Orang yang serius memperhatikan anggaran konteks akan mendapatkan pengalaman bantuan AI yang lebih baik dibandingkan mereka yang asal menumpuk Skill.

Penulis artikel, sumber: 0x9999in1, ME News

TL;DR

• Ekosistem keterampilan/plugin asisten pemrograman AI utama saat ini sedang mengalami "gangguan pencernaan setelah pertumbuhan liar"—penumpukan keterampilan yang berulang, redundan, dan zombie yang secara serius merusak sumber daya jendela konteks yang berharga.
• Lobster Dad membuka sumber meta-skill khusus untuk pemeriksaan menyeluruh terhadap Skill, mencakup lima fungsi inti: audit anggaran, deteksi pengulangan, pemindaian barang tak terpakai, audit direktori root, dan penyederhanaan deskripsi.
• Jendela konteks adalah salah satu sumber daya paling langka pada model AI besar; setiap keberadaan Skill yang berlebihan menggunakan token yang tidak bermakna untuk merebut ruang penalaran yang benar-benar Anda butuhkan.
• Nilai inti alat ini bukan "lagi satu Skill tambahan", tetapi mengelola semua Skill dengan satu Skill—ini adalah tingkat infrastruktur.
• Kekacauan dalam ekosistem Skill bukanlah fenomena isolasi, melainkan masalah struktural. Sistem plugin tanpa mekanisme audit pada akhirnya akan menuju peningkatan entropi.
• Open source means the community can iterate on this, which could be the starting point for standardizing Skill governance.

Pertama, mari kita bahas situasi saat ini: repositori Skill-mu mungkin sudah menjadi tempat sampah.

Ini keras. Tapi coba buka konfigurasi asisten AI-mu, hitung berapa banyak Skill yang terpasang, lalu pikirkan terakhir kali kamu menggunakan yang mana saja.

Jawabannya kemungkinan besar akan membuat orang diam.

Mulai paruh kedua tahun 2025, alat pemrograman AI seperti Cursor, Windsurf, Codex, dan Claude Code secara kolektif memasuki "perlombaan senjata keterampilan". Kontributor komunitas menghasilkan konten secara gila-gilaan, perpustakaan bawaan resmi terus membesar, dan konfigurasi pribadi saling bertumpuk.

What's the result?

Pengguna berat yang typikal, jumlah Skill dengan mudah melebihi 50. Di antaranya, yang dapat dipicu sehari-hari mungkin kurang dari 10. Sisanya 40, diam-diam terletak di sana, setiap kali percakapan dimulai dimuat ke dalam konteks, diam-diam menghabiskan anggaran token, lalu—tidak melakukan apa-apa.

Ini bukan pemborosan. Ini kejahatan.

Mengapa demikian? Karena jendela konteks tidak tak terbatas. Bahkan hingga tahun 2026, panjang konteks efektif model utama berada di antara 128K hingga 200K token, terdengar banyak, bukan? Tetapi hitunglah: petunjuk sistem, riwayat percakapan, fragmen kode, konten file, definisi alat, deskripsi Skill... ruang yang benar-benar tersisa untuk "berpikir" jauh lebih sempit daripada yang Anda bayangkan.

Setiap deskripsi Skill yang tidak berguna memakan 200 token, 50 buah berarti 10.000 token. Sepuluh ribu token, cukup bagi model untuk membaca 400 baris kode tambahan.

Ini bukanlah teori spekulatif. Ini adalah hal yang terjadi setiap hari.

Mengapa tidak ada yang peduli? Karena "menambah" 10.000 kali lebih mudah daripada "mengurangi"

Manusia memiliki bias psikologis yang mendalam: kecenderungan menambahkan (Addition Bias).

Ketika menghadapi masalah, kita secara alami ingin "menambahkan sesuatu" untuk menyelesaikannya, bukan "mengurangi sesuatu". Penelitian yang diterbitkan di Nature pada tahun 2021 secara jelas menunjukkan bahwa manusia secara sistematis mengabaikan solusi "pengurangan" saat memperbaiki sesuatu, meskipun pengurangan lebih efektif.

