Agen Claude Code: Panduan Praktis untuk Alur Kerja Pengodean Otonom

Jika seseorang bertanya apa yang membedakan Claude Code dari ChatGPT atau GitHub Copilot, saya tidak akan mulai dari model bahasanya. Saya akan mulai dari alur kerjanya.

Bayangkan Anda membuka terminal di dalam sebuah repositori Git dan mengetik satu prompt:

Add request validation to every FastAPI endpoint,
write tests for the new validation logic, update the documentation, 
and commit everything using a descriptive Git commit message.

Alih-alih mengajukan puluhan pertanyaan lanjutan, Claude Code langsung mulai bekerja. 

Ia menelusuri proyek Anda untuk memahami struktur API, mengidentifikasi setiap endpoint, mengedit file yang sesuai, menghasilkan pengujian, memperbaiki kegagalan apa pun, memperbarui dokumentasi Anda, dan membuat commit Git yang merangkum perubahan.

Dari sudut pandang Anda, rasanya kurang seperti mengobrol dengan AI dan lebih seperti menugaskan pekerjaan kepada rekan setim yang andal. 

Perubahan itu yang membuat agen Claude Code begitu menarik.

Fitur yang memungkinkan hal ini adalah sub-agen Claude Code. Alih-alih memaksa satu sesi AI untuk menalar seluruh repositori, Claude Code dapat meluncurkan pekerja khusus yang menyelidiki bagian-bagian berbeda dari proyek, menyusun rencana implementasi, atau memodifikasi kode secara mandiri sebelum melaporkan kembali ke sesi utama. 

Alih-alih mencoba menyelesaikan setiap masalah dalam satu percakapan, Claude Code dapat mendelegasikan pekerjaan ke agen khusus. 

Tiga jenis agen utama adalah: 

• Explore, yang berfokus pada penjelajahan proyek
• Plan, yang berfokus pada penyusunan rencana implementasi, dan
• General-purpose, yang digunakan untuk mengedit kode dan menjalankan perintah.

Saya menemukan ini mengubah cara saya mendekati pengembangan. Alih-alih bertanya, "Bisakah AI menulis fungsi ini?" saya malah bertanya, "Seberapa besar porsi pekerjaan yang bisa saya serahkan dengan aman?" 

Di akhir panduan ini, Anda akan tahu cara menggunakan agen Claude Code secara efektif, kapan setiap jenis sub-agen masuk akal, bagaimana mengonfigurasi memori proyek persisten dengan CLAUDE.md, dan bagaimana membangun alur kerja otonom yang menghemat waktu tanpa kehilangan kendali. 

Prasyarat

Panduan ini mengasumsikan Anda nyaman menggunakan terminal dan menavigasi direktori dengan perintah baris perintah dasar seperti cd, ls, atau dir. 

Anda tidak perlu ahli Bash, tetapi sebaiknya Anda merasa nyaman bekerja dari command line.

Anda juga akan memerlukan:

• Node.js terpasang di mesin Anda
• Kunci API Anthropic
• Sebuah repositori Git untuk bereksperimen
• Pemahaman dasar tentang Python, JavaScript, atau bahasa pemrograman lainnya

Jika Anda benar-benar baru dengan Claude Code, saya juga merekomendasikan membaca Claude Code: A Guide With Practical Examples sebelum menyelami sub-agen.

Apa Itu Agen Claude Code?

Agen Claude Code adalah pekerja otonom yang menyelesaikan tugas pengembangan perangkat lunak multi-langkah menggunakan repositori lokal, terminal, dan alat pengembangan Anda. 

Berbeda dengan ChatGPT atau Claude Chat, Claude Code dapat memeriksa file, menjalankan perintah Bash, mengedit kode sumber, dan memverifikasi pekerjaannya sendiri sebelum mengembalikan hasil.

Sebagian besar asisten pengodean AI masih mengikuti alur kerja percakapan. 

Anda mengajukan pertanyaan, menerima jawaban, lalu memutuskan langkah berikutnya. 

Itu bekerja dengan baik untuk menulis kueri SQL atau menjelaskan pipeline scikit-learn, tetapi mulai kurang efektif saat tugas mencakup 20 file, memerlukan beberapa perintah terminal, atau bergantung pada pemahaman repositori yang tidak familiar.

Claude Code mendekati masalah tersebut secara berbeda. 

