Agent sebagai kode: tren Agent SDK dan artinya untuk tim kecil

Agent sebagai kode berarti agent AI didefinisikan sebagai folder file di repositori: instruksi, alat, dan tes. Cursor merilis Agent SDK versi GA pada Oktober 2026, Anthropic punya Claude Agent SDK, dan AWS menyediakan Bedrock AgentCore sebagai tempat menjalankannya. Untuk tim kecil, manfaatnya baru terasa kalau ada yang mau merawat kode dan tesnya.

Tesis artikel ini: Agent SDK adalah alat disiplin, bukan jalan pintas. Nilainya ada pada hal yang membosankan: instruksi yang bisa di-review, alat yang aksesnya dibatasi, dan tes yang dijalankan sebelum agent menyentuh pekerjaan nyata. Kalau tim kamu belum punya kebiasaan itu untuk kode biasa, SDK tidak akan menciptakannya.

Yang perlu diluruskan dulu

Kata "agent" sudah dipakai untuk hampir semua hal, dari chatbot di situs toko sampai skrip yang memanggil model sekali. Di artikel ini, agent adalah program yang menyelesaikan tugas dengan merencanakan langkahnya sendiri dan memanggil alat. Definisi itu saya ambil dari dokumentasi Claude Agent SDK, dan cukup netral untuk dipakai membandingkan ketiga vendor.

Lalu ada istilah SDK, singkatan dari software development kit. Ini kumpulan pustaka dan alat yang dipakai programmer untuk membangun sesuatu di atas sebuah platform. Jadi Agent SDK bukan aplikasi siap pakai. Kamu tetap menulis kode, hanya saja bagian paling rumit sudah disediakan.

Bagian rumit itu biasa disebut agent loop atau harness. Agent loop adalah putaran berulang: model membaca situasi, memilih alat, melihat hasilnya, lalu memutuskan langkah berikutnya sampai tugas selesai. Harness adalah kerangka yang menjalankan putaran itu beserta urusan sampingannya, seperti izin, sesi, dan log.

Catatan jujur. Artikel ini ditulis 2 November 2026. Semua fakta tentang produk diambil dari changelog, dokumentasi, dan halaman produk resmi Cursor, Anthropic, dan AWS. Saya belum membangun agent produksi dengan ketiga alat ini untuk artikel ini, jadi tidak ada angka hasil uji di sini. Produk di kategori ini berubah cepat, dan beberapa detail bisa sudah bergeser saat kamu membacanya.

Artikel ini untuk pemilik usaha kecil, tim produk, atau developer tunggal yang mulai bertanya apakah perlu membangun agent sendiri. Kalau kamu belum pernah menulis kode sama sekali dan belum punya alur otomasi yang jalan, artikel ini lebih berguna sebagai peta. Mulailah dari alat otomasi visual dulu.

Apa arti agent sebagai kode

Banyak agent dibangun lewat dashboard. Cursor sendiri membedakan Automations, yang prompt, model, dan pemicunya diatur di dashboard, dari Agent SDK. Kamu menulis prompt di kotak teks, memilih model dari menu, mencentang alat yang boleh dipakai, lalu menekan tombol simpan. Cara ini cepat untuk mencoba ide. Masalahnya muncul ketika agent itu mulai dipakai sungguhan.

Coba bayangkan pertanyaan sederhana: siapa yang mengubah prompt minggu lalu, dan kenapa hasilnya jadi aneh sejak Kamis? Di dashboard, jawabannya sering tidak ada. Tidak ada riwayat yang jelas, tidak ada review, dan tidak ada cara cepat untuk kembali ke versi sebelumnya.

Agent sebagai kode memindahkan semua itu ke repositori. Repositori adalah folder proyek yang setiap perubahannya dicatat oleh sistem versi seperti Git. Begitu agent hidup di sana, ia ikut semua kebiasaan baik pengembangan perangkat lunak: perubahan lewat pull request, ada yang membaca sebelum digabung, dan riwayatnya tersimpan.

