Agent Skills: Tulis Instruksi Sekali, Jalan di Claude Code, Cursor, dan Copilot
  easystem   16 November 2026   Developer

Kalau kamu memakai asisten coding AI setiap hari, mungkin familiar dengan rasa kesal ini: setiap sesi baru, kamu menjelaskan ulang aturan proyek, mulai dari nama tabel, konvensi penamaan, cara menjalankan migrasi, sampai siapa yang harus minta approval sebelum deploy. Pengetahuan seperti itu seharusnya tidak hilang di dalam percakapan atau tersimpan di kepala satu orang saja.

Di GitHub Universe 2026, tim GitHub memamerkan pola yang mereka sebut agent skills, yaitu instruksi kerja yang disimpan sebagai file Markdown berversi, bisa dibaca agent mana pun, dan bisa di-review seperti kode. Artikel ini merangkum cara kerjanya dan bagaimana menerapkannya di proyek nyata.

Apa itu agent skill (dan apa yang bukan)

Agent skill adalah direktori berversi dengan satu file inti bernama SKILL.md. Isinya menjelaskan kapan dan bagaimana sebuah tugas berulang dikerjakan. Karena hanya berupa Markdown, skill bisa dipakai lintas agent: Claude Code, Cursor, GitHub Copilot, atau agent buatan sendiri yang mampu membaca file.

Yang penting dipahami adalah skill tidak memberi izin apa pun. Skill boleh menjelaskan cara meng-query database, tapi tidak membuka akses ke database itu. Tool, kredensial, dan hak akses tetap menjadi tanggung jawab host yang menjalankan agent, dan pemisahan instruksi dari izin ini memang keputusan desain, bukan keterbatasan.

Struktur minimal sebuah skill

Semua dimulai dari frontmatter YAML berisi nama dan deskripsi tugas, lalu bagian yang menjelaskan kapan skill harus dipakai. Contoh nyata dari demo Proof Agent milik GitHub:

---
name: proof-agent
description: Adversarial verification of AI-generated work. Spawns an
  independent verifier to check for false claims, broken code, and
  security issues.
---

## When to Verify

Verify automatically when:
- Subagent changed 3+ files
- ANY changed file matches: *auth*, *secret*, *permission*,
  Dockerfile, *.env*
- User explicitly asks for verification

Skip verification for:
- Formatting-only changes (whitespace, linting fixes)
- .gitignore changes

Perhatikan bahwa skill ini tidak berisi kode verifikasi. Isinya adalah keputusan: kapan memverifikasi, apa yang diperiksa, dan bukti apa yang harus disertakan. Skrip pendukungnya (scripts/verify.sh dan scripts/fact-check.sh) dipanggil dari instruksi tersebut.

Pisahkan konteks proyek dari standar tim

Kesalahan paling umum saat menulis skill adalah mencampur fakta proyek ke dalam instruksi. Nama database, schema, dan konvensi penamaan cepat berubah, sehingga kalau ditulis di dalam skill kamu akan mengedit lima file setiap kali satu tabel berganti nama.

Pola yang dipakai demo Data Forge: satu manifest YAML menyimpan seluruh konteks bisnis, dan semua skill membacanya.

project:
  name: "support-desk"
  store_name: "support_metric_store"

platform:
  engine: "duckdb"
  pipeline_framework: "spark_python"
  duckdb_dir: "warehouse"

Uji portabilitasnya sederhana. Apakah tim lain bisa memakai skill-mu dengan manifest miliknya sendiri tanpa menulis ulang isi skill? Kalau jawabannya ya, batasnya sudah benar.

Empat skill yang saling melengkapi

Contoh Data Forge memecah satu alur besar menjadi empat skill dengan tanggung jawab tunggal:

  • forge-init membaca warehouse dan codebase, lalu menghasilkan manifest proyek lengkap dari konfigurasi awal yang singkat.
  • forge-dbx menjadi satu-satunya jalur akses ke platform data (autentikasi, query, job, katalog), dengan adapter Databricks atau DuckDB yang dipilih dari manifest.
  • forge-lint menyimpan standar tim (penamaan, format SQL, strategi join, gate keamanan) sebagai skill, bukan halaman wiki yang jarang dibuka.
  • forge-builder menyusun ketiganya menjadi alur tujuh fase dari issue sampai pull request, dengan checkpoint manusia di setiap fase.

