Komunitas developer sedang ramai membicarakan pendekatan baru untuk coding yang dibantu AI yang menunjukkan tingkat kesuksesan yang luar biasa. Alih-alih langsung menerapkan model AI pada codebase dan berharap yang terbaik, developer menemukan bahwa manajemen tugas yang terstruktur membuat perbedaan besar.
Terobosan ini berasal dari penggunaan file markdown untuk memecah proyek coding yang kompleks menjadi bagian-bagian yang dapat dikelola secara efektif oleh AI agent. Metode ini menarik perhatian setelah developer berbagi pengalaman mereka dengan peningkatan tingkat kesuksesan yang dramatis saat bekerja dengan asisten coding AI.
Proses Lebih Penting dari Kekuatan AI Mentah
Wawasan kunci yang mendorong tren ini adalah bahwa kesuksesan coding AI lebih bergantung pada cara Anda mengorganisir pekerjaan daripada model mana yang Anda gunakan. Upaya awal pengembangan yang dibantu AI sering gagal karena developer akan menyajikan seluruh codebase kepada model AI tanpa konteks atau struktur yang tepat.
Saya mencoba Claude Code pada codebase yang sudah ada beberapa bulan lalu dan dengan cepat menyerah—mengurai outputnya lebih lambat daripada menulis dari awal. Ternyata solusinya adalah proses, bukan kekuatan model.
Solusinya melibatkan pembuatan file markdown individual untuk setiap tugas coding, lengkap dengan konteks, persyaratan, dan rencana implementasi. Ini memberikan model AI informasi yang terfokus yang mereka butuhkan untuk menghasilkan kode yang berguna daripada tersesat dalam proyek yang besar dan kompleks.
Perkembangan Tingkat Keberhasilan:
- 50% keberhasilan: README.md dasar + CLAUDE.md untuk konteks proyek
- 75% keberhasilan: File markdown individual per tugas dengan rencana
- 95%+ keberhasilan: Tool CLI lengkap dengan pembuatan tugas otomatis
Alur Kerja Tiga Langkah yang Berhasil
Developer melaporkan tingkat kesuksesan di atas 95% menggunakan pendekatan terstruktur tiga langkah. Pertama, mereka menghasilkan rincian tugas yang detail menggunakan model AI seperti GPT-4 atau Claude Opus. Selanjutnya, mereka membuat rencana implementasi untuk setiap tugas, lagi-lagi dengan bantuan AI tetapi termasuk tinjauan manusia. Akhirnya, mereka menggunakan model AI seperti Claude Sonnet untuk menulis kode aktual berdasarkan spesifikasi detail ini.
Alur kerja ini telah menjadi sangat efisien sehingga beberapa developer dapat mengelola fitur sederhana sepenuhnya dari perangkat mobile, menggunakan aplikasi smartphone untuk membuat tugas, menghasilkan rencana, dan bahkan menggabungkan kode yang telah selesai melalui antarmuka mobile GitHub.
Alur Kerja Coding AI Tiga Langkah:
- Buat tugas - GPT-4 / Claude Opus membuat breakdown tugas → review mandiri
- Buat rencana - Agen yang sama membuat rencana implementasi → penyesuaian manusia
- Implementasi - Claude Sonnet / Codex menulis kode → review & merge
Adopsi Komunitas dan Kebutuhan Integrasi
Pendekatan ini semakin populer di kalangan developer yang sebelumnya kesulitan dengan alat coding AI. Banyak yang mencari cara untuk mengintegrasikan manajemen tugas berbasis markdown ini dengan sistem manajemen proyek yang ada seperti Jira, menyadari potensi untuk menjembatani alur kerja AI personal dengan alat kolaborasi tim.
Kesuksesan metode ini menunjukkan bahwa masa depan pengembangan yang dibantu AI tidak terletak pada model yang lebih kuat, tetapi pada cara yang lebih baik untuk menyusun dan menyajikan masalah coding kepada sistem AI yang ada. Saat developer terus menyempurnakan proses-proses ini, kita kemungkinan akan melihat lebih banyak alat dan alur kerja yang dirancang khusus untuk kolaborasi AI-manusia dalam pengembangan perangkat lunak.
Referensi: Backlog.md