Jawaban singkat: Agentic SDLC adalah siklus pengiriman perangkat lunak di mana agen koding menyusun draf pekerjaan dan manusia memutuskan apa yang dirilis. Ia membutuhkan lima komponen: satu papan bersama, agen yang mengambil tugas yang ditugaskan, agen reviewer terpisah, cara mengembalikan pekerjaan dengan umpan balik tertulis, dan seorang manusia yang melakukan rilis. Siklusnya berjalan: tugaskan, susun draf, tinjau, revisi, rilis.
“Agentic SDLC” adalah frasa yang sedang tren bulan ini. Postman mengadakan sesi langsung tentang menjalankan agentic SDLC penuh dari satu terminal pada 17 November 2026, dan setiap vendor agen kini punya slide lifecycle. Singkirkan slide-slide itu dan pertanyaan bagi tim Anda jadi lebih sederhana: apa saja yang harus ada agar pekerjaan agen bisa bergerak dari permintaan hingga rilis tanpa seseorang harus mengawasi setiap langkah?
Panduan ini menjawabnya dengan siklus yang kami jalankan sendiri. Setiap artikel di blog ini melewatinya: agen penulis menyusun draf, agen reviewer menjadi gerbang, komentar mengembalikan pekerjaan, dan seseorang yang mempublikasikan. Jika Anda ingin mencoba pola yang sama dengan agen koding Anda sendiri, Sharkly adalah papan yang kami gunakan.
Apa itu agentic SDLC (dan apa yang bukan)
Agentic SDLC adalah proses pengiriman di mana agen memiliki tahapan kerja yang jelas, seperti menyusun draf, menguji, atau meninjau, sementara catatan bersama melacak setiap serah terima dan seorang manusia tetap memegang keputusan rilis. Ini adalah perubahan proses, bukan alat yang Anda instal.
Ini bukan “satu agen mengerjakan semuanya dalam satu sesi”, yang rusak pada pertama kali dua tugas menyentuh repositori yang sama. Ini juga bukan “CI dengan chatbot tempelan”: CI memeriksa apa yang Anda tulis, sedangkan agentic SDLC juga memutuskan siapa mengerjakan apa dan ke mana pekerjaan berpindah saat pemeriksaan gagal.
Jika Anda baru mengenal sisi eksekusinya, mulailah dengan apa itu agentic coding. Artikel ini membahas lapisan di sekitarnya.
Mengapa satu terminal tidak cukup
Sesi terminal hanya menyimpan konteks satu agen. Tambahkan tugas, agen, atau orang kedua, dan tiga masalah muncul:
- Tidak ada catatan bersama. Rencana, diff, dan alasan di balik diff tersimpan di scrollback yang tak bisa dibaca orang lain.
- Tidak ada pemeriksaan independen. Agen yang menulis kode juga yang memutuskan pekerjaannya selesai. Tinjauan mandiri menangkap salah ketik, bukan asumsi yang keliru.
- Tidak ada jalur pengembalian. Saat reviewer menemukan masalah, tidak ada cara terstruktur untuk mengembalikan pekerjaan beserta daftar perbaikannya.
Continuous integration bertumpu pada mainline bersama dan umpan balik yang cepat. Agentic SDLC membutuhkan keduanya satu tingkat di atasnya: tempat bersama untuk pekerjaan dan cara cepat untuk mengatakan “belum, ini alasannya.”
Lima komponen yang dibutuhkan agentic SDLC
- Papan bersama tempat setiap tugas membawa tujuan, status, komentar, dan riwayat eksekusinya.
- Agen yang bisa ditugaskan yang mulai saat tugas ditugaskan kepadanya dan berhenti saat tugas diparkir.
- Agen reviewer terpisah dengan instruksinya sendiri, dipicu oleh perubahan status.
- Mekanisme pengembalian: komentar atau perintah yang mengembalikan tugas ke pembangunnya beserta temuan reviewer.
- Langkah rilis oleh manusia yang tidak bisa dilewati agen mana pun.
Pilihan model, gaya prompt, dan runtime bisa diganti-ganti. Kelima hal inilah kerangkanya.
Langkah 1: Tugaskan
Siklus dimulai ketika seseorang menugaskan sebuah tugas. Di Sharkly, tugas yang ditugaskan ke Agent atau Crew tidak langsung memulai eksekusi selama masih berada di Backlog. Memindahkannya keluar akan memulai Agent yang ditugaskan begitu Computer-nya (laptop atau server terhubung yang menjalankannya) siap. Anda mendapat area parkir: tulis brief dan tetapkan penerima tugas sebelum satu token pun dibelanjakan.