Karena bekerja langsung di dalam repositori Git Anda, ia dapat menyelidiki kode sebelum mengambil keputusan. Alih-alih meminta Anda menempelkan file ke jendela chat, ia membaca proyek itu sendiri dan mengumpulkan konteks yang dibutuhkan.

Misalkan Anda meminta:

Replace every custom customer ID validator with Pydantic models, 
update the FastAPI endpoints, rewrite the affected pytest tests, 
and summarize the migration.

Chatbot tradisional mungkin akan menghasilkan kode contoh dan meminta informasi lebih lanjut. 

Claude Code menelusuri repositori, mengidentifikasi logika validasi yang ada, mengedit file terkait, menjalankan rangkaian pengujian, memperbaiki setiap regresi yang ditimbulkan, dan melaporkan pekerjaan yang telah selesai.

Peralihan dari menjawab pertanyaan ke menyelesaikan tujuan itulah yang membuat pengodean berbasis agen dengan Claude Code terasa berbeda dalam pengembangan sehari-hari.

Bagaimana loop agen bekerja? 

Setiap agen Claude Code mengikuti siklus pengambilan keputusan yang sama: membaca informasi, memutuskan langkah berikutnya, bertindak, lalu mengevaluasi hasil sebelum mengulangi prosesnya. 

Loop ini sederhana, tetapi pengulangan puluhan kali memungkinkan agen untuk memulihkan kesalahan alih-alih berhenti setelah satu percobaan yang gagal.

Bayangkan Anda meminta Claude Code memperbaiki rangkaian pengujian yang gagal. Alur kerjanya biasanya tampak seperti ini:

Diagram yang menunjukkan bagaimana Claude Code beroperasi saat memperbaiki pengujian yang gagal

Menurut saya ini model mental termudah untuk memahami Claude Code. 

Agen tidak mencoba menyelesaikan seluruh masalah dalam satu langkah. Ia membuat serangkaian keputusan kecil berdasarkan apa yang terjadi setelah tindakan sebelumnya.

Sub-agen mengikuti loop yang persis sama, tetapi melakukannya dalam konteksnya sendiri yang terisolasi. 

Pembedaan ini penting karena pemanggilan alat melakukan satu tindakan, sedangkan sub-agen dapat menghabiskan puluhan langkah penalaran untuk mengejar satu tujuan sebelum melapor kembali.

Mengapa Claude Code menggunakan sub-agen? 

Claude Code menggunakan sub-agen karena repositori besar jarang muat dalam satu konteks kerja. Sebuah monorepo dengan layanan Python, aplikasi React, migrasi SQL, dan konfigurasi Terraform memuat jauh lebih banyak informasi daripada yang seharusnya ditangani oleh satu agen sekaligus. 

Alih-alih memperlakukan repositori sebagai satu tugas raksasa, Claude Code mendelegasikan penyelidikan terfokus kepada pekerja khusus. 

Satu agen Explore mungkin menganalisis autentikasi, yang lain memeriksa model database, sementara yang ketiga meninjau rute API. Orkestrator menggabungkan temuan-temuan tersebut sebelum memutuskan langkah selanjutnya.

Arsitektur ini memiliki keunggulan praktis lain: banyak penyelidikan berlangsung secara paralel. 

Alih-alih membaca setiap direktori sendiri atau menunggu satu agen memeriksa seluruh repositori, beberapa sub-agen dapat menjelajahi area berbeda pada saat yang sama.

Anda akan melihat pola ini di seluruh tutorial. Agen Explore mengumpulkan informasi, agen Plan mengatur implementasi, dan agen general-purpose melakukan pekerjaan pengembangan sebenarnya.

Jika Anda menginginkan pengenalan yang lebih luas tentang cara kerja sistem AI otonom di luar Claude Code, artikel DataCamp LLM Agents Explained: Architecture, Frameworks, and Use Cases memberikan tinjauan konseptual yang sangat baik.

Bagaimana Anda memasang dan menyiapkan Claude Code? 

Sebelum kita mulai menggunakan agen Claude Code, kita perlu instalasi yang berfungsi. 

Untungnya, memulai hanya membutuhkan beberapa menit.

Menginstal Claude Code

Claude Code didistribusikan sebagai paket npm, jadi Anda memerlukan Node.js terpasang di mesin Anda. Untuk petunjuk, saya merekomendasikan mengikuti dokumen npm tentang metode instalasi Node.js dan npm.

