Tutorial Cursor Agent Mode: Membangun REST API dengan GPT-5.6 Sol

Apa Itu Cursor?

Cursor bermula sebagai VS Code dengan fitur AI yang dijahit masuk, dan di permukaan masih terlihat seperti itu. Editor, pohon file, terminal, ekstensi—semuanya familiar. 

Yang dibangun ulang di bawah permukaan adalah asumsi bahwa AI bukan sekadar menjawab pertanyaan di samping, melainkan benar-benar bekerja bersama Anda. Karena itulah Anda mendapatkan mode agen, pengindeksan codebase, pemilih model yang memungkinkan Anda bertukar model frontier di tengah sesi, dan penyelesaian inline yang memprediksi langkah Anda berikutnya berdasarkan konteks penuh dari apa yang sudah Anda lakukan.

Jika Anda tertarik mengeksplor lebih jauh fitur terbaru Cursor, saya merekomendasikan membaca tutorial kami tentang Cursor Automations dan Cursor SDK.

Apa Itu GPT-5.6?

GPT-5.6 adalah generasi model terbaru OpenAI, dan ini bukan satu model tetapi tiga: Sol, Terra, dan Luna. Nama-nama tersebut adalah tiga tier kapabilitas yang berbeda, menggantikan label "Instant" lama.

Ringkasnya, keluarga ini adalah:

• Sol adalah flagship dan yang terkuat di antara ketiganya. Ini satu-satunya tier yang membuka tingkat upaya penalaran max dan mode ultra yang baru, dan di sinilah peningkatan untuk coding, biologi, dan keamanan siber paling besar.

• Terra adalah default harian. OpenAI memposisikannya kompetitif dengan GPT-5.5 dengan harga sekitar setengahnya.

• Luna adalah tier cepat dan murah untuk pekerjaan ber-volume tinggi atau sensitif latensi, dan kemampuannya lebih kuat daripada harganya.

Untuk walkthrough coding, Sol adalah tier yang penting, jadi itulah yang kita gunakan di sini. Dua pengaturan pada Sol bersifat baru, dan layak diketahui mana yang benar-benar akan Anda ubah. max adalah tingkat upaya penalaran di atas xhigh yang memungkinkan satu agen menghabiskan waktu lebih lama pada satu masalah sulit, dan ini adalah puncak tangga yang Anda atur di Cursor. ultra, yang membagi pekerjaan di antara subagen paralel, mencatat angka benchmark terbaik OpenAI (91,9% pada Terminal-Bench 2.1) tetapi hanya berjalan di Codex dan API, jadi Anda tidak akan menemukannya di pemilih model Cursor.

Untuk tabel benchmark lengkap dan harga tiga tier, lihat panduan GPT-5.6 Sol, Terra, dan Luna kami.

Cara Mengakses dan Mengonfigurasi GPT-5.6 Sol di Cursor

GPT-5.6 Sol tersedia di pemilih model Cursor, dan ada satu hal yang perlu diketahui di awal: seperti model frontier terbaru Cursor lainnya, Sol berjalan hanya dalam Max Mode milik Cursor. Artinya, ia menggunakan jendela konteks penuh dan semua alat, serta ditagihkan berdasarkan penggunaan alih-alih per permintaan, jadi awasi penggunaan token selama run yang panjang.

Untuk memilih model:

1. Buka panel agen dengan Cmd+L (Mac) atau Ctrl+L (Windows/Linux).
2. Klik tombol Model di bagian bawah area input (menampilkan nama model saat ini di samping ikon kecil).
3. Nonaktifkan Auto jika aktif.
4. Temukan GPT-5.6 Sol di daftar dan klik Edit di sebelahnya.
5. Panel akan terbuka di kanan, tempat Anda dapat mengatur jendela konteks, tingkat penalaran, dan sakelar cepat secara independen.

