Siapa di antara kita yang tidak penasaran dengan cara kerja teknologi terbaru berdasarkan referensi, terutama saat kita berinteraksi dengan asisten coding AI yang semakin cerdas? Bagaimana mereka bisa memahami permintaan kita, membagi tugas, dan bahkan memanggil tool dengan aman? Sebuah proyek riset independen baru-baru ini mencoba menguak rahasia di balik layar asisten coding agentik modern seperti Claude Code.
Riset ini bukan sekadar menebak-nebak. Para peneliti menganalisis perilaku sistem yang dapat diamati secara publik, melihat output yang dihasilkan, berdiskusi di komunitas, dan mengumpulkan informasi publik. Hasilnya adalah rekonstruksi dan pendekatan analitis terhadap arsitektur prompt, pola koordinasi agen, serta mekanisme keamanan yang digunakan. Penting untuk diingat, ini adalah interpretasi, bukan salinan langsung dari implementasi aslinya. Implementasi sebenarnya bisa saja berbeda jauh.
Tujuan utama dari proyek ini adalah membantu para insinyur AI, peneliti, dan developer memahami pola arsitektur ini. Dengan begitu, kita bisa menerapkannya dalam proyek-proyek AI agentik kita sendiri. Mari kita selami lebih dalam!
Otak Dinamis: Bagaimana System Prompt Disusun?
Salah satu temuan menarik adalah cara sistem menyusun system prompt secara dinamis saat runtime. Ini bukan prompt statis yang sama setiap saat, melainkan sebuah pipeline modular yang menyesuaikan diri dengan sesi dan kebutuhan.
Lihat tabel di bawah untuk memahami bagian-bagiannya:
| Bagian Prompt | Deskripsi | Contoh Konten |
|---|---|---|
| Stabil (Antar Sesi) | Instruksi inti yang konsisten di setiap sesi. | Identitas, keamanan, konfigurasi izin, aturan gaya coding, penanganan error, preferensi tool, nada & gaya output. |
| Dinamis (Per Sesi) | Konteks yang berubah-ubah sesuai dengan sesi saat ini. | Daftar agen & skill yang tersedia, konteks lingkungan (OS, direktori, status Git), preferensi bahasa, instruksi server MCP aktif, aturan manajemen context window. |
Komponen stabil membentuk identitas dasar dan batas keamanan, sementara komponen dinamis memberikan fleksibilitas untuk beradaptasi dengan tugas dan lingkungan pengguna yang spesifik.
Pasukan Khusus: Koordinasi Antar Sub-Agen
Asisten coding AI modern tidak bekerja sendiri. Mereka adalah tim agen-agen khusus yang berkoordinasi. Setiap agen memiliki spesialisasi tertentu, dan mereka berkomunikasi untuk mencapai tujuan.
Berikut adalah beberapa contoh agen dan pola koordinasi yang didokumentasikan:
- Coordinator System Prompt: Mengatur orkestrasi multi-worker dengan alur kerja bertahap.
- Teammate Prompt Addendum: Mendefinisikan protokol komunikasi antar-agen, memastikan mereka berbicara dalam bahasa yang sama.
- Verification Agent: Berperan sebagai agen pengujian adversarial untuk memvalidasi implementasi kode.
- Explore Agent: Berfungsi untuk eksplorasi codebase dalam mode hanya-baca.
- Agent Creation Architect: Bertanggung jawab membuat konfigurasi agen baru berdasarkan kebutuhan spesifik.
Pola-pola ini menunjukkan betapa kompleksnya sistem koordinasi di balik layar untuk memastikan tugas dapat diselesaikan secara efisien.
Keamanan Berlapis: Klasifikasi dan Persetujuan Otomatis
Bagaimana asisten AI bisa tahu kapan aman untuk menjalankan sebuah tool atau perintah? Sistem auto-persetujuan tampaknya menggunakan pendekatan multi-tahap yang cermat:
- Classifier Dasar: Ini adalah tahap awal yang menentukan apakah sebuah operasi aman atau tidak aman.
