ECC.md Affaan Mustafa, winner of the Anthropic Hackathon, has released Everything Claude Code (ECC), an agent harness performance optimization system containing over 108 skills, 25 subagents, 57 commands, and automated hooks and rules across multiple programming languages. The system includes features such as AgentShield with 102 security rules and claims to reduce LLM costs by 50-70% through cost-aware model routing and eval-first operations. Dokumen ini berisi rincian lengkap penjelasan teknis beserta contoh Sebelum Pemakaian Before , Sesudah Pemakaian After , Efek/Dampak Impact , dan Cara/Kapan Diaktifkan Usage & Triggers untuk seluruh 108+ skills dalam Everything Claude Code ECC ashikhussainm/anthropic-hackathon-claude-code karya Affaan Mustafa Anthropic Hackathon Winner untuk ekosistem AI Coding Agent Gemini, Antigravity, Claude Code, Cursor, Codex, OpenCode . Everything Claude Code ECC adalahAgent Harness Performance Optimization Systemterlengkap yang berisi108+ Skills,25 Subagents,57 Commands, serta otomasihooks&ruleslintas bahasa Python, Go, Java, Swift, PHP, C++, Perl, Rust . | Parameter | obra/superpowers | Everything Claude Code ECC | |---|---|---| Fokus Utama | Metodologi kerja AI TDD, Worktrees, Brainstorming | Harness System lengkap 108+ Skills, Subagents, Rules | Cakupan Bahasa | Agnostik Bahasa apa saja | Spesifik Lengkap Python, Go, Java, Swift, PHP, C++, Perl, Rust | Otomasi Keamanan | Manual Checklist Review | Otomatis via AgentShield 102 Security Rules | Subagents Spesialis | Generic Subagent Runner | 25 Subagents Spesifik architect , planner , database-reviewer , dll. | - agent-harness-construction Sebelum Pemakaian : Prompt agent tidak terstruktur, tool definition ambigu, agent sering memanggil tool yang salah atau looping tanpa batas. Sesudah Pemakaian : Action space & tool definition dioptimalkan dengan skema parameter eksplisit dan format observasi yang terstruktur. Efek : Task completion rate meningkat pesat, hilangnya error akibat miskomunikasi tool payload. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan spesifik saat merancang custom agent baru, mengkonfigurasi MCP server, atau mengoptimalkan definisi skema JSON tool agen. Trigger prompt: "desain tool agent", "optimalkan action space agent", "buat mcp tool schema". - agentic-engineering Sebelum Pemakaian : Eksekusi agent langsung menulis kode tanpa evaluasi awal, boros token karena memakai model termahal untuk tugas sederhana. Sesudah Pemakaian : Operasi berbasis eval-first , dekomposisi tugas kompleks, dan cost-aware model routing . Efek : Penghematan biaya LLM hingga 50-70%, pengerjaan fitur kompleks menjadi lebih terarah. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat memulai proyek agentic multi-agent besar, memecah epik arsitektur kompleks, atau merancang alur routing model LLM. Trigger prompt: "rancang sistem agentic", "dekomposisi fitur epik ini", "evaluasi performa agen". - ai-first-engineering Sebelum Pemakaian : Workflow tim masih manual, AI hanya dipakai untuk autocompletion sederhana 1-2 baris. Sesudah Pemakaian : Operating model penuh di mana agent menghasilkan 80% kode dasar, sementara developer fokus pada arsitektur & review. Efek : Kecepatan feature delivery naik 3x-5x lipat dengan standar kualitas dan pattern konsisten. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat menyusun pedoman operating model engineering tim berbasis AI atau menetapkan standar AI-generated code. Trigger prompt: "susun workflow ai-first", "aturan kontribusi kode ai". - ai-regression-testing Sebelum Pemakaian : Pengujian kode buatan AI membutuhkan koneksi DB live dan sering meloloskan AI blind spot . Sesudah Pemakaian : Regression testing di-sandbox tanpa dependensi DB aktif, dilengkapi pemisahan peran review otomatis. Efek : Deteksi dini bug sebelum merusak staging/production, 0% kontaminasi data test. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan sebelum melakukan git merge pada kode buatan AI atau saat menjalankan automated regression test tanpa database dependency. Trigger prompt: "jalankan ai regression test", "uji kode buatan ai di sandbox". - autonomous-loops Sebelum Pemakaian : Agent berhenti setelah 1 tool call, pengguna harus manual menekan prompt lanjut berulang kali. Sesudah Pemakaian : Loop otonom berbasis arsitektur DAG multi-agent yang terus berjalan dari perencanaan hingga pengujian akhir. Efek : Pengisian alur kerja kompleks secara otomatis tanpa intervensi manual di tiap langkah kecil. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat mengeksekusi pipeline sekuensial multi-agent atau tugas berdurasi panjang tanpa henti. Trigger prompt: "jalankan loop otonom", "autonomously execute this pipeline". - blueprint Sebelum Pemakaian : Pengguna meminta fitur besar dalam 1 kalimat, AI langsung membuat kode berantakan tanpa struktur. Sesudah Pemakaian : Tujuan 1 baris diurai menjadi rencana konstruksi multi-sesi/multi-PR lengkap dengan adversarial review gate . Efek : Penanganan refactoring/fitur skala besar tanpa kehilangan arah atau merusak arsitektur existing. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat merencanakan proyek besar multi-PR atau refactoring arsitektur skala masif. Trigger prompt: "buat blueprint untuk fitur ", "buat roadmap multi-PR". - brainstorming Sebelum Pemakaian : AI langsung berasumsi tentang kebutuhan desain pengguna dan menghasilkan kode UI/logika yang salah arah. Sesudah Pemakaian : Diskusi eksplorasi intent, persyaratan bisnis, dan opsi arsitektur dilakukan sebelum 1 baris kode ditulis. Efek : Menghindari re-work dan penulisan ulang kode akibat salah paham spesifikasi awal. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan sebelum memulai pekerjaan kreatif, menambah fitur baru, atau mengubah perilaku komponen UI/backend. Trigger prompt: "mari brainstorm fitur X ", "eksplorasi desain untuk Y ". - configure-ecc Sebelum Pemakaian : Konfigurasi skills dan rules dilakukan manual satu per satu, rawan salah jalur file. Sesudah Pemakaian : Wizard installer interaktif yang memandu pemilihan, pemasangan, dan verifikasi skills/rules. Efek : Setup lingkungan kerja AI agent bersih, tervalidasi, dan siap pakai dalam hitungan detik. Cara / Kapan Diaktifkan : Slash Command / Tool Jalankan saat setup awal lingkungan kerja agen atau mengatur direktori .gemini/ atau .agents/ . Trigger prompt: /configure-ecc atau "konfigurasi skills ECC". - continuous-agent-loop Sebelum Pemakaian : Loop agent berjalan tanpa kontrol kualitas, berisiko meluncurkan kode rusak. Sesudah Pemakaian : Continuous loop dilengkapi quality gates , evaluasi hasil tiap langkah, dan mekanisme pemulihan otomatis. Efek : Agent mampu memperbaiki jalurnya sendiri saat menemui error kompilasi/tes. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan pada eksekusi agent otonom berdurasi panjang yang memerlukan evaluasi berkala di tiap checkpoint. Trigger prompt: "mulai continuous loop dengan quality gate". - continuous-learning Sebelum Pemakaian : Koreksi atau solusi yang ditemukan di sesi hari ini dilupakan di sesi besok. Sesudah Pemakaian : Pola dan solusi dari sesi otomatis diekstrak dan disimpan sebagai learned skill terisolasi. Efek : AI menjadi semakin pintar dan relevan dengan konvensi khusus pada repository Anda. Cara / Kapan Diaktifkan : Slash Command / Hook Jalankan di akhir sesi atau saat memunculkan koreksi yang ingin disimpan permanen. Trigger prompt: /learn atau "simpan pola pembelajaran ini". - continuous-learning-v2 Sebelum Pemakaian : Pola yang dipelajari sering tercampur antar-projek cross-project contamination . Sesudah Pemakaian : Pembelajaran berbasis insting atomic dengan skor kepercayaan confidence score dan isolasi berbasis projek. Efek : Akurasi saran AI sangat tinggi sesuai konteks repo aktif. Cara / Kapan Diaktifkan : Automated Hook Berjalan otomatis di background saat agen menerima masukan koreksi pengguna berulang kali dalam satu workspace. - cost-aware-llm-pipeline Sebelum Pemakaian : Semua permintaan dikirim ke model flagship yang mahal. Sesudah Pemakaian : Alokasi cerdas berbasis kompleksitas tugas, penggunaan prompt caching , dan mekanisme retry. Efek : Pemangkasan tagihan API LLM hingga 60% tanpa mengorbankan kualitas. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat merancang fitur backend berbasis LLM API, mengimplementasikan routing model berbiaya hemat, atau mengatur prompt caching. Trigger prompt: "optimalkan biaya llm api", "rancang llm routing pipeline". - enterprise-agent-ops Sebelum Pemakaian : Agent yang berjalan lama sulit dipantau, rawan kebocoran data sensitif. Sesudah Pemakaian : Manajemen siklus hidup agent dengan observability lengkap, logging , serta batasan keamanan. Efek : Aman menjalankan agent otonom untuk infrastruktur enterprise. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat men-deploy agen otonom ke lingkungan server enterprise atau mengatur audit logging agent. Trigger prompt: "setup enterprise agent ops", "monitor agen otonom di server". - eval-harness Sebelum Pemakaian : Kualitas jawaban AI dinilai secara subjektif, tidak ada indikator kuantitatif. Sesudah Pemakaian : Framework evaluasi formal berbasis Eval-Driven Development EDD pada dataset uji. Efek : Terukurnya tingkat akurasi dan regresi agent secara objektif. Cara / Kapan Diaktifkan : Slash Command / Tool Jalankan saat melakukan benchmark akurasi jawaban agen terhadap test suite. Trigger prompt: /eval-harness atau "uji akurasi agen". - executing-plans Sebelum Pemakaian : Rencana implementasi yang dibuat sering diabaikan atau dieksekusi melenceng. Sesudah Pemakaian : Rencana dieksekusi secara ketat dalam sesi terpisah dengan titik verifikasi checkpoints . Efek : Kode yang dihasilkan 100% presisi sesuai spesifikasi dokumen rencana awal. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat mengeksekusi dokumen implementation plan.md yang telah disetujui pengguna. Trigger prompt: "eksekusi rencana di implementation plan.md". - iterative-retrieval Sebelum Pemakaian : Agent mengambil konteks file secara one-shot , sering kehilangan konteks pendukung. Sesudah Pemakaian : Refinemen konteks secara bertahap dan progresif untuk memperjelas query subagent. Efek : Jawaban agent jauh lebih akurat dan terhindar dari halusinasi. Cara / Kapan Diaktifkan : Automated Subagent Skill Otomatis dipanggil oleh subagent saat pencarian konteks awal menghasilkan data ambigu atau parsial. - prompt-optimizer Sebelum Pemakaian : Pengguna memberikan prompt ambigu, AI bingung memilih tool dan konteks. Sesudah Pemakaian : Prompt mentah dianalisis, dicocokkan dengan komponen ECC, dan direkonstruksi menjadi prompt optimal. Efek : Respon AI langsung to-the-point dan mengeksekusi langkah terbaik dalam 1 turn. Cara / Kapan Diaktifkan : On-Demand Advisory Skill Dibutuhkan saat ingin memperbaiki kualitas prompt sebelum dikirim ke agent. Trigger prompt: "optimalkan prompt: prompt kamu ", "optimize prompt", "perbaiki cara prompt ini". - regex-vs-llm-structured-text Sebelum Pemakaian : Memparsing file log/JSON berukuran gigabyte menggunakan LLM, membuang ribuan token. Sesudah Pemakaian : Menggunakan Regex deterministik untuk 95% pola terstruktur, baru beralih ke LLM untuk edge case . Efek : Kecepatan ekstraksi data naik 100x lipat, penghematan token hingga 99%. Cara / Kapan Diaktifkan : On-Demand Skill Dibutuhkan saat membuat parser log berukuran besar, ekstraksi data terstruktur masif, atau optimasi pemrosesan teks. Trigger prompt: "pilih regex atau llm untuk parsing file ini", "buat parser log efisien". - search-first Sebelum Pemakaian : AI langsung membuat fungsi utilitas kustom padahal pustaka standar sudah menyediakannya. Sesudah Pemakaian : Memanggil agent peneliti untuk mencari pustaka, fungsi standar, atau komponen existing sebelum menulis kode. Efek : Menghindari duplikasi kode anti-reinventing the wheel . Cara / Kapan Diaktifkan : Otomatis terpicu sebelum menulis kode helper baru atau mengetik "search first". - security-scan Sebelum Pemakaian : File konfigurasi .claude/ rentan terhadap prompt injection atau kebocoran API key. Sesudah Pemakaian : AgentShield memindai 102 aturan keamanan terhadap konfigurasi, MCP server, dan hooks. Efek : Sistem agent bebas dari celah keamanan dan kebocoran kredensial. Cara / Kapan Diaktifkan : Ketik /security-scan atau jalankan pemindaian AgentShield pada folder agent. - skill-stocktake Sebelum Pemakaian : Terlalu banyak skills terpasang hingga membuat AI bingung skill overload . Sesudah Pemakaian : Audit berkala terhadap keaktifan, performa, dan relevansi seluruh skills & slash commands. Efek : Mengeliminasi skill redundant, menjaga agent tetap efisien. Cara / Kapan Diaktifkan : Ketik /skill-stocktake untuk me-review keaktifan dan kesehatan daftar skill. - strategic-compact Sebelum Pemakaian : Auto-compaction terjadi di waktu acak, menghapus konteks penting di tengah tugas. Sesudah Pemakaian : Rekomendasi perangkuman konteks dilakukan pada jeda logis antar-fase tugas. Efek : Memori percakapan tetap jernih tanpa kehilangan detail kritis. Cara / Kapan Diaktifkan : Muncul otomatis sebagai saran perangkuman konteks di akhir fase rencana/implementasi. - subagent-driven-development Sebelum Pemakaian : Main agent mengerjakan semua sub-tugas sekuensial dalam 1 context window yang berat. Sesudah Pemakaian : Subagent independen dipanggil untuk mengeksekusi sub-tugas terisolasi dengan 2-stage review. Efek : Efisiensi memori utama tetap terjaga, pengerjaan tugas paralel sangat cepat. Cara / Kapan Diaktifkan : Dipanggil saat mengeksekusi rencana dengan tugas-tugas independen paralel dalam 1 sesi. - using-superpowers Sebelum Pemakaian : AI menjawab langsung tanpa memeriksa skill spesifik yang tersedia di repositori. Sesudah Pemakaian : Inisialisasi otomatis pada awal sesi untuk mendeteksi dan mengaktifkan skill set yang relevan. Efek : AI langsung bekerja menggunakan aturan baku repositori sejak respon pertama. Cara / Kapan Diaktifkan : Otomatis aktif pada awal setiap sesi percakapan baru. - verification-before-completion Sebelum Pemakaian : AI mengklaim "bug sudah diperbaiki" padahal kode belum di-compile atau ditest. Sesudah Pemakaian : Agen diwajibkan menjalankan perintah kompilasi/test npm test , cargo test sebelum mengklaim selesai. Efek : 0% klaim sukses palsu hallucinated success . Cara / Kapan Diaktifkan : Otomatis terpicu sebelum agen memberikan jawaban akhir bahwa tugas sudah selesai. - verification-loop Sebelum Pemakaian : Setelah edit kode, hanya 1 file test yang diuji, mengabaikan potensi breaking change . Sesudah Pemakaian : Loop verifikasi menyeluruh memverifikasi build, linter, test suite, dan security scan. Efek : Memastikan seluruh integrasi aplikasi tetap stabil dan bebas regresi. Cara / Kapan Diaktifkan : Dipanggil otomatis sebelum membuat Pull Request atau klaim fitur rilis. - writing-plans Sebelum Pemakaian : Menulis rencana kasar di chat biasa yang cepat hilang atau tertimbun. Sesudah Pemakaian : Menyusun dokumen rencana implementasi terperinci implementation plan.md sebelum modifikasi kode. Efek : Pengguna memiliki transparansi penuh dan bisa mereview/menyetujui rencana teknis terlebih dahulu. Cara / Kapan Diaktifkan : Dipanggil otomatis saat tugas kompleks membutuhkan perombakan multi-file atau perubahan arsitektur. - writing-skills Sebelum Pemakaian : Membuat skill baru dengan format YAML/Markdown asal-asalan yang tidak dibaca agen. Sesudah Pemakaian : Panduan pembuatan dan pengujian skill baru mengikuti standar arsitektur ECC. Efek : Skill baru dipastikan berfungsi 100% presisi dan ter-load otomatis. Cara / Kapan Diaktifkan : Dipakai saat pengguna atau agen ingin membuat atau mengedit file skill SKILL.md . - article-writing Sebelum Pemakaian : Tulisan artikel buatan AI terasa kaku, generik, dan dipenuhi frasa klise. Sesudah Pemakaian : Artikel panjang disusun dengan struktur naratif kuat, gaya bahasa terkalibrasi, dan kutipan kredibel. Efek : Konten profesional siap terbit tanpa perlu banyak proses editing ulang. Cara / Kapan Diaktifkan : Ketik "tulis artikel tentang...", "buat blog post", atau saat menulis panduan panjang. - content-engine Sebelum Pemakaian : Membuat postingan sosial media secara manual satu per satu untuk tiap platform. Sesudah Pemakaian : Mengubah 1 materi sumber menjadi sistem konten native multi-platform X, LinkedIn, TikTok, YouTube . Efek : Kecepatan produksi konten meningkat 5x lipat dengan konsistensi pesan brand. Cara / Kapan Diaktifkan : Ketik "buat campaign konten sosial media dari dokumen ini" atau "generate content engine". - content-hash-cache-pattern Sebelum Pemakaian : Pemrosesan ulang file berat dilakukan setiap kali server restart. Sesudah Pemakaian : Hasil pemrosesan di-cache berdasarkan hash SHA-256 isi file, otomatis invalidasi jika isi berubah. Efek : Waktu pemrosesan ulang berkurang menjadi 0ms untuk file yang tidak berubah. Cara / Kapan Diaktifkan : Dipakai saat merancang modul caching file, build tool, atau skrip pengolahan data mahal. - crosspost Sebelum Pemakaian : Copy-paste teks yang persis sama ke X, LinkedIn, dan Threads terkena sanksi duplikasi . Sesudah Pemakaian : Konten diadopsi secara otomatis sesuai personality dan limitasi karakter tiap jaringan sosial. Efek : Jangkauan postingan optimal di semua platform tanpa terdetect spam. Cara / Kapan Diaktifkan : Ketik "crosspost postingan ini ke X dan LinkedIn". - fal-ai-media Sebelum Pemakaian : Membutuhkan berbagai API terpisah untuk membuat gambar, suara, dan video AI. Sesudah Pemakaian : Generasi media terpadu via fal.ai MCP image Nano Banana, video Seedance/Kling/Veo3, audio CSM-1B . Efek : Pembuatan aset visual dan audio berkualitas tinggi langsung dari alur kerja agent. Cara / Kapan Diaktifkan : Otomatis dipanggil saat meminta bantuan pembuatan gambar, audio, atau video AI via fal.ai. - frontend-patterns Sebelum Pemakaian : Kode React/Next.js dibuat dengan state manajemen acak dan unhandled re-renders . Sesudah Pemakaian : Penerapan pola frontend modern clean component boundary, memoization, custom hooks . Efek : Performa aplikasi web responsif, bebas dari kebocoran memori. Cara / Kapan Diaktifkan : Otomatis aktif saat membuat atau merestrukturisasi komponen React, Next.js, atau Vue. - frontend-slides Sebelum Pemakaian : Slide presentasi HTML terlihat membosankan seperti dokumen cetak biasa. Sesudah Pemakaian : Slide HTML interaktif berbasis animasi modern dengan opsi konversi otomatis dari PPTX. Efek : Presentasi web yang memukau, responsif, dan mudah di-host secara online. Cara / Kapan Diaktifkan : Ketik "buatkan slide presentasi HTML" atau "konversi file PPTX ini ke web slide". - liquid-glass-design Sebelum Pemakaian : Tampilan aplikasi iOS menggunakan desain flat biasa yang terasa usang. Sesudah Pemakaian : Desain SwiftUI/UIKit berbasis