Panduan Memulai Sharkly dalam 10 Menit

Memulai Sharkly hanya butuh sekitar sepuluh menit: hubungkan satu Computer, buat satu Agent, lalu tugaskan satu Task kecil. Sharkly adalah sistem manajemen kerja untuk manusia dan Agent. Sistem ini mengubah alat coding AI seperti Claude Code dan Codex menjadi rekan tim yang bisa ditugaskan di dalam sistem task bersama, sehingga eksekusi tidak lagi menghilang begitu saja ke dalam terminal pribadi. Berikut seluruh proses untuk pertama kali:

1. Masuk dan buat (atau gabung ke) sebuah Organization dengan satu Space aktif.
2. Hubungkan sebuah Computer melalui Sharkly Desktop atau Sharkly CLI.
3. Pastikan setidaknya satu Runtime, misalnya Claude Code, berstatus tersedia.
4. Buat sebuah Agent dengan peran yang sempit dan instruksi yang jelas.
5. Tulis Task kecil dengan cakupan yang rapi, lalu tugaskan ke Agent tersebut.
6. Tinjau hasilnya di Task dan balas dengan komentar lanjutan.

Sisa panduan ini akan membahas setiap langkah secara berurutan, menjelaskan empat konsep di baliknya, dan menunjukkan apa yang perlu diperiksa saat eksekusi pertama selesai. Pada akhirnya Anda akan memiliki alur kerja yang berfungsi dan bisa dikembangkan menjadi eksekusi paralel, Skills bersama, dan Sprints.

Mengapa sepuluh menit pertama bersama Sharkly begitu penting

Sebagian besar tim sudah memakai agen coding AI. Masalahnya ada pada tempat pekerjaan itu berlangsung: di terminal satu orang, tak terlihat oleh orang lain. Seseorang menempelkan tiket Jira ke jendela chat, menjalankan agen, menempelkan kembali diff-nya, dan alasan di balik perubahan itu tidak tercatat di mana pun. Kalikan itu dengan lima developer dan tiga alat agen yang berbeda, hasilnya adalah hasil kerja tanpa catatan.

Sharkly mendekati persoalan ini dari sisi tim. Sharkly bukan agen coding lain. Penjelasan resminya tegas soal batasnya: Sharkly bukan pengganti Claude Code, Codex, atau alat eksekusi lain. Sharkly menambahkan lapisan task, konteks, kontrol, dan review bersama di sekitar alat yang sudah dipakai tim Anda. Alat-alat itulah yang melakukan eksekusi; Sharkly mengelola penugasan, Computer yang terhubung, konteks task, progres, blocker, hasil, dan review manusia di seluruh alat tersebut.

Itulah sebabnya sepuluh menit pertama disusun seperti ini. Anda tidak sedang memasang AI baru. Anda menghubungkan AI yang sudah Anda miliki ke sistem pencatatan bersama, sehingga setiap eksekusi menjaga konteks, progres, blocker, hasil, dan review manusia tetap terlihat dari permintaan sampai rilis. Jika Anda ingin memahami positioning-nya secara lebih luas terlebih dahulu, baca Apa Itu Sharkly? lalu kembali ke sini; panduan ini tetap bersifat praktik langsung.

Empat konsep di balik setiap penyiapan Sharkly

Empat kata benda menopang seluruh model ini. Pahami keempatnya dengan benar, dan tidak ada bagian selanjutnya yang akan membingungkan Anda.

Task adalah unit kerja utama di Sharkly. Task mencatat tujuan dan deskripsi, status, prioritas, label, orang yang bertanggung jawab, Agent atau Crew yang ditugaskan untuk mengeksekusi, komentar, lampiran, serta seluruh status dan jejak eksekusi.

Agent adalah konfigurasi kerja yang tersimpan, bukan prompt sekali pakai. Penyiapan cermat dari satu orang (instruksi, repositori yang ditautkan, environment, timeout) bisa dipakai ulang di seluruh Space ketika Agent tersebut dibagikan.

Computer menyediakan host eksekusi. Sebuah layanan lokal kecil menghubungkannya ke Sharkly, mendeteksi alat agen yang terpasang, menerima pekerjaan, menyiapkan direktori task, menjalankan Runtime yang dipilih, dan mengalirkan progres kembali. Layanan lokal inilah yang memulai koneksi ke luar, jadi penyiapan pada umumnya tidak memerlukan port masuk.