- Override Konfigurasi Pengguna: Pengguna dapat menimpa aturan dasar dengan preferensi mereka sendiri.
- Validasi Cepat: Sebuah pemeriksaan cepat dilakukan pada tahap awal untuk keputusan yang jelas.
- Penalaran Tambahan: Untuk kasus yang ambigu, sistem melakukan penalaran lebih lanjut untuk membuat keputusan yang tepat.
Ada juga Permission Explainer yang menganalisis risiko sebelum persetujuan tool, dan Auto Mode Classifier yang merupakan classifier keamanan multi-tahap untuk eksekusi otomatis. Semua ini dirancang untuk memastikan bahwa tindakan yang diambil oleh AI tetap dalam batas keamanan yang diizinkan.
Ingatan Super: Manajemen Konteks dan Memori
Mengelola jendela konteks (jumlah informasi yang dapat diproses AI sekaligus) dan memori adalah tantangan besar. Sistem ini menggunakan strategi kompresi konteks yang cerdas.
- Compact Service: Bertanggung jawab meringkas percakapan panjang agar tetap relevan dalam context window.
- Away Summary: Memberikan ringkasan singkat ketika pengguna kembali, membantu AI mengingat konteks terakhir.
- Proactive Mode: Memungkinkan operasi otonom dengan pengaturan pacing yang terkontrol.
- Memory Instruction: Mendefinisikan hierarki pemuatan memori dan aturan override.
Prioritas pemuatan memori juga diatur dengan cermat, seperti berikut:
- Konfigurasi enterprise atau terkelola.
- Preferensi global pengguna.
- Instruksi level proyek.
- Direktori aturan proyek.
- Override lokal yang bersifat pribadi.
Sistem juga mendukung inklusi file secara transitif dan injeksi kondisional berdasarkan filter jalur, memberikan fleksibilitas dalam mengelola informasi.
Pola Desain Kunci yang Terungkap
Riset ini mengungkap berbagai pola penting yang membentuk arsitektur asisten coding AI. Berikut adalah rangkuman kategori pola yang didokumentasikan:
| Kategori Pola | Contoh Kunci |
|---|---|
| Penyusunan Prompt Inti | Main System Prompt, Simple Mode, Default Agent Prompt |
| Koordinasi Agen | Coordinator System Prompt, Teammate Prompt Addendum, Verification Agent, Explore Agent |
| Keamanan & Perizinan | Permission Explainer, Auto Mode Classifier, Cyber Risk Instruction |
| Manajemen Konteks | Compact Service, Away Summary, Proactive Mode, Memory Instruction |
| Manajemen Memori & Skill | Session Search, Memory Selection, Remember Skill, Simplify Skill, Skillify Skill |
| Konfigurasi & Otomasi | Agent Creation Architect, Status Line Setup Agent, Update Config Skill, Chrome Browser Automation |
Pola-pola ini memberikan gambaran komprehensif tentang bagaimana sistem yang kompleks ini dirancang untuk berfungsi.
Siapa yang Bisa Ambil Manfaat?
Riset independen ini sangat bermanfaat bagi beberapa kelompok:
- Insinyur AI yang sedang membangun tool agentik mereka sendiri.
- Prompt Engineer yang ingin memahami arsitektur prompt kelas produksi.
- Peneliti Keamanan yang meneliti pengelolaan izin pada AI otonom.
- Pelajar dan Pengajar yang mempelajari desain sistem multi-agen.
Proyek ini membuka wawasan baru tentang bagaimana asisten AI yang kuat dirancang dan diimplementasikan. Meskipun ini adalah rekonstruksi dan bukan implementasi asli, pola desain yang diungkapkan memberikan peta jalan berharga bagi siapa saja yang tertarik pada masa depan AI agentik.
Referensi
https://github.com/Leonxlnx/agentic-ai-prompt-research