dengan setiap siklus, agen menambahkan hasil tindakannya ke status persisten, toko atau pelacak proyek seperti file markdown atau papan Linear. Struktur utama mempertahankan status dan konteks untuk memberikan informasi bagi iterasi selanjutnya.

Bahkan loop yang paling kuat dan tangguh membutuhkan keterlibatan manusia. Organisasi mendapatkan nilai terbesar dari AI ketika menggunakannya untuk mempercepat pengiriman perangkat lunak dan mengandalkan manusia untuk kualitas, keamanan, dan hasil bisnis. 

Pendekatan interaksi manusia membantu menghindari jebakan paling berbahaya dari pembuatan kode otomatis, seperti kode yang tidak diverifikasi, utang pemahaman, utang niat, dan penyerahan kognitif.

Agen pemeriksa tetaplah sebuah agen, dan pada akhirnya pengembang tetap bertanggung jawab atas seluruh kode yang dirilis. Tata kelola AI yang efektif membutuhkan pengawasan manusia untuk tidak hanya memverifikasi bahwa kode berfungsi, tetapi juga bahwa itu tidak mengekspos data sensitif atau melanggar peraturan yang relevan.

Kesenjangan antara jumlah total kode dalam suatu sistem dan sejauh mana manusia memahaminya dikenal sebagai utang pemahaman. Ketika agen menulis lebih banyak kode dan manusia lebih sedikit memeriksanya, utang pemahaman meningkat. 

Sementara utang teknis tradisional berasal dari jalan pintas yang disengaja, utang pemahaman bersifat pasif. Utang pemahaman terakumulasi dengan cepat karena kecepatan agen menghasilkan kode, dan seringkali diam-diam, karena kode melewati tes otomatisnya. Jika dibiarkan begitu saja, organisasi sering menemukan utang pemahaman yang signifikan ketika pengembang harus men-debug kegagalan produksi, menerapkan perubahan besar, atau menanggapi insiden.

Utang niat adalah hilangnya penjelasan konkret yang menjelaskan alasan di balik suatu sistem. Kecuali secara eksplisit diperinci di tempat-tempat seperti file agents.md dan skill.md,, maksud pengembang sulit bagi agen untuk menyimpulkan dengan andal. Tanpa itu, agen akhirnya dapat mengoptimalkan tindakan mereka untuk tujuan strategis yang salah, membuat perubahan kode yang secara teknis sehat tetapi bertentangan dengan tujuan proyek.

Ketika manusia menjadi lebih bergantung pada AI, mereka menjadi lebih rentan terhadap penyerahan kognitif: pengalihdayaan pemikiran kritis ke AI. Sementara pelepasan beban kognitif mewakili pengawasan yang diverifikasi oleh manusia atas output, penyerahan kognitif adalah hilangnya kendali sepenuhnya. 

Ketika pengembang tanpa ragu menerima output loop, utang pemahaman meningkat dengan cepat.