Instal Claude Code secara global dengan:

npm install -g @anthropic-ai/claude-code

Selanjutnya, buat kunci API Anthropic dari Anthropic Console dan tambahkan ke environment Anda.

Di macOS atau Linux:

export ANTHROPIC_API_KEY="your_api_key_here"

Di Windows PowerShell:

$env:ANTHROPIC_API_KEY="your_api_key_here"

Untuk memverifikasi semuanya terpasang dengan benar, jalankan:

claude --version

Jika Claude Code menampilkan versi terpasangnya, Anda siap melanjutkan.

Pada titik ini, ada baiknya juga memastikan Git tersedia karena banyak alur kerja Claude Code melibatkan membaca riwayat repositori, membuat commit, atau membandingkan perubahan. 

Jika Anda belum memiliki Git, ikuti petunjuk instalasi Git untuk memulai.

Kedua perintah harus berjalan sukses sebelum melanjutkan.

Sesi pertama Anda dengan Claude Code

Dengan Claude Code terpasang, masuklah ke proyek Git apa pun menggunakan cd my-project.

Lalu jalankan Claude Code: claude.

Sebelum memintanya menulis kode, luangkan beberapa menit untuk mempelajari cara ia menjelajahi repositori. Biasanya saya mulai dengan prompt seperti ini:

• "Apa fungsi repositori ini?"
• "Jelaskan arsitekturnya."
• "Temukan setiap komentar TODO."
• "Modul mana yang memuat logika bisnis inti?"
• "Bagaimana autentikasi diimplementasikan?"

Pertanyaan-pertanyaan itu tidak menghasilkan fitur baru, tetapi memberi Claude Code konteks yang sama seperti yang dikumpulkan rekan baru sebelum menulis kode. 

Saya mendapati bahwa meluangkan 2 atau 3 menit untuk eksplorasi biasanya menghasilkan implementasi yang lebih baik daripada langsung melompat ke permintaan fitur.

Langkah berikutnya adalah mengonfigurasi memori proyek persisten dengan CLAUDE.md. Menurut pengalaman saya, tidak ada satu file pun yang berdampak lebih besar pada kualitas pekerjaan Claude Code dalam jangka panjang.

Mengapa CLAUDE.md adalah File Terpenting untuk Claude Code?

CLAUDE.md adalah file instruksi persisten yang memberi tahu Claude tentang preferensi Anda dan cara kerja proyek sebelum mulai menalar sebuah tugas. 

Alih-alih menjelaskan ulang tumpukan teknologi, konvensi pengodean, dan alur kerja pengembangan setiap kali Anda membuka sesi baru, Anda mendokumentasikannya sekali dan biarkan setiap agen di masa depan membangun di atas konteks bersama itu.

Saat orang pertama kali mempelajari agen Claude Code, mereka biasanya fokus pada prompt. Menurut saya itu terbalik. 

CLAUDE.md yang ditulis dengan baik lebih berdampak terhadap kualitas hasil Anda daripada terus-menerus menyempurnakan kata-kata prompt karena setiap agen memulai dengan pemahaman yang sama tentang proyek Anda.

Pikirkan bagaimana Anda akan melakukan onboarding untuk engineer baru. 

Anda mungkin tidak akan mulai dengan memberikan tiket Jira. Anda akan menjelaskan repositori, menunjukkan cara menjalankan rangkaian pengujian, menyoroti beberapa konvensi pengodean, dan memperingatkan bagian-bagian codebase yang tidak boleh disentuh. 

CLAUDE.md berfungsi persis untuk tujuan yang sama.

Manfaatnya menjadi semakin jelas setelah Anda mulai menggunakan alur kerja otonom Claude Code.

Agen yang diharapkan bekerja secara mandiri membutuhkan konteks proyek yang andal. 

Tanpanya, Claude Code menghabiskan waktu untuk menemukan kembali informasi atau membuat asumsi yang mungkin tidak sesuai dengan standar tim Anda.

Apa yang harus Anda cantumkan di CLAUDE.md Anda?

CLAUDE.md yang baik bukan pengganti dokumentasi proyek atau README.md Anda. Ini adalah kumpulan instruksi yang berulang kali dibutuhkan Claude Code saat membaca kode, menulis fitur, dan menjalankan alat pengembangan.

Biasanya saya mengatur menjadi lima bagian: ringkasan proyek, tumpukan teknologi, konvensi pengodean, perintah umum, dan direktori yang harus dihindari. Saya akan membahas masing-masing secara singkat.

Ringkasan proyek

Mulailah dengan deskripsi singkat tentang apa yang sebenarnya dilakukan proyek.

Customer analytics platform built with FastAPI.
The application serves machine learning predictions through REST APIs.
Production deployments run through GitHub Actions.

Tiga baris tersebut langsung memberi tahu Claude Code bahwa ia bekerja dengan FastAPI, GitHub Actions, dan aplikasi machine learning, bukan repositori Python generik.

Tumpukan teknologi

Selanjutnya, cukup daftar pustaka dan framework utama yang mendefinisikan proyek.

Python 3.12
FastAPI
Pydantic v2
SQLAlchemy
PostgreSQL
Pytest
Ruff

Saya selalu menyertakan nomor versi saat relevan. 

Pendekatan yang direkomendasikan untuk Pydantic v2 berbeda dengan Pydantic v1, dan Claude Code tidak seharusnya menebak API mana yang Anda gunakan. 

Ini sangat penting jika Anda menggunakan paket yang lebih lama, sehingga tidak membangun asumsi yang keliru.

Konvensi pengodean

Bagian ini menangkap aturan yang sering Anda ulangi.

Always use type hints.
Prefer dependency injection.
Write tests for every new feature.
Keep business logic separate from API routes.
Reuse existing utility functions before creating new ones.

Perhatikan bahwa ini adalah aturan rekayasa yang praktis, bukan preferensi gaya. 

Claude Code biasanya dapat menyimpulkan pemformatan dari file yang ada, tetapi tidak akan otomatis tahu bahwa tim Anda mengharapkan setiap endpoint menggunakan dependency injection atau setiap fitur menyertakan pengujian pytest.

Perintah umum

Claude Code sering memvalidasi pekerjaannya sendiri dengan menjalankan perintah pengembangan. Memberinya perintah persis yang digunakan tim Anda menghindari coba-coba yang tidak perlu. 

Ini bisa berupa apa saja seperti aksi task spesifik atau skrip CI.

pytest
Run one test file:
pytest tests/test_api.py
Lint:
ruff check .
Format:
ruff format .
Start the development server:
uvicorn app.main:app --reload

Bagian ini sangat berguna pada repositori dengan skrip kustom, workflow Docker, atau alat seperti poetry, uv, atau tox.

File dan direktori yang harus dihindari

Setiap repositori memiliki file yang tidak boleh berubah secara otomatis.

Contohnya termasuk:

Never edit generated files.
Do not modify Alembic migrations.
Avoid changing Terraform configuration unless requested.
Do not update dependency versions automatically.

Saya mendapati bagian ini mencegah lebih banyak kesalahan daripada hampir semua yang lain. Satu kalimat yang memberi tahu Claude Code untuk tidak menyentuh kode yang dihasilkan jauh lebih murah daripada meninjau puluhan perubahan file yang tidak perlu.

Contoh CLAUDE.md

Berikut contoh sederhana untuk proyek API Python. 

Perhatikan bagaimana saya menggunakan format markdown agar lebih mudah dibaca manusia dan memberi Claude lebih banyak konteks.

# Project Overview

Customer analytics platform built with FastAPI.

## Technology

- Python 3.12
- FastAPI
- PostgreSQL
- SQLAlchemy
- Pydantic v2
- Pytest
- Ruff

## Coding Standards

- Use type hints everywhere.
- Write tests for new features.
- Prefer dependency injection.
- Keep business logic separate from API routes.

## Common Commands

pytest
ruff check .
ruff format .

## Avoid Editing

generated/
alembic/versions/
terraform/

Jangan khawatir membuat versi pertama Anda sempurna. 

CLAUDE.md milik saya sendiri telah berubah beberapa kali saat saya melihat instruksi berulang yang layak didokumentasikan. Perlakukan seperti kode sumber, bukan dokumentasi yang tidak pernah berubah. 

Jika Anda ingin menggali lebih dalam penulisan file instruksi yang efektif, Writing the Best CLAUDE.md: A Complete Guide for Claude Code dari DataCamp membahas contoh yang lebih besar dan pola yang lebih maju.

Haruskah Anda menggunakan CLAUDE.md tingkat proyek atau tingkat pengguna?

Claude Code mendukung dua cakupan untuk instruksi persisten. Memahami perbedaannya menjaga aturan proyek tetap terpisah dari preferensi pribadi Anda.

CLAUDE.md tingkat proyek

File tingkat proyek berada di dalam repositori.

	my-project/
	│
	├── CLAUDE.md
	├── app/
	├── tests/
	└── pyproject.toml

Semua yang ada di file ini hanya berlaku untuk repositori tersebut. Saya menggunakannya untuk pilihan teknologi, perintah pengujian, konvensi pengodean, struktur direktori, dan aturan khusus repositori. 

Karena file berada di samping kode sumber, setiap kontributor mendapatkan instruksi yang sama setelah mengkloning proyek. Anggap saja sebagai memberikan setiap agen sebuah buku panduan sebelum mereka mulai.

CLAUDE.md tingkat pengguna

Claude Code juga mendukung file konfigurasi global.

File ini mengikuti Anda dari proyek ke proyek. Saya menganggapnya sebagai buku panduan pribadi saya, bukan dokumentasi proyek.

Misalnya, file tingkat pengguna saya mungkin menyertakan instruksi seperti:

Explain architectural trade-offs.
Suggest performance improvements when appropriate.
Default to Python examples unless another language is requested.
Keep explanations concise.

Preferensi tersebut masuk akal terlepas dari apakah saya bekerja dengan FastAPI, React, atau PyTorch.

Cara kedua file bekerja bersama

Satu detail yang membingungkan saya ketika pertama kali menggunakan Claude Code adalah bahwa kedua file ini tidak saling eksklusif. 

CLAUDE.md tingkat pengguna dimuat terlebih dahulu, lalu CLAUDE.md tingkat proyek menambahkan instruksi khusus repositori.

Saya menganggapnya sebagai hierarki. 

File global mendefinisikan bagaimana saya suka bekerja. File proyek menjelaskan bagaimana repositori ini bekerja. 

Bersama-sama, keduanya memberi setiap agen preferensi pribadi dan konteks proyek sebelum mulai menalar.

Claude Code menggabungkan preferensi tingkat pengguna dengan instruksi khusus proyek sebelum memulai tugas.

Apa Tiga Jenis Sub-Agen Claude Code?

Claude Code menggunakan tiga jenis sub-agen khusus karena tugas pengembangan yang berbeda memerlukan alat yang berbeda. 

Agen yang menyelidiki repositori tidak memerlukan izin untuk mengedit file, sementara agen yang mengimplementasikan fitur mungkin memerlukan akses ke Bash, Git, dan rangkaian pengujian Anda.

Saat pertama kali menggunakan Claude Code, saya selalu memilih agen general-purpose karena tampaknya paling mampu. 

Setelah beberapa saat, saya menyadari saya menghabiskan lebih banyak waktu dan token daripada yang diperlukan. Sebagian besar alur kerja menjadi lebih cepat jika Anda menjelajah dulu, merencanakan kedua, dan mengimplementasikan terakhir.

Membandingkan Tiga Sub-Agen Claude Code

Namanya cukup deskriptif, tetapi setiap agen mengisi peran yang berbeda dalam alur kerja yang lebih besar.

Apa Itu Agen Explore Claude Code?

Agen Explore Claude Code adalah penyelidik read-only yang menelusuri repositori dan merangkum temuannya tanpa mengubah file apa pun.

Ini adalah agen yang paling sering saya gunakan saat membuka proyek yang tidak familiar. Alih-alih menggulir puluhan modul Python atau komponen JavaScript sendiri, saya meminta agen Explore untuk menjelaskan cara kerja subsistem dan menunjukkan saya ke file-file yang penting.

Kasus penggunaan yang baik meliputi:

• Menemukan di mana autentikasi diimplementasikan
• Menelusuri sebuah request melalui beberapa layanan
• Mengaudit logging atau penanganan error
• Menemukan API yang sudah usang
• Merangkum sebuah paket atau direktori
• Mengidentifikasi logika bisnis yang duplikat

Karena agen Explore tidak dapat mengedit file atau menjalankan perintah shell, mereka juga merupakan agen yang paling aman untuk dijalankan secara paralel.

Memilih tingkat ketelitian

Agen Explore mendukung kedalaman penyelidikan yang berbeda.