Memilih tingkat upaya penalaran yang tepat

Memilih Sol menetapkan modelnya; tingkat upaya penalaran menentukan seberapa keras ia berpikir pada suatu tugas. Anda dapat memilih antara:

• None
• Low
• Medium
• High
• Extra High
• Max

None dan Low adalah yang paling cepat dan murah, cukup untuk pekerjaan autocomplete atau refaktor mekanis saat Anda pada dasarnya sudah tahu apa yang diinginkan. 

High dan Extra High memakan waktu lebih lama karena model benar-benar memikirkan masalah terlebih dahulu, dan Anda paling merasakan perbedaannya saat meminta agen merencanakan sesuatu yang lintas banyak file atau men-debug kegagalan di mana sumbernya tidak langsung terlihat. 

Max berada di atas Extra High dan memberi satu agen waktu terbanyak untuk mengerjakan masalah sulit. Mode multi-agen ultra milik Sol hanya ada di Codex dan API, jadi Anda tidak akan melihatnya di pemilih Cursor.

Satu peringatan jika Anda datang dari GPT-5.5: levelnya tidak sepadan. Panduan OpenAI sendiri adalah memulai satu tingkat lebih rendah daripada yang biasa Anda gunakan pada tugas yang sudah familiar dan hanya meningkatkannya jika hasilnya membutuhkan. Saya mengikuti itu di bawah, jadi beberapa langkah ini berjalan pada upaya yang lebih rendah daripada tutorial 5.5 yang ekuivalen.

Sepanjang langkah praktis di bawah ini, saya akan menyarankan tingkat penalaran yang paling masuk akal untuk setiap tugas, tetapi silakan bereksperimen dengan pengaturan lain dan lihat bagaimana outputnya berubah.

Memilih ukuran jendela konteks dan mode kecepatan

Anda juga dapat memilih antara jendela konteks 272K dan 1M, serta menyalakan mode Fast untuk menghasilkan token sekitar 1,5x lebih cepat dengan biaya kredit sekitar 2,5x. Untuk interaksi bolak-balik saat Anda menunggu respons, Fast sering sepadan. Untuk tugas latar belakang yang lebih panjang di mana Anda menyerahkan sesuatu dan mengerjakan hal lain sementara itu berjalan, membiarkannya mati tidak masalah.

Menyiapkan Cursor

Mari kita siapkan proyek di Cursor.

Prasyarat dan konfigurasi awal

Paket Cursor berbayar (Pro atau di atasnya) diperlukan untuk GPT-5.6 Sol, dan karena Sol berjalan di Max Mode, penagihan berbasis penggunaan perlu diaktifkan di akun Anda. Python 3.11+ adalah satu-satunya dependensi lokal lain yang Anda perlukan untuk proyek ini. Jika Cursor belum diinstal, unduh di cursor.com, masuk, lalu dari terminal:

mkdir budget-api && cd budget-api
git init
cursor .

Panel Agen berada di kanan, dan penjelajah file di kiri belum menampilkan file apa pun—ini tepat seperti yang Anda inginkan sebelum membiarkan agen membangun strukturnya.

Menavigasi antarmuka AI di Cursor

Sebelum masuk ke proses build, ada baiknya mengetahui tiga mode interaksi utama dan kapan masing-masing masuk akal, karena menggunakan mode yang salah menciptakan friksi yang mudah dihindari.

Inline completion adalah lapisan autocomplete latar belakang. Saat Anda mengetik, saran berwarna abu-abu muncul berdasarkan apa yang Anda tulis dan konteks di sekitarnya dalam file, dan Anda menerimanya dengan Tab. Anda tidak memanggilnya; ia akan muncul sendiri. Ini adalah mode yang tepat saat Anda menulis kode manual dan ingin model mengurangi penekanan tombol tanpa mengganggu alur.

Ask mode adalah tempat Anda dapat membuat model membaca file Anda dan menjawab pertanyaan tanpa membuat perubahan apa pun. Bayangkan Anda meminta rekan kerja melihat kode dan memberi tahu apa yang mereka lihat. Ini sangat berguna saat Anda berada di codebase yang tidak familiar, mencoba memahami mengapa sesuatu ditulis dengan cara tertentu, atau sekadar memikirkan pendekatan sebelum berkomitmen.

