Coding Agentic, Dijelaskan: Dari Autocomplete ke Agen Otonom

Empat tahun lalu, 'AI coding' berarti autocomplete: model menebak baris kode berikutnya berdasarkan konteks kursor. Sekarang artinya sesuatu yang jauh lebih besar. Alat coding agentic merencanakan perubahan multi-file, menjalankan tes, membaca log, memanggil API, menulis pull request, dan memutuskan kapan berhenti serta bertanya kepada Anda. Kesenjangan antara kedua kategori ini lebih besar dari yang disadari kebanyakan developer.

Autocomplete vs Agent: Versi Singkat

Autocomplete bersifat reaktif. Ia menunggu kursor Anda, memprediksi, lalu berhenti. Agent bersifat proaktif. Anda berikan tujuan ('refactor modul ini agar menggunakan pola auth baru, jalankan tes, buka PR'), dan ia menguraikannya menjadi langkah-langkah, mengeksekusi masing-masing, memeriksa pekerjaannya sendiri, lalu melaporkan kembali. Model dasar yang sama bisa melakukan keduanya — perbedaannya terletak pada cara alat membungkusnya.

Yang membuat sebuah alat 'agentic' adalah loop: plan, act, observe, decide. Pada setiap giliran, agent memilih alat (baca file, tulis file, jalankan tes, cari web, tanya Anda), mengeksekusinya, melihat hasilnya, dan memutuskan apa yang harus dilakukan selanjutnya. Enam puluh pemanggilan alat untuk menutup satu tiket adalah hal biasa.

Mengapa satu model tidak cocok untuk setiap permintaan

Agent yang baik tidak memperlakukan setiap permintaan sebagai jenis masalah yang sama. 'Perbaiki typo ini' tidak sama bentuknya dengan 'audit lapisan auth untuk kebocoran token.' Mereka membutuhkan model berbeda, alat berbeda, dan tingkat kehati-hatian yang berbeda pula.

Ava Supernova menangani ini dengan tujuh mode — state pikiran, bukan skin UI. Setiap mode memiliki mindset berbeda, palet alat berbeda, dan dalam banyak kasus persona spesialis berbeda yang berjalan di bawahnya.

• Work — builder mindset, palet alat lengkap lebih dari 120, menulis kode dan meluncurkannya.
• Plan — architect mindset, read-only, berpikir sebelum menyentuh apa pun.
• Chat — pola pikir teman, untuk separuh otak Anda yang non-koding (memori, jurnal, cuaca, berita).
• Mengajar — pola pikir tutor, lima spesialis yang menyusun kurikulum, menulis konten, memverifikasi fakta, kuis, dan mengajar.
• Keamanan — pola pikir auditor, recon + scanner + peneliti CVE + verifier + pelapor.
• Curah Ide — pola pikir ideasi, lima spesialis yang mengeksplorasi, meneliti, menghasilkan ide, menantang mereka, dan menyempurnakan.

Apa arti "memori" bagi agen

Alat autocomplete bersifat stateless — setiap permintaan dimulai dari awal. Agen membutuhkan memori untuk mengerjakan pekerjaan nyata selama berminggu-minggu dan berbulan-bulan. Tanpanya, Anda harus menjelaskan ulang proyek di setiap sesi. Ava menggunakan memori berlapis-5 (extract, reflect, accumulate, analyse, consolidate) yang membangun hal-hal penting tentang Anda, proyek Anda, preferensi Anda, dan umpan balik yang telah Anda berikan.

Cara mulai berpikir secara agentic

Jika Anda sudah menggunakan autocomplete dan ingin beralih ke pekerjaan bergaya agen, pergeserannya lebih tentang framing tugas daripada prompt engineering. Alih-alih "tulis fungsi yang melakukan X," coba "ini adalah tujuan dan batasan, putuskan cara mencapainya dan beri tahu saya jika Anda menemui jalan buntu." Agen yang baik mengubah itu menjadi rencana, mengungkap jalan buntu sebelum menghabiskan satu jam komputasi, dan mendapatkan kepercayaan Anda seiring waktu.

Gesekan dalam meminta kenaikan tingkat kepercayaan saat agen mengumpulkan memori. Di awal ia akan memeriksa lebih banyak; saat umpan balik Anda masuk, ia bertanya lebih sedikit. Tindakan berisiko tinggi tidak pernah naik tingkat — agen selalu jeda sebelum langkah merusak.

Koding agentic bukan autocomplete yang lebih besar. Ini adalah hubungan berbeda dengan alat Anda — lebih dekat seperti rekan kerja daripada makro keyboard. Alat yang memahami ini pertama kali akan membentuk kembali bagaimana perangkat lunak dibuat.