TL;DR: Untuk menjalankan 10 AI coding agent secara bersamaan, berhentilah memperlakukan setiap agen layaknya terminal yang harus Anda pantau terus-menerus. Ubah setiap pekerjaan menjadi tugas, berikan setiap tugas run agen tersendiri di dalam worktree terisolasi pada Computer yang terhubung, simpan tindak lanjut sebagai komentar tugas, dan biarkan pemicu peristiwa (event trigger) menjalankan pekerjaan berulang secara otomatis. Anda cukup meninjau hasil akhirnya, bukan memantau sesinya.
Anda bisa menjalankan 10 AI coding agent sekaligus tanpa perlu membuka 10 tab terminal, dan batasan utama yang pertama kali Anda hadapi bukanlah model AI-nya. Dalam esai berjudul “Exploring Super-agent Design”, tim DeepSeek Harness menyatakannya dengan lugas: seseorang umumnya hanya mampu mengikuti 3 hingga 5 sesi aktif secara bersamaan. Lebih dari itu, Anda sendirilah yang menjadi penghambatnya (bottleneck).
Solusi yang mereka tawarkan adalah sebuah “super-agent”: satu koordinator yang berkomunikasi dengan manusia dan mendistribusikan pekerjaan ke banyak worker yang terisolasi. Esai tersebut memaparkan sebuah arsitektur, bukan produk yang sudah dirilis. Panduan ini menunjukkan versi sederhana yang dapat langsung dijalankan oleh tim saat ini di papan tugas Sharkly, memanfaatkan konfigurasi Claude Code atau Codex yang sudah Anda miliki.
Satu perbedaan mendasar: koordinator DeepSeek adalah LLM yang menentukan siapa mengerjakan apa. Sementara pada papan tugas, manusialah yang mengambil keputusan tersebut, dan setiap keputusan meninggalkan rekam jejak yang jelas.
Mengapa membuka 10 terminal tidak akan berhasil
Jika dikelola secara manual, dua atau tiga agen masih bisa ditangani. Namun ketika mencapai sepuluh, empat masalah besar akan muncul bersamaan.
- Anda menjadi router. Setiap prompt, setiap instruksi “continue”, dan setiap tindak lanjut harus melewati Anda.
- Konteks tercampur aduk. Perbaikan yang ditujukan untuk branch auth malah masuk ke sesi billing, atau dua agen mengedit file checkout yang sama hingga saling menimpa perubahan.
- Laptop Anda menjadi server. Begitu layar laptop ditutup, semua sesi akan terhenti. Proses yang berjalan lama membutuhkan host yang terus menyala.
- Tidak ada yang tercatat. Ketika sebuah proses mengalami kendala, riwayatnya tersimpan di scrollback buffer terminal yang sudah terlanjur Anda tutup.
Kami telah membahas kerugian ini dalam artikel Too Many Terminals. Solusinya: pindahkan koordinasi dari kepala Anda ke sebuah sistem yang mampu menyimpan state.
Super-agent DeepSeek, dipetakan ke papan tugas
Setiap bagian dari rancangan DeepSeek memiliki padanan yang jelas pada papan tugas.
| Komponen DeepSeek | Fungsinya dalam esai | Di papan Sharkly |
|---|---|---|
| Router | Satu sesi yang berjalan terus-menerus; berkomunikasi dengan manusia, mendisposisikan tugas, tidak pernah mengeksekusi langsung; cukup menggunakan model yang lebih ringan | Papan tugas ditambah orang yang mengalokasikan tugas |
| Workers | Satu sesi terisolasi per tugas, menggunakan model terkuat, tidak pernah berkomunikasi dengan manusia | Satu run agen per tugas, di dalam worktree tersendiri |
| Threads | Tindak lanjut pada PR atau topik obrolan yang sama langsung diarahkan ke Worker terkait | Komentar pada tugas akan mengaktifkan kembali agen yang ditugaskan |
| Triggers | Peristiwa yang difilter terlebih dahulu oleh kode (allowlist), kemudian oleh model (kebijakan berupa prompt) | Automation berdasarkan status, frasa komentar, webhook, atau jadwal |
| BYOM (bring your own hardware) | Loop agen berjalan di cloud, lingkungan kerja berada di perangkat keras Anda sendiri melalui daemon ringan | Computer yang terhubung melalui Sharkly Desktop atau Sharkly CLI |
| Watchdog | Sesi eksternal yang mendeteksi Worker yang mengalami perulangan tanpa henti (looping) atau keluar jalur (drifting) | Pengecekan terjadwal ditambah riwayat proses dan gerbang peninjauan manusia |
Filter pemicu dua tahap ini sangat layak untuk ditiru persis. Kode akan menolak apa pun yang tidak sesuai terlebih dahulu (repo yang salah, status yang salah), dan baru setelah itu model membaca peristiwanya. Pada papan tugas, trigger berperan sebagai filter kode, dan instruksi pada Automation berfungsi sebagai prompt kebijakan.