Agent mode adalah penggerak seluruh tutorial ini. Dalam sesi agen, model mengedit file, menjalankan perintah terminal, memasang paket, mengeksekusi test suite Anda, membaca output, dan mengulang pada kegagalan—semuanya dalam satu thread berkelanjutan. Ini adalah mode ketika Anda menyerahkan sebuah tugas, bukan hanya bertanya tentangnya, dan kualitas hasil yang Anda dapatkan kembali berbanding lurus dengan seberapa banyak konteks yang Anda berikan di awal. Anda dapat melihat pemilih Agent mode di kiri bawah panel pada tangkapan layar di atas.

Menetapkan panduan spesifik proyek dengan AGENTS.md

Anda menulis file ini sendiri, jadi belum memakai model. Alihkan dulu ke High, karena prompt berikutnya adalah saat agen membacanya. Kebanyakan sesi agen melenceng bukan karena model salah, tetapi karena ia tidak mengetahui sesuatu yang spesifik proyek lalu menebak: framework Anda, konvensi penamaan Anda, file mana yang dilarang disentuh, cara memverifikasi perubahan.

Itulah fungsi AGENTS.md: README untuk agen, tempat Anda menuliskan hal-hal yang jelas bagi Anda tetapi tak terlihat oleh model. AGENTS.md berawal sebagai inisiatif OpenAI pada 2025 dan kini menjadi standar lintas alat untuk file instruksi agen (bagian dari Agentic AI Foundation milik Linux Foundation, bersama MCP milik Anthropic), jadi layak dipelajari sekali dan digunakan di mana pun.

Buat file bernama AGENTS.md di root proyek dengan isi berikut untuk menetapkan tumpukan alat proyek, konvensi pengkodean, dan batasan:

# AGENTS.md

## Stack
Python 3.11, FastAPI, SQLModel, SQLite (via aiosqlite), pytest, httpx

## Conventions
- All endpoints under /api/v1/
- Pydantic models in app/models.py
- Database logic in app/database.py
- Route handlers in app/routers/
- Type hints required on all function signatures
- Explicit imports only, no wildcards

## Boundaries
- Do not delete or modify any file in tests/ without asking first
- Do not change the DATABASE_URL; it reads from .env
- Never touch pyproject.toml dependencies without showing the diff first

## Verification
Before considering any task complete:
  pytest tests/ -v
  ruff check .
Both must pass.

Bagian batasan adalah bagian yang paling sering dilewatkan orang, padahal juga yang paling penting. Tanpanya, agen sesekali memutuskan untuk "membantu" dengan menata ulang atau merapikan hal-hal yang tidak Anda minta untuk disentuh. Memberi tahu model apa yang terlarang sama bermanfaatnya dengan memberi tahu apa yang harus dilakukan.

AGENTS.md adalah standar lintas alat, tetapi jika Anda menginginkan padanan native Cursor yang melakukan hal yang sama melalui file .mdc berskala, tutorial Cursor Rules kami membahas pembuatan set untuk proyek web Python.

Membangun Budget Tracker API dengan GPT-5.5

Proyek ini adalah REST API untuk melacak entri anggaran pribadi. Anda dapat membuat entri, menampilkannya dengan filter kategori opsional, menghapusnya, dan menarik ringkasan pengeluaran bulanan. 

Cukup sederhana untuk diikuti tanpa tersesat dalam logika domain, tetapi implementasinya melibatkan lapisan database, validasi input, model respons bertipe, dan beberapa handler route yang bekerja bersama—cukup untuk menunjukkan apa yang sebenarnya dilakukan agen di sesi multi-file nyata.

Langkah 1: Membuat kerangka struktur proyek

Buka panel agen dan atur tingkat penalaran ke High sebelum mengirim apa pun. Rencana yang dihasilkan agen sebelum menulis kode hanya seberguna penalaran di baliknya, dan jawaban dangkal pada tahap ini berarti keputusan struktural yang nantinya harus Anda urai. Lanjutkan dengan mengirim ini sebagai prompt pertama:

Set up a FastAPI project for a budget tracker API using SQLModel with 
async SQLite. Structure it with separate files for models, database, and 
routes under an app/ directory. Set up pyproject.toml with uv, install 
dependencies, and create a main.py that starts the app.

