CodeBuddy NPC dan paradigma AI Native Git

CodeBuddy NPC mengusung gagasan bahwa AI bukan sekadar asisten percakapan yang berdiri di luar proses kerja, melainkan peserta yang terautentikasi dan dipicu oleh peristiwa dalam sistem Git. Developer dapat memanggil peran AI dengan @mention di Issue atau pull request (PR). Setelah itu, agen dapat bekerja secara asinkron melalui rangkaian investigasi → rencana → implementasi → PR → validasi CI → perbaikan → validasi ulang. 16

Git sebagai konteks kerja AI yang persisten

Dalam model AI Native Git, repositori Git menjadi memori kerja utama bagi agen: riwayat kode, Issue, PR, hasil CI/CD, serta quality gate menyediakan konteks operasional. Artinya, tim tidak harus terus-menerus menyalin spesifikasi, potongan kode, atau log build ke dalam chat AI. NPC bekerja pada artefak yang sama dengan yang dipakai tim sehari-hari dan mengikuti alur rekayasa yang telah ada. 17

Catatan penting: dokumentasi yang tersedia membahas Issue dan PR pada platform CNB. Jadi, prinsipnya adalah pemanggilan agen lewat artefak kerja Git, bukan bukti bahwa mekanisme ini secara khusus berjalan pada GitHub Issues. 6

Rekan AI dapat dikonfigurasi per repositori

CNB memungkinkan tim mendefinisikan peran NPC khusus repositori melalui .cnb/settings.yml. Konfigurasi tersebut dapat memuat nama peran, prompt, impor basis pengetahuan, avatar, dan tombol interaksi. Dokumentasinya juga menjelaskan bahwa event NPC dipicu ketika sebuah peran disebut di Issue atau PR; perilaku khusus peran dapat diatur secara opsional melalui .cnb.yml. 36

Dengan pola ini, satu tim dapat membagi fungsi AI, misalnya menjadi peran implementasi, peninjau kode, investigator masalah, atau koordinator pekerjaan. Untuk pekerjaan yang lebih besar, beberapa NPC dapat mengambil fungsi yang berbeda secara paralel. 367

Dari permintaan hingga PR dan perbaikan CI

Setelah dipanggil, CodeBuddy NPC dapat membaca dan menafsirkan basis kode, menyusun pendekatan, menulis kode, membuat PR, menjalankan pengujian, memeriksa kegagalan CI, lalu mengiterasi perbaikan hingga hasilnya siap untuk tahap penerimaan. Karena desainnya asinkron, developer tidak harus duduk dalam satu sesi interaktif selama agen menjalankan pekerjaan tersebut. 17

Ini yang membedakannya dari bantuan coding biasa. Bantuan coding mempercepat manusia saat menulis kode, sedangkan model NPC menempatkan AI dalam rangkaian pengiriman perangkat lunak yang lebih lengkap—dari perencanaan sampai remediasi kegagalan validasi. Namun, itu adalah rancangan arsitektur dan alur kerja, bukan jaminan bahwa setiap perubahan aman dirilis tanpa peninjauan manusia. 17

CNB sebagai lingkungan eksekusi dan tata kelola

Di bawahnya, CNB menyediakan hosting Git, pipeline CI/CD, repositori artefak, dan lingkungan pengembangan cloud-native. YAML pipeline dapat menentukan image Docker, image sementara yang dibangun dari Dockerfile, dev container, volume terpasang, runner dengan tag dan alokasi CPU, serta cache Docker yang dapat digunakan kembali. Dengan begitu, build dan pengujian dapat berjalan di lingkungan terisolasi yang konsisten, bukan semata bergantung pada laptop developer. 45

Untuk otorisasi, pekerjaan pipeline memperoleh CNB_TOKEN sementara. Token ini dapat dipakai untuk operasi kode, artefak, dan API sesuai izin yang ditentukan oleh jenis event pemicu, lalu otomatis dihancurkan setelah pipeline selesai. Pada event NPC tertentu, token dapat berjalan dengan identitas NPC dan izin baca-tulis yang relevan untuk kode, PR, Issue, maupun komentar. 115

Audit trail tetap berada di alur engineering

Karena pekerjaan dimulai dari dan direkam melalui Issue, PR, commit, pipeline, serta quality gate, organisasi tetap memiliki jejak audit engineering yang familier. Pendekatan ini berbeda dari pekerjaan agen yang berlangsung sepenuhnya di luar sistem pengembangan dan sulit ditelusuri. 19

Untuk data sensitif, dokumentasi CNB tentang secret store menyebut kontrol akses, pembatasan operasi, log audit, dan watermarking. Mekanisme tersebut penting ketika agen atau pipeline perlu menggunakan kredensial, API key, sertifikat, atau token secara terkelola. 9

Upaya menekan biaya inferensi

Tencent mengaitkan penurunan konsumsi pada putaran pertama—dari lebih dari 20.000 token menjadi sekitar 2.000 token, atau lebih dari 90%—dengan optimalisasi berkelanjutan pada prompt, pemanggilan tool, keluaran CLI, dan tingkat cache hit. Tencent juga menggambarkan strategi pemilihan model berdasarkan tingkat kesulitan tugas, agar kemampuan yang lebih mahal tidak diterapkan seragam pada setiap pekerjaan. 811

Pada akhirnya, istilah “kolaborasi engineering AI” merujuk pada posisi AI di dalam siklus kerja: menerima tugas lewat artefak tim standar, bekerja dengan kontrol build dan kebijakan yang nyata, lalu menutup umpan balik antara perencanaan, coding, review, validasi, dan perbaikan. 17