Skill Menggantikan Prompt sebagai Unit Reusability Baru

Transisi dari prompt engineering ke agentic engineering menggeser unit nilai fundamental dalam pengembangan AI. Selama bertahun-tahun, banyak organisasi menumpuk library prompt, memperlakukannya sebagai kekayaan intelektual yang eksklusif. Kumpulan potongan teks ini dimaksudkan untuk mengarahkan model bahasa dalam melakukan tugas-tugas kompleks. Namun library prompt tidak pernah memberikan nilai majemuk (compounded). Mereka rapuh, terikat erat dengan versi model tertentu, dan sebagian besar tidak dapat diversi sebagai aset software yang tangguh. Prompt bukanlah sebuah kapabilitas; itu hanyalah sebuah mantra (incantation).

Unit reusability yang baru adalah agent skill. Skill adalah artifak berbahasa natural dan portabel yang memaketkan prosedur, heuristik domain, kebijakan alat, batasan output, dan mode kegagalan. Ia bertindak sebagai state eksternal untuk agen yang dibekukan (frozen agent), memungkinkan agen tersebut beradaptasi dan berkembang tanpa memerlukan pembaruan bobot model. Pergeseran ini secara fundamental mengubah apa yang seharusnya diakumulasi oleh sebuah organisasi engineering.

Poin penting

• Library prompt bertindak sebagai mantra rapuh yang gagal memberikan nilai majemuk di berbagai generasi model.
• Agent skill berfungsi sebagai prosedur portabel yang bisa dioptimasi, bertindak sebagai state eksternal untuk agen yang dibekukan.
• Optimizer ruang teks dapat memperlakukan dokumen skill layaknya parameter model, mengusulkan pengeditan terukur yang divalidasi terhadap set data yang dipisahkan.
• Artifak skill yang dioptimasi berhasil ditransfer lintas skala model dan harness eksekusi, mempertahankan nilainya tanpa batas waktu.

Ilusi Library Prompt

Ketika Anda membangun dengan prompt, Anda beroperasi di lingkungan zero-sum. Prompt yang berfungsi sempurna pada satu versi model akan sering rusak saat bobot dasar model diperbarui. Industri menghabiskan waktu bertahun-tahun mengkatalogkan potongan-potongan teks ini, namun karena prompt tidak memiliki antarmuka terstruktur untuk umpan balik dan iterasi, ia tidak dapat mengoreksi dirinya sendiri. Ketika terjadi kegagalan edge case, seorang developer harus turun tangan secara manual, mengubah pilihan kata dan berharap perubahan tersebut tidak merusak performa pada tugas lainnya.

Kerapuhan ini berasal dari fakta bahwa prompt pada dasarnya tidak memiliki state dan tidak berprinsip. Ia tidak memisahkan “apa” dari “bagaimana.” Sebaliknya, ketika Anda membangun dengan skill, Anda menciptakan aset yang tahan lama dan diversi. Sebuah dokumen skill memformalkan prosedur. Ia mengisolasi heuristik domain dan kebijakan alat ke dalam artifak khusus yang dapat dipanggil oleh agen. Karena skill adalah artifak eksplisit dan bukan sekadar string tersembunyi di dalam codebase, ia dapat diukur, diuji, dan dioptimasi secara sistematis.

Memperlakukan Teks sebagai Parameter yang Bisa Dilatih

Seperti yang ditunjukkan oleh para peneliti, agent skill dapat diperlakukan sebagai artifak yang bisa dioptimasi, bukan sekadar file teks statis. Dalam karya mereka tentang SkillOpt, para peneliti memperkenalkan optimizer ruang teks untuk agent skill yang menerapkan prinsip deep-learning, seperti learning rate, gerbang validasi, dan momentum, langsung pada dokumen teks yang memandu agen.

Ini berarti sebuah skill dapat berkembang sendiri. Daripada seorang developer menyesuaikan prompt secara manual saat edge case gagal, model optimizer terpisah menganalisis lintasan eksekusi. Model target pertama-tama menjalankan batch eksekusi (rollout batch) menggunakan skill saat ini. Optimizer kemudian memisahkan kegagalan dari keberhasilan dan mempartisi masing-masing kelompok ke dalam minibatch refleksi. Hal ini mengungkap kesalahan prosedural yang dapat digunakan kembali, seperti agen yang secara konsisten mencari di sumber yang salah atau gagal memverifikasi hasil alat. Optimizer lalu mengusulkan pengeditan tambah, hapus, atau ganti yang terukur pada dokumen skill.