Skill ecosystem secara sempurna mereplikasi bias ini.

Kontributor komunitas menulis Skill baru dan merilisnya. Pengguna merasa "mungkin berguna" dan memasangnya. Pihak resmi menilai "cakupan fungsinya luas" dan memasukkannya secara bawaan.

Siapa yang menghapus? Siapa yang mengaudit? Siapa yang mengatakan "Keterampilan ini sejalan dengan yang itu, hapus salah satu"?

Tidak ada siapa-siapa.

Karena menghapus tidak memberikan insentif. Buat Skill baru yang bisa mendapatkan star, diakui oleh komunitas, dan bisa dimasukkan ke dalam resume. Membersihkan Skill lama? Tidak ada yang didapat.

Ini adalah masalah struktural. Bukan masalah teknis, tapi masalah mekanisme insentif.

Hingga seseorang memutuskan: Saya tidak peduli dengan insentif, saya yang akan melakukannya.

Pendiri Lobster keluar: Menggunakan satu Skill, mengelola semua Skill

Siapa bapak lobster? Jika Anda terlibat dalam komunitas alat pemrograman AI, ID ini tidak akan asing bagi Anda. Pemain mendalam yang aktif lama di ekosistem Codex dan Claude, dikenal karena pemikiran sistematis dan kecenderungan teknis yang ketat. Gelar "Bapak Lobster" sendiri mencerminkan pengakuan komunitas—diberi gelar "Bapak" berarti di bidang vertikal tertentu, ia adalah sosok yang tak bisa dihindari.

Hal yang dia open-source kali ini, pada dasarnya adalah sebuah meta-skill.

Apa itu meta-skill? Yaitu "keterampilan untuk mengelola keterampilan". Ini tidak membantumu menulis kode, tidak membantumu menyesuaikan API, dan tidak membantumu membuat dokumentasi. Ini hanya melakukan satu hal: memberikan pemeriksaan menyeluruh, terukur, dan dapat dieksekusi terhadap semua Skill yang sudah kamu miliki.

Lima fitur utama, diuraikan satu per satu.

Ini yang paling hardcore.

Ini melakukan hal yang sangat langsung: menghitung ruang token konteks yang digunakan oleh setiap Skill, menghitung persentase masing-masing terhadap anggaran total, lalu memberikan saran optimasi.

Mengapa ini penting? Karena sebagian besar pengguna sama sekali tidak menyadari seberapa banyak sumber daya yang dikonsumsi oleh "Skill".

Anda mengira bahwa memasang satu Skill hanya menambahkan satu fitur. Sebenarnya, seluruh teks deskripsi, definisi parameter, contoh kode, dan aturan pemicu setiap Skill harus dimasukkan ke dalam prompt sistem. Setiap kali model melakukan inferensi, ia harus terlebih dahulu "membaca" ulang semua konten ini sebelum memutuskan apakah akan memanggilnya.

Ini seperti membawa ransel pendakian yang berisi 50 alat. Anda berpikir "membawa tidak akan rugi", tetapi setiap tambahan satu kilogram, konsumsi energi Anda semakin bertambah. Ketika Anda benar-benar membutuhkan sprint, Anda sudah kehabisan tenaga.

Yang dilakukan audit anggaran adalah membuka ranselmu dan berkata: "Pisau Swiss ini beratnya 3 kg tapi tidak pernah kamu pakai, buang saja."

Masalah yang diatasi oleh fitur ini mungkin lebih serius dari yang Anda bayangkan.

Cakupan pemindaiannya mencakup empat tingkatan:

• Perpustakaan bawaan Codex
• Plugin cache
• Codebase
• Root directory of personal skills

Scan across tiers for skills with the same name, similar descriptions, or overlapping functions, and flag redundant items.

Mengapa ada duplikasi? Ada banyak alasan.

Platform resmi telah menyediakan Skill "format kode", tetapi Anda tidak mengetahuinya dan malah menginstal Skill dari komunitas yang fungsinya hampir sama. Dua Skill yang melakukan hal yang sama memakan dua anggaran.

Atau yang lebih tersembunyi: Enam bulan lalu kamu menulis Skill khusus untuk menangani parsing JSON, lalu pihak resmi memperbarui dan menambahkan versi yang lebih baik ke dalam pustaka bawaan. Versi lamamu masih ada, tapi tidak ada yang memberitahumu untuk menghapusnya.

Deteksi duplikasi tidak hanya melihat nama. Yang memiliki nama berbeda tetapi deskripsi sangat mirip juga akan ditandai. Ini adalah bagian yang benar-benar teknis—ia melakukan perbandingan kesamaan semantik, bukan hanya pencocokan string sederhana.

Berdasarkan log historis, identifikasi "keterampilan zombie" yang tidak dipanggil dalam jangka panjang.

Logika ini sangat jelas: jika sebuah Skill tidak pernah dipicu dalam 30 hari, 60 hari, atau 90 hari terakhir, kemungkinan besar ada dua kemungkinan—either alur kerja Anda tidak membutuhkannya, atau desain kondisi pemicunya bermasalah sehingga model tidak pernah memilihnya.

Apa pun itu, kesimpulannya sama: itu hanya membuang-buang anggaran.

Fitur ini menghasilkan daftar "kandidat pembersihan". Perhatikan, ini adalah "kandidat", bukan penghapusan langsung. Keputusan akhir berada di tangan pengguna. Desain ini sangat bijaksana dan cerdas—ia tahu batasannya.

Beberapa keterampilan memang jarang digunakan tetapi sangat penting. Misalnya, "bantuan migrasi database", Anda mungkin hanya menggunakannya sekali setiap tiga bulan, tetapi saat digunakan, itu bisa menyelamatkan hidup Anda. Oleh karena itu, hasil pemindaian hanyalah referensi, bukan keputusan.

Fitur ini bersifat lebih "operasional", tetapi sangat berguna.

Yang dilakukannya: menghitung semua direktori sumber Skill, menandai status diaktifkan/dinonaktifkan, dan memetakan rantai pemuatan.

Mengapa ini diperlukan? Karena sumber Skill beragam. Beberapa berasal dari konfigurasi global, beberapa dari konfigurasi tingkat proyek, beberapa dari injeksi otomatis plugin, dan beberapa dari pembuatan manual pengguna.

Ketika jumlah Skill sedikit, kamu tahu persis. Ketika jumlahnya membengkak menjadi puluhan, kamu sudah tidak lagi tahu "Skill ini berasal dari mana", "Apakah aku bisa menghapusnya dengan aman", atau "Apakah menghapusnya akan memengaruhi hal lain".

Audit root directory adalah memberimu peta. Memberitahu kamu di mana setiap Skill berada, siapa yang memuatnya, dan apakah ia aktif atau tidak.

Dengan peta ini, Anda baru bisa melakukan operasi dengan aman.

Fitur terakhir, yang tampak paling "kecil", sebenarnya memiliki daya ungkit sangat besar.

Yang dilakukannya: Menemukan Skill yang deskripsinya terlalu panjang, serta merekomendasikan solusi untuk mempersingkatnya.

Mengapa panjang deskripsi sangat penting? Kembali ke yang disebutkan sebelumnya: deskripsi Skill harus dimasukkan ke dalam prompt sistem. Setiap kata adalah token. Jika deskripsi satu Skill bisa dikompresi dari 200 token menjadi 80 token, ruang yang dihemat dikalikan dengan jumlah Skill, totalnya sangat signifikan.

Banyak keterampilan yang disumbangkan komunitas, deskripsinya ditulis seperti abstrak makalah—latar belakang, motivasi, skenario penggunaan, perhatian, contoh input dan output, panjang lebar. Penulisnya berusaha keras, tetapi dari sudut pandang teknis, ini merupakan desain yang berlebihan.

Deskripsi yang dibutuhkan model: akurat, unik, dapat dibedakan. Cukup dengan kata-kata paling sedikit agar model memahami "Skill ini melakukan apa dan kapan harus memanggilnya". Setiap kata tambahan adalah pemborosan anggaran konteks.

