Agentic Engineering: Tutorial Praktis Kerja dengan AI Coding Agent

Vibe coding sering dianggap sebagai hack cepat yang menghasilkan technical debt. Namun, Wes McKinney, creator Pandas dan Apache Arrow, menunjukkan bahwa ada pendekatan yang lebih rigor: agentic engineering. Dalam wawancara dengan Motherduck, McKinney menjelaskan workflow yang ia gunakan untuk membangun puluhan project dengan AI agent tanpa kehilangan kontrol kualitas. Artikel ini merangkum metodenya menjadi tutorial praktis yang bisa langsung kamu terapkan.

Perbedaan utama antara vibe coding dan agentic engineering adalah spesifikasi. Vibe coding mengandalkan iterasi tanpa arah. Agentic engineering memulai dengan spesifikasi yang jelas, verifikasi otomatis, dan manajemen konteks yang terstruktur. McKinney menekankan bahwa proses spesifikasi bisa memakan waktu berjam-jam, tetapi itu adalah investasi yang menghasilkan kode yang lebih benar dan lebih mudah dipelihara.

Apa itu Agentic Engineering?

Agentic engineering adalah disiplin mengelola AI coding agent sebagai rekan kerja, bukan pengganti. McKinney menjalankan Claude Code, Codex, dan Gemini CLI secara paralel. Ia telah melakukan ribuan sesi dan ratusan ribu pesan. Key insight-nya: AI agent hebat dalam eksekusi, tetapi arsitektur dan insight harus datang dari manusia.

McKinney menggunakan framework superpowers untuk spesifikasi. Framework ini tidak sekadar menulis spec, tetapi mengajukan pertanyaan yang tepat untuk memperjelas pemikiranmu. Setelah spec selesai, sub-agent memastikan agent implementasi tidak drift ke task yang tidak relevan. Menurut McKinney, superpowers looks for drift dan melakukan course correction secara otomatis.

Langkah 1: Spesifikasi dengan Superpowers

Sebelum menulis satu baris kode, luangkan waktu untuk menspesifikasikan requirement. Install superpowers dari GitHub:

git clone https://github.com/obra/superpowers.git
cd superpowers
# Ikuti instruksi instalasi di README

Superpowers akan menginterviewmu dengan pertanyaan yang mengarahkan ke arsitektur yang tepat. Jawabanmu tidak harus sempurna. Proses ini membantumu mengidentifikasi blind spot. McKinney sering menjalankan multiple agent untuk desain dan mengintegrasikan feedback mereka. Codex model terutama efektif untuk pertanyaan desain arsitektur.

Spesifikasi yang baik harus mencakup: boundary sistem, format data, error handling, performance requirement, dan dependensi eksternal. Jangan mulai coding sebelum kamu bisa menjelaskan secara verbal bagaimana semua komponen fit together.

Langkah 2: Implementasi dengan Agent dan Review dengan Roborev

Setelah spec jelas, gunakan Claude Code atau Codex untuk implementasi. McKinney merekomendasikan Roborev, tool AI code reviewer yang ia bangun sendiri. Install Roborev sebagai git hook:

pip install roborev
roborev init --hook

Setelah hook aktif, setiap commit akan direview otomatis oleh Codex. Roborev mengkategorikan temuan ke severity low, medium, dan high. Jika review gagal, salin hasilnya dan feed kembali ke agent yang sedang berjalan untuk perbaikan. Agent yang sama lebih baik daripada agent baru karena ia sudah memiliki konteks penuh.

McKinney menambahkan reviewer dengan role spesifik: security, CI, performance, dan software development. Role-based review menghasilkan feedback yang lebih akurat dibandingkan reviewer general-purpose.

Langkah 3: Manajemen Konteks dan Sesi Paralel

Salah satu keunggulan McKinney adalah kemampuannya menjalankan banyak project secara paralel. Ia context-switch antar project dengan bantuan agentsview, local coding agent session viewer untuk Claude, Codex, dan Gemini. Tool ini menyediakan analytics dan full-text search di seluruh sesi.

Untuk manajemen maintenance, ia menggunakan Middleman: local-first GitHub dashboard yang men-triage issue dan PR di banyak repository. McKinney juga mengotomatisasi release dengan script lengkap, sehingga changelog dan tagging berjalan tanpa intervensi manual.

Praktiknya: jangan biarkan satu agent berjalan tanpa supervision. Buka tab untuk setiap project, beri nama sesi sesuai fitur, dan gunakan agentsview untuk mencari kembali konteks yang hilang.

Langkah 4: Verifikasi dengan Test dan Drift Detection

Spec conformant dan code correctness adalah dua pilar kepercayaan. Superpowers memastikan spec conformant: agent tidak menambahkan fitur yang tidak ada di spec. Roborev memastikan code correctness melalui pattern matching yang kuat. Namun, tetap diperlukan human review di akhir.

McKinney menekankan bahwa model AI berubah secara konstan. Proses rigor yang ia bangun justru diperlukan karena model tidak konsisten. Tanpa reviewer dan spec, hasil coding akan bergantung pada vibe model saat itu. Dengan pipeline ini, yang tersisa untuk direview manusia adalah bagian paling kritis dan berkualitas tinggi.

Langkah 5: Deploy dan Monitor dengan Tooling Lokal

McKinney juga membangun tool monitoring sederhana. VibePulse adalah macOS menubar app yang memonitor token consumption dari Claude Code dan Codex. Mengawasi token usage membantumu memahami cost per fitur dan mengoptimasi prompt.

Untuk issue tracking lokal, gunakan Kata: local-first issue tracker dengan agent-friendly CLI dan human-facing TUI. Integrasikan Kata dengan workflowmu agar bug yang ditemukan selama coding langsung tercatat tanpa meninggalkan terminal.

Kesimpulan

Agentic engineering bukan anti-vibe coding. Ia adalah evolusinya. Dengan spec-driven development, review otomatis, dan manajemen konteks yang terstruktur, kamu bisa membangun project production-grade dengan AI. Tools yang dibahas dalam artikel ini, mulai dari superpowers hingga Roborev, semuanya open-source dan bisa diadopsi secara bertahap. Sumber utama artikel ini adalah wawancara Motherduck dengan Wes McKinney yang bisa dibaca di blog resmi Motherduck.