Before writing any code, show me the planned directory structure 
and wait for my approval.

Baris terakhir itu layak dipertahankan di semua prompt agen non-sepele Anda. Meminta rencana sebelum eksekusi menghabiskan waktu baca mungkin 15 detik, tetapi memungkinkan Anda menangkap keputusan struktural sebelum menyebar ke belasan file. 

GPT-5.6 Sol pada penalaran High menghasilkan rencana yang cukup spesifik untuk benar-benar berguna, bukan ringkasan samar, dan meninjau struktur sekarang jauh lebih cepat daripada menata ulang nanti.

Agen mengusulkan tata letak proyek dan menunggu persetujuan sebelum menulis satu file pun.

Setelah Anda membalas seperti "Bagus, lanjutkan", agen mulai membangun. Anda dapat menyaksikan pohon file di kiri terisi secara real time ketika ia membuat file, sementara terminal di bawah menampilkan uv memasang paket.

Agen membuat pyproject.toml sebagai bagian dari kerangka, dengan isi file ditampilkan sebagai tambahan baru.

Setelah kerangka selesai, luangkan satu menit untuk membuka app/models.py dan app/database.py sebelum melanjutkan. Pastikan model BudgetEntry memiliki setidaknya field id, amount, description, category, dan date, serta database.py menyiapkan engine SQLite async tanpa hal yang aneh. 

Jika ada yang terlihat janggal, katakan pada pesan berikutnya alih-alih lanjut. Koreksi pada tahap ini masih murah; setelah dua puluh file diubah, tidak lagi.

Langkah 2: Implementasi endpoint inti

Pertahankan upaya di High, atau coba Medium dulu, karena Sol pada Medium menangani pekerjaan terkoordinasi multi-file yang sebelumnya butuh High pada GPT-5.5. Kirim prompt implementasi:

Implement endpoints for budget entries under /api/v1/entries/. Include:
- POST /api/v1/entries/ to create a new entry, returning 201
- GET /api/v1/entries/ to list all entries, with an optional ?category= filter
- DELETE /api/v1/entries/{id} to delete an entry, returning 404 if not found

Use typed Pydantic response models and dependency injection for the DB session.
After implementing, start the app and confirm the /docs endpoint loads.

Agen menyentuh models.py, database.py, routers/entries.py, dan main.py dalam satu lintasan terkoordinasi. Saat menyelesaikan setiap file, Cursor menampilkan konten baru yang ditandai di editor sehingga Anda dapat meninjaunya sebelum menerima. Anda akan melihat kontrol Undo/Keep di bagian bawah setiap file yang berubah.

Tangkapan layar menunjukkan router entries.py setelah agen mengimplementasikannya, beserta konfirmasi agen bahwa server telah dijalankan dan endpoint /docs dimuat dengan benar. 

Setelah implementasi diterima dan server berjalan, buka http://localhost:8000/docs di browser Anda untuk memastikan semuanya terhubung dengan benar.

Dokumentasi FastAPI yang dibuat otomatis di /docs, menampilkan ketiga endpoint terdaftar dengan benar. 

Langkah 3: Tambahkan validasi kategori

Untuk langkah ketiga ini, Anda dapat menurunkan penalaran model ke Low atau Medium. Menambahkan enum dan dua pengujian cukup terisolasi dan dapat diprediksi sehingga Anda tidak perlu model menghabiskan siklus pertimbangan ekstra di sini. 

Saat ini, API menerima string apa pun sebagai kategori, yang berarti Anda akan cepat mendapatkan data yang tidak konsisten. Mari perbaiki itu:

Budget entries should only accept these categories: 
food, transport, housing, entertainment, health, other.

Reject any entry with an invalid category using a 422 status and a clear 
error message. Use a Python Enum for the category type. 
Add tests for both a valid category submission and an invalid one in tests/test_entries.py.

