Google Uji Optimasi Kode ADK Semalaman dengan Gemini, Dua Usulan Diterima

Tim rekayasa perangkat lunak Google menguji kemampuan model kecerdasan buatan untuk mengoptimalkan performa basis kode skala besar tanpa pengawasan manusia semalaman. Uji coba tersebut menyasar repositori sumber terbuka Google Agent Development Kit (ADK) untuk bahasa pemrograman Python, sebuah kerangka kerja resmi yang dipakai pengembang untuk merancang dan mengorkestrasi agen cerdas.

Dalam laporan teknis yang dirilis melalui Google Developers Blog, tiga insinyur Google, yakni George Weale, Bo Yang, dan Andrew Biernat, memaparkan bagaimana model Gemini 4 Argon dibiarkan bekerja secara mandiri selama 11 jam penuh. Sasaran pengujian mencakup basis kode yang terdiri atas lebih dari 200 ribu baris instruksi Python pada 800 berkas terpisah, yang diproteksi oleh 16.892 pengujian unit otomatis.

Ilustrasi penulisan kode program pada layar komputer. Gambar: Markus Spiske, commons.wikimedia.org, lisensi CC0.

Menyiapkan Pagar Pembatas untuk Agen Otonom

Mengoptimasi kinerja aplikasi berskala besar dinilai jauh lebih berisiko daripada sekadar menambal error sintaksis biasa. Upaya menaikkan kecepatan pada satu modul berpotensi merusak kompatibilitas antarmuka publik atau memicu kemunduran performa pada modul lain. Untuk mencegah hal tersebut, tim Google membekali lingkungan kerja agen dengan panduan arsitektur ketat di direktori khusus repositori GitHub proyek bersangkutan.

Agen instruksional diarahkan untuk mengidentifikasi hambatan pemrosesan memori tanpa mengubah tanda tangan antarmuka pemrograman aplikasi (API) yang sudah digunakan publik. Seluruh usulan modifikasi diwajibkan menyertakan tolok ukur kuantitatif sebelum dan sesudah perubahan, serta dilarang menggabungkan kode ke cabang utama secara otomatis tanpa persetujuan insinyur manusia.

Hasil Pengujian dan Penurunan Beban Eksekusi

Sepanjang 11 jam masa kerja, agen kecerdasan buatan membaca aturan repositori, mengukur profil konsumsi sumber daya awal, menyusun draf perbaikan, lalu memverifikasi hasilnya menggunakan ribuan skrip uji yang tersedia di repositori. Dari enam draf permintaan tarik (pull request) yang diajukan oleh agen, dewan peninjau manusia menyetujui dua usulan optimasi.

Perubahan pertama yang disetujui berfokus pada penyaringan peristiwa (event filtering) lebih awal sebelum riwayat percakapan disalin ke memori. Modifikasi ini menghasilkan penurunan beban persiapan sesi di memori hingga sekitar 40 persen pada sesi dialog interaktif berdurasi panjang. Perubahan kedua menerapkan pemuatan tertunda (lazy loading) terhadap modul dependensi berat, yang memangkas waktu impor paket dari keadaan dingin sebesar 21 persen.

Meskipun penghematan waktu per pemanggilan fungsi hanya berkisar puluhan milidetik, dampaknya menjadi sangat nyata pada alur kerja agen yang melibatkan ratusan putaran komunikasi alat. Pada simulasi uji dengan 158 putaran pemanggilan, durasi eksekusi total terpangkas dari 65,6 detik menjadi 56,1 detik, atau menghemat hampir sepuluh detik waktu tunggu murni dari beban kerangka kerja.

Tinjauan Independen dan Batasan Agen AI

Meskipun mencatat keberhasilan teknis, laporan media teknologi InfoQ menggarisbawahi bahwa eksperimen ini tetap memperlihatkan keterbatasan nyata dari otomatisasi rekayasa perangkat lunak. Empat usulan perubahan lainnya ditolak oleh peninjau manusia karena memunculkan komplikasi pemeliharaan kode jangka panjang dan potensi masalah kompatibilitas.

Ulasan tersebut menegaskan bahwa keterlibatan insinyur manusia tetap menjadi penentu akhir keselamatan dan kualitas perangkat lunak produksi. Kehadiran kerangka kerja pengujian yang komprehensif menjadi syarat mutlak sebelum organisasi menyerahkan tugas pemeliharaan basis kode kepada agen kecerdasan buatan.

Bagi kalangan praktisi rekayasa perangkat lunak maupun peneliti sistem komputasi di Indonesia, temuan ini memberikan gambaran realistis mengenai peran asisten pemrograman otonom. Agen kecerdasan buatan terbukti efektif mengurangi beban pekerjaan teknis yang berulang dan menyita waktu, seperti pemetaan hambatan profiler dan penyusunan draf refaktorisasi bertahap. Namun, keputusan akhir mengenai integrasi logika bisnis dan arsitektur sistem tetap membutuhkan pertimbangan matang dari insinyur berpengalaman.

Gambar sampul: Christopher Gower, unsplash.com, lisensi Unsplash.