Cara Menjalankan Agen Claude Opus 5.5 di Sharkly

Anthropic merilis Claude Opus 5.5 pada 22 September. Bagian yang penting bagi tim yang sudah menjalankan beberapa coding agent tidak ada di tabel benchmark. Inilah poin-poinnya: Anthropic menyatakan biaya menjalankannya 40% lebih murah daripada Opus 5, output yang dihasilkan sekitar 30% lebih cepat, dan mampu bertahan mengerjakan tugas selama 18 jam atau lebih. Harga daftarnya $4 per juta token input dan $20 per juta token output, dibandingkan $5 dan $25 untuk Opus 5.

Model yang lebih murah dan bekerja lebih lama tanpa berhenti tidak membuat minggu Anda jadi lebih ringan. Artinya, semakin banyak run yang selesai tiba di hadapan jumlah reviewer yang sama. Menempatkan Opus 5.5 di board hanya butuh sepuluh menit; memutuskan apa yang dilakukan board terhadap throughput tambahan itulah pekerjaan yang sebenarnya. Panduan ini menempuh jalur paling ringkas yang berguna untuk bagian pertama dan jujur soal bagian kedua: pasang Opus 5.5 di Claude Code pada satu Computer, buat satu Agent, tetapkan satu Task nyata.

TL;DR

Set claude-opus-5-5 sebagai model di Claude Code pada Computer yang sudah terhubung, pastikan Runtime menunjukkan status Available, buat Agent dengan timeout per-Task yang sesuai dengan berapa lama Opus 5.5 benar-benar akan bekerja, biarkan working directory tetap Temporary, lalu tetapkan satu Task. Sharkly tidak akan menampilkan nama modelnya. Yang ditampilkan adalah run, log, pertanyaan, dan hasil pada Task. Agent meneliti, mengeksekusi, menguji, dan melaporkan. Manusia menentukan arah, memberikan otoritas, dan menerima hasilnya.

Di mana pengaturan model berada

Sharkly tidak memilih model. Dokumentasi Agents menyatakannya secara langsung: “Agent mengikuti model default Runtime. Agent tidak menjanjikan atau menampilkan nama model tertentu. Ubah model di konfigurasi tool Runtime atau Computer, bukan di Agent.”

Batas itu perlu ditegaskan sebelum Anda mencari dropdown yang memang tidak ada. Empat peran, masing-masing satu tugas. Agent menentukan bagaimana pekerjaan harus ditangani. Computer menyediakan host dan sumber daya lokal. Runtime menjalankan sesi agent yang sebenarnya, dan Claude Code adalah Runtime di sini. Task tetap menjadi catatan bersama untuk tim. Opus 5.5 sampai ke Sharkly dengan cara yang sama seperti model lainnya: melalui tool yang menjalankannya, yang dikonfigurasi pada host yang menjalankan tool tersebut.

Langkah 1: pasang Opus 5.5 di Claude Code pada Computer

Pada Computer yang akan menjalankannya, perbarui Claude Code dan masuk dengan akun atau API key yang punya akses ke Opus 5.5. Anthropic mencantumkan model ini di Claude Platform, Amazon Web Services, Google Cloud, dan Microsoft Azure, jadi tim yang memakai penyedia cloud mengarahkan Claude Code ke sana. Jika claude --model claude-opus-5-5 berhasil memulai sesi di terminal biasa pada host tersebut, Sharkly dapat menggunakannya.

Lalu set default-nya agar setiap run di Computer ini memakainya:

// ~/.claude/settings.json
{
  "model": "claude-opus-5-5"
}

Pastikan key settings yang tepat dan versi minimum Claude Code dengan referensi konfigurasi Claude Code terkini sebelum Anda menerapkannya ke Computer bersama. [VERIFY]

Kembali di Sharkly, buka detail Computer dan jalankan rescan atau tes koneksi. Runtime Claude Code seharusnya menunjukkan Available. Computer yang hanya menampilkan online berarti layanan lokalnya sedang mengirim heartbeat. Status kemampuan Runtime-lah yang memberi tahu Anda bahwa sebuah run bisa dimulai.

Satu Computer, dua tier model. Agent tidak punya pemilih model, tetapi Agent membawa environment variable biasa dan rahasia serta argumen Runtime tambahan, dan semuanya sampai ke pemanggilan Runtime. Dengan begitu Anda bisa mempertahankan default yang murah di Computer dan hanya memakai Opus 5.5 pada Agent yang membutuhkannya, alih-alih membayar tarif leader untuk setiap run triase. Uji dulu pada satu Agent sebelum dijadikan standar. [VERIFY]

Langkah 2: bangun Agent sesuai perilaku Opus 5.5

Buka Agents, pilih New Agent, tentukan Computer dan Runtime Claude Code. Lalu atur tiga hal yang lebih penting untuk model ini dibandingkan model sebelumnya.

Timeout per-Task. Anthropic menyatakan Opus 5.5 mampu bertahan mengerjakan tugas selama 18 jam atau lebih. Timeout yang disetel untuk perbaikan bug 20 menit akan membuatnya menjadi run yang terpotong dan log yang membingungkan. Naikkan secara selektif, jangan di semua tempat: timeout panjang pada Agent yang menangani migrasi dan refactor besar, yang pendek pada Agent yang memperbaiki defect frontend kecil. Timeout panjang pada Agent dengan cakupan sempit biasanya hanya menghasilkan kegagalan yang lebih lambat.