iOS 26 Liquid Glass dengan efek blur dinamis, refleksi cahaya, dan morphing. Efek : Antarmuka aplikasi terasa sangat premium dan modern. Cara / Kapan Diaktifkan : Dipakai saat mendesain UI SwiftUI/UIKit bertema iOS 26 Liquid Glass. - nextjs-turbopack Sebelum Pemakaian : Konfigurasi build Next.js lambat menggunakan Webpack standar pada repositori besar. Sesudah Pemakaian : Pemanfaatan Next.js 16+ dan Turbopack untuk incremental bundling dan file system caching . Efek : Waktu cold start dev server dan HMR 10x lebih cepat. Cara / Kapan Diaktifkan : Otomatis aktif saat mengonfigurasi atau melakukan optimasi dev speed pada proyek Next.js 16+. - ui-ux-pro-max-skill Sebelum Pemakaian : AI menghasilkan UI generik berskala warna dasar dengan layout "AI-slop" standar. Sesudah Pemakaian : Memanfaatkan database intelijen lokal 84 style, 192 palet warna, 74 font pairing untuk merancang UI memukau. Efek : Desain antarmuka kelas dunia yang terlihat seperti buatan agensi profesional. Cara / Kapan Diaktifkan : Ketik "desain tampilan UI ini dengan ui-ux-pro-max" atau otomatis saat merancang komponen visual web/mobile. - video-editing Sebelum Pemakaian : Editing video harus dilakukan manual via software GUI berat. Sesudah Pemakaian : Workflow terotomasi pemotongan footage, penambahan efek, transisi FFmpeg, Remotion, dan voiceover ElevenLabs. Efek : Pembuatan video promo/edukasi dapat diprogram dan dieksekusi secara otomatis. Cara / Kapan Diaktifkan : Dipanggil saat meminta otomatisasi potong video, edit klip via FFmpeg/Remotion, atau dubbing. - videodb Sebelum Pemakaian : Sulit mencari momen tertentu dalam video berdurasi panjang tanpa menonton ulang. Sesudah Pemakaian : Memproses, mengindeks visual & semantik, serta mencari timestamp momen spesifik dalam video/audio. Efek : Ekstraksi klip dan analisis konten multimedia super cepat berdasarkan query teks. Cara / Kapan Diaktifkan : Dipanggil saat memerlukan pemrosesan, indeks timestamp, atau pencarian isi video/audio. - api-design Sebelum Pemakaian : Endpoint REST API berantakan POST /get user data , status code acak, tanpa paginasi. Sesudah Pemakaian : Standar REST API profesional penamaan resource plural, status HTTP tepat, paginasi cursor . Efek : API konsisten, rapi, dan mudah diintegrasikan. Cara / Kapan Diaktifkan : Otomatis terpicu saat merancang skema atau endpoint REST API baru. - backend-patterns Sebelum Pemakaian : Kode server Node.js/Express menumpuk dalam 1 file besar god file . Sesudah Pemakaian : Arsitektur berlapis Controller-Service-Repository , koneksi DB ter-pool, middleware terisolasi. Efek : Codebase backend bersih, mudah di-maintain, dan tahan beban tinggi. Cara / Kapan Diaktifkan : Dipakai saat membangun atau merestrukturisasi service backend Node.js, Express, atau Next.js API. - bun-runtime Sebelum Pemakaian : Menjalankan aplikasi Node.js dengan ts-node yang lambat dan instalasi npm memakan waktu. Sesudah Pemakaian : Menggunakan Bun sebagai runtime eksekusi native TypeScript, package manager, dan test runner. Efek : Eksekusi script 3x lebih cepat, waktu instalasi dependensi berkurang hingga 80%. Cara / Kapan Diaktifkan : Dipakai saat membuat proyek berbasis Bun atau memigrasikan skrip Node.js ke Bun. - clickhouse-io Sebelum Pemakaian : Kueri agregasi data analitik pada SQL tradisional membutuhkan waktu berdetik-detik. Sesudah Pemakaian : Penerapan pola database ClickHouse Columnar dengan skema engine MergeTree. Efek : Kueri agregasi miliaran baris data selesai dalam hitungan milidetik. Cara / Kapan Diaktifkan : Otomatis aktif saat mengoptimalkan kueri SQL analitik atau merancang skema ClickHouse. - data-scraper-agent Sebelum Pemakaian : Script scraper manual sering break saat struktur HTML website berubah. Sesudah Pemakaian : Agent kolektor otomatis berbasis AI gratis GitHub Actions + Gemini Flash yang menyesuaikan skema otomatis. Efek : Pengumpulan data publik berjalan 24/7 secara gratis tanpa pemeliharaan script rumit. Cara / Kapan Diaktifkan : Ketik "buatkan data scraper agent untuk situs URL ". - database-migrations Sebelum Pemakaian : Migrasi skema database merusak data existing atau menyebabkan downtime aplikasi. Sesudah Pemakaian : Best practices migrasi bertahap expand-and-contract , skema rollback teruji, tanpa downtime. Efek : Perubahan struktur DB aman 100% tanpa mengganggu pengguna. Cara / Kapan Diaktifkan : Otomatis terpicu saat membuat file migrasi skema DB Prisma, Drizzle, Django, Flyway . - deployment-patterns Sebelum Pemakaian : Deployment aplikasi dilakukan manual via SSH/FTP, tanpa health check atau alur rollback. Sesudah Pemakaian : Pipeline CI/CD otomatis, kontainerisasi Docker multi-stage, zero-downtime rolling update. Efek : Rilis versi baru aplikasi aman dan terukur. Cara / Kapan Diaktifkan : Dipakai saat menyusun file CI/CD pipeline GitHub Actions, GitLab CI atau strategi deploy. - docker-patterns Sebelum Pemakaian : Ukuran image Docker membengkak 1-2 GB , berjalan sebagai root. Sesudah Pemakaian : Dockerfile multi-stage minimalis, non-root user, optimasi layer cache. Efek : Ukuran image berkurang hingga 80%, keamanan kontainer terjamin. Cara / Kapan Diaktifkan : Otomatis aktif saat membuat atau mengedit Dockerfile dan docker-compose.yml . - documentation-lookup Sebelum Pemakaian : AI menggunakan pengetahuan lama dan menghasilkan sintaks API yang sudah deprecated. Sesudah Pemakaian : Mengambil dokumentasi pustaka/framework versi terbaru secara realtime via Context7 MCP. Efek : Kode yang ditulis selalu akurat sesuai dengan versi library terbaru. Cara / Kapan Diaktifkan : Otomatis aktif saat bertanya tentang penggunaan library/framework tertentu React, Next.js, Prisma, dll. . - e2e-testing Sebelum Pemakaian : Test Playwright serba flaky , penulisan selector keras, tanpa penanganan artifact. Sesudah Pemakaian : Implementasi Page Object Model POM , selector berbasis role, retry logic, dan laporan visual. Efek : Suite E2E test yang stabil dan memberikan feedback reliabel. Cara / Kapan Diaktifkan : Dipakai saat menulis atau merestrukturisasi skrip pengujain Playwright E2E. - exa-search Sebelum Pemakaian : Pencarian web AI biasa mengembalikan hasil berita umum yang kurang relevan untuk kode. Sesudah Pemakaian : Pencarian neural via Exa MCP spesifik untuk repositori kode, riset perusahaan, dan dokumentasi teknis. Efek : Informasi teknis dan contoh kode mendalam ditemukan secara tepat presisi. Cara / Kapan Diaktifkan : Dipanggil otomatis saat agen membutuhkan pencarian riset web/kode tingkat lanjut via Exa MCP. - mcp-server-patterns Sebelum Pemakaian : Membuat server MCP dengan struktur kustom yang rentan error validasi runtime. Sesudah Pemakaian : Mengikuti skema resmi SDK Node/TS Zod validation, definisi tools/resources/prompts . Efek : Server MCP terstruktur standar dan stabil. Cara / Kapan Diaktifkan : Dipakai saat mendesain atau mengoding server Model Context Protocol MCP baru. - nanoclaw-repl Sebelum Pemakaian : Lingkungan eksekusi kode sementara membutuhkan setup env berat. Sesudah Pemakaian : Mengoperasikan REPL NanoClaw v2 yang ringan, tanpa dependensi eksternal, dan sadar konteks sesi. Efek : Pengujian snippet kode secara instan dan aman. Cara / Kapan Diaktifkan : Dipanggil saat menjalankan skrip pengujian REPL sementara via NanoClaw v2. - postgres-patterns Sebelum Pemakaian : Kueri SQL lambat akibat N+1 query problem , kurangnya indeks yang tepat. Sesudah Pemakaian : Pola database PostgreSQL modern optimasi kueri Supabase, penambahan indeks GIN, RLS security . Efek : Kecepatan kueri naik puluhan kali lipat dan tingkat keamanan data terjamin. Cara / Kapan Diaktifkan : Otomatis terpicu saat menulis kueri SQL PostgreSQL, migrasi skema, atau aturan RLS Supabase. : python-patterns Before : Kode Python bergaya C/Java, loop manual, type hint diabaikan. After : Kode Pythonic bersih, PEP 8 compliance, type hint lengkap, generator efisien. Impact : Kode mudah dibaca dengan performa memori optimal. Usage/Trigger : Otomatis aktif saat menulis atau merefactor kode Python .py . : python-testing Before : Test menggunakan unittest usang, fixtures diulang-ulang. After : Test suite pytest modern, fixtures modular, parametrization, coverage 80%. Impact : Pengujian cepat, komprehensif, dan mudah di-maintain. Usage/Trigger : Otomatis aktif saat menulis atau membenarkan tes pytest test .py . : django-patterns Before : Logika bisnis ditumpuk di dalam views.py atau models.py . After : Arsitektur berlapis Django Service layer, Selector pattern, DRF Serializers terpisah . Impact : Codebase Django terstruktur rapi dan mudah di-maintain. Usage/Trigger : Dipakai saat merancang aplikasi Django atau REST API DRF. : django-security Before : Pengaturan DEBUG=True melolos ke produksi, proteksi CSRF di-bypass. After : Audit keamanan menyeluruh penanganan ORM aman, batasan CORS/CSRF, header keamanan . Impact : Aplikasi Django aman dari celah OWASP Top 10. Usage/Trigger : Otomatis terpicu saat mengonfigurasi settings.py atau titik autentikasi Django. : django-tdd Before : Menulis kode fitur Django dahulu, lalu malas membuat test. After : Workflow Red-Green-Refactor dengan pytest-django dan factory boy . Impact : Kualitas kode terjamin sejak awal dan bebas bug regresi. Usage/Trigger : Dipakai saat menerapkan TDD pada fitur baru aplikasi Django. : django-verification Before : Push kode Django tanpa mengecek migrasi yang tertinggal. After : Loop