Evolusi Workflow Coding Agent: Dari Cody, Amp, ke Pi

24/4/2026·View as Markdown

Kalau aku lihat ke belakang, perubahan terbesar dalam cara kerjaku dengan AI bukan datang dari “model terbaru”, tapi dari cara mengelola konteks, sesi, dan peran agent.

Tulisan ini ngerangkum perjalanan itu: dari masa pakai Cody, transisi ke Amp, sampai akhirnya Pi jadi coding agent utama. Benang merahnya ternyata konsisten: jangan biarkan sesi terlalu panjang, prompt harus eksplisit, dan pisahkan pekerjaan ke thread/agent yang tepat.

Titik awal: Video Andrej dan kesadaran tentang konteks #

Sekitar Februari atau Maret 2025, aku nonton video Andrej Karpathy yang jadi titik balik pertama¹. Salah satu hal yang paling nempel: sesi AI yang terlalu panjang gampang banget berubah jadi distraksi. Awalnya kerasa produktif karena “semua ada di satu tempat”, tapi makin lama AI makin halu apalagi kalau context window-nya sudah terisi 40% ke atas².

Dari situ aku mulai lebih disiplin:

• Gak membiarkan satu chat memuat terlalu banyak objective.
• Sering-sering reset sesi.
• Memecah kerja jadi fase yang jelas (planning, execution, exploration).

Aku juga sempat nonton video tentang tokenization³. Buatku, video ini lebih ke fondasi teknis biar paham gimana AI “membaca” input kita, tapi bukan pemicu utama yang ngubah workflow harian.

Perubahan workflow yang beneran kerasa nyata justru datang belakangan, pas aku mulai menerapkan konsep back pressure saat prompting untuk coding task⁴. Intinya, agent jangan cuma disuruh “kerjakan”, tapi juga dipaksa punya mekanisme verifikasi atas hasil kerjanya sendiri.

Secara praktis, back pressure ini aku masukin ke “kontrak” prompt:

• Kalau ada bug fix, agent wajib membuktikan kalau bug-nya beneran hilang (lewat repro sebelum/sesudah, test, atau log).
• Buat urusan frontend, agent dikasih akses browser biar bisa cek UI langsung.
• Buat backend, agent dikasih akses CLI (kayak psql, uv, node) biar validasinya gak cuma asumsi.

Pola ini mengubah pandanganku, AI bukan cuma soal implementasi tapi juga jadi agent yang punya akuntabilitas delivery.

Pada dasarnya balik lagi ke konsep inner-loop; kita sebagai dev melakukan requirement gathering (planning), coding, dan testing. Namun, daripada melakukan semuanya “by hand”, sekarang prosesnya dibantu oleh “agent”.

Dari Cody ke Amp: Momentum transisi yang pas #

Dulu aku lumayan lama pakai Cody dari Sourcegraph. Pas Cody sunset dan dilanjutkan dengan Amp, kebetulan ada kredit 40 USD, ya lumayan lah ya, aku lanjut eksplorasi di sana. Keputusannya awalnya praktis aja, tapi ternyata malah membuka workflow yang lebih fundamental.

Tulisan Amp soal Threads beneran ngena⁵. Konsepnya sederhana: thread sebagai unit kerja, bukan sekadar histori chat.

Praktiknya jadi kayak gini:

• Planning session → bikin thread baru.
• Execution session → pindah thread lagi.
• Exploration session → beda thread lagi.
• Kalau mau balik ke planning → ya bikin thread baru lagi.

(Tips: Di Amp, kita bisa tekan double enter di kolom chat buat langsung kasih referensi ke thread sebelumnya, jadi proses handoff konteksnya makin seamless).

Ini sejalan dengan catatan Amp lainnya kalau 200k token itu bukan berarti harus dipakai semua sekaligus⁶. Bisa nampung besar bukan berarti optimal buat AI-nya “halu” lebih akurat.

Subagent sebagai pembagi peran kognitif #

Konsep subagent yang aku temui saat menggunakan Amp makin memperjelas pembagian beban kerja ini⁷. Sebenarnya, kalau dibedah, subagent ini hanyalah sesi yang super terfokus yang melakukan handoff notes secara otomatis di belakang layar.

