AI Agents yang Beneran Kepake di Workflow Sehari-hari

Gue pake AI agents tiap hari. Bukan cuma "nanya ChatGPT." Tapi agent yang beneran ngerjain task - baca code, nulis kode, jalanin test, bikin PR.

Tapi gak semua hype tentang AI agents itu real. Ada yang beneran berguna, ada yang cuma gimmick. Ini pengalaman gue - mana yang kepake, mana yang gak, dan di mana batasnya.

Ini beda dari artikel tools-review sebelumnya. Lo udah tau tools-nya. Sekarang: gimana cara pake agent-nya.

---

Agent Bukan Cuma Chatbot

Banyak yang kira "AI agent = chatbot yang lebih pintar." Enggak.

Bedanya:
• Chatbot - lo tanya, dia jawab. Stateless. Lo yang musti action.
• Agent - lo kasih task, dia execute. Stateful. Dia yang action.

// Chatbot - lo tanya, dia jawab, lo yang nulis
// "Explain how to implement rate limiting"
// -> Dapet penjelasan, lo tulis sendiri

// Agent - lo kasih task, dia execute
// "Add rate limiting to this API endpoint"
// -> Dia baca code, edit file, jalanin test, bikin PR

Agent punya: tools (baca file, nulis file, jalanin command), memory (tau konteks dari langkah sebelumnya), planning (bikin rencana, execute, evaluasi).

Dari semua tools coding AI yang ada, yang paling mendekati "agent" beneran adalah Claude Code. Copilot dan Cursor masih lebih ke "chatbot + autocomplete."

---

Daily Triage: Agent yang Paling Sering Gue Pake

Daily triage = agent yang setiap pagi ngecek repo, liat issue, PR, CI status, dan report ke gue. Gak nge-fix apa-apa - cuma report.

Di Claude Code - prompt daily triage
claude "
Check my repos and give me a summary:
1. Any new issues labeled 'bug'?
2. Any PRs waiting for review?
3. Any CI failures?
4. Any dependencies with known vulnerabilities?
"

Hasilnya: "Ada 2 PR waiting for review di blog repo, 1 CI failure di tools repo (dependency conflict), 3 issues baru di portfolio repo (2 bug, 1 enhancement)."

Ini yang gue pake tiap pagi sambil ngopi. 30 detik, dapet gambaran lengkap. Gak perlu scroll GitHub manual.

Teknologi: Claude Code + GitHub CLI. Gue jalanin manual tiap pagi. Belum di-schedule otomatis (masih L1).

---

PR Review Agent

Ini kedua yang paling sering. Gue kirim diff ke Claude Code, minta review.

claude "
Review this PR. Focus on:
1. Logic bugs - any edge case not handled?
2. Security issues - any injection, auth bypass, data leak?
3. Performance - N+1 queries? Memory leak?
4. Architecture - does this fit the existing pattern?

File: path/to/changed/file.js
$(git diff HEAD~1 -- path/to/changed/file.js)
"

Claude baca kode, review, kasih list temuan. Biasanya dapet 3-5 comment, beberapa false positive, beberapa beneran bug.

Yang bikin ini agent bukan chatbot: Claude tau konteks codebase. Dia baca file terkait, paham arsitektur, bisa suggest fix yang match sama pattern yang udah ada.

Tapi hati-hati: jangan auto-merge hasil review AI. Gue pernah AI review bilang "all good tapinya ada potential XSS di line 42." Kalau gue auto-trust, kena. Lo tetep musti baca.

---

CI Failure Agent

CI fail - gue kirim log error ke Claude Code, dia analisa penyebab dan suggest fix.

claude "
The CI failed. Here's the error log.
Analyze what went wrong and suggest a fix.
Be specific: which file, which line, what to change.

$(cat ci-error.log)
"

Yang bikin ini lebih dari chatbot: Claude bisa baca file terkait, cek apakah saran fix-nya udah sesuai konteks codebase, dan kadang langsung nulis fix kalau gue minta.

Tapi jangan expect 100% akurat. Sering Claude salah diagnosis. Gak apa - gue tinggal bilang "that's not the issue, check line 45" - Claude baca ulang, koreksi.

---

PR Babysitter (Masih Prototype)

Ini yang paling agent-like. Agent nunggu di background. Pas ada PR baru, agent review otomatis, kasih comment.

Gue nyoba setup pake GitHub Actions + Claude API. Hasilnya: jalan, tapi belum stabil.

.github/workflows/ai-review.yml
name: AI PR Review
on: pull_request
jobs:
review:
steps:
- uses: actions/checkout@v4
- name: AI Review
run: |
claude "Review this PR" > review.md
gh pr comment ${{ github.event.pull_request.number }} --body-file review.md

Masalah yang gue hadapi:
• Token cost. Tiap PR review bisa $0.50-2.00 di Claude API. Untuk 10 PR/hari = $5-20/hari. Gak murah.
• False positives. AI sering ngasih "review" yang irrelevant. Noise yang bikin gue males baca.
• Context. PR yang kompleks butuh baca banyak file. Biaya API naik.