verifikasi otomatis menjalankan check migrasi, flake8, pytest coverage. Impact : Mencegah kegagalan deployment akibat migrasi yang lupa dibuat. Usage/Trigger : Jalankan verifikasi sebelum PR merge pada repositori Django. : golang-patterns Before : Mengabaikan konvensi Go, penanganan error di-bypass . After : Kode Go idiomatik, penanganan error eksplisit, struct embedding rapi. Impact : Performa tinggi, efisiensi memori, dan kode sangat bersih. Usage/Trigger : Otomatis aktif saat mengoding file Go .go . : golang-testing Before : Menulis pengujian Go dengan if got = want berulang-ulang. After : Table-driven testing idiomatik, subtests t.Run , benchmark b.N , fuzz testing. Impact : Pengujian terstruktur dan menemukan edge case tersembunyi. Usage/Trigger : Otomatis aktif saat menulis atau membenarkan tes Go test.go . : java-coding-standards Before : Penggunaan mutabilitas variabel di mana-mana, NullPointerException sering terjadi. After : Standar Java modern Records, Immutability, Optional , Stream API . Impact : Terhindar dari error null runtime dan struktur data aman. Usage/Trigger : Otomatis terpicu saat menulis kelas Java di proyek Spring Boot. : jpa-patterns Before : Mengalami masalah N+1 query dan lazy loading exception . After : Optimasi JPA/Hibernate @EntityGraph , JOIN FETCH, skema indeks tepat . Impact : Beban DB berkurang drastis dan kecepatan respon API melesat. Usage/Trigger : Dipakai saat merancang Entity JPA atau repository data Spring. : springboot-patterns Before : Controller memanggil DB langsung, dependensi di-inject via field @Autowired . After : Layered Architecture Controller - Service - Repository , Constructor Injection. Impact : Komponen mudah di-unit test dan memiliki pemisahan tanggung jawab yang jelas. Usage/Trigger : Dipakai saat membangun arsitektur backend Spring Boot. : springboot-security Before : Konfigurasi Spring Security rumit dan sering memblokir endpoint yang salah. After : Konfigurasi SecurityFilterChain modern, JWT stateless, RBAC, rate limiting. Impact : Autentikasi dan otorisasi aman sesuai standar enterprise. Usage/Trigger : Dipakai saat mengatur keamanan Spring Security atau token JWT. : springboot-tdd Before : Testing Spring Boot harus menyalakan context penuh @SpringBootTest yang lambat. After : Unit test cepat dengan Mockito/JUnit 5, pengujian slice @WebMvcTest , Testcontainers. Impact : Kecepatan run test 10x lebih cepat. Usage/Trigger : Dipakai saat menulis suite pengujian TDD Spring Boot. : springboot-verification Before : Membangun JAR tanpa memverifikasi aturan SpotBugs. After : Verification loop memverifikasi Gradle/Maven build, PMD/Checkstyle, tes unit & integrasi. Impact : Artefak buatan dipastikan 100% siap rilis. Usage/Trigger : Jalankan verifikasi sebelum rilis artifact JAR/WAR Spring Boot. : android-clean-architecture Before : Logika bisnis tercampur di dalam MainActivity.kt . After : Arsitektur Clean Domain UseCases, Data Repositories, Presentation ViewModels . Impact : Kode Android mudah diuji, di-maintain, dan mendukung KMP. Usage/Trigger : Otomatis terpicu saat mendesain struktur modul aplikasi Android/KMP. : compose-multiplatform-patterns Before : State Jetpack Compose sering ter-recompose tanpa kontrol. After : Pengelolaan state Compose teroptimasi remember , derivedStateOf , immutable state . Impact : UI berjalan mulus di 60/120 FPS. Usage/Trigger : Dipakai saat menulis UI Jetpack Compose / Compose Multiplatform. : kotlin-coroutines-flows Before : Penggunaan GlobalScope yang memicu memory leak. After : Structured Concurrency viewModelScope , StateFlow , SharedFlow . Impact : Operasi asynchronous aman dari memory leak. Usage/Trigger : Dipakai saat mengelola alur data asynchronous atau Coroutines. : kotlin-exposed-patterns Before : Menulis kueri SQL mentah di Kotlin. After : Pemanfaatan JetBrains Exposed ORM via DSL query atau DAO pattern. Impact : Akses DB type-safe dengan performa eksekusi sangat tinggi. Usage/Trigger : Dipakai saat mengkonfigurasi atau menulis kueri JetBrains Exposed ORM. : kotlin-ktor-patterns Before : Setup server Ktor tanpa struktur plugin yang jelas. After : Ktor server DSL rapi, modul penanganan auth, Koin DI. Impact : Backend Ktor sangat ringan dan cepat. Usage/Trigger : Dipakai saat membangun service HTTP server berbasis Ktor. : kotlin-patterns Before : Menulis kode Kotlin seperti Java yang di-convert otomatis. After : Idiom Kotlin sejati null safety cerdas, extension functions, scope functions . Impact : Baris kode berkurang hingga 40% dan terbebas dari NPE. Usage/Trigger : Otomatis aktif saat mengoding file Kotlin .kt . : kotlin-testing Before : Kesulitan menguji Coroutine dan Flow karena masalah timing thread. After : Testing modern dengan Kotest, MockK, runTest coroutine dispatcher. Impact : Pengujian logika asynchronous presisi. Usage/Trigger : Otomatis aktif saat menulis tes Kotlin dengan Kotest / MockK. : laravel-patterns Before : Menggunakan closure routes atau Controller raksasa. After : Arsitektur Laravel modern Form Requests, Eloquent API Resources, Jobs/Queues . Impact : Aplikasi Laravel rapi dan mudah dibaca. Usage/Trigger : Otomatis terpicu saat mengoding fitur atau controller Laravel. : laravel-security Before : Kerentanan Mass Assignment , upload file tanpa validasi tipe MIME. After : Sanitasi input ketat, penggunaan $fillable aman, proteksi CSRF/XSS. Impact : Aplikasi terbebas dari celah keamanan umum Laravel. Usage/Trigger : Dipakai saat meninjau titik autentikasi atau masukan form Laravel. : laravel-tdd Before : Pengujian Laravel manual lewat browser setiap kali merubah logika. After : TDD otomatis dengan Pest/PHPUnit,RefreshDatabase, dan Fakes. Impact : Siklus eksekusi test instan. Usage/Trigger : Dipakai saat menerapkan TDD pada fitur Laravel. : laravel-verification Before : Mengirim PR tanpa menjalankan PHPStan atau Pint formatter. After : Loop verifikasi otomatis menjalankan Laravel Pint, PHPStan, Pest test. Impact : Kode yang di-push selalu rapi dan bebas error sintaks. Usage/Trigger : Jalankan verifikasi sebelum merge Pull Request aplikasi Laravel. : cpp-coding-standards Before : Penggunaan pointer mentah raw pointers , new/delete manual. After : Standar C++ Core Guidelines Smart Pointers, RAII, std::string view . Impact : Kode C++ aman dari kebocoran memori dan crash pointer. Usage/Trigger : Otomatis aktif saat menulis atau memutakhirkan kode C++ .cpp , .h . : cpp-testing Before : Kesulitan mendiagnosa kenapa test C++ gagal atau crash. After : Suite pengujian GoogleTest/CTest terstruktur, AddressSanitizer ASan . Impact : Bug memori terdeteksi langsung saat pengujian. Usage/Trigger : Dipakai saat menulis atau mentautkan tes GoogleTest / CTest. : foundation-models-on-device Before : Mengirim data teks sensitif pengguna ke cloud server eksternal. After : Memanfaatkan framework Apple FoundationModels untuk LLM on-device iOS 26+. Impact : Privasi data pengguna 100% terjaga tanpa latensi jaringan. Usage/Trigger : Dipakai saat mengintegrasikan LLM on-device Apple Swift iOS 26+ . : swift-actor-persistence Before : Masalah data race dan crash aplikasi saat beberapa thread membaca/menulis bersamaan. After : Sistem penyimpanan berbasis Swift actor yang menjamin keamanan thread. Impact : Terbebas 100% dari bug crash akibat concurrency data race. Usage/Trigger : Dipakai saat membuat modul caching atau persistence lokal Swift. : swift-concurrency-6-2 Before : Kode Swift lama penuh @Sendable warnings. After : Penerapan Swift 6.2 Approachable Concurrency @concurrent background offloading . Impact : Kompilasi Swift bersih tanpa warning concurrency. Usage/Trigger : Otomatis terpicu saat mengoding concurrency Swift 6.2+. : swift-protocol-di-testing Before : Unit test Swift bergantung pada koneksi internet atau sistem file asli. After : Dependency Injection berbasis protocol sederhana untuk mem-mock network & filesystem. Impact : Pengujian unit berjalan sangat cepat dan terisolasi. Usage/Trigger : Dipakai saat mengkonfigurasi mock dependency injection di Swift Testing. : swiftui-patterns Before : Penggunaan @StateObject lama yang menyebabkan re-render hirarki View. After : Arsitektur SwiftUI modern berbasis @Observable macro iOS 17+ . Impact : UI SwiftUI sangat responsif. Usage/Trigger : Otomatis aktif saat merancang komponen SwiftUI View. swiftui-patterns Performance & Modern UI : Before : Animasi UI patah-patah saat scrolling list dengan banyak gambar. After : Optimasi komposisi View, lazy loading LazyVStack , pemrosesan aset background. Impact : Tampilan antarmuka iOS/macOS berkinerja tinggi. Usage/Trigger : Dipakai saat optimasi performa frame rate dan animasi SwiftUI. : design-patterns Before : Kode Rust terlalu rumit dengan kepemilikan bertabrakan, banyak .clone . After : Penerapan Rust Design Patterns Newtype, Builder, RAII, State Machine . Impact : Kode Rust bersih, aman, dan efisien. Usage/Trigger : Otomatis terpicu saat mendesain struktur modul Rust. : rtk-tdd Before : Menulis fitur Rust dulu lalu kesulitan membuat test karena borrow checker. After : Red-Green-Refactor sejati dalam cfg test dengan Arrange-Act-Assert. Impact : Desain API Rust teruji sejak awal. Usage/Trigger : Aktif otomatis saat menambah fitur atau perbaikan pada codebase Rust RTK . : rust-patterns Before : Penggunaan .unwrap berlebihan yang menyebabkan aplikasi panic di produksi. After : Penanganan error idiomatik dengan Result