Jika saya hanya perlu menemukan lokasi sebuah fungsi, saya gunakan pengaturan tercepat. Jika saya bersiap untuk refactor lintas beberapa paket, menunggu satu menit lagi untuk penyelidikan yang lebih dalam biasanya sepadan.

Apa Itu Agen Plan Claude Code?

Agen Plan Claude Code menganalisis perubahan yang diminta dan menghasilkan strategi implementasi tanpa memodifikasi repositori.

Saya hampir tidak pernah melewatkan langkah ini. Menghabiskan satu menit ekstra untuk meninjau rencana jauh lebih murah daripada menemukan di tengah implementasi bahwa subsistem lain bergantung pada kode yang Anda ubah.

Rencana tipikal mencakup:

• File yang harus diubah
• Urutan implementasi yang direkomendasikan
• Dependensi dan titik integrasi
• Strategi pengujian
• Risiko atau asumsi

Setelah Anda meninjau rencana, Anda dapat menyempurnakannya atau menyerahkannya langsung ke agen general-purpose.

Artikel DataCamp Claude Code Plan Mode: Design Review-First Refactoring Loops membahas alur kerja tinjauan-pertama ini dengan jauh lebih detail.

Apa Itu Agen General-Purpose Claude Code?

Agen general-purpose dapat membaca file, mengedit kode sumber, menjalankan perintah Bash, menjalankan pengujian, dan terus bekerja hingga memenuhi tujuan yang diminta.

Inilah agen yang benar-benar membangun perangkat lunak. Ia memiliki akses ke konteks repositori yang sama seperti agen lain, tetapi juga memiliki izin untuk melakukan perubahan dan memverifikasi pekerjaannya.

Tugas-tugas umum meliputi:

• Mengimplementasikan fitur baru
• Refactor beberapa modul
• Migrasi dependensi
• Memperbarui dokumentasi
• Mengkoordinasikan perubahan di beberapa paket

Agen general-purpose mengonsumsi lebih banyak token karena mereka melakukan pekerjaan yang jauh lebih banyak. 

Itu alasan lain mengapa saya menyukai pola Explore → Plan → Implement. 

Agen yang lebih murah menjawab pertanyaan awal, menyisakan pekerjaan implementasi yang lebih mahal hingga jalurnya jelas.

Sampai titik ini, kita telah membahas bagian-bagian yang membuat agen Claude Code berhasil: memori proyek persisten melalui CLAUDE.md dan sub-agen khusus untuk investigasi, perencanaan, dan implementasi. 

Selanjutnya, kita akan menyatukan bagian-bagian tersebut dengan membangun alur kerja agen yang lengkap yang dapat Anda gunakan di proyek Anda sendiri.

Menjalankan Alur Kerja Agen Claude Code Pertama Anda

Cara terbaik untuk mendapatkan nilai maksimal dari Claude Code adalah memberinya sebuah tujuan alih-alih meminta komponen tunggal.

Saya menetap pada alur kerja sederhana yang bekerja baik di proyek Python, repositori data science, dan aplikasi web:

1. Jelajahi repositori.
2. Buat rencana.
3. Tinjau rencana.
4. Implementasikan perubahan.
5. Verifikasi hasil.

Proses itu tidak wajib, tetapi mencerminkan cara engineer berpengalaman mendekati perubahan yang lebih besar. 

Meluangkan satu menit untuk memahami repositori biasanya menghemat beberapa menit untuk mengoreksi edit yang tidak perlu di kemudian hari. 

Membuat prompt yang lebih menyeluruh, bahkan meluangkan satu jam untuk menyetelnya dengan cermat, dapat menghemat berjam-jam pekerjaan di kemudian hari.

Alur kerja 1: Menjelajahi codebase yang tidak familiar

Agen Explore adalah tempat terbaik untuk memulai saat Anda mewarisi repositori baru atau kembali ke proyek yang sudah berbulan-bulan tidak disentuh. 

Alih-alih membaca direktori secara manual, mintalah Claude Code menyelidiki arsitektur dan merangkum hal-hal yang penting.

Contohnya:

Use an Explore agent to explain how authentication works. 
Identify the main modules involved, summarize the request flow, 
and highlight any technical debt or TODO comments.

Hasilnya bukan tembok kode sumber yang disalin. Sebaliknya, Anda biasanya menerima penjelasan ringkas tentang alur autentikasi, file yang terlibat, dan area yang perlu diperhatikan. 