Krusialnya, optimizer hanya menerima pengeditan tersebut jika secara ketat meningkatkan performa pada set validasi yang dipisahkan (held-out). Analogi deep-learning di sini bersifat operasional, bukan sekadar dekoratif. Learning rate tekstual bertindak sebagai anggaran pengeditan yang mengontrol seberapa drastis skill berubah dalam satu iterasi, mencegah fenomena lupa yang fatal (catastrophic forgetting) pada heuristik yang telah dipelajari sebelumnya. Gerbang validasi memastikan skill tidak overfitting pada satu lintasan tunggal. Skill ini menjadi dokumen hidup yang semakin tajam di setiap eksekusi, persis seperti cara kerja optimasi software tradisional. Dengan menerapkan disiplin ini, organisasi dapat mengotomatisasi adaptasi domain sistem AI mereka tanpa perlu menyentuh bobot model.

Checkpoint dalam penelitian tersebut menunjukkannya secara langsung: di tiga tolok ukur, skor pada set uji (held-out) ikut naik seiring skill dioptimasi, bukan hanya skor pada data latih.

Gambar 1. Performa SkillOpt sepanjang epoch optimasi di tiga tolok ukur: skor training-rollout, validation-selection (held-out), dan unseen-test sama-sama naik saat skill disempurnakan. Sumber: Yifan Yang, Ziyang Gong, Weiquan Huang, et al. “SkillOpt: Executive Strategy for Self-Evolving Agent Skills.” arXiv:2605.23904v1, 2026, p. 12.

Portabilitas dan SDLC Baru

Ini mengubah siklus hidup pengembangan software (SDLC) untuk produk AI. Dalam lingkungan spec-driven development, batasan kapabilitas bukan lagi pada model, melainkan pada spesifikasi dari prosedur tersebut. Dengan memformalkan prosedur-prosedur ini ke dalam skill, organisasi dapat memisahkan mesin eksekusi dari pengetahuan domain.

Jika skill bersifat portabel, mereka dapat ditransfer lintas skala model, harness eksekusi, dan domain terdekat tanpa perlu optimasi lebih lanjut. Penelitian tersebut mengevaluasi hal ini di enam tolok ukur, meliputi tanya jawab (QA), spreadsheet, dokumen, matematika, dan pengambilan keputusan yang diwujudkan (embodied), serta tujuh model target. Pada GPT-5.5, optimizer ruang teks mengangkat rata-rata akurasi (tanpa skill) sebesar +23.5 poin dalam obrolan langsung, sebesar +24.8 di dalam siklus agen Codex, dan sebesar +19.1 di dalam Claude Code. Skill yang dioptimasi di satu lingkungan berhasil mempertahankan nilainya saat dipindahkan ke lingkungan eksekusi yang sama sekali berbeda tanpa perlu pelatihan ulang.

Ini adalah titik ungkit yang masif bagi organisasi yang bertransisi ke agentic engineering. Anda tidak sekadar menulis instruksi; Anda sedang melatih aset prosedural yang mempertahankan nilainya terlepas dari fondasi model mana yang Anda terapkan.

Apa yang Seharusnya Anda Akumulasi

Jika Anda adalah seorang pemimpin engineering, mandat Anda harus bergeser dari mengkurasi prompt menjadi mengkurasi skill. Anda seharusnya mengakumulasi artifak skill yang diversi, diuji, dan dioptimasi. Artifak-artifak ini merepresentasikan pengetahuan domain organisasi Anda yang ditangkap dan diformalkan ke dalam state yang dapat dieksekusi oleh agen dan secara iteratif ditingkatkan oleh sistem.

Organisasi yang memenangkan dekade software berikutnya tidak akan memiliki prompt terbaik, mereka juga belum tentu memiliki model eksklusif paling canggih. Mereka akan memiliki library agent skill yang paling halus dan terus berkembang majemuk. Parit pertahanan kompetitif terletak pada prosedur yang telah dikuasai agen Anda, bukan pada mantra yang digunakan untuk memanggil mereka. Sebagai bagian dari transisi yang lebih luas menuju organizing intelligence to scale, skill adalah aset fondasi yang membuat agen otonom dapat diandalkan dalam produksi.

Referensi

• Yifan Yang, Ziyang Gong, Weiquan Huang, Qihao Yang, Ziwei Zhou, Zisu Huang, Yan Li, Xuemei Gao, Qi Dai, Bei Liu, Kai Qiu, Yuqing Yang, Dongdong Chen, Xue Yang, and Chong Luo. “SkillOpt: Executive Strategy for Self-Evolving Agent Skills.” arXiv:2605.23904v1, May 2026.
• Tanvi Singhal, Gabriela Hernandez Larios, Debanshu Dus, Lavi Nigam, and Smitha Kolan. “Agent Skills.” May 2026.