Sesuai dokumentasi status tugas, setiap status termasuk dalam satu kategori tetap: Backlog, Unstarted, Started, Completed, Canceled, atau Duplicate. Memindahkan tugas ke Canceled atau Duplicate menghentikan eksekusi aktifnya. Memindahkannya ke Completed menjadikannya terminal tetapi tidak membatalkan eksekusi yang sedang berjalan.
Langkah 2: Susun draf
Agen pembangun berjalan di Computer terhubung melalui Runtime seperti Claude Code atau Codex. Sharkly memberikan judul dan deskripsi tugas, komentar terbaru, Space dan Sprint, serta status yang diizinkan untuk jenis tugas tersebut. Setiap tugas mendapat direktori terisolasi, dan pekerjaan repositori dapat memakai worktree terpisah per eksekusi, sehingga dua agen yang mengedit basis kode yang sama tidak saling bertabrakan.
Status eksekusi dan status tugas terpisah: eksekusi bisa selesai atau gagal sementara tugas tetap In Progress. Jadi, pembangun memberi sinyal “siap ditinjau” dengan mengubah status tugas, bukan dengan mengakhiri eksekusi.
Agen penulis kami mengakhiri setiap draf dengan komentar ringkasan (slug, jumlah kata, hasil pemeriksaan, pertanyaan terbuka) dan perpindahan status ke Ready for Release.
Langkah 3: Tinjau
Reviewer adalah agen berbeda dengan instruksi berbeda. Di Sharkly Anda menghubungkannya dengan Automation: aturan milik Space yang memulai satu Agent atau Crew saat pemicu aktif. Dokumentasi Automations mencantumkan empat jenis pemicu: jadwal cron, perubahan status tugas, frasa komentar, dan webhook. Gerbang tinjauan memakai pemicu status tugas.

Satu detail sering menjebak: pencocokan status dan komentar berlaku di seluruh Organization. Jika dua Space berbagi status Ready for Release, perpindahan di salah satunya akan memicu gerbang. Dokumentasi menyarankan status yang sempit dan instruksi yang memverifikasi tugas pemicunya terlebih dahulu. Instruksi reviewer kami diawali dengan pemeriksaan itu. Berikut versi sederhananya:
Review gate instructions (simplified)
1. Read the triggering task. If its body does not say "Brand: Sharkly", reply "Not mine" and stop.
2. Run the check script on the draft. Record word count and failures.
3. Check every product claim against the live docs, not a local copy.
4. Verdict: GATE PASS, or start the comment with /revise and list numbered fixes
with the line, the problem and the source.
Memisahkan pembangun dan reviewer adalah tuas kualitas terbesar dalam siklus ini. Kami membahas alasannya di mengapa agen AI sebaiknya meninjau pull request sebelum Anda melakukannya, dan sudut pandang pencampuran model di Crew mixed-model.
Langkah 4: Revisi
Tinjauan yang gagal membutuhkan jalur pengembalian yang membawa temuan. Milik kami adalah komentar yang diawali /revise. Automation kedua dengan pemicu komentar mengawasi frasa tersebut (pencocokan tidak peka huruf besar-kecil dan memeriksa di mana pun dalam komentar) lalu memulai agen penulis pada tugas yang sama, dengan komentar reviewer dalam konteksnya.

Tangkapan layar itu adalah gerbang sungguhan dari blog ini, pada artikel yang kini sudah tayang. Drafnya lolos pemeriksaan otomatis dengan 1.534 kata, tetapi reviewer tetap memblokirnya: dua klaim produk bertentangan dengan dokumentasi bantuan yang tayang. Penulis memperbaiki keduanya, membalas di utasan yang sama, dan memindahkan tugas kembali ke Ready for Release. Gerbang berjalan lagi dan lolos.
Jaga daftar perbaikan agar bernomor dan spesifik: lokasinya, apa yang salah, dan sumber yang membuktikannya. Perintah samar seperti “rapikan ini” akan menghasilkan revisi yang samar.
Langkah 5: Rilis
Langkah terakhir milik manusia. Ketika sebuah Agent meninggalkan tugas menunggu tinjauan manusia, serah terima itu muncul di Task Chats di sidebar, sementara pekerjaan yang gagal atau terblokir berakhir di Inbox. Orang yang bertanggung jawab membaca vonis reviewer, membuka hasilnya, dan mengambil keputusan.
Di pipeline kami, tidak ada agen yang boleh mempublikasikan. Penulis mendorong draf, reviewer meloloskan atau memblokir, dan manusia yang mengklik publikasikan. Memindahkan tugas ke Done kemudian memicu Automation ketiga yang menyusun draf postingan sosial setelah memastikan artikelnya sudah tayang.
Untuk kode, aturan yang sama dipetakan ke protected branches GitHub, yang dapat mewajibkan tinjauan yang disetujui sebelum pull request di-merge. Agen membuka dan mengomentari PR; manusia menyetujui merge.
Kapan memakai Crew alih-alih agen terpisah
Gunakan agen terpisah dengan automations ketika tahapannya tetap: bangun, tinjau, rilis. Setiap agen punya satu pekerjaan dan satu pemicu, dan seluruh siklusnya terbaca dari daftar Automations.
Gunakan Crew, sekelompok People dan Agents yang dipimpin satu Agent pemimpin, ketika pekerjaan membutuhkan koordinator yang memutuskan siapa bertindak berikutnya. Untuk gerbang tinjauan yang berulang, pemicu status polos lebih mudah diaudit.
Alternatif selain agentic SDLC berbasis papan
- Alur hanya PR. Agen membuka pull request, bot review berkomentar, branch protection memblokir merge. Bagus untuk kode; melewatkan pekerjaan non-kode dan apa pun sebelum PR dibuat.
- Agen berbasis CI. Sebuah job pipeline menjalankan agen pada setiap push. Kuat untuk verifikasi, lemah untuk penugasan.
- Orkestrasi satu sesi. Satu agen memunculkan subagen dalam satu terminal. Cepat untuk developer solo; catatannya hilang bersama sesi.
Keduanya bisa dikombinasikan dengan baik: papan memutuskan siapa mengerjakan apa, dan CI menjaga merge.
Di mana siklus ini rusak dalam praktik
- Pemicu diri sendiri. Komentar dari sebuah Agent tidak memulai eksekusi baru secara default untuk Agent yang sama (dokumentasi komentar dan balasan), jadi jadikan pengembalian pekerjaan sebagai pemicu yang disengaja.
- Kapasitas tinjauan. Sepuluh agen yang menyusun draf secara paralel akan membanjiri satu manusia: rancang tinjauan untuk agen paralel.
- Bukti yang hilang. Reviewer hanya menilai apa yang tercatat pada tugas; bukti tingkat tugas membuat gerbangnya cepat.
Kesimpulan
Agentic SDLC tidak membutuhkan teori lifecycle baru. Ia butuh papan tempat pekerjaan berada, agen yang mulai saat ditugaskan, reviewer yang bukan pembangunnya, jalur pengembalian yang membawa daftar perbaikan, dan manusia yang merilis. Rangkai kelima hal itu dan Anda bisa mengganti agen atau model mana pun tanpa membangun ulang prosesnya.
Langkah berikutnya konkret: pilih satu tugas yang berulang, buat status Ready for Review, dan tambahkan Automation berpemicu status untuk agen reviewer. Panduan automations Sharkly memandu proses penyiapannya, dan Anda bisa memulai papan di sharkly.ai.
FAQ
Apa yang dimaksud dengan agentic SDLC?
Siklus pengembangan perangkat lunak di mana agen AI memiliki tahapan yang jelas, seperti menyusun draf dan meninjau, sementara catatan bersama melacak serah terima dan seorang manusia menyetujui rilis.
Bisakah satu agen AI meninjau pekerjaannya sendiri?
Ia bisa menjalankan tes, tetapi ia berbagi titik buta dengan sesi yang menulis kodenya. Reviewer terpisah dengan instruksinya sendiri dan konteks yang segar mampu menangkap asumsi yang keliru.
Bagaimana cara mengembalikan pekerjaan agen untuk diperbaiki?
Gunakan pemicu yang terstruktur. Di Sharkly, Automation berbasis frasa komentar bisa mengawasi perintah seperti /revise dan memulai ulang agen pembangun pada tugas yang sama, dengan temuan bernomor dari reviewer dalam konteksnya.
Bolehkah agen melakukan merge atau mempublikasikan?
Pertahankan rilis akhir pada manusia. Branch protection atau langkah publikasi khusus draf membuat persetujuan itu bisa ditegakkan, bukan sekadar konvensi.
Bagaimana mencegah siklus tinjauan berjalan tanpa henti?
Batasi jumlah revisi. Aturan praktis kami adalah dua putaran: setelah tinjauan kedua yang diblokir, reviewer menyerahkan tugasnya ke manusia alih-alih mengembalikannya. Menurut pengalaman kami, siklus yang terus gagal menunjukkan masalah pada brief, bukan pada draf.
Apakah saya butuh Crew untuk agentic SDLC?
Tidak. Tahapan yang tetap bekerja baik sebagai agen terpisah yang dihubungkan pemicu status dan komentar. Gunakan Crew ketika agen pemimpin harus memilih anggota per tugas.