Saya sering menggunakan ringkasan itu sebagai titik awal untuk tugas berikutnya alih-alih menulis prompt baru dari nol.

Alur kerja 2: Rencanakan sebelum mengimplementasikan

Setelah Anda memahami repositori, minta agen Plan merancang implementasi sebelum menulis kode. 

Ini salah satu kebiasaan termudah untuk diterapkan, dan telah menyelamatkan saya dari beberapa refactor yang akan melenceng.

Prompt dapat terlihat seperti ini:

Create an implementation plan for adding role-based access control.
Identify the files that should change, potential risks,
dependencies, and a recommended implementation order.
Do not modify any code.

Tinjau rencananya sebelum melangkah maju. Jika semuanya masuk akal, Anda dapat menyerahkan rencana itu langsung ke agen general-purpose. 

Jika tidak, jauh lebih mudah menyesuaikan dokumen desain daripada membatalkan perubahan di belasan file.

Cara hebat memanfaatkan langkah ini adalah menggunakan sesi Claude Code lain untuk meninjau hasil kerja sesi pertama. Prompt sederhana bisa seperti:

This is my current goal: to add role-based access control to this repository. 
Take a look at this existing implementation plan and do an adversarial review.
Once done, create a report that summarizes the strong and weak points of the plan.

Alur kerja 3: Paralelisasi penjelajahan repositori

Salah satu fitur favorit saya dari Claude Code adalah bahwa eksplorasi tidak harus terjadi secara berurutan. Jika proyek Anda memuat beberapa subsistem independen, Anda dapat menyelidikinya secara bersamaan.

Misalnya, Anda dapat meluncurkan satu agen Explore untuk memeriksa lapisan API, satu lagi untuk meninjau model database, dan yang ketiga untuk memeriksa pipeline machine learning. 

Saat agen-agen itu bekerja secara mandiri, orkestrator menggabungkan temuan mereka ke dalam satu respons.

Saya tidak menggunakan agen paralel untuk setiap tugas, tetapi mereka sangat cocok untuk monorepo besar atau aplikasi matang dengan banyak layanan. Alih-alih menunggu satu penyelidikan panjang, Anda sering dapat memahami repositori jauh lebih cepat karena beberapa bagian proyek dianalisis secara bersamaan.

Cara terbaik melakukannya adalah menggunakan satu agen besar untuk mengorkestrasi banyak agen. 

Orkestrasi berbasis agen ini adalah cara hebat untuk melakukan pekerjaan paralel tanpa banyak sesi yang semuanya dibagikan ke satu konteks. 

Prompt yang baik bisa seperti ini:

I want you to look at the following components: 
Inspect the API layer, review the DB models, and examine the ML pipeline. 
Look for weaknesses. 
I want this done in parallel, so spawn subagents using Opus/Sonnet models 
in order to do this work and have each generate a concise report and share out 
one master document that outlines the work needed to be done.

Praktik Terbaik untuk Agen Claude Code

Sebagian besar masalah yang ditemui orang dengan Claude Code bukan disebabkan oleh modelnya. Penyebabnya adalah prompt yang samar, konteks proyek yang kurang, atau memintanya menyelesaikan masalah yang belum sepenuhnya dipahami.

Setelah rutin menggunakan Claude Code, inilah kebiasaan-kebiasaan yang paling berdampak pada hasil saya.

Tulis prompt yang bisa dieksekusi agen

Claude Code berkinerja terbaik ketika tujuan, ruang lingkup, dan kriteria keberhasilan eksplisit. 

Alih-alih menggambarkan tujuan akhir secara umum, beri tahu agen persis repositori mana yang harus diperiksa, file mana yang harus diubah, dan bagaimana Anda akan mengetahui tugas selesai.

Contohnya:

❌ Samar Tingkatkan API.

✅ Spesifik Perbarui endpoint autentikasi FastAPI untuk menggunakan validasi Pydantic v2, buat atau perbarui pengujian pytest terkait, jalankan rangkaian pengujian, dan ringkas setiap file yang dimodifikasi.

Prompt kedua memberi Claude Code tujuan yang jelas, batasan, dan cara untuk memverifikasi keberhasilan. Biasanya hal ini menghasilkan lebih sedikit prompt lanjutan dan lebih sedikit pembersihan manual.