Cara menjalankan 10 AI coding agent di papan Sharkly
Jangan langsung mulai dengan sepuluh. Mulailah dari tiga, buktikan alur kerjanya, lalu tingkatkan jumlahnya secara bertahap.
Langkah 1: Hubungkan Computer dan atur concurrency rendah
Sebuah Computer adalah host yang menjalankan agen-agen Anda. Pada laptop, instal Sharkly Desktop. Pada remote host atau mesin Linux, gunakan Sharkly CLI beserta layanan lokalnya:
# On the remote host, with an install token from the Computers page
sharkly computer register --install-token <install-token>
sharkly daemon status
Layanan lokal ini akan mendeteksi tools yang terinstal seperti Claude Code dan Codex, lalu melaporkan masing-masing sebagai Runtime.
Setiap Computer memiliki batas tugas bersamaan (concurrent-task limit). Berdasarkan dokumentasi Computers, eksekusi direktori sementara secara default menggunakan 50% dari batas tersebut, dan tugas tambahan akan mengantre ketika kapasitas penuh. Mulailah lebih rendah dari perkiraan Anda: tiga proses paralel pada satu Computer sudah cukup ideal untuk pengujian awal.
Gunakan mode direktori sementara untuk pengerjaan kode. Setiap proses akan mendapatkan direktorinya sendiri, dan eksekusi pada repositori bisa menggunakan git worktree baru, sehingga dua agen tidak akan pernah menulis pada checkout yang sama. Jika worktree masih asing bagi Anda, baca panduan cara menggunakan git worktree bersama AI coding agent terlebih dahulu.
Langkah 2: Buat dua atau tiga agen dengan tugas yang jelas
Sepuluh agen bukan berarti harus ada sepuluh kepribadian yang berbeda. Ini berarti cukup beberapa peran, yang masing-masing menjalankan sejumlah tugas.
- Builder: menulis perubahan kode. Gunakan model terkuat Anda untuk peran ini, sebagaimana yang diterapkan DeepSeek pada Worker mereka.
- Reviewer: membaca diff serta kriteria penerimaan tugas (acceptance check), lalu memberikan komentar.
- Fixer: menangani pengujian yang gagal dan menindaklanjuti komentar peninjauan.
Agen, Crew, dan Computer tidak menggunakan kuota seat, sehingga penambahan peran baru tidak memerlukan biaya seat tambahan.
Langkah 3: Tulis tugas yang dapat berjalan secara mandiri
Sebagian besar sistem paralel gagal di tahap ini. Tugas yang bergantung pada kode dari tugas lain yang belum di-merge akan terhenti atau menimbulkan konflik.
Tulis setiap tugas dengan memuat tiga hal: satu hasil akhir, berkas atau modul yang menjadi cakupannya, dan pengujian yang dapat dijalankan oleh siapa saja. Contoh yang berhasil: “Tambahkan rate limiting ke /api/upload; npm test -- upload lolos”. Sedangkan instruksi seperti “Perbaiki API” tidak akan berhasil.
Jika ada dua tugas yang memodifikasi berkas yang sama, jalankan secara berurutan.
Langkah 4: Tetapkan tugas, lalu pusatkan seluruh tindak lanjut pada tugas tersebut
Tetapkan setiap tugas ke agen. Tugas di luar Backlog dapat langsung memulai prosesnya; sedangkan tugas di Backlog akan menunggu sampai dipindahkan ke status siap (ready).
