AI agent lu bisa kelihatan pintar, tapi tetap ngulang kesalahan yang sama kalau semua instruksinya cuma ditumpuk di prompt panjang.
Artikel ini membahas kenapa workflow AI coding agent mulai bergeser dari “prompt sekali panjang banget” ke “skill” atau SOP kecil yang bisa dipakai ulang. Intinya sederhana: prompt bagus membantu satu sesi, sedangkan skill membantu banyak sesi. Buat developer dan programmer yang mulai pakai Claude Code, Codex, Copilot CLI, Cursor, atau Hermes Agent, perbedaan ini bisa ngaruh langsung ke kualitas kode, biaya review, dan seberapa sering agent keluar jalur.
Apa itu skill buat AI coding agent?
Dalam konteks AI coding agent, skill adalah paket instruksi kecil yang punya trigger, langkah kerja, batasan, contoh, pitfall, dan cara verifikasi. Bentuknya bisa sesederhana file SKILL.md, folder rules, atau prosedur yang dipanggil saat agent menghadapi tipe pekerjaan tertentu.
Ini beda dari prompt biasa. Prompt biasanya hidup di satu percakapan. Skill dibuat supaya bisa dipakai ulang, dibaca saat relevan, dan diperbaiki kalau ternyata ada langkah yang kurang. Dokumentasi Claude Code juga menjelaskan pola serupa: skill berguna saat lu terus-menerus menempelkan checklist atau prosedur yang sama ke chat, karena instruksi itu lebih masuk akal dijadikan toolkit reusable daripada terus dimasukkan manual.
Menurut gua, ini salah satu perubahan kecil yang efeknya besar. Banyak orang fokus ke model mana yang paling kuat, padahal masalah harian di codebase sering bukan “model kurang pintar”. Masalahnya lebih sering: agent nggak punya kebiasaan kerja yang jelas.
Kenapa prompt panjang mulai terasa kurang cukup?
Prompt panjang terlihat meyakinkan karena semua aturan bisa dimasukkan sekaligus. Tapi di workflow nyata, ada beberapa masalah:
- Konteks gampang jadi noise. Agent dapat terlalu banyak aturan sekaligus, lalu bagian penting kalah oleh instruksi lain.
- Sulit dipelihara. Kalau ada satu aturan yang berubah, lu harus ingat update prompt di semua tempat.
- Nggak selalu muncul di waktu yang tepat. Instruksi security, testing, atau review sering baru penting di fase tertentu, bukan sepanjang sesi.
- Susah diaudit. Tim sulit tahu agent sebenarnya mengikuti prosedur apa kalau semuanya cuma terselip di chat panjang.
Repo addyosmani/agent-skills menarik karena memosisikan skill sebagai quality gate untuk siklus engineering: spec, plan, build, test, review, sampai ship. Sementara obra/superpowers mendorong pendekatan yang lebih metodologis: agent jangan langsung ngoding, tapi mulai dari memahami tujuan, menyusun spec, membuat rencana, lalu baru eksekusi.
Gua nggak melihat ini sebagai bukti bahwa satu repo pasti cocok untuk semua tim. Stars GitHub bukan sertifikat kualitas universal. Tapi sinyalnya jelas: developer mulai sadar bahwa agent butuh sistem kerja, bukan cuma model lebih baru dan prompt lebih panjang.
Skill membuat agent lebih mirip rekan kerja yang punya SOP
Kalau lu punya junior developer baru, lu nggak cuma bilang, “tolong kerja yang rapi.” Lu biasanya kasih standar: cara bikin branch, cara nulis test, cara handle bug, cara bikin PR, dan hal apa yang harus dicek sebelum merge.
AI coding agent juga mirip. Instruksi seperti “jangan over-engineer” terlalu abstrak. Lebih kuat kalau dipecah jadi aturan operasional:
- mulai dari reproduksi bug sebelum fix;
- tulis failing test sebelum production code;
- jangan bikin abstraction sebelum ada minimal dua atau tiga use case;
- batasi diff ke file yang relevan;
- jalankan test atau lint yang sesuai sebelum bilang selesai;
- catat pitfall baru ke skill kalau workflow terbukti berguna.
Ini bukan bikin agent jadi lambat. Justru sering bikin kerja lebih hemat, karena agent nggak perlu menebak ulang standar kerja setiap kali sesi baru dimulai.
