Memory, Skills & Subagents

Context Engineering menutup dengan masalah: konteks itu fana — habis sesi, hilang semua. Halaman ini membahas tiga mekanisme yang membuat agent "tumbuh" melampaui satu sesi: memory, skills, dan subagents.

Memory: fakta yang bertahan antar sesi

Memory = file yang ditulis agent tentang apa yang ia pelajari, dimuat kembali di sesi berikutnya. Implementasinya sederhana (direktori berisi Markdown) tapi efeknya besar: agent yang minggu lalu belajar "deploy staging suka gagal karena env var X" tidak mengulang kesalahan yang sama minggu ini.

Hierarki pengetahuan persisten, dari yang paling kamu kendalikan:

Lapisan	Siapa menulis	Isi	Contoh
AGENTS.md	Kamu	Aturan & peta repo	"test: npm test, jangan sentuh folder legacy/"
Memory	Agent (di-review kamu)	Fakta yang dipelajari	"API staging lambat, timeout harus 30 s"
Skills	Kamu atau agent	Prosedur lengkap	"cara release versi baru" (lihat bawah)

:::warning Memory perlu dikebersihankan Memory yang salah lebih buruk dari tidak ada memory — agent akan percaya diri berdasar fakta basi. Jadwalkan review isi memory (bisa oleh agent lain — pola di Automation Lanjutan), dan hapus entri yang tidak lagi benar. :::

Skills: prosedur dalam bentuk Markdown

Skill = file Markdown berisi instruksi lengkap untuk satu jenis task, dimuat hanya saat relevan (progressive disclosure — deskripsi singkatnya selalu terlihat, isi penuh dibaca saat dibutuhkan). Ini format yang dipopulerkan Claude Code (Agent Skills) dan diadopsi luas — Hermes Agent bahkan menulis skill-nya sendiri: tiap kali menyelesaikan task baru, ia menyimpan prosedurnya sebagai skill file untuk dipakai ulang.

.claude/skills/release/SKILL.md

---
name: release
description: Rilis versi baru ke npm - bump versi, changelog, tag, publish
---

# Cara rilis

1. Pastikan `main` hijau: `npm run check && npm test`
2. Bump versi: `npm version <patch|minor|major>` sesuai isi perubahan
3. Update CHANGELOG.md: pindahkan Unreleased ke versi baru
4. `git push --follow-tags` lalu tunggu CI publish
5. Verifikasi: `npm view <paket> version` menunjukkan versi baru

Bedanya dengan AGENTS.md: AGENTS.md = aturan yang selalu berlaku (dimuat tiap sesi); skill = prosedur yang kadang dipakai (dimuat saat task cocok). Memindahkan prosedur dari AGENTS.md ke skills menjaga konteks tetap ramping.

Pola pertumbuhan yang disarankan: setiap kali kamu menjelaskan prosedur yang sama ke agent untuk kedua kalinya, jadikan skill. Setelah terbiasa, balik arahnya — minta agent menulis draft skill dari task yang baru ia selesaikan, kamu tinggal review. Ini cara "team AI"-mu menumpuk pengetahuan institusional seperti team manusia.

Subagents: membagi kerja tanpa mengotori konteks

Subagent = agent yang dispawn oleh agent utama untuk satu sub-task, dengan konteks terpisah, lalu melapor ringkasannya saja.

                    ┌─ subagent A: "cari semua pemakaian API lama"  ─┐
 agent utama ──────▶│  (baca 40 file, konteks sendiri)               │──▶ laporan 10 baris
 (orchestrator)     └────────────────────────────────────────────────┘
        │           ┌─ subagent B: "audit test coverage modul auth" ─┐
        └──────────▶│  (jalankan coverage, konteks sendiri)          │──▶ laporan 5 baris
                    └────────────────────────────────────────────────┘

Dua alasan memakai subagent:

1. Isolasi konteks. Pencarian yang menyentuh 40 file akan meracuni konteks agent utama dengan puluhan ribu token; subagent menyerap kebisingan itu dan mengembalikan kesimpulannya saja.
2. Paralelisme. Sub-task independen berjalan bersamaan — riset, audit, atau eksplorasi multi-arah.

Kapan tidak memakai subagent:

• Task yang butuh konteks penuh percakapan (subagent baru tidak tahu apa yang sudah dibicarakan — kecuali tool-mu mendukung fork/inherit context).
• Task tulis-menulis di file yang sama — dua agent mengedit file yang sama = konflik. Untuk paralelisme penulisan kode, pakai git worktrees, bukan subagents.
• Task kecil yang selesai dalam 2–3 tool call — overhead spawn lebih mahal dari manfaatnya. Jangan jadi "subagent maximalist"; mayoritas task harian tidak butuh fan-out.

Claude Code

Subagent bawaan (Explore, Plan, general-purpose) dipakai otomatis; custom subagent didefinisikan sebagai Markdown di .claude/agents/<nama>.md dengan frontmatter (deskripsi, tools, model). Claude memilihnya berdasarkan deskripsi, atau kamu sebut eksplisit.

opencode

Mendukung agent utama + subagent yang dikonfigurasi di opencode.json (bagian agent), masing-masing dengan model, prompt, dan permission sendiri. Panggil dengan menyebut @<nama-agent> di prompt.

oh-my-pi

Mendukung subagents dan hindsight memory (agent menuliskan pelajaran setelah task). Konfigurasi mengikuti pola pi; cek dokumentasi repo untuk sintaks terkini.

Tiga mekanisme, satu gambar

                 SESI HARI INI                          SESI BESOK
        ┌───────────────────────────┐          ┌───────────────────────┐
        │ konteks (fana)            │          │ konteks (baru, bersih)│
        │  ├─ AGENTS.md   ◀─────────┼── kamu ──┼─▶ AGENTS.md           │
        │  ├─ memory/*.md ◀─────────┼─ agent ──┼─▶ memory/*.md         │
        │  ├─ skills/     ◀─────────┼── siapa ─┼─▶ skills/             │
        │  └─ kerja + subagents     │   saja   │                       │
        └───────────────────────────┘          └───────────────────────┘
        yang tidak ditulis ke file = hilang saat sesi berakhir

Prinsipnya satu: yang ingin bertahan, tuliskan ke file. Git adalah database memory terbaik yang sudah kamu punya.

Kenapa ini penting untuk playbook

Pola "satu orang = satu team" berdiri di atas tiga hal ini: skills adalah SOP team-mu, memory adalah pengalaman kolektifnya, subagents (plus worktrees) adalah anggota team-nya. Review loop di playbook bahkan memakai subagent sebagai reviewer independen — konteks bersih membuat review-nya jujur, tidak terkontaminasi asumsi si penulis kode.

Lanjut

→ MCP: protokol standar yang memberi agent-mu tools baru tanpa menulis integrasi sendiri.