Efek sampingnya penting: karena setiap langkah punya pemilik yang jelas, mengubah satu tahap berarti mengedit satu skill saja. Ketika satu query harus jalan di DuckDB lokal dan Databricks, perbedaannya cukup satu baris manifest, bukan salinan logika koneksi di setiap skill.

Bungkus sekali, jalankan di banyak agent

Kalau tim memakai lebih dari satu agent, biasanya muncul masalah sinkronisasi karena instruksi yang sama disalin ke beberapa format. Solusinya, jadikan skills/*/SKILL.md sebagai satu-satunya sumber, lalu hasilkan file per client lewat skrip packaging.

claude plugin marketplace add tewarishishir/dataforge
claude plugin install dataforge@dataforge

node scripts/package.mjs --check

Skrip yang sama menghasilkan .claude-plugin/plugin.json untuk Claude Code, .cursor-plugin/plugin.json untuk Cursor, dan .github/agents/*.agent.md untuk GitHub Copilot. Mode --check dipakai di CI supaya build gagal kalau file hasil generate menyimpang dari sumbernya.

Setelah dipasang, jangan langsung percaya. Verifikasi bahwa client benar-benar mengenali skill untuk tugas yang dimaksud, memuat referensinya, bisa memakai tool yang dibutuhkan, dan mengembalikan bukti sesuai yang diminta skill. Model, tool, dan permission tiap client berbeda, jadi hasil di satu agent belum tentu sama di agent lain.

Verifikasi jangan dinilai sendiri

Prinsip yang paling layak ditiru dari Proof Agent: self-verification is not verification. Agent yang menulis kode tidak boleh menilai kodenya sendiri karena penjelasannya akan memengaruhi review. Verifier dijalankan sebagai agent terpisah dan hanya menerima tiga hal, yaitu permintaan asli, daftar file yang berubah, dan pendekatan yang dipakai. Penilaian diri si pekerja tidak dibagikan.

Verifier wajib memberi vonis PASS, FAIL, atau PARTIAL dengan bukti berupa file dan baris diff. Kalau bukti tidak lengkap, jawabannya PARTIAL, bukan tebakan. Hasil ini sebaiknya tetap bermuara ke CI dan aturan branch protection, bukan hanya menjadi komentar di pull request.

Kapan sebaiknya tidak memakai skill

Skill cocok untuk pekerjaan terbatas dan berulang yang butuh pertimbangan, misalnya checklist rilis, migrasi, pipeline metrik, atau review keamanan. Tapi kalau alur kerjamu butuh antarmuka stabil, state bersama, jejak audit, kontrol proses berjalan lama, atau penegakan izin di luar model, kamu butuh aplikasi, bukan instruksi Markdown.

Mulai dari satu tugas yang paling melelahkan dijelaskan

  1. Tulis tugas yang paling sering kamu ulang-ulang menjelaskannya ke agent.
  2. Catat input yang dibutuhkan, batas akhir tugas, dan seperti apa hasil yang dilihat reviewer.
  3. Pisahkan fakta proyek ke manifest, sisakan keputusan dan standar di SKILL.md.
  4. Coba skill itu di agent kedua, lalu perbaiki bagian yang ternyata tidak portabel.

Untuk tim IT yang mengelola banyak aplikasi, dari desa, sekolah, sampai instansi, pola ini terasa langsung manfaatnya: aturan deploy, konvensi kode, dan checklist keamanan berhenti menjadi pengetahuan lisan dan mulai menjadi file yang bisa di-review, di-diff, dan diwariskan.

Sumber: GitHub Blog: Build once, run on any agent, a practical guide to agent skills; Proof Agent SKILL.md; Data Forge (demo Dataforge, MIT).

Tags :

agent skills , ai coding , Claude Code , cursor , GitHub Copilot , open source

Bagikan :