Working directory. Mode Temporary. Setiap Task mendapat direktori terisolasi, dan run yang berbasis repositori menyiapkan worktree baru, sehingga dua run Opus 5.5 pada repositori yang sama tidak bisa saling menimpa. Untuk direktori temporary, konkurensi default adalah 50% dari batas Computer. Biarkan begitu sampai Computer sudah menangani beberapa run nyata.

Ukuran output. Opus 5.5 mendukung output hingga 128k token dalam satu respons. Run yang dibiarkan bekerja berjam-jam dan menjawab sepanjang itu akan menghasilkan diff yang tidak dibaca dengan cermat oleh siapa pun. Batasi cakupan Task agar hasilnya bisa direview, bukan agar modelnya sibuk.

Instruksi tetap stabil dan singkat:

Read the Task description and recent comments before editing.
Keep changes limited to the requested behavior.
Ask a question only when different interpretations would
materially change the result; otherwise proceed with a stated
assumption and record it in your report.
Run the closest relevant checks and report failures without hiding them.
Stop and ask before anything destructive or outside the repositories
attached to this Agent.

Langkah 3: tetapkan satu Task, lalu arahkan Crew ke sana

Pilih Task dengan kriteria penerimaan yang jelas. Pilih Agent sebagai Assignee dan pindahkan Task keluar dari Backlog ke status yang kategorinya siap dikerjakan; Task yang ditetapkan saat masih di Backlog akan menunggu. Run bergerak melalui queued, dispatched, dan running, dan tab Executions menampilkan log secara streaming.

Gunakan satu Agent saja untuk Task pertama itu. Crew adalah grup People dan Agent yang dapat digunakan kembali dan dikoordinasikan oleh satu leader Agent, dan baru layak dipakai ketika leader harus menafsirkan tujuan dan menyatukan hasil beberapa anggota kembali ke dalam satu Task. Untuk perubahan yang cakupannya terbatas, satu Agent adalah pilihan yang tepat dan tidak ada bagian bergerak yang perlu diurus.

Ketika Crew memang masuk akal, Opus 5.5 adalah leader yang lebih bisa dipertanggungjawabkan dibandingkan satu tier harga sebelumnya. Seorang leader sebagian besar membaca, merencanakan, menugaskan, dan mereview — bentuk pekerjaan yang paling sulit dibenarkan di puncak daftar harga:

Pembacaan input yang di-cache pada Opus 5.5 adalah $0.20 per juta dan penulisan cache $5, dan inilah yang menentukan apakah sesi panjang yang membaca ulang prefix repositori yang sama menjadi murah atau mahal. Ada mode cepat dengan harga $8 dan $40 ketika latensi lebih penting daripada biaya. Penggunaan model tetap melalui langganan atau API key yang dikonfigurasi di tool tersebut, jadi tarif ini masuk ke tagihan penyedia Anda, bukan ke Sharkly.

Apa yang sebenarnya berubah di board

Tiga hal, dan hanya satu di antaranya soal model.

Run jadi lebih murah, review tidak. Potongan dua puluh persen dari tarif token, dan biaya menjalankan 40% lebih murah daripada Opus 5, berarti anggaran bulanan yang sama membeli lebih banyak agent run minggu ini dibandingkan minggu lalu. Tidak ada satu pun bagian dari kalimat itu yang menambah jam reviewer. Kendala pada tim multi-agent tidak pernah soal biaya model; kendalanya adalah berapa banyak diff yang sudah selesai yang benar-benar bisa diterima satu orang dalam sehari. Model yang lebih murah justru memperketat kendala itu. Rencanakan berdasarkan kapasitas review, bukan pilihan model.

Run yang panjang mengubah makna supervisi. Agent yang memegang sebuah task hampir sepanjang hari tidak bisa disupervisi dengan cara menatap terminal. Anda butuh status yang bisa dibaca sekilas, pertanyaan yang benar-benar sampai ke orangnya alih-alih terlewat begitu saja, dan tempat di mana hasilnya bermuara. Di Sharkly, pertanyaan kembali ke Task sebagai komentar, Task menampilkan waiting for human reply, dan itu diteruskan ke Inbox Anda.

Lebih sedikitnya upaya berhasil menembus batas adalah kemajuan, bukan guardrail. Anthropic melaporkan 85% lebih sedikit upaya penembusan batas yang berhasil dibandingkan Opus 5. Itu peningkatan perilaku yang nyata, dan itu bukan sistem izin. Repositori yang dilampirkan ke Agent, environment variable-nya, dan langkah penerimaan oleh manusia itulah yang membatasi sebuah run. Biarkan peningkatan model menjadi lapisan kedua, jangan pernah menjadi satu-satunya lapisan.

Ketika run berhenti lebih awal

Run yang berakhir lebih awal bukan berarti hilang. Buka log eksekusi, baca judul dan detail teknisnya, lalu jalankan ulang dari Task dengan cakupan yang lebih sempit. Direktori dan catatan Task tetap tersimpan, jadi percobaan berikutnya dimulai dari bukti, bukan dari ingatan. Jaga agar Task tetap cukup kecil sehingga berhentinya hanya memakan waktu beberapa menit.

Itulah bagian yang layak dijaga tetap stabil. Modelnya berubah minggu ini, sementara penugasan, konteks, progres, blocker, hasil, dan review manusia tetap berada di tempat yang bisa dilihat tim. Jika Anda sudah menjalankan beberapa coding agent, hubungkan satu Computer, buat satu Agent, dan beri ia tugas yang membosankan.