16 posts
Percakapan LLM berisi niat, alternatif yang ditolak, dan kode yang berfungsi. Itulah sebenarnya yang seharusnya menjadi dokumentasi. Berikut cara mengubah obrolan yang fana menjadi dokumen yang tahan lama dan dapat dicari tanpa kehilangan narasi.
Anda menghabiskan empat puluh lima menit dengan Claude merancang sebuah retry circuit. Anda menjelaskan mode kegagalannya, menolak exponential backoff karena…
Inspeksi Fagan membutuhkan empat hingga enam orang dan dua jam untuk meninjau 250 baris. LLM dapat mengurangi biaya tersebut dengan menangani persiapan dan penegakan checklist, namun tidak dapat menggantikan peran manusia yang menemukan defect paling mahal.
Inspeksi Fagan penuh membutuhkan seorang moderator, seorang reader, dua hingga empat inspector, dan author. Tim menghabiskan dua jam untuk meninjau sekitar 250…
N-version programming terdengar sederhana: jalankan beberapa implementasi dan pilih jawaban terbaik. Dalam praktiknya, 'terbaik' jauh lebih sulit didefinisikan daripada 'paling umum.'
Anda memiliki lima implementasi dari fungsi yang sama. Tiga mengembalikan hasil yang sama. Satu sedikit berbeda. Satu melempar exception. Mana yang benar?…
N-version programming dengan LLM tidak memerlukan banyak model. Anda bisa mengekstrak implementasi yang beragam dan benar dari satu model dengan memvariasikan prompt, persona, dan constraint reasoning.
N-version programming berasumsi bahwa keragaman berasal dari penulis yang berbeda. Dengan LLM, itu berarti model yang berbeda, provider yang berbeda, mungkin…
Coding AI mengikuti gradien validasi. Backend tervalidasi dalam milidetik. Web butuh menit, mobile jam. Feedback loop menentukan di mana coding AI bekerja.
Model AI yang melakukan coding sendiri bukanlah bagian yang menarik. Bagian yang menarik adalah apa yang terjadi setelahnya — setelah kode dihasilkan. Seberapa…
AI coding berhasil untuk tim elite yang bisa pulih dari kekacauan apa pun. Sisanya mendapat ketakutan, CI gagal, dan eksperimen yang ditinggalkan. Kesenjangannya bukan pada model.
Amati dua tim menggunakan model AI yang sama dan Anda akan melihat dua hasil yang benar-benar berbeda. Tim pertama memberi prompt ke model untuk membangun…
Sebagian besar tim mencoba AI coding, mengirim kode yang gagal QA, lalu menyerah. Masalahnya bukan modelnya—melainkan ketiadaan guardrail yang membuat output AI dapat dipercaya.
Sebagian besar tim yang mencoba AI coding mengikuti alur yang sama. Mereka memulai dengan antusias. Model menghasilkan fitur dalam hitungan menit, lalu mereka…
Anda punya type checking, linting, dan aturan arsitektur. Tetapi tumpukan deterministik Anda buta terhadap kompleksitas, duplikasi, dan bencana penamaan. Inilah solusi $0.
Mari jujur tentang seperti apa sebenarnya pipeline kode AI kebanyakan orang saat ini. Anda generate code dengan Cursor atau Claude Code. Anda menjalankan…
AI coding tools unggul dalam menghasilkan versi satu. Tantangan engineering yang sebenarnya dimulai di versi empat, saat tim perlu mengubah sesuatu tanpa merusak semua hal lain.
Setiap demo AI coding mengikuti alur yang sama. Seseorang memberi prompt ke sebuah model. Aplikasi yang berfungsi muncul. Penontonnya terkesan. Dan memang…
Ukuran sebenarnya dari kualitas AI-generated code bukan apakah ia bekerja pada hari pertama. Ukurannya adalah apakah Anda bisa menggantinya pada hari ketiga puluh tanpa menulis ulang semua hal lain.
Kebanyakan percakapan tentang kualitas AI-generated code berfokus pada ketepatan saat generation. Apakah output-nya bisa di-compile? Apakah ia lolos tests?…
Review manusia itu inkonsisten. AI review lebih buruk. Satu-satunya pertahanan yang bisa diskalakan untuk AI-generated codebases adalah deterministic enforcement: aturan yang menggagalkan build, bukan saran yang diabaikan.
Nasihat standar untuk AI-generated code adalah "review dengan cermat." Nasihat itu benar dan tidak berguna pada skala besar. Seorang pengembang yang meninjau…
Ketika AI bisa menghasilkan implementasi, tests, dan contracts dari sebuah spec, kerja manusia dengan leverage tertinggi bergeser ke hulu. Yang paling perlu diperiksa dengan ketat justru spesifikasinya sendiri.
Kalau kamu sudah shipping dengan AI lebih dari beberapa minggu, perasaan ini mungkin sudah akrab. Kamu membuka sebuah pull request. Codenya cukup rapi.…
Kalau kamu ingin code yang dihasilkan AI tahan di production, code review saja tidak cukup. Bangun safety stack berlapis dari type constraints sampai mutation testing dan runtime containment.
Hal paling berbahaya dari AI-generated code bukan karena ia selalu salah. Yang berbahaya adalah sering kali code itu terlihat cukup benar untuk langsung…
Meme ini terasa lucu karena banyak tim benar-benar membangun produk di tengah target yang terus berubah, tenggat waktu tetap, dan cakupan yang belum matang. Autotomy tidak memperbaiki perencanaan yang penuh fantasi, tetapi menjaga development tetap berjalan saat rutenya berubah lagi.
Sebut saja Meteor development: tujuan diumumkan dulu, halte berubah di tengah jalan, anggaran dianggap akan "diselesaikan nanti", dan engineering tetap diminta…
Ulasan kritis tentang Stanford CS146S: mata kuliah ini tepat dalam membaca AI coding, tetapi masih menyisakan disiplin AI architecture yang dibutuhkan agar sistem tetap mudah diganti.
Stanford CS146S adalah , mata kuliah yang diajar oleh Mihail Eric dan pertama kali ditawarkan pada Fall 2025. Untuk gambaran resmi, overview mata kuliah, dan…
Design by contract, property-based testing, mutation testing, dan model checking bukan ide yang buruk. Mereka terlalu berat dari sisi keahlian untuk dipertahankan. AI mengubah persamaan itu.
Software engineering penuh dengan ide yang terasa jelas benar begitu kamu membacanya. Tentu contracts seharusnya mendefinisikan apa yang boleh diterima dan…