Pemisahan tanggung jawab inilah inti rancangannya: Agent menentukan bagaimana pekerjaan harus ditangani, Computer menyediakan host dan sumber daya lokal, Runtime menjalankan sesinya, dan Task tetap menjadi catatan bersama untuk tim. Kode dan kredensial Anda tetap berada di mesin yang Anda kendalikan.

Yang perlu Anda siapkan sebelum memulai

Daftar prasyaratnya singkat:

• akun Sharkly dan sebuah Organization;
• setidaknya satu Space aktif;
• komputer yang bisa menjalankan Sharkly Desktop atau layanan lokal;
• Runtime yang didukung dan sudah terpasang serta terautentikasi di mesin tersebut, misalnya Claude Code, Codex, atau Gemini CLI;
• akses Git di mesin tersebut jika Task pertama Anda menyentuh repositori privat.

Dua catatan soal sisi model. Pertama, gunakan langganan Anda sendiri: pemakaian model tetap berjalan melalui langganan atau API key yang dikonfigurasi di alat-alat tersebut, dan kuota Anda bergantung pada paket serta akun yang dihubungkan tim Anda. Kedua, Agent mengikuti model default Runtime. Agent tidak menyediakan pemilih model; Anda mengganti model di konfigurasi Runtime itu sendiri, bukan di Agent.

Anda bisa mengatur Task tanpa Computer yang terhubung. Namun, Agent tidak dapat mengeksekusi pekerjaan sampai ada Runtime yang memenuhi syarat dan online, jadi menghubungkan Computer memang menjadi langkah pertama, bukan tanpa alasan.

Jika Organization Anda belum punya Space aktif, Sharkly akan memandu Anda membuatnya. Pilih kategori pekerjaan untuk mengisi jenis task yang masuk akal: pengembangan software dimulai dengan Requirement, Bug, Task, dan User Story. Space pertama secara default bersifat publik untuk Organization, dan Anda bisa memperketat aksesnya nanti.

Langkah 1: Hubungkan sebuah Computer

Buka Settings, lalu Computers, dan pilih Connect Computer. Ada dua jalur yang mencakup hampir semua orang:

• Sharkly Desktop untuk komputer pribadi yang didukung. Pasang, masuk, dan Sharkly Desktop akan mendaftarkan mesin tersebut sekaligus menjalankan layanan lokal untuk Anda.
• Sharkly CLI plus layanan lokal untuk host remote atau mesin Linux. Buat install token sekali pakai di dialog koneksi, lalu jalankan perintah yang dihasilkan di mesin target:

sharkly computer register --install-token sit_9f2ka7x1mrq8

Install token berumur pendek dan hanya bisa dipakai sekali. Jangan menaruhnya di image yang dipakai ulang, skrip, Task, atau komentar. Fungsinya juga sangat spesifik: install token mendaftarkan sebuah Computer, dan tidak membuat login CLI untuk manusia. Personal access token (diawali dengan shk_) menangani hal itu secara terpisah.

Tunggu sampai Computer berstatus terhubung, lalu periksa halaman detailnya. Setiap Runtime yang terdeteksi melaporkan status kapabilitas: Available, Needs configuration, Not installed, atau Unsupported. Perbedaan ini menyelamatkan Anda dari kebingungan awal yang paling umum. Computer yang online hanya berarti layanan lokalnya sedang mengirim heartbeat. Bukan berarti Runtime yang Anda pilih bisa mengeksekusi Task. Jika nanti sebuah eksekusi tidak mau dimulai, periksa status kapabilitas Runtime sebelum Anda mengurus koneksinya.

Anda juga bisa memverifikasinya dari terminal:

sharkly computer list
sharkly computer show cmp_4c81d2
sharkly computer ping cmp_4c81d2 rt_claude_code

Dokumentasi Computers membahas diagnostik, Runtime kustom, visibilitas, dan pengaturan pembersihan secara mendalam.

Langkah 2: Buat Agent pertama Anda

Buka Agents dan pilih New Agent. Tahan keinginan untuk membuat asisten serba bisa. Mulailah dengan peran yang sempit, karena deskripsi yang fokus memberi tahu orang lain apa yang bisa ditugaskan, sementara instruksinya memberi tahu Agent cara bekerja.

Konfigurasi pertama yang baik kurang lebih seperti ini:

• Name: Code Reader
• Description: Membaca repositori, menjelaskan implementasi saat ini, dan melaporkan risiko tanpa mengubah berkas.
• Visibility: Personal, atau Space tempat Agent akan digunakan
• Computer and Runtime: koneksi yang sudah Anda verifikasi di langkah 1

Untuk instruksi, contoh dari Quickstart layak disalin hampir apa adanya:

Baca seluruh Task dan komentar terkait sebelum bertindak. Jaga cakupan tetap sesuai permintaan. Untuk Task pertama, jangan mengubah berkas. Laporkan apa yang Anda periksa, bukti untuk setiap kesimpulan, dan hal-hal yang masih meragukan.

Perhatikan cakupan instruksi tadi: batas lingkup, cara memeriksa sebelum bertindak, dan format pelaporan. Itulah tingkat yang tepat. Taruh perilaku yang stabil di instruksi Agent, taruh kebutuhan khusus Task di deskripsi Task, dan taruh prosedur yang bisa dipakai ulang oleh beberapa Agent ke dalam sebuah Skill. Memisahkan ketiga lapisan itulah yang membuat Agent bisa dipakai ulang, bukan rapuh.

Langkah 3: Tambahkan repositori atau direktori kerja

Jika Agent Anda akan membaca kode, ia butuh kode untuk dibaca. Ada dua opsi:

• Tautkan repositori Git ke Agent (atau andalkan repositori yang dikonfigurasi untuk Space milik Task tersebut). Eksekusi yang berbasis repositori dapat menyiapkan git worktree baru untuk setiap Task, dan inilah yang nantinya memungkinkan eksekusi paralel yang aman.
• Konfigurasikan direktori lokal tertentu di Computer lokal. Eksekusi akan memakai ulang kode, dependensi, cache, dan alat yang sudah ada di sana, bukan menyiapkan salinan baru.

Aturan pengambilan keputusannya: gunakan direktori sementara berbasis worktree untuk sebagian besar pekerjaan repositori dan setiap kali beberapa Task mungkin mengubah codebase yang sama secara paralel. Gunakan direktori tertentu ketika sebuah eksekusi membutuhkan environment yang mahal untuk dibangun ulang, dan ingat bahwa satu direktori tertentu hanya melayani satu eksekusi pada satu waktu. Kami sudah menulis penjelasan lengkap tentang bagaimana worktree mencegah agen paralel saling bertabrakan jika Anda ingin memahami mekanismenya.

Langkah 4: Tulis Task yang bisa dieksekusi Agent

Buat Task di Space yang sama. Contoh di Quickstart sengaja dibuat membosankan, dan itulah intinya:

Title: Tinjau jalur error autentikasi

Description: Baca implementasi autentikasi saat ini dan identifikasi tiga kasus kegagalan yang terlihat oleh pengguna. Jangan ubah berkas. Untuk setiap kasus, sebutkan berkas atau komponen terkait dan jelaskan perilaku yang diharapkan. Akhiri dengan pertanyaan apa pun yang harus dijawab sebelum implementasi.

Task ini punya tiga sifat yang harus dimiliki setiap Task pertama yang baik. Batasnya jelas (baca, jangan ubah). Hasilnya bisa ditinjau (tiga kasus beserta buktinya). Dan risikonya rendah, sehingga Anda bisa menilai pertimbangan Agent tanpa mempertaruhkan codebase Anda. Jika repositori Anda tidak punya kode autentikasi, ganti subjeknya dengan area kecil mana pun yang ada, misalnya pemuatan konfigurasi atau komponen empty state.

Menugaskan pekerjaan ke software dengan cara ini terasa berbeda dari sekadar memberi prompt, dan memang seharusnya begitu. Prompt adalah percakapan; Task adalah kontrak dengan hasil yang bisa ditinjau. Setelah alur ini berjalan, pola yang sama bisa diskalakan ke tiket sungguhan: panduan kami tentang menugaskan tiket Jira ke agen AI menunjukkan versi produksinya.

Langkah 5: Tugaskan Task dan pantau eksekusinya

Buka kontrol Assignee pada Task dan pilih Agent Anda. Manusia, Agent, dan Crew semuanya bisa menjadi Assignee; memilih Agent akan menjadikannya assignee eksekusi.

Ada satu aturan status yang menentukan kapan eksekusi dimulai. Task yang ditugaskan ke Agent tidak akan memulai eksekusi selama statusnya masih Backlog. Backlog adalah area parkir tempat pekerjaan disiapkan. Pindahkan Task ke status yang siap dikerjakan (unstarted atau started), dan Sharkly akan memasukkan eksekusi ke antrean begitu Computer dan Runtime siap. Status completed, canceled, dan duplicate tidak akan pernah memulai eksekusi awal.