Sekarang masih jalan manual: gue trigger review pas butuh, bukan otomatis.

---

Content Agent: Nulis Artikel

Gue pake agent buat bantu nulis artikel blog ini. Caranya:

claude "
I want to write an article about [topic].
Help me develop:
1. Hook - personal story to start
2. Structure - sections and flow
3. Code examples - real code, not pseudocode
4. Key insight - what makes this article different
"

Claude bantu develop outline. Gue review, revisi, nulis draft. Claude bantu expand. Loop sampe jadi.

Yang bikin ini agent bukan sekedar chatbot: Claude punya memory dari sesi sebelumnya. Dia tau artikel yang udah gue tulis, tau voice MSNCode (gue/lo, anti hype, honest), dan bisa audit article consistency.

Tapi gak pernah gue biarin nulis sendiri. Hasil tulisan AI too generic. Gue musti masukin personal touch, anekdot, suara gue.

---

Agent yang Gagal (dan Kenapa)

Auto-fix dependency. Gue nyoba setup agent yang auto-update dependency dan fix breaking changes. Hasil: berantakan. Dependency update sering punya side effect yang gak kelihatan di test. Agent fix satu hal, break sepuluh hal lain.

Auto-merge minor PR. Agent auto-review + auto-merge PR yang keliatan "safe" (docs update, typo fix). Ternyata beberapa PR "safe" mengandung perubahan logic yang subtle. Sekarang gue manual review semua PR.

Customer support agent. Gue nyoba pake AI buat bales email support. Hasilnya: sopan tapi gak membantu. User tau itu AI - mereka minta "bicara sama manusia." Sekarang AI cuma draft, gue yang kirim.

---

Tabel: Agent vs Manual

| Task | Manual | AI Agent | Pake Agent? |
|---|---|---|---|
| Daily triage | 10 menit scroll GitHub | 30 detik + baca report | ✅ Setiap pagi |
| PR review | 20-60 menit | 5-10 menit (review result) | ✅ Biasanya |
| Debug CI | 30-120 menit | 5-15 menit | ✅ Sering |
| Auto-fix dependency | 30-60 menit | 60+ menit (fix + cleanup) | ❌ Gagal |
| Auto-merge PR | Manual review | Auto | ❌ Terlalu riskan |
| Nulis artikel | 2-4 jam | 1-2 jam (draft + review) | ✅ Setiap artikel |

---

Tips: Cara Pake Agent yang Efektif

1. Kasih konteks, bukan perintah. "Review PR ini" kurang. "Review PR ini, fokus ke security issue dan performance, jangan comment soal style" - lebih baik.

2. Iterasi, jangan expect perfect pertama kali. Agent pertama kali sering salah. Lo koreksi, dia belajar dari feedback. Biasanya setelah 2-3 iterasi, hasilnya oke.

3. Pake untuk yang lo udah ngerti. Jangan pake agent buat nulis code yang lo gak paham. Kalau AI bikin code yang lo gak ngerti, lo gak bisa debug. Agent buat accelerate, bukan ganti understanding.

4. Cek hasilnya. Jangan trust blind. AI hallucination itu real. Apalagi buat logic yang kompleks.

5. Agent itu asisten, bukan replacement. Lo tetap arsiteknya. Agent ngerjain detail. Lo megang big picture.

---

Yang Sering Disalahpahami

"AI agent bisa ganti developer junior." - Enggak. Agent bisa bantu task repetitive, tapi gak bisa ngerjain tugas yang butuh context understanding dan judgment. Developer junior masih dibutuhin - mereka cuma perlu adaptasi: belajar pake agent.

"Agent jalan otomatis, gak perlu di-check." - Bahaya. Agent hallucination, false positive, misdiagnosis - semua real. Auto-pilot tanpa human review = bom waktu.

"Agent cuma hype, gak berguna." - Sebagian hype, sebagian real. Daily triage, PR review, CI debug - real useful. Auto-merge, auto-fix dependency - masih hype.

"Semakin canggih agent, semakin gak butuh developer." - Ini yang paling salah. Agent canggih berarti lo bisa fokus ke hal yang lebih penting. Bukan berarti lo gak dibutuhin.

---

Penutup yang Jujur

AI agents yang beneran kepake: daily triage, PR review, CI debug, nulis artikel. Itu 4 yang gue pake tiap hari. Yang lainnya? Masih eksperimen. Belum siap production.

Gue gak akan bilang "AI agents bakal ganti developer." Tapi gue bakal bilang: developer yang pake AI agents bakal ganti developer yang gak pake. Bukan karena agent lebih pinter. Tapi karena agent ngerjain repetitive task, lo fokus ke hal yang butuh otak manusia: arsitektur, decision, creativity.

Mulai dari yang kecil: daily triage. Agent liat repos lo tiap pagi, report. Itu aja udah cukup buat ngerasain bedanya. Gak perlu langsung auto-merge, auto-deploy, AI-semuanya. Satu agent yang dependable > 10 agent yang setengah jadi.