Agen akan menambahkan enum kategori ke models.py dan memperbarui model Pydantic untuk menggunakannya. Karena Pydantic secara otomatis memvalidasi terhadap enum, kategori tidak valid ditolak sebelum handler route dijalankan.

Agen juga akan menulis dua pengujian: satu memastikan kategori valid tersimpan dengan benar, satu lagi memastikan kategori tidak valid memberi respons 422.

Menggunakan referensi @

Setelah menerima perubahan tersebut, coba fitur konteks @ di Cursor untuk mengajukan pertanyaan verifikasi singkat:

@app/models.py Does the CategoryEnum cover all six categories I listed?

Mengetik @ di panel agen membuka pemilih file, dan setelah Anda memilih app/models.py, konten file tersebut dimasukkan langsung ke prompt tanpa agen perlu mencarinya atau berasumsi tentang path.

Langkah 4: Bangun endpoint ringkasan bulanan

Alihkan kembali ke High di sini. Kueri agregasi mengharuskan agen menalar tentang penyaringan, pengelompokan, dan desain model respons secara bersama, dan salah satu saja berarti menyentuh ketiga file lagi. Dengan CRUD inti sudah berjalan, tambahkan endpoint ringkasan:

Add a GET /api/v1/entries/summary endpoint that accepts month (1-12) and year as query parameters. 
It should return total spending per category for that month and an overall total. 
Use a typed Pydantic response model. 
If no entries exist for the requested month, return an empty summary with zero totals rather than a 404.

Ini adalah tugas database yang lebih menarik karena membutuhkan kueri terfilter dengan agregasi, bukan sekadar select-all biasa. Perhatikan bagaimana agen menyusun kueri di database.py; seharusnya menggunakan antarmuka kueri SQLModel, bukan SQL mentah, dan hasilnya dipetakan dengan rapi ke model respons yang didefinisikan di models.py.

Setelah menerima perubahan, tulis satu pengujian untuk endpoint ini secara manual di test_entries.py. Buat dua entri pada bulan tertentu, panggil endpoint ringkasan untuk bulan itu, dan asertakan bahwa totalnya sesuai. Menulis yang satu ini secara manual alih-alih meminta agen adalah cara yang baik untuk memahami bagaimana test client dan fixture disusun.

File test_entries.py menampilkan pengujian validasi kategori yang ditulis agen berdampingan dengan fungsi test_monthly_summary yang ditulis manual. 

Langkah 5: Jalankan loop validasi

Low atau Medium cukup di sini. Menjalankan tes dan memperbaiki masalah lint bersifat reaktif—agen membaca output error dan menerapkan perbaikan terarah alih-alih membuat keputusan arsitektural nyata. Serahkan pengujian kembali ke agen:

Run pytest tests/ -v and fix any failing tests. 
Do not modify test assertions to make them pass, fix the implementation instead.
Once all tests pass, run ruff check . and fix any linting issues.

Amati panel agen saat ia men-stream output pytest. 

Jika sesuatu gagal, agen membaca traceback, mengidentifikasi file mana yang menyebabkan masalah, dan menerapkan perbaikannya—semua dalam sesi yang sama. Anda tidak perlu menyalin-tempel error ke pesan baru; seluruh loop debugging dan perbaikan terjadi dalam satu thread berkelanjutan.

Tangkapan layar menunjukkan agen melaporkan kembali setelah loop validasi penuh. Dalam kasus ini, pemeriksaan ruff terkena masalah resolusi interpreter yang disebabkan oleh ketidakcocokan pyenv/.python-version pada mesin lokal, bukan masalah kode. 

Perlu dicatat apa yang terjadi di sini: agen menemui masalah lingkungan yang tidak terkait dengan kode yang kita tulis, menalar penyebabnya, dan menemukan solusi tanpa diprompt. Jenis pemecahan masalah kontekstual lintas kegagalan alat seperti inilah yang membuat GPT-5.6 Sol unggul dibanding model sebelumnya.

Juga patut untuk selalu menyertakan "jangan ubah assertion test agar lulus" di setiap prompt validasi yang Anda tulis. Tanpa instruksi itu, agen sesekali mengambil jalan termudah dan melemahkan cakupan tes alih-alih memperbaiki perilaku sebenarnya.

Langkah 6: Sesi tinjauan kode

Atur kembali penalaran ke High sebelum mengirim yang ini, atau Extra High/Max jika Anda ingin Sol menguliti kasus tepi yang mungkin terlewat oleh satu lintasan High. Pada langkah ini, penalaran dangkal menciptakan rasa aman palsu; Anda ingin model benar-benar menelaah semua potensi masalah, tidak hanya mencocokkan pola terhadap yang paling jelas. 

Sebelum menyatakan proyek selesai, gunakan agen untuk melakukan tinjauan:

Review the current codebase and report on:
1. Query params or path params that are missing validation
2. Database sessions that might not be closing properly
3. Endpoints returning incorrect HTTP status codes
4. Any places where user input reaches the database without going 
   through the ORM

Do not make any changes yet. List each issue with file and line number.

Agen menemukan bahwa DELETE /api/v1/entries/{entry_id} mengembalikan kode 204 dan 404 dengan benar (dengan referensi file:line), bahwa route GET mengandalkan default 200 yang benar, dan mengonfirmasi tidak ada input pengguna yang mencapai database di luar ORM.

Setelah Anda meninjau daftar tersebut, kirim tindak lanjut untuk menerapkan perbaikan:

Apply the fixes for the status code issues and the session handling. 
Skip any rate-limiting suggestions, that's out of scope for this version.
Run the tests again after applying.

Langkah 7: README dan workflow CI

Dua sentuhan terakhir untuk menutup proyek dengan rapi. Anda dapat menurunkan penalaran model ke Low untuk keduanya. Struktur README dapat diprediksi, dan YAML CI pada dasarnya boilerplate, jadi tidak ada yang perlu dipertimbangkan, dan membayar penalaran tinggi di sini hanya membuang kredit.

Write a README.md with setup instructions, a table of all endpoints (method, path, description), and example curl commands for each endpoint.

Lalu:

Create a .github/workflows/ci.yml that runs pytest and ruff on Python 3.11 for every push and pull request to main.

Setelah ketujuh langkah, struktur proyek terlihat seperti ini:

Penutup

Yang kita bangun di sini adalah API kecil, tetapi alur kerjanya dapat diskalakan ke apa pun. 

Siapkan AGENTS.md sebelum agen menyentuh satu file pun. Minta rencana sebelum eksekusi untuk apa pun yang non-sepele. Tahapkan prompt Anda, sehingga Anda memiliki titik pemeriksaan alami alih-alih satu diff raksasa untuk ditinjau sekaligus. Gunakan @filename ketika Anda ingin menanyakan sesuatu yang terarah tentang file tertentu. Dan jalankan sesi tinjauan sebelum Anda menganggap tugas selesai, karena hampir selalu ada yang bisa tertangkap.

GPT-5.6 Sol di Cursor secara nyata lebih baik daripada kombinasi sebelumnya dalam tetap fokus sepanjang sesi panjang, menangkap inkonsistensi lintas file, dan tahu kapan harus jeda serta melakukan check-in alih-alih langsung maju pada sesuatu yang destruktif. Namun model hanyalah sebagian gambarnya. Konteks yang Anda berikan di awal, loop validasi yang Anda jalankan, dan sesi tinjauan di akhir—di situlah peningkatan kualitas output sebenarnya berasal.

Aturan praktis yang baik untuk tingkat penalaran: gunakan High untuk keputusan arsitektur, koordinasi multi-file, dan debugging yang tidak jelas; gunakan Medium atau Low untuk dokumentasi, boilerplate, dan edit satu file saat Anda hanya meminta model melakukan pengetikan. Pertimbangkan Extra High atau Max untuk tinjauan kode dan situasi di mana kesalahan lebih mahal daripada menjalankan agen secara menyeluruh.