Selama eksekusi berjalan, Task menampilkan status eksekusinya: queued, dispatched, running, lalu completed, failed, atau canceled. Eksekusi berbasis repositori mungkin perlu waktu sesaat untuk checkout kode dan menyiapkan direktori terisolasinya terlebih dahulu. Ada tiga tampilan yang tersedia:

• Chat untuk percakapan bergaya komentar dengan Agent;
• Activity untuk komentar dan perubahan Task dalam satu linimasa;
• Executions untuk riwayat eksekusi dan jejak lengkapnya: pemanggilan tool, event Runtime, sumber trigger, dan detail kegagalan.

Status eksekusi dan status Task saling terkait tetapi berbeda. Sebuah eksekusi bisa berstatus Running sementara status Task masih In Progress, karena yang satu menggambarkan kemajuan eksekusi dan yang lain menggambarkan posisi dalam alur kerja.

Langkah 6: Tinjau hasilnya sebagai reviewer, bukan penonton

Respons akhir Agent kembali ke Task sebagai komentar yang tertaut ke jejak eksekusinya. Di sinilah sisi manusia dari kontrak tadi dimulai: Agent meneliti, mengeksekusi, menguji, dan melaporkan. Manusia menentukan arah, memberi wewenang, dan menerima hasilnya.

Periksa apakah Agent:

• memeriksa kode atau bahan sumber yang dimaksud;
• tetap berada dalam batas tanpa mengubah berkas;
• memberikan bukti untuk setiap kesimpulan;
• mencatat ketidakpastian alih-alih menduga-duga;
• meninggalkan hasil di Task yang bisa ditindaklanjuti rekan tim.

Jika perlu satu putaran lagi, balas dengan komentar yang terarah. Komentar yang memenuhi syarat pada Task yang masih ditugaskan ke Agent tersebut akan memulai eksekusi lanjutan, dan komentar yang dikirim beruntun akan digabungkan sehingga Anda tidak membuat eksekusi tertunda yang duplikat. Jika Agent membutuhkan masukan atau review dari Anda, permintaan itu bisa muncul di Inbox Anda, yang memisahkan hal-hal yang butuh balasan Anda dari pembaruan berprioritas rendah.

Ketika hasilnya sudah memadai, tandai Task sebagai selesai. Itu menutup alur pertama yang dilacak daftar periksa penyiapan: Computer terhubung, Agent dibuat, repositori siap, Task dibuat, ditugaskan, dan diselesaikan.

Setelah alur pertama: lima cara mengembangkan penyiapan Anda

Eksekusi pertama membuktikan bahwa semua sudah tersambung dengan benar. Langkah-langkah berikutnya masing-masing menambah satu dimensi.

Bagaimana cara menjalankan lebih dari satu Task sekaligus?

Naikkan konkurensi secara sengaja. Dengan direktori sementara, konkurensi default adalah setengah dari batas Computer; setiap Task mendapat worktree terisolasi sehingga eksekusi paralel tidak bertabrakan. Perhatikan CPU, memori, dan kapasitas penyedia model sebelum menaikkan batas, dan baca bagaimana tim menjalankan beberapa sesi Claude Code secara paralel untuk perbandingan dengan penyiapan buatan sendiri.

Kapan sebaiknya memakai Agent Chat alih-alih Task?

Sharkly sengaja mempertahankan dua permukaan. Gunakan Chat untuk mengeksplorasi, merencanakan, atau menyelidiki bersama Agent sebelum pekerjaan itu perlu dilacak. Gunakan Task ketika pekerjaan membutuhkan kepemilikan, status, riwayat eksekusi, atau review. Jika sebuah Chat menghasilkan sesuatu yang harus ditindaklanjuti tim, promosikan menjadi Task agar hasilnya tercatat.

Kapan Anda membutuhkan Crew?

Crew adalah kelompok manusia dan Agent yang bisa dipakai ulang dan dikoordinasikan oleh satu Agent pemimpin. Untuk pekerjaan kecil yang sudah terdefinisi dengan baik, tugaskan langsung Task ke satu Agent dan jaga agar komponen yang bergerak tetap nol. Gunakan Crew ketika pemimpinnya perlu menafsirkan tujuan, melibatkan anggota spesialis, dan mengembalikan hasil mereka ke dalam satu Task.

