Panduan Praktis: Gunakan Subagent untuk Meningkatkan Hasil Claude Code

Claude Code dan tool AI agent serupa telah mengubah cara developer menulis software. Tool ini mudah dipelajari, tapi sulit untuk dikuasai. Salah satu teknik paling powerful yang sering diabaikan adalah penggunaan subagent: agen independen dengan context window sendiri yang menangani chunk pekerjaan tertentu. Artikel ini membahas panduan praktis menggunakan subagent untuk meningkatkan kualitas output Claude Code berdasarkan workflow 13 langkah yang dipopulerkan oleh praktisi di lapangan.

Prinsip Dasar: Minimasi Penggunaan Context Window

Setiap sesi di coding agent memiliki context window yang terbatas. Setiap prompt, setiap tool call, dan setiap operasi agent mengonsumsi sebagian dari context window ini. Ketika context window mulai penuh, performa agent menurun drastis, mirip dengan cognitive load manusia saat bekerja pada terlalu banyak tugas sekaligus. Agent mulai melupakan instruksi awal, mengabaikan detail penting, dan menghasilkan solusi yang tidak konsisten.

Solusi paling sederhana: selalu /clear context window sebelum memulai tugas baru yang tidak berhubungan. Namun, ini baru langkah awal. Teknik yang lebih powerful adalah menggunakan subagent untuk mem delegasikan pekerjaan sehingga setiap agent hanya membawa konten yang benar-benar relevan. Ini seperti membagi tim engineering menjadi squad yang masing-masing fokus pada domain spesifik daripada meminta satu engineer menangani frontend, backend, dan DevOps sekaligus.

Mengapa Subagent Penting

Bayangkan kamu memiliki codebase besar dan agent perlu menemukan semua informasi yang relevan dengan fitur tertentu. Jika agent utama langsung melakukan grep dan membaca file satu per satu, context window-nya akan cepat terisi oleh informasi yang tidak relevan. Ini melanggar prinsip minimasi context window. Hasilnya: agent kehabisan ruang sebelum sempat menulis satu baris kode, atau bahkan lebih buruk, ia mulai mengabaikan instruksi karena overloaded.

Dengan subagent, kamu bisa membuat agen independen yang tugasnya hanya mencari informasi relevan dan mengembalikan ringkasan ke agent utama. Semua informasi tidak relevan hanya membanjiri context window subagent, sementara agent utama hanya menerima data yang sudah difilter. Prinsip yang sama bisa diterapkan ke seluruh workflow software development: research, testing, implementasi, dan review. Setiap fase mendapatkan agen khusus yang optimal untuk tugasnya.

Intermediate Artifacts: Dokumen sebagai Penghubung

Ada risiko saat membagi pekerjaan ke banyak subagent: misinterpretasi dan kehilangan informasi saat agent saling mengirim hasil. Siapa pun yang pernah bermain telepon pasti tahu betapa berbahayanya rantai komunikasi yang panjang. Untuk mengurangi risiko ini, setiap subagent sebaiknya menulis outputnya ke file teks. Agent lain bisa membaca file tersebut langsung, bukan mengandalkan informasi second-hand yang mungkin sudah terdistorsi.

Sebagai bonus, file-file ini juga memudahkan manusia untuk mengaudit pekerjaan setiap agent dan melacak sumber error. Praktik ini mirip dengan commit log di version control: setiap langkah terekam dan bisa direview. Ketika sesuatu salah, kamu tidak perlu menebak-nebak apa yang terjadi di context window agent. Kamu cukup membaca file artifact yang mereka hasilkan.

Fresh Perspectives dan Checks Balances

AI agent tidak konsisten. Memberikan instruksi yang sama pada agent yang sama di dua kesempatan berbeda bisa menghasilkan output yang sangat berbeda. Kamu bisa memanfaatkan inkonsistensi ini dengan meminta subagent baru meninjau hasil subagent lain. Subagent dengan context window segar cenderung lebih objektif dan lebih mungkin menemukan kesalahan. Ini mirip dengan code review di tim manusia: reviewer baru sering menemukan bug yang penulis kode lewatkan.

Lebih jauh lagi, pisahkan tugas implementasi, testing, dan verifikasi ke subagent yang berbeda. Ini mencegah reward hacking, yaitu ketika agent menulis test yang tidak komprehensif untuk menutupi implementasi yang buruk. Pola checks and balances ini bekerja dengan baik bahkan ketika semua subagent menggunakan model yang identik. Fakta yang menarik: agent menulis kode yang jauh lebih baik ketika mereka memiliki test yang bisa mengingatkan mereka ketika mereka membuat kesalahan, bahkan jika test tersebut ditulis oleh agent lain.

Workflow 13 Langkah dengan Subagent

Berdasarkan praktik terbaik yang berkembang di komunitas Claude Code, berikut workflow yang direkomendasikan untuk tugas yang melibatkan perubahan codebase:

1. Research: Gunakan subagent deep-explore untuk memetakan codebase yang relevan. Output: file research-task.md yang berisi temuan lengkap.

2. Research Verification: Spin subagent deep-explore baru untuk memverifikasi temuan, membaca file-file paling sentral, dan mengisi gap informasi.

3. Plan: Di main thread, baca research dan wawancarai stakeholder untuk memahami requirement. Buat plan detail di plan-task.md.

4. Plan Review: Subagent code-reviewer meninjau asumsi yang salah, kasus edge yang terlewat, dan strategi test yang lemah.

5. Record Base SHA: Catat git rev-parse HEAD sebelum perubahan apa pun untuk memudahkan diff review nanti.

6. Tests: Subagent test-author menulis test yang komprehensif dan failing terlebih dahulu, lalu commit.

7. Implement: Subagent implementer mengerjakan kode berdasarkan plan dan test yang sudah dibuat.

8. Review: Subagent code-reviewer meninjau diff holistik dari base SHA hingga HEAD.

9. Judge: Subagent code-review-judge mengevaluasi saran dan mengimplementasikan yang relevan.

10. Loop: Jika ada temuan kritis atau mayor, kembali ke review dengan round baru.

11. Verify: Subagent verifier mengkonfirmasi perubahan bekerja di aplikasi yang berjalan, bukan hanya test yang passing.

12. Fix Loop: Jika verifier menemukan bug, implementer memperbaiki dan review ulang.

13. Documentation: Subagent agent-docs-maintainer memperbarui dokumentasi terkait perubahan.

Dengan workflow ini, setiap fase memiliki owner yang jelas dan context window tetap minimal. Hasilnya: kode yang lebih berkualitas, audit trail yang lengkap, dan kemampuan debugging yang jauh lebih baik. Untuk developer Indonesia yang mulai menggunakan Claude Code atau AI agent serupa, investasi waktu untuk membangun workflow semacam ini akan membayar dividen dalam bentuk kualitas kode dan produktivitas jangka panjang.

Sumber referensi: Software the Hard Way: Using Subagents to Improve Claude Code Results.