Tindak lanjut harus disampaikan melalui komentar tugas, jangan pernah lewat obrolan terpisah. Komentar dari anggota tim pada tugas yang telah ditetapkan ke agen dapat memicu antrean proses lanjutan, dan Sharkly menggabungkan komentar yang masuk beruntun agar tidak timbul duplikasi antrean run. Inilah penerapan konsep Thread dari DeepSeek: percakapan tetap melekat langsung pada pekerjaannya.
Penggunaan frasa baku seperti /revise beserta instruksi perubahannya akan membuat tindak lanjut mudah dikenali.
Langkah 5: Ubah peristiwa berulang menjadi Automation
Sebuah Automation memadukan instruksi dengan agen atau Crew serta satu atau beberapa pemicu (trigger). Menurut dokumentasi Automations, tersedia empat tipe trigger, ditambah opsi manual Run now:
- Schedule: ekspresi cron lima kolom dan sebuah zona waktu.
- Task status: aktif ketika sebuah tugas berpindah ke status yang ditentukan.
- Comment phrase: aktif ketika komentar memuat frasa tertentu, tanpa membedakan huruf besar/kecil (case-insensitive).
- Webhook: URL rahasia yang menerima permintaan POST, dengan opsi penandatanganan permintaan (request signing).
Satu catatan penting dari dokumentasi: pencocokan status dan komentar saat ini berlaku di tingkat seluruh organisasi, bukan terbatas pada satu Space. Tuliskan instruksi agar agen terlebih dahulu memverifikasi tugas pemicu (awalan judul, Space miliknya) dan berhenti jika tidak cocok. Ini merupakan tahap filter kedua DeepSeek yang ditulis dalam bentuk prompt.
Langkah 6: Tambahkan watchdog dan gerbang peninjauan manusia
DeepSeek menjalankan Watchdog terpisah untuk menangkap Worker yang mengalami perulangan terus-menerus (looping) atau keluar jalur. Anda dapat mengadaptasinya menggunakan Automation terjadwal yang menandai proses yang berjalan jauh melampaui batas waktu wajar, dengan memanfaatkan status proses yang dicatat oleh Sharkly: queued, running, completed, failed, canceled.
Selanjutnya, tempatkan peninjau manusia di tahap akhir: status review tempat manusia menyetujui perubahan diff sebelum di-merge. Kapasitas review inilah yang menjadi batas maksimal Anda yang sebenarnya, jadi pastikan membaca Human Review Is the Bottleneck sebelum Anda berekspansi melebihi lima agen. Untuk hal-hal yang perlu diawasi saat proses sedang berlangsung, simak panduan cara memantau coding agent yang berjalan secara paralel.
Biaya untuk menjalankan sepuluh agen
Terdapat dua pos pembiayaan yang berbeda: token model dan lapisan koordinasi.
Token. Sharkly tidak menjual token. Biaya proses akan dibebankan langsung ke paket Claude Code, Codex, atau langganan API yang sudah terpasang pada Runtime Anda. Kami mengulas alasannya dalam artikel Mengapa Platform Agen Sebaiknya Tidak Menjual Token kepada Anda.
Paralelisme membutuhkan lebih banyak token. Pengujian yang dilakukan DeepSeek memberikan gambaran yang berharga di sini. Mereka menjalankan sekitar 300 pesan dengan sekitar 20 permintaan pekerjaan dalam simulasi coding, masing-masing 5 kali pengujian, dan menyebut hasilnya sebagai data indikatif.
| Konfigurasi (Data DeepSeek) | Waktu tugas p50 | Waktu tugas p95 | Token cache-read per run |
|---|---|---|---|
| Super-agent | 12,4 menit | 15,7 menit | 23,2M |
| Sesi tunggal + sub-agen, prompt netral | 20,4 menit | 29,5 menit | 6,1M |
| Sesi tunggal + sub-agen, prompt delegasi | 13,8 menit | 29,0 menit | 10,8M |
Sesi dengan prompt netral sama sekali tidak pernah mendelegasikan tugas dalam lima kali pengujian. Konsekuensinya: konsumsi token lebih besar demi mendapatkan waktu penyelesaian tugas yang lebih cepat dan konsisten. Kami tidak menguji ulang data-data ini.
Platform. Per 4 November 2026, rincian harga Sharkly menunjukkan bahwa produk ini saat ