Red-Green-Refactor: Disiplin TDD untuk AI Agent yang Lebih Andal

AI Agent menjadi semakin populer dalam ekosistem pengembangan perangkat lunak. Mulai dari asisten coding hingga agen otomasi workflow, kemampuan mereka tampak menjanjikan. Namun ada satu masalah yang sering menghantui: halusinasi. AI Agent terkadang menghasilkan kode yang meyakinkan tapi salah, menginisiasi variabel yang tidak ada, atau memanggil fungsi dengan signature yang tidak sesuai. Bagi developer yang mengandalkan AI Agent untuk produktivitas, halusinasi ini bukan hanya mengganggu, tapi bisa merusak.

Bagaimana kita meminimalisir halusinasi ini? Jawabannya mungkin tidak terduga: Test-Driven Development (TDD). Lebih spesifik lagi, siklus Red-Green-Refactor yang menjadi inti TDD dapat menjadi penyangga yang mencegah AI Agent melangkah terlalu jauh dari realitas kode yang ada.

Apa Itu Halusinasi pada AI Agent?

Halusinasi dalam konteks AI Agent adalah kondisi di mana model menghasilkan output yang terlihat valid dan meyakinkan, namun sebenarnya tidak sesuai dengan realitas. Dalam konteks coding, halusinasi bisa berupa:

Mengimpor library yang tidak terinstal atau tidak ada dalam dependensi proyek
Menggunakan method atau function dengan nama yang salah
Mengasumsikan struktur data yang berbeda dengan implementasi sebenarnya
Menulis logika bisnis yang bertentangan dengan requirement yang sudah ada

Masalahnya, halusinasi ini sering kali tidak terdeteksi sampai kode dijalankan dan menghasilkan error. AI Agent tidak memiliki kesadaran akan konteks penuh proyek Anda, dan ia cenderung mengisi kekosongan informasi dengan asumsi yang terlihat masuk akal.

Mengapa TDD Cocok untuk AI Agent?

Test-Driven Development adalah metodologi pengembangan di mana Anda menulis test sebelum menulis implementasi. Siklus klasik TDD dikenal sebagai Red-Green-Refactor:

Red: Tulis test yang gagal karena fitur belum diimplementasikan
Green: Tulis kode minimum yang membuat test lulus
Refactor: Perbaiki struktur kode tanpa mengubah behavior

Lalu bagaimana ini membantu dengan halusinasi AI Agent?

AI Agent bekerja paling baik ketika memiliki feedback loop yang jelas. Tanpa feedback, AI Agent akan terus mengarang berdasarkan pola statistik dari training data. Dengan TDD, setiap langkah AI Agent divalidasi oleh test yang konkrit. Jika AI Agent menghasilkan kode yang halusinasi, test akan gagal dan memberikan sinyal yang jelas.

Prinsip TDD yang Membatasi Halusinasi

Test Sebagai Spesifikasi Hidup

Test yang baik membaca seperti spesifikasi. Daripada menulis komentar atau dokumentasi yang terpisah, test menjelaskan behavior yang diharapkan dalam bentuk kode. Contoh: test('user dapat checkout dengan cart yang valid') sudah memberikan definisi jelas tentang kapabilitas yang harus ada.

Bagi AI Agent, test berfungsi sebagai sumber kebenaran. Ketika AI Agent diminta untuk memodifikasi atau menambah fitur, ia dapat membaca test yang ada untuk memahami bagaimana sistem seharusnya berperilaku. Test mengurangi ruang bagi AI Agent untuk mengarang sendiri.

Hanya Test di Seam yang Disepakati

Dalam TDD yang baik, test ditulis hanya di seam yang telah disepakati. Seam adalah batas public interface di mana Anda mengobservasi behavior tanpa menyentuh internal implementasi.

Prinsip ini penting untuk AI Agent karena memaksa disiplin tentang di mana AI Agent boleh beroperasi. AI Agent tidak boleh menulis test untuk private method atau meng-mock internal collaborator secara sembarangan. Test harus berada di interface yang sudah disepakati, dan AI Agent harus menghormati boundary ini.

Satu Slice pada Satu Waktu

Anti-pattern dalam TDD adalah horizontal slicing: menulis semua test dulu, lalu semua implementasi. Pendekatan ini rentan terhadap halusinasi karena test ditulis berdasarkan imajinasi tentang behavior, bukan berdasarkan pemahaman nyata tentang sistem.

Alih-alih, gunakan vertical slicing: satu test, satu implementasi, satu siklus. Setiap test berfungsi sebagai tracer bullet yang memvalidasi apakah pemahaman Anda tentang sistem sudah benar. AI Agent yang bekerja dalam mode ini lebih sulit halusinasi karena setiap langkahnya divalidasi langsung.

Anti-Pattern yang Harus Dihindari

Untuk memaksimalkan TDD dalam membatasi halusinasi AI Agent, hindari anti-pattern berikut:

Test yang Terikat Implementasi

Test yang meng-mock internal collaborator atau menguji private method akan mudah rusak saat refactoring. AI Agent yang melihat test seperti ini akan bingung tentang apa yang sebenarnya harus diuji. Test harus memverifikasi behavior melalui public interface, bukan detail internal.

Test Tautological

Test yang assertion-nya menghitung expected value dengan cara yang sama dengan implementasi tidak pernah bisa gagal. Contoh: expect(add(a, b)).toBe(a + b) tidak memberikan validasi yang berarti. Expected value harus berasal dari sumber independen: contoh yang sudah diketahui benar, spesifikasi, atau literal yang sudah ditentukan.

Refactoring dalam Siklus Red-Green

Refactoring bukan bagian dari siklus Red-Green. Refactoring adalah aktivitas review yang terpisah. Mencampur refactoring dengan implementasi membuat AI Agent kehilangan fokus tentang apa yang sedang dicapai.

Langkah Praktis untuk Developer

Berikut cara menerapkan TDD untuk meminimalisir halusinasi AI Agent dalam workflow Anda:

Definisikan Seam terlebih dahulu. Sebelum meminta AI Agent menulis test, tentukan interface mana yang akan diuji. Tulis daftar seam dan konfirmasi dengan tim.
Minta AI Agent menulis test terlebih dahulu. Instruksikan AI Agent untuk menulis test yang gagal untuk fitur yang ingin ditambahkan. Test ini menjadi kontrak yang harus dipenuhi.
Jalankan test dan pastikan gagal. Validasi bahwa test memang gagal dengan alasan yang benar. Jika test tidak gagal, AI Agent mungkin sudah menulis implementasi yang tidak perlu.
Minta AI Agent menulis implementasi minimum. AI Agent hanya boleh menulis cukup kode untuk membuat test lulus. Tidak ada antisipasi fitur masa depan.
Validasi dengan menjalankan test. Jika test lulus, lanjut ke siklus berikutnya. Jika tidak, AI Agent harus memperbaiki implementasi.

Kesimpulan

Halusinasi pada AI Agent bukan masalah yang bisa dihilangkan sepenuhnya. Namun dengan disiplin TDD dan siklus Red-Green-Refactor, kita bisa membangun sistem penyangga yang membatasi dampak halusinasi. Test berfungsi sebagai spesifikasi hidup yang memaksa AI Agent untuk tetap grounded pada realitas kode.

Kunci utamanya adalah feedback loop yang ketat. Setiap output AI Agent divalidasi oleh test, dan setiap test ditulis di seam yang sudah disepakati. Dengan cara ini, AI Agent menjadi alat yang lebih andal, dan developer bisa lebih percaya diri dalam menggunakan AI Agent untuk mempercepat pekerjaan tanpa mengorbankan kualitas.