Seiring dengan evolusi cepat aplikasi AI Agent, pengembang beralih dari “Prompt Engineering” menuju desain sistem yang lebih terstruktur. Panduan terbaru dari Google Cloud Tech mengusulkan lima pola desain utama, membangun kerangka pengembangan yang lebih andal dan dapat digunakan kembali untuk kemampuan AI Agent (Agent Skills).
Bagian yang ditulis oleh Shubham Saboo dan Lavi Nigam ini menunjukkan bahwa, dengan SKILL.md menjadi standar yang diadopsi oleh lebih dari 30 alat, fokus pengembangan telah beralih dari “cara membungkus” ke “cara merancang logika internal,” menandai bahwa pengembangan AI secara resmi memasuki tahap rekayasa baru.
SKILL.md Menjadi Standar, AI Agent Menuju Modularisasi
Konsep Agent Skills pertama kali diperkenalkan oleh Anthropic dan kini telah berkembang menjadi standar sumber terbuka. Intinya adalah menggunakan struktur folder modular dan file SKILL.md agar AI Agent dapat memuat kemampuan sesuai kebutuhan.
SKILL.md tidak hanya berisi perintah dan metadata, tetapi juga dapat merujuk sumber eksternal, memungkinkan Agent mengadopsi pendekatan “pengungkapan bertahap” saat menjalankan tugas, menghindari konteks yang terlalu membesar, serta meningkatkan efisiensi dan akurasi.
Saat ini, lebih dari 30 alat seperti Claude Code, Gemini CLI, Cursor telah mengadopsi standar ini, menunjukkan bahwa ini sedang dengan cepat menjadi fondasi pengembangan AI Agent.
Dari Prompt Hack ke Pola Desain: Lima Kerangka Inti Analisis
Google Cloud Tech menunjukkan bahwa banyak pengembang masih terlalu fokus pada struktur YAML dan desain direktori, tetapi kunci sebenarnya terletak pada “logika internal kemampuan.” Untuk itu, tim mengusulkan lima pola desain yang dapat digunakan kembali, membantu pengembang membangun sistem AI yang stabil dan dapat diprediksi.
Tool Wrapper: Membuat AI Langsung Menjadi Ahli
Tool Wrapper adalah pola paling dasar, membungkus alat atau kerangka kerja tertentu sebagai kemampuan, sehingga AI dapat dengan cepat memanggil pengetahuan profesional saat diperlukan.
Misalnya, saat mengembangkan dengan FastAPI, spesifikasi API dan praktik terbaik dapat ditempatkan di direktori references/, dan hanya dimuat saat tugas terkait dipicu, menghindari prompt utama yang terlalu membesar.
Generator: Mesin Kunci Standarisasi Output
Pola Generator cocok untuk skenario yang membutuhkan output konsisten, seperti dokumen API, pesan commit otomatis, atau pembuatan template proyek.
Intinya adalah menempatkan template di assets/ dan menggabungkan panduan gaya dari references/, dengan kemampuan skill untuk mengisi konten. Pendekatan ini membuat output menjadi standar dan fleksibel.
Reviewer: Membangun Mekanisme Pemeriksaan yang Terukur
Pola Reviewer memisahkan “standar pemeriksaan” dan “logika eksekusi.” Pengembang dapat membuat daftar pemeriksaan di references/, misalnya kualitas kode atau standar keamanan.
AI akan menilai berdasarkan standar ini dan menghasilkan hasil terstruktur. Jika diganti dengan pedoman keamanan OWASP, dapat dengan cepat diubah menjadi alat peninjauan kerentanan, sangat cocok untuk proses review PR otomatis.
Inversion: Dari Penjawab Menjadi Pengajukan Pertanyaan
Pola Inversion membalik proses tradisional AI yang langsung menghasilkan jawaban, memaksa Agent untuk terlebih dahulu melakukan pertanyaan terstruktur.
Dengan pembatasan “tidak selesai sebelum lengkap,” AI harus secara bertahap mengumpulkan kebutuhan lengkap, sangat cocok untuk perencanaan proyek dan skenario yang membutuhkan konteks tinggi, secara efektif menghindari output yang salah akibat kekurangan informasi.
Pipeline: Pusat Kendali Alur Kerja Tugas Kompleks
Pola Pipeline dirancang untuk tugas berlangkah, memaksa urutan eksekusi dan titik pemeriksaan, serta dapat menambahkan mekanisme konfirmasi pengguna.
Misalnya, dalam proses pembuatan dokumen, harus memastikan docstring terlebih dahulu sebelum tahap akhir perakitan. Pola ini memastikan setiap tahap sesuai harapan dan menghindari kesalahan akibat melewati langkah.
Penggabungan Modular: Pendekatan Lanjutan untuk Kemampuan AI Agent
Kelima pola desain ini tidak berdiri sendiri, melainkan dapat digabungkan secara fleksibel. Contohnya:
Pipeline dapat menyisipkan Reviewer untuk verifikasi mandiri
Generator dapat dipadukan dengan Inversion untuk mengumpulkan parameter terlebih dahulu
Google menyediakan Agent Development Kit (ADK) yang mendukung secara native, melalui SkillToolset yang memuat modul hanya saat diperlukan, meningkatkan efisiensi penggunaan token.
Selain itu, mereka juga menyediakan pohon keputusan (decision tree) untuk membantu pengembang memilih pola yang sesuai berdasarkan skenario aplikasi, secara signifikan menurunkan hambatan desain.
Era Rekayasa Pengembangan AI: Keandalan Jadi Kunci
Google Cloud Tech menegaskan, “Jangan lagi mencoba memasukkan instruksi yang rumit dan rapuh ke dalam satu system prompt.”
Kalimat ini menyoroti perubahan besar dalam pengembangan AI—dari fase percobaan dengan prompt hack yang bergantung pada trial-and-error, menuju metode rekayasa yang berstruktur dan berprinsip, mirip dengan perjalanan awal rekayasa perangkat lunak menuju pola desain.
Respon dari komunitas di platform X juga sangat antusias, banyak pengembang menyebut ini sebagai “awal dari desain sistem AI,” bahkan menyatakan bahwa pola-pola ini dapat secara efektif mencegah Agent menjadi “spaghetti” yang sulit dipelihara.
Saat ini, standar Agent Skills telah sepenuhnya open source, dan ADK Google menyediakan dokumentasi lengkap dan contoh (google.github.io/adk-docs), memungkinkan pengembang untuk cepat memulai.