Prinsipnya tetap sama: memecah beban kognitif ke unit yang lebih kecil agar kualitasnya terjaga. Pembagian perannya kira-kira begini:

• Oracle (GPT): Buat planning, problem framing, atau bug fix yang ribet banget.
• Librarian (Sonnet): Buat memahami codebase di GitHub, bikin rangkuman, atau dokumentasi internal.

Yang penting itu bukan cuma “model mana yang paling pinter”, tapi tugasnya cocok gak sama mode kerjanya. Kalau peran agent-nya jelas, output-nya lebih konsisten dan beban mikirku juga jadi lebih ringan.

Pola yang akhirnya kelihatan jelas #

Setelah melihat ulang perjalanan dari 2025 sampai sekarang, polanya makin jelas. Ternyata ada tiga prinsip dasar yang tanpa sadar selalu aku pegang:

1. Minim distraksi, karena satu thread cuma ngejar satu tujuan.
2. Lanjut akurat, karena catatan operan bikin sesi berikutnya langsung tahu posisi terakhir.
3. Pikiran enteng, karena satu sesi gak dipaksa nampung everything — bukan cuma agent, tapi kita driver-nya juga jadi lebih enteng.

Performa itu bukan cuma soal model AI-nya, tapi soal komposisi:

right task × right agent × right thread length × right prompt contract

Klik dengan Pi Coding Agent #

Pas proyek OpenClaw lagi rame (akhir 2025 - awal 2026), aku jadi kenal sama Pi Coding Agent karena OpenClaw sendiri pakai fondasi itu.

Waktu baca tulisan Mario Zechner tentang Pi, banyak hal yang kerasa “klik” banget sama prinsip yang aku pelajari dari Andrej dan Amp⁸. Filosofinya sejalur: tooling harus bikin kita lebih sadar konteks, modular, dan intentional.

Makanya sekarang Pi bukan cuma alternatif, tapi sudah jadi coding agent utama buatku.

Kenapa akhirnya Pi? #

Ada beberapa alasan kenapa Pi sekarang jadi patokan workflow-ku:

1. Workflow thread-based yang natural: Gak maksa kita buat bikin satu sesi super panjang. Aku jadi lebih paham cara ngatur konteks lewat fitur /tree⁹. Subagent yang aku sebut sebelumnya sebenarnya hanyalah bentuk otomatisasi dari pola thread-based ini.
2. Workflow multi-session: Misahin planning dan execution jadi gampang banget tanpa takut kehilangan arah.
3. Selaras dengan prompt eksplisit: Gampang banget ngejaga “kontrak” output dan scope per sesi.

Default Workflow-ku sekarang #

Sekarang, ini jadi kebiasaan default-ku kalau lagi ngoding:

• Satu thread, satu objective.
• Kalau objective berubah, langsung bikin thread baru. Setiap pindah thread, tulis handoff note pendek: konteks minimal, keputusan penting, dan langkah selanjutnya.
• Prompt harus eksplisit soal: peran, batasan, bentuk output, dan kapan tugas dianggap selesai.

Biar gak cuma berhenti di chat, aku biasakan merapikan artefaknya ke folder ./memory di repo. Contohnya bisa dilihat di repo StitchDB¹⁰, di sana ada file planning, bug fixing, sampai handoff notes. Biasanya agent yang tulis draf awalnya, terus aku review dan koreksi. Anggap folder ini jadi ruang kolaborasi.

Selain itu, folder ./memory ini memudahkan banget buat ganti-ganti coding agent. Kalau aku lagi butuh sudut pandang lain, tinggal passing catatan itu ke agent lain kayak Amp atau Gemini—yang masih sering aku pakai juga di samping Pi.

Tool dan model pasti bakal terus ganti. Tapi peganganku tetap sama: kerja dalam sesi yang fokus, konteks yang rapi, dan hasil yang bisa diverifikasi.

Sejauh ini sangat menarik ngikutin perkembangan coding AI agent. Rasanya belajar ini mirip banget kayak dulu pas pertama kali belajar bikin game waktu kelas 3 SMP pas baru-baru punya komputer, bikin rasa penasaran dan semangat belajar nyala terus wqwq.