Bedain: memory, docs, prompt, dan skill
Salah satu sumber berantakan di workflow AI adalah semua hal dimasukkan ke tempat yang sama. Padahal masing-masing punya fungsi berbeda.
| Komponen | Dipakai untuk | Contoh |
|---|---|---|
| Memory | Fakta stabil yang sering dipakai ulang | preferensi stack, nama project, gaya komunikasi |
| Docs | Konteks project yang bisa dibaca manusia dan agent | README, AGENTS.md, ADR, API reference |
| Prompt | Arahan spesifik untuk sesi atau task saat ini | “buat draft artikel dari riset ini” |
| Skill | Prosedur reusable untuk tipe kerja berulang | TDD, code review, debugging, export carousel |
Kalau lu salah taruh, hasilnya gampang kacau. Fakta project ditaruh di prompt bisa hilang. Prosedur debugging ditaruh di memory bisa terlalu kabur. Docs yang terlalu panjang bisa bikin agent membaca banyak hal yang belum tentu relevan.
Skill membantu karena ia menjawab pertanyaan: “kalau task seperti ini muncul lagi, langkah kerjanya apa?”
Contoh praktis: dari prompt panjang ke skill kecil
Misalnya lu sering minta agent memperbaiki bug frontend. Prompt panjangnya bisa jadi begini: “cek error, jangan langsung fix, cari root cause, bandingkan dengan komponen lain, tulis test, jalankan build, jangan ubah file yang nggak perlu...”
Itu valid, tapi melelahkan kalau diulang terus. Versi skill-nya lebih rapi:
- Trigger: dipakai setiap ada bug, error build, regressi UI, atau test gagal.
- Langkah: reproduksi dulu, baca error, trace data flow, baru bentuk hipotesis.
- Batasan: satu hipotesis per fix, jangan refactor besar saat belum tahu penyebab.
- Verifikasi: test gagal berubah jadi pass, build jalan, dan diff tetap kecil.
- Pitfall: kalau sudah tiga fix kecil gagal, stop dan cek ulang arsitektur.
Perubahan ini kelihatan sederhana, tapi dampaknya kerasa. Agent punya rel kerja. Lu juga punya sesuatu yang bisa direview dan diperbaiki setelah kejadian nyata.
Kenapa ini penting buat personal branding developer?
Personal branding developer bukan cuma soal posting hasil akhir. Yang bikin orang percaya adalah cara berpikir dan cara kerja yang kelihatan. Kalau lu bisa menunjukkan bahwa lu punya workflow AI yang disiplin, lu nggak cuma terlihat “ikut tren AI”. Lu terlihat sebagai builder yang paham risiko, kualitas, dan maintenance.
Ini juga bahan konten yang kuat. Dari satu artikel ini, lu bisa pecah jadi carousel “memory vs docs vs prompt vs skill”, video pendek “AI agent lu ngulang salah? bikin skill”, atau thread tentang kenapa prompt panjang bukan solusi jangka panjang.
Angle seperti ini bagus karena nggak bergantung pada hype model terbaru. Besok model bisa berubah, tapi kebutuhan SOP, review, test, dan dokumentasi tetap ada.
Checklist: kapan lu perlu bikin skill?
- Lu sering memberi instruksi yang sama ke agent lebih dari dua kali.
- Task punya urutan kerja yang jelas dan kalau loncat langkah bisa berbahaya.
- Ada pitfall berulang yang pernah bikin output agent salah.
- Lu butuh standar lintas sesi, bukan cuma arahan sekali pakai.
- Workflow itu bisa diverifikasi dengan command, test, checklist, atau artefak nyata.
Kalau lima poin ini kena, besar kemungkinan instruksi itu bukan sekadar prompt. Itu kandidat skill.
FAQ mini
Apakah skill menggantikan prompt?
Nggak. Prompt tetap perlu untuk task spesifik. Skill membantu agent menjalankan prosedur berulang dengan lebih konsisten.
Apakah semua project butuh banyak skill?
Nggak juga. Mulai dari 2–3 workflow yang paling sering bikin masalah: debugging, TDD, dan review sebelum commit. Jangan bikin skill cuma supaya terlihat rapi.
Apakah skill bisa basi?
Bisa. Skill yang nggak diperbarui bisa jadi sumber bug baru. Perlakukan skill seperti dokumentasi operasional: dipakai, diuji, lalu diperbaiki saat ada pitfall baru.
Takeaway
Prompt panjang bisa membantu agent memahami arah kerja, tapi skill membuat cara kerja itu lebih tahan lama. Buat gua, masa depan AI coding agent bukan cuma model yang makin pintar, tapi workflow yang makin eksplisit: kapan harus plan, kapan harus test, kapan harus review, dan kapan harus berhenti ngoding.
Kalau lu lagi membangun workflow dengan AI agent, coba audit satu hal minggu ini: instruksi apa yang paling sering lu ulang? Kalau jawabannya jelas, mungkin itu bukan prompt lagi. Itu SOP kecil yang layak jadi skill.