Kapan Skill lebih baik daripada mengedit instruksi?

Ketika beberapa Agent membutuhkan prosedur yang sama (checklist review, pola migrasi, format pelaporan), pindahkan ke sebuah Skill dan tautkan di tempat yang diperlukan. Keahlian seorang developer berubah menjadi infrastruktur organisasi, bukan prompt pribadi.

Bagaimana dengan anggota tim lainnya?

Semua hal di atas bisa dijalankan sendiri. Manfaatnya berlipat ketika Task berada di Space bersama, Sprint mengelompokkan pekerjaan menjadi siklus, dan rekan tim meninjau keluaran Agent di tampilan yang sama seperti yang biasa mereka pakai untuk pekerjaan manusia. Lapisan proyek Sharkly (Spaces, Projects, Sprints, tampilan kanban dan daftar) cukup standar sehingga tidak ada yang perlu pelatihan ulang.

Kapan Sharkly bukan alat yang tepat untuk saat ini

Batas yang jujur akan menghemat waktu Anda. Jika Anda satu developer yang menjalankan satu agen di satu repositori, terminal dan sebuah branch mungkin sudah cukup untuk saat ini. Lapisan koordinasi baru terasa manfaatnya ketika eksekusi berlipat: lebih dari satu agen, lebih dari satu orang yang perlu melihat hasilnya, atau pekerjaan yang memerlukan review sebelum merge.

Logika yang sama berlaku untuk perkakas yang Anda bangun sendiri. Sesi tmux dan skrip worktree buatan sendiri memang benar-benar berfungsi; tim akan beralih darinya ketika bagian-bagian tak terlihat (siapa menjalankan apa, ke mana diff-nya pergi, siapa yang menyetujuinya) mulai memakan biaya lebih besar daripada penghematan dari skrip tersebut. Dan jika tim Anda sepenuhnya hidup di dalam ekosistem satu vendor dari ujung ke ujung, nilai dulu orkestrasi milik vendor itu. Argumen Sharkly paling kuat ketika Anda mencampur alat, mesin, dan orang, karena Sharkly tetap netral terhadap ketiganya. Konteks kategori yang lebih luas ada di Apa Itu Agentic Coding? jika Anda sedang memetakan bidang ini.

Yang tidak berubah dalam semua kasus tersebut: tetap gunakan alat yang sudah dipakai tim Anda. Jalur adopsi Sharkly adalah menambahkan lapisan yang terlihat dan bisa ditinjau di sekitarnya, bukan mengganti alur kerja di bawahnya.

Tiga eksekusi pertama yang berhasil dalam praktik

Tim platform yang berhati-hati. Seorang engineer DevEx menghubungkan satu Computer Linux bersama, membuat Agent Code Reader yang hanya bisa membaca, dan membiarkan rekan tim menugaskan Task investigasi selama sepekan. Tidak ada yang memberi akses tulis sampai laporannya terbukti bisa dipercaya. Adopsi menyebar karena jejak eksekusi membuat pertimbangan Agent bisa diperiksa.

Developer solo yang mulai berkembang. Seorang developer menghubungkan laptop, membuat dua Agent (satu untuk implementasi, satu untuk review), dan mulai mengalirkan bug-bug kecil melalui Task alih-alih prompt ad hoc. Keuntungan langsungnya bukan kecepatan; melainkan bahwa setiap perbaikan kini punya deskripsi, diff, jejak, dan catatan tentang apa yang sudah diperiksa.

Tim yang berpusat pada Jira. Seorang engineering manager tetap menjadikan Jira sebagai sumber kebenaran perencanaan dan menghubungkan Sharkly agar tiket menjadi Task yang bisa dieksekusi. Developer berhenti menyalin-tempel konteks tiket ke terminal. Hasil, blocker, dan permintaan review kembali ke Task tempat manajer bisa melihatnya.

Sepuluh menit Anda berikutnya

Alur kerja Sharkly paling sederhana yang berguna memang sengaja dibuat kecil: hubungkan satu Computer, buat satu Agent, dan tugaskan satu Task berisiko rendah. Setiap kemampuan lanjutan (worktree paralel, Crews, Skills, Automations, Sprints) dibangun di atas alur itu tanpa mengubahnya.