Kelola konteks sebelum menjadi masalah

Percakapan panjang pada akhirnya mengumpulkan cukup konteks sehingga Claude Code menghabiskan token untuk mengingat diskusi sebelumnya, alih-alih menalar tentang tugas saat ini.

Saat itu terjadi, gunakan /compact untuk meringkas percakapan sambil mempertahankan konteks penting. Menurut saya lebih baik melakukan kompak lebih awal daripada menunggu hingga performa menurun secara nyata.

CLAUDE.md yang baik juga membantu di sini karena konvensi proyek tidak perlu diulang setiap sesi. Claude Code memuat konteks itu secara otomatis, menyisakan lebih banyak waktu untuk pekerjaan yang Anda minta.

Untuk saran lebih lanjut tentang manajemen konteks, pengembangan berbasis pengujian, dan desain prompt, lihat Claude Code Best Practices: Planning, Context Transfer, TDD.

Pikirkan tentang biaya token

Tidak setiap tugas memerlukan agen general-purpose.

Jika Anda hanya perlu mencari di mana sebuah fungsi didefinisikan, agen Explore biasanya lebih cepat dan lebih murah. 

Jika Anda meninjau perubahan arsitektur besar, agen Plan sering kali memberi informasi yang cukup tanpa memodifikasi repositori.

Simpan agen general-purpose untuk tugas yang benar-benar memerlukan eksekusi. Hal-hal seperti mengedit file, menjalankan perintah Bash, atau menjalankan pengujian. Mencocokkan agen dengan tugas membantu menjaga waktu eksekusi dan penggunaan token tetap terkendali.

Tahu kapan tidak menggunakan agen

Agen Claude Code memperkenalkan overhead karena ada pertukaran konteks dan token. 

Mereka menyelidiki repositori, menalar tugas, dan memverifikasi pekerjaan mereka. Untuk perubahan yang sangat kecil, overhead itu tidak selalu sepadan.

Anda mungkin tidak memerlukan agen untuk:

• Mengganti nama satu variabel.
• Memperbaiki salah ketik di file Markdown.
• Menjelaskan pesan error Python.
• Menjawab pertanyaan SQL cepat.

Dalam situasi tersebut, percakapan Claude Code biasa atau bahkan edit manual sering kali lebih cepat. Biasanya saya bertanya satu hal sebelum meluncurkan agen: Apakah saya akan menghabiskan lebih banyak waktu menjelaskan tugas ini daripada melakukannya sendiri? Jika jawabannya ya, saya memilih cara sederhana.

Pemikiran Akhir

Agen Claude Code mengubah peran AI dalam pengembangan perangkat lunak. Alih-alih menghasilkan cuplikan terpisah, mereka dapat menangani masalah yang lebih rumit seperti menyelidiki repositori, merancang implementasi, memodifikasi kode, menjalankan pengujian, dan bekerja melalui tujuan multi-langkah dengan pengawasan yang relatif sedikit.

Pelajaran terbesar yang saya pelajari adalah bahwa alur kerja yang lebih baik lebih penting daripada prompt yang lebih baik. 

CLAUDE.md yang jelas, beberapa menit penjelajahan repositori, dan rencana implementasi yang matang secara konsisten menghasilkan hasil yang lebih baik daripada langsung loncat ke generasi kode.

Seiring Anda menghabiskan lebih banyak waktu dengan Claude Code, Anda mungkin akan mengembangkan alur kerja sendiri. Alur saya masih dimulai dengan cara yang sama hampir setiap saat: jelajah dulu, rencanakan kedua, implementasikan terakhir.

Ini kebiasaan sederhana, tetapi telah menyelamatkan saya dari banyak siklus tinjauan dan membantu saya lebih mempercayai alur kerja otonom daripada saat pertama kali menggunakannya.

Jika Anda ingin mempelajari lebih lanjut tentang gagasan yang lebih luas di balik sistem otonom, saya merekomendasikan sumber daya berikut:

• Introduction to AI Agents 
• Introduction to Claude Models 
• Claude Code Hooks: A Practical Guide to Workflow Automation 
• Claude Agent SDK Tutorial: Create Agents Using Claude Sonnet 4.5 
• How to Build Claude Code Plugins 
• Claude Code 2.1: A Guide With Practical Examples 
• Model Context Protocol (MCP): A Guide With Demo Project 
• AI Agents with Hugging Face smolagent