Kuasai Requirements Engineering: Workflow ‘Vague Start’ AI
Daftar Isi
- Masalahnya: Loop “Twitch Listener” Seharga $300
- Solusinya: Metode “Vague Start” (Mulai Samar)
- Pilihan Model: Si “Yapper” vs “Senior Dev”
- Manajemen Konteks: Debat XML vs Markdown
- Key Takeaways from OpenCode
[!NOTE] Definisi: Orkestrasi Tugas AI Orkestrasi Tugas AI adalah metodologi profesional mengelola beberapa agen otonom secara bersamaan. Orkestrasi menggunakan thread eksekusi paralel untuk mencegah context rot dan mempercepat pengiriman fitur. Dengan memanfaatkan server MCP dan strategi multi-model, pengembang menskalakan kontrak perangkat lunak pada efisiensi biaya token maksimal sambil menjaga functional parity teknis yang tinggi.
Berhenti Meminta Kode, Mulai Meminta Rencana: Workflow “Vague Start”
Masalahnya: Loop “Twitch Listener” Seharga $300
Kita semua pernah mengalaminya. Jam 2 pagi. Anda sudah menghabiskan $300 untuk token API. Ada 500 baris kode di jendela konteks (context window) Anda. Dan listener Twitch sederhana Anda masih belum bisa mem-parsing emote dengan benar.
Ini adalah “loop kegagalan 16 jam” akibat spesifikasi yang berlebihan (over-specifying). Anda mendekati AI seperti Developer Junior yang mencoba membuat Senior terkesan: Anda memuntahkan setiap variabel, tanda tangan fungsi, dan skema database ke dalam prompt sekaligus, berharap keajaiban satu kali jalan (one-shot miracle). Bukannya paham, model malah bingung dengan semua “noise” itu.
Solusinya: Metode “Vague Start” (Mulai Samar)
Strateginya—yang dipopulerkan oleh streamer seperti ThePrimeagen—adalah membalik naskahnya. Jangan mulai dengan kode. Mulailah dengan masalah.
Langkah 1: Prompt yang “Samar”
Daripada menempelkan seluruh MapComponent.tsx Anda, cobalah ini:
“Saya mencoba menggambar batas pada peta dan itu tidak berhasil. Bantu saya membuat rencana untuk men-debug ini.”
Dengan mendefinisikan masalah secara umum, Anda memaksa model untuk mengajukan pertanyaan, bukan menghasilkan jawaban. Ini menempatkan AI dalam “Mode Penalaran” (atau Plan Mode), bukan “Mode Autocomplete.” Ia mungkin menyadari Anda melewatkan langkah proyeksi koordinat bahkan sebelum menulis satu baris kode pun.
Langkah 2: “Maju-Mundur” (Back-and-Forth)
Jangan membuang 500 baris variabel sekaligus. Gunakan sifat cerewet (“yapping”) AI untuk keuntungan Anda. Biarkan model menemukan celah dalam konteks Anda.
- Anda: “Saya ingin menambahkan autentikasi.”
- AI: “Oke, JWT atau Session? OAuth atau Email?”
- Anda: “OAuth dengan Google.”
- AI: “Siap. Apakah Anda sudah mengatur client ID-nya?”
Percakapan ini jauh lebih murah daripada membuat ulang 1000 baris kode rusak sebanyak lima kali.
Pilihan Model: Si “Yapper” vs “Senior Dev”
Tidak semua model melakukan “Planning” dengan cara yang sama. Anda perlu memilih petarung berdasarkan fase pengembangan.
Opus 4.5: Sang Arsitek (Si “Yapper”)
Jika Anda perlu menalar logika yang kompleks, gunakan Opus. Dia banyak omong (“yaps”). Dia menulis paragraf panjang. Ini bagus.
- Terbaik untuk: “Mengapa manajemen state saya menyebabkan loop re-render?”
- Kelemahan: Mungkin terlalu bertele-tele untuk perbaikan sintaks cepat.
GPT-5.2 / Codex: Senior Dev
Model ini seperti Insinyur Senior yang galak. Anda tunjukkan bug, dia hanya mendengus dan memperbaikinya.
- Terbaik untuk: “Perbaiki regex ini,” atau “Refactor fungsi ini agar lebih ringkas (dry).”
- Status: Dia hanya berkata “Sudah diperbaiki” dan memberi Anda blok kode. Tanpa filosofi.
Manajemen Konteks: Debat XML vs Markdown
Model modern sangat bagus dengan Markdown, tetapi ketika Anda menempelkan file dokumentasi yang sangat besar, mereka bisa bingung dengan backtick yang bersarang (nested).
Langkah Pro: Gunakan tag gaya XML untuk potongan konteks.
<skema_database>
... skema anda di sini ...
</skema_database>
<error_saat_ini>
Error: undefined is not a function at line 42
</error_saat_ini>Tag XML bertindak sebagai penanda “Stop/Start” eksplisit yang lebih sulit untuk “dihalusinasikan” oleh tokenizer dibandingkan pembatas Markdown standar. Ini memisahkan data Anda dari instruksi Anda.
Key Takeaways from OpenCode
Plan-mode adalah fondasi dari orkestrasi paralel:
- Requirements-First: Tentukan API surface area sebelum menulis satu baris kode pun.
- Penalaran vs Autocomplete: Gunakan model seperti Opus 4.5 untuk kontrak perangkat lunak high-fidelity.
- Integritas Struktural: Gunakan tag XML untuk memisahkan data dari perintah, mencegah context rot.
- Velocity Mastery: Penyelarasan dengan metodologi OpenCode mengubah Anda menjadi konduktor, bukan sekadar coder.
[!IMPORTANT] Answer Box: Apa itu metode “Vague Start”? Kirim kode yang lebih baik dengan menggunakan requirements engineering sebelum implementasi. Metode Vague Start memaksa AI ke dalam mode orkestrasi tugas, mengidentifikasi celah arsitektural dan memastikan backwards compatibility. Ini meminimalkan context rot dan memaksimalkan token cost efficiency.
Kesimpulan
Berhenti mencoba fitur “one-shot”. Kode terbaik datang dari rencana terbaik. Jadi, saat berikutnya Anda membuka editor, jangan minta function; mintalah plan (rencana).