Jadi jalankan alur itu. Hubungkan satu Computer, buat satu Agent, dan beri ia tugas yang membosankan. Tinjau hasilnya seperti Anda meninjau PR pertama rekan tim baru: dengan perhatian, batas yang jelas, dan satu pertanyaan lanjutan. Lalu putuskan, berdasarkan bukti, apa yang akan Anda berikan selanjutnya. Quickstart di dokumentasi mencerminkan langkah-langkah ini dengan tangkapan layar terbaru saat Anda siap memulai.

Pertanyaan yang sering diajukan

Agen coding apa saja yang bisa dipakai dengan Sharkly?

Sharkly mendeteksi alat agen yang didukung dan terpasang di Computer yang terhubung, lalu melaporkan masing-masingnya sebagai Runtime. Claude Code, Codex, Gemini CLI, dan OpenCode termasuk di antara alat yang disebut dalam dokumentasi resmi. Halaman detail Computer menampilkan daftar yang didukung saat ini untuk mesin Anda, lengkap dengan tautan panduan instalasi per Runtime, dan Anda bisa menambahkan ACP Runtime kustom jika sebuah alat tidak terdeteksi otomatis.

Apakah Sharkly menggantikan Claude Code atau Codex?

Tidak. Sharkly bukan pengganti Claude Code, Codex, atau alat eksekusi lainnya. Alat-alat itulah yang menjalankan sesi agen sesungguhnya di Computer Anda. Sharkly menambahkan lapisan bersama di sekitarnya: penugasan tingkat tim, konteks task, progres, hasil, dan review manusia. Anda tetap memakai alat agen dan akun yang sudah Anda miliki.

Berapa biaya Sharkly?

Model Sharkly adalah bring-your-own-subscription: pemakaian model berjalan melalui langganan atau API key yang dikonfigurasi di alat agen Anda, dan kuota Anda bergantung pada paket yang dihubungkan tim Anda. Untuk paket produk terkini, cek langsung sharkly.ai, karena artikel ini tidak memantau harga.

Apakah kode dan kredensial saya melewati server Sharkly?

Eksekusi berlangsung di Computer yang Anda hubungkan: laptop Anda, server Anda, atau container Anda. Computer menyediakan sistem operasi, berkas, kredensial, dan alat, dan layanan lokal mengalirkan progres serta hasil kembali ke Task. Repositori diambil dengan akses Git yang dikonfigurasi di Computer tersebut.

Mengapa Agent saya tidak memulai eksekusi?

Periksa tiga penyebab yang umum, secara berurutan. Pertama, Task mungkin masih berstatus Backlog; Task yang sudah ditugaskan akan menunggu di sana sampai dipindahkan ke status yang siap dikerjakan. Kedua, Runtime-nya mungkin tidak bisa dipakai; Computer yang online hanya memastikan heartbeat, jadi buka detail Computer dan periksa status kapabilitas Runtime. Ketiga, kapasitasnya mungkin penuh; Agent yang online tetap akan mengantrekan pekerjaan ketika batas konkurensi atau batas direktori tercapai.

Bisakah dua Agent bekerja di repositori yang sama secara bersamaan?

Bisa, dengan direktori kerja sementara. Setiap Task mendapat direktori terisolasi, dan eksekusi berbasis repositori menyiapkan git worktree terpisah untuk setiap eksekusi, sehingga mengurangi gangguan antar-Task yang berjalan bersamaan. Direktori tertentu justru sebaliknya: satu jalur yang dikonfigurasi hanya melayani satu eksekusi pada satu waktu.

Bisakah saya menjalankan Agent Sharkly di server remote?

Bisa. Pasang Sharkly CLI dan layanan lokal di host remote, lalu daftarkan dengan install token sekali pakai dari halaman Computers. Layanan lokal terhubung ke luar menuju Sharkly, jadi penyiapan pada umumnya tidak memerlukan port masuk. Computer remote cocok untuk kapasitas tim bersama; laptop cocok untuk eksperimen pribadi.

Task pertama saya sebaiknya apa?

Sesuatu yang hanya membaca, dengan batas yang jelas dan keluaran yang bisa ditinjau. Dokumentasi menyarankan meninjau jalur error autentikasi dan melaporkan tiga kasus kegagalan yang terlihat pengguna beserta buktinya, tanpa mengubah berkas. Area kecil dan nyata mana pun di codebase Anda bisa dipakai. Hindari Task pertama yang samar seperti “perbaiki kodenya”; Anda tidak bisa meninjau apa yang tidak Anda batasi.