Meringkas fitur ini pada dasarnya adalah melakukan "optimasi terbalik pada rekayasa prompt"—bukan menulis prompt yang lebih baik, tetapi mempersingkat prompt yang sudah ada tanpa mengurangi jumlah informasi.

Di mana nilai sebenarnya? Bukan fitur, tapi cara berpikir

Lima fitur telah diuraikan. Jika dilihat satu per satu, tampaknya tidak ada yang "menggemparkan". Tetapi ketika digabungkan, ini mewakili perubahan paradigma pemikiran:

Dari "menciptakan lebih banyak Skill" ke "mengelola Skill yang ada".

Nilai sebenarnya dari hal ini bukan terletak pada jumlah kode atau kompleksitas algoritma, tetapi pada—akhirnya ada orang yang memperlakukan masalah ini sebagai "warga kelas satu".

Dua tahun terakhir, perhatian ekosistem alat AI seluruhnya terfokus pada "menambahkan". Lebih banyak model, lebih banyak fitur, lebih banyak plugin, lebih banyak Skill. Berlari cepat, berlari keras, tak ada yang menoleh ke belakang.

Tetapi siapa pun yang memiliki pengalaman teknik tahu: ketika kompleksitas sistem meningkat hingga titik tertentu, tanpa mekanisme tata kelola yang sesuai, ia akan runtuh.

Bukan mungkin. Pasti.

Dalam rekayasa perangkat lunak, ada konsep yang disebut "utang teknis". Setiap solusi sementara, setiap "biarkan dulu begitu", dan setiap kelebihan yang tidak dibersihkan adalah bentuk utang. Semakin banyak Anda berutang, semakin tinggi bunganya, sampai suatu hari Anda menyadari bahwa seluruh energi Anda habis untuk membayar utang, tanpa sisa untuk melakukan hal-hal baru.

Teknis utang ekosistem Skill telah sampai pada saat yang harus dihadapi.

Alat ini, Lobster Father, pada dasarnya adalah auditor utang. Ia tidak membantu Anda membayar utang, tetapi memberi tahu Anda: berapa banyak yang Anda utangi, di mana Anda berutang, dan mana yang harus dibayar lebih dulu.

Ini jauh lebih berharga daripada "menulis lagi satu Skill yang berguna".

Arti open source: Dari alat pribadi menjadi standar komunitas

Sang pencipta lobster memilih untuk opensource, keputusan ini sendiri patut dibahas.

Dia sepenuhnya bisa menjadikan alat ini sebagai plugin berbayar. Permintaan pasar jelas, masalah nyata ada, dan pengguna berbayar tidak akan sedikit. Namun, dia memilih untuk membuatnya open source.

Why?

Saya menduga ada dua pertimbangan.

Lapisan pertama: Untuk alat ini benar-benar memberikan nilai, diperlukan kolaborasi komunitas. Mekanisme pemuatan Skill, format log, dan struktur direktori berbeda di berbagai platform AI. Satu orang tidak bisa menyesuaikannya, tetapi seratus kontributor bisa.

Lapisan kedua: Dia mungkin ingin mendorong bukan hanya sebuah alat, tetapi sebuah standar. Bagaimana tata kelola Skill seharusnya dilakukan? Dimensi audit apa saja yang ada? Apa praktik terbaik untuk alokasi anggaran? Pertanyaan-pertanyaan ini memerlukan konsensus komunitas untuk membentuk jawaban.

Open source is the best way to form consensus.

Dalam sejarah rekayasa perangkat lunak, ESLint untuk standar kode JavaScript, Black untuk pemformatan Python, dan Prettier untuk gaya kode frontend—alat-alat ini menjadi standar de facto karena open source memungkinkan komunitas berpartisipasi dalam penyusunan aturan.

Apakah Meta-Skill dari Sang Bapak Lobster berpotensi menjadi ESLint untuk tata kelola Skill?

Masih terlalu dini untuk menilai. Tetapi arahnya benar.

Masalah yang lebih dalam: Apakah sistem Skill seharusnya dirancang ulang?

Alat audit menyelesaikan masalah "stok". Tetapi jika kita memperluas perspektif kita satu tingkat lebih tinggi, kita akan menemukan masalah yang lebih mendasar:

Mengapa Skill menjadi tidak terkendali?

Jawabannya adalah: Sistem Skill saat ini tidak memiliki manajemen siklus hidup.

Setelah sebuah Skill dibuat, ia akan selamanya ada. Tidak ada mekanisme kedaluwarsa, tidak ada penggantian versi, tidak ada penurunan aktivitas. Ia seperti proses yang tak akan pernah mati, memakan sumber daya hingga seseorang secara manual menghentikannya.

Bandingkan manajemen proses sistem operasi: ada penciptaan, ada penjadwalan, ada tidur, ada penghentian. Siklus hidup lengkap dan tertutup.

Bandingkan lagi manajemen dependensi manajer paket:npm auditmemeriksa kerentanan keamanan, npm outdatedmemeriksa dependensi yang kedaluwarsa, npm prunemenghapus paket yang tidak diperlukan. Alat tata kelola adalah bagian dari ekosistem.

Di mana sistem Skill? Buat → Gunakan → ... selesai. Banyak tahap hilang di tengah.

Alat dari Bapak Lobster pada dasarnya menggunakan alat eksternal untuk mengisi kekurangan dalam desain sistem. Alat ini sangat berguna, tetapi juga mengungkapkan fakta: infrastruktur platform alat AI dalam tata kelola Skill masih berada pada tahap awal.

Ini bukan kritik. Ini adalah tahap yang tak terhindarkan dalam perkembangan. Dari 2024 hingga 2025, tujuan utama platform adalah "menggerakkan ekosistem", tata kelola bisa ditangani kemudian. Tetapi pada pertengahan 2026, ekosistem sudah berjalan. Saatnya untuk mengejar ketertinggalan.

Penutup

Kembali ke pertanyaan awal: Berapa banyak Skill yang aktif di AI assistant kamu?

Jika kamu tidak bisa menjawab, itu berarti kamu perlu menjalani pemeriksaan kesehatan.

Sang Ayah Lobster memberikan alatnya. Gratis. Open source. Lima dimensi, cakupan lengkap.

Menggunakan atau tidak, itu urusanmu.

Tapi satu hal yang sangat saya yakini: mereka yang serius memperhatikan anggaran konteks akan mendapatkan pengalaman bantuan AI yang lebih baik dibandingkan mereka yang asal menumpuk Skill.

Karena AI bukanlah segalanya. Perhatiannya terbatas, ingatannya terbatas, dan sumber daya penalarannya terbatas. Semakin tepat dan bersih informasi yang Anda berikan kepadanya, semakin baik hasil yang akan ia berikan kembali.

Ini bukan ilmu gaib. Ini teori informasi.

Shannon sudah memberi tahu kita sejak tahun 1948: kapasitas saluran terbatas, semakin banyak noise, semakin rendah laju transmisi informasi efektif.

Skill yang ada di daftar kamu itu seperti skill zombie, itu hanya noise.

Singkirkan mereka.

Reference

1. Adams, G. S., Converse, B. A., Hales, A. H., & Klotz, L. E. (2021). Orang secara sistematis mengabaikan perubahan pengurangan.Nature, 592(7853), 258–261.
2. Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal, 27(3), 379–423.
3. OpenAI. (2024). Dokumentasi jendela konteks dan batasan token GPT-4 Turbo. https://platform.openai.com/docs/models
4. Anthropic. (2025). Kartu model Claude: Pemanfaatan jendela konteks dan beban prompt sistem. https://docs.anthropic.com/en/docs/about-claude/models
5. Tim Cursor. (2025). Aturan & Keterampilan: Cara instruksi khusus dimuat ke dalam konteks. Dokumentasi Cursor.
6. Dokumentasi npm. (2025). npm-audit, npm-prune: Mengelola siklus hidup paket. https://docs.npmjs.com/cli
7. Bapak Lobster. (2026). Skill Health Check Meta-Skill [Proyek open source]. Repositori GitHub.
8. Sculley, D., et al. (2015). Hidden Technical Debt in Machine Learning Systems. Advances in Neural Information Processing Systems (NeurIPS), 28.