Contoh paling jelas: susunan folder Cursor

Pengumuman Agent SDK di changelog Cursor menjelaskan konsep ini dengan lugas: sebuah agent adalah sebuah proyek. Menurut referensi susunan proyeknya, file agent disimpan di folder bot/, dan letak setiap file menentukan perannya.

• instructions.md berisi prompt sistem yang selalu aktif.
• Setiap file di tools/ adalah satu aksi bertipe yang boleh dipanggil model.
• skills/ menyimpan prosedur yang baru dimuat saat dibutuhkan.
• mcp-connections/ menambah alat dari server MCP, yaitu protokol standar untuk menghubungkan model ke layanan luar.
• channels/ menentukan tempat agent menerima dan membalas pesan.
• Eval disimpan di folder evals/, sejajar dengan bot/.

Eval adalah tes untuk agent. Changelog Cursor mendefinisikannya sebagai pesan tetap yang dikirim ke bot, lalu dicek apa yang ia lakukan: alat mana yang jalan, dengan masukan apa, dan bentuk balasannya. Bagian ini yang menurut saya paling penting. Tanpa eval, mengubah prompt sama seperti mengubah kode tanpa tes.

Pembagian kerja antara kamu dan harness

Dokumentasi Cursor merumuskan pembagiannya dalam satu kalimat: kamu menulis instruksi dan alat, Cursor menjalankan loop model yang memanggilnya. Pola yang sama muncul di Claude Agent SDK. Anthropic menyebut SDK-nya memberi alat, agent loop, dan pengelolaan konteks yang sama dengan yang menjalankan Claude Code, tetapi bisa diprogram dari Python dan TypeScript.

Pembagian ini masuk akal. Bagian yang membedakan bisnismu adalah instruksi, alat, dan aturan. Bagian yang sama untuk semua orang adalah putaran pemanggilan model, pengelolaan sesi, dan pencatatan. Tidak ada gunanya tim lima orang menulis ulang bagian kedua dari nol.

Tiga pemain dan posisinya

Tiga nama di judul pengumuman sering dibandingkan seolah produk sejenis. Padahal posisinya berbeda. Supaya tidak salah membandingkan, saya bedakan tiga lapisan: lapisan yang kamu tulis, harness yang menjalankan agent loop, dan tempat agent berjalan.

Cursor Agent SDK: paket lengkap dari editor ke deploy

Changelog Cursor memuat pengumuman Agent SDK tertanggal 20 Oktober 2026 dengan status generally available (GA), artinya dianggap siap dipakai umum. Changelog SDK-nya sendiri mencatat versi 0.3.0 sebagai rilis GA pada 23 Oktober 2026. Selisih tanggal ini kecil, tetapi saya catat supaya kamu tidak bingung bila menemukan dua tanggal berbeda.

Isi pengumumannya cukup konkret:

• Agent bisa diuji lokal dengan playground, lalu di-deploy ke infrastruktur Cursor atau infrastruktur milikmu sendiri.
• Ada templat awal untuk peninjau keamanan, penyetuju berbasis aturan pemilik kode, perbaikan otomatis pull request, dan penyortir tiket Linear atau Jira.
• Agent bisa dipicu oleh event pull request, komentar, dan CI dari GitHub, GitLab, dan Bitbucket, juga oleh mention dan DM di Slack, webhook, serta jadwal cron.
• Setiap percakapan punya sesi sendiri beserta catatan lengkap pesan dan pemanggilan alat.
• Pull request nyata bisa diputar ulang sebagai event untuk menguji agent tanpa menunggu push baru.

Halaman dokumentasi utamanya juga menyebut SDK ini memakai harness yang sama dengan produk Cursor seperti Bugbot, Security Review, Approval Bot, dan Rollouts. Ada pula tabel pembeda yang jujur. Automations untuk tugas yang cocok dengan jadwal atau pemicu. Agent SDK untuk tim yang ingin kode di sekitar penilaian model, yang bisa di-review dan diuji.

Satu hal kecil yang perlu kamu tahu. Nama paket di dokumentasi saat ini berbeda dengan yang tertulis di changelog pengumuman, dan dokumentasinya menyebut paket itu sebelumnya bernama lain lagi. Bagi saya ini tanda produk yang masih bergerak cepat. Itu tidak cukup jadi alasan untuk menghindar. Cukup kunci versi dan baca changelog sebelum update.

Claude Agent SDK: harness Claude Code sebagai pustaka

Dokumentasi Claude Agent SDK menggambarkannya sebagai cara membangun agent produksi dengan Claude Code sebagai pustaka. Kemampuan yang dibawanya antara lain alat bawaan untuk membaca dan mengubah file serta menjalankan perintah. Ada juga hooks (kode yang jalan pada titik tertentu dalam siklus agent), subagent, MCP, izin, sesi, skill, dan plugin.

Perbedaan utamanya dengan Cursor ada di lokasi. Agent SDK berjalan di proses yang kamu operasikan sendiri. Anthropic tidak meng-host agent-nya. Untuk yang ingin di-host, Anthropic punya produk terpisah bernama Claude Managed Agents. Dokumentasinya masih menandai produk ini sebagai beta, dengan sesi yang bisa berjalan di sandbox cloud milik Anthropic atau sandbox di infrastrukturmu sendiri.

Ada dua catatan dari halaman resmi yang sering terlewat. Pertama, pengembang pihak ketiga tidak diizinkan menawarkan login claude.ai atau batas pemakaian claude.ai di produk mereka tanpa persetujuan sebelumnya. Jadi agent yang kamu jual ke klien memakai autentikasi API key. Kedua, pemakaiannya tunduk pada Commercial Terms of Service Anthropic, termasuk saat agent itu dipakai pelanggan kamu.

Bagian izin juga layak dicatat. Menurut halaman Configure permissions, setiap permintaan alat diperiksa berurutan, dimulai dari hooks, lalu aturan larangan, lalu aturan tanya. Aturan larangan tetap berlaku bahkan saat hook sudah mengizinkan. Urutan seperti ini yang membuat agent bisa diaudit.

Bedrock AgentCore: tempat menjalankan, bukan cara menulis

Amazon Bedrock AgentCore berada di lapisan yang berbeda. Halaman produknya menyebut kamu bisa mulai dengan LangChain, OpenAI Agents SDK, Claude Agent SDK, Strands SDK, atau framework sendiri, lalu memakai model apa pun. Jadi AgentCore tidak bersaing langsung dengan Claude Agent SDK. Ia lebih mirip rumah tempat agent itu tinggal.

Panduan pengembang AgentCore membaginya menjadi layanan modular yang bisa dipakai sendiri-sendiri. Beberapa yang paling relevan:

• Runtime menjalankan agent tanpa server yang kamu kelola, dengan isolasi per sesi.
• Harness adalah agent loop terkelola yang bisa dipanggil lewat satu API, dengan setiap sesi berjalan di microVM terisolasi.
• Gateway mengubah API dan fungsi yang sudah ada menjadi alat berformat MCP.
• Policy terhubung dengan Gateway untuk mencegat setiap pemanggilan alat sebelum dieksekusi, berdasarkan aturan yang kamu tulis.
• Observability dan Evaluations untuk melacak langkah agent dan mengukur kualitasnya.

Menariknya, AWS juga punya Harness sendiri. Artinya batas antara "SDK untuk menulis agent" dan "platform untuk menjalankannya" makin kabur. Pola yang sama terlihat di Cursor, yang menawarkan penulisan dan hosting sekaligus.

AWS masih aktif menambah fitur. Salah satu tulisan terbaru di blog AWS Machine Learning, terbit 30 Oktober 2026, membahas Session endpoints. Fitur ini memberi setiap sesi agent alamat URL berautentikasi, sehingga aplikasi yang sedang dibangun agent bisa dibuka langsung dari browser.

Artinya untuk tim kecil

Pengumuman semacam ini biasanya ditulis untuk tim platform di perusahaan besar. Pertanyaannya, apa yang tersisa untuk tim tiga sampai sepuluh orang? Menurut saya ada tiga hal yang benar-benar berubah, dan dua yang sering dilebih-lebihkan.

Yang benar-benar berubah

Prompt jadi bisa di-review. Ini terdengar remeh, tetapi dampaknya besar. Begitu instruksi agent ada di file Markdown, perubahan satu kalimat bisa dibaca rekan sebelum diterapkan. Kesalahan seperti "selalu setujui pengembalian dana di bawah satu juta" lebih mungkin tertangkap.

Tes untuk perilaku agent jadi kebiasaan. Eval memaksa kamu menuliskan apa yang dianggap benar. Misalnya, saat pelanggan minta pembatalan, agent harus memanggil alat cek pesanan dulu sebelum menjawab. Kalau perubahan prompt membuat agent melompati langkah itu, tes gagal sebelum pelanggan merasakannya.

Akses alat bisa dibatasi dengan aturan. Agent yang bisa menulis ke database pelanggan butuh pagar. Aturan izin di Claude Agent SDK dan Policy di AgentCore memberi tempat yang jelas untuk menaruh pagar itu, alih-alih berharap prompt cukup kuat.

Yang sering dilebih-lebihkan

"Agent jadi mudah dibuat." Kerangkanya memang lebih cepat dibuat. Tetapi bagian sulit dari agent jarang ada di kerangka. Bagian sulitnya adalah merumuskan tugas, menyiapkan alat yang aman, dan menulis eval yang mewakili kasus nyata. SDK tidak mengerjakan itu untukmu.

"Biaya jadi murah." Belum tentu. Halaman harga AgentCore memang menawarkan tarif per pemakaian tanpa komitmen di muka. Runtime ditagih per detik berdasarkan CPU dan memori yang benar-benar terpakai, dengan minimum satu detik, dan CPU turun ke nol saat agent menunggu jawaban model. Pelanggan baru AWS juga mendapat kredit Free Tier hingga 200 dolar AS. Namun biaya model terpisah dari biaya runtime, dan agent yang memanggil model berkali-kali per tugas bisa mahal di bagian itu. Harga hosting agent di Cursor tidak tercantum di halaman pengumuman maupun dokumentasi Agent SDK yang dirujuk di sini, jadi bagian itu belum terverifikasi.

Pekerjaan yang justru bertambah

Ada sisi yang jarang dibahas di pengumuman. Agent sebagai kode berarti ada kode yang perlu dirawat. Paket perlu diperbarui, eval perlu ditambah saat ada kasus baru, dan rahasia seperti API key perlu dikelola. Di tim kecil, biasanya satu orang yang memegang semuanya.

Kalau orang itu cuti atau keluar, agent yang tadinya terasa ajaib bisa jadi kotak hitam. Ini risiko yang sama dengan semua kode internal, hanya lebih sulit dideteksi karena agent sering tetap "jalan" walau hasilnya memburuk pelan-pelan.

Cara memilih: alat visual, SDK, atau platform

Pertanyaan pertama bukan "SDK mana yang terbaik". Pertanyaan pertamanya adalah apakah tugasmu memang butuh agent. Banyak pekerjaan yang disebut agent sebenarnya alur dengan langkah tetap: data masuk, diubah, lalu dikirim. Alur seperti itu lebih murah, lebih cepat, dan lebih mudah diperiksa bila dibangun di alat otomasi visual seperti n8n.

Saya sarankan tiga pertanyaan sederhana untuk memutuskan:

1. Apakah ada langkah yang butuh penilaian, misalnya membaca keluhan lalu memutuskan apakah perlu eskalasi?
2. Apakah urutan langkahnya berubah tergantung isi kasus?
3. Apakah ada orang di tim yang nyaman membaca dan mengubah kode TypeScript atau Python?

Kalau jawaban pertama dan kedua "tidak", tetaplah di alat otomasi visual. Kalau keduanya "ya" tetapi jawaban ketiga "tidak", pakai node agent di alat otomasi visual dulu, atau produk agent yang diatur dari dashboard. Agent SDK baru masuk akal kalau ketiganya "ya".

Kalau sudah memutuskan memakai SDK

Pilihan saya per kondisi:

• Tim yang hidup di GitHub dan Slack, dan agent-nya mengurus pull request atau tiket. Cursor Agent SDK paling dekat dengan kebutuhan ini. Templat awalnya pun dibuat untuk pekerjaan seperti itu. Saya pilih ini kalau tim sudah memakai Cursor sehari-hari.
• Tim yang butuh agent bekerja dengan file dan perintah, di server sendiri. Claude Agent SDK lebih cocok, karena ia membawa alat bawaan Claude Code dan kamu memegang penuh tempat prosesnya berjalan.
• Tim yang datanya sudah di AWS, atau klien mensyaratkan kontrol akses dan audit yang ketat. Pertimbangkan AgentCore sebagai tempat menjalankan, dengan SDK pilihanmu di atasnya. Tidak saya sarankan untuk tim yang belum pernah mengelola akun AWS, karena kurva belajarnya ada di AWS, bukan di agent-nya.

Saya tidak menyarankan tim kecil memakai ketiganya sekaligus. Pilih satu harness, pelajari cara kerja izin dan eval-nya sampai paham, baru pertimbangkan pindah.

Risiko dan batas yang perlu diwaspadai

Tren ini menjanjikan disiplin, tetapi tetap ada lubang. Berikut yang menurut saya paling perlu diperhatikan tim kecil.

Ketergantungan pada satu vendor. Folder agent Cursor punya susunan khusus Cursor. Agent yang ditulis dengan Claude Agent SDK terikat pada harness Claude Code. Memindahkan agent antar-SDK berarti menulis ulang sebagian besar lapisan kode. Instruksi Markdown dan isi eval biasanya lebih mudah dipindahkan, jadi tulislah keduanya serapi mungkin.

Produk yang masih bergerak. Lihat selisih tanggal GA dan pergantian nama paket di Cursor, status beta Managed Agents, serta fitur pratinjau di AgentCore. Semuanya menunjukkan kategori ini belum mapan. Kunci versi, baca changelog sebelum update, dan jangan membangun proses bisnis kritis di atas fitur berstatus beta.

Izin yang terlalu longgar. Agent yang bisa menjalankan perintah di server adalah agent yang bisa merusak server. Dokumentasi Claude Agent SDK punya mode yang melewati pertanyaan izin, tetapi aturan larangan tetap diperiksa lebih dulu. Pakai urutan itu dengan menulis larangan yang tegas, bukan dengan mematikan semua pertanyaan.

Eval yang menenangkan palsu. Eval hanya menguji kasus yang kamu tulis. Kalau semua tes berisi pertanyaan sopan dan lengkap, agent bisa lulus dan tetap gagal menghadapi pelanggan yang marah atau pesan yang setengah jadi. Ambil contoh eval dari percakapan nyata yang sudah disamarkan.

Klaim angka dari vendor. Halaman produk AgentCore memuat studi kasus pelanggan dan angka penghematan waktu dari pihak ketiga. Itu klaim pemasaran vendor, dan saya tidak memakainya sebagai dasar keputusan di artikel ini.

Ringkasan dan langkah berikutnya

Checklist sebelum menulis agent pertama

• Tugasnya memang butuh penilaian model, dan urutan langkahnya tidak selalu sama
• Ada satu orang di tim yang sanggup merawat kode agent dan eval-nya
• Hanya satu harness yang dipilih untuk dipelajari lebih dulu
• Instruksi agent disimpan di repositori dan setiap perubahan lewat review
• Minimal lima eval ditulis dari kasus nyata sebelum agent dipakai
• Agent pertama hanya boleh membaca dan memberi saran
• Rahasia disimpan di pengelola rahasia, tidak di file instruksi
• Biaya model dan biaya tempat menjalankan dihitung terpisah

Cheat sheet

Hampir semua harness di atas berangkat dari hal yang sama: file instruksi yang menjelaskan siapa agent itu, apa tugasnya, dan apa yang tidak boleh ia lakukan. Kalau kamu ingin melatih kebiasaan menulis instruksi seperti itu, mulailah dari file AGENTS.md untuk proyek kodemu. AI AGENTS.md Generator di eduwebmu membantu menyusun draf awalnya dari deskripsi proyek. Perlakukan hasilnya sebagai draf yang kamu review, sama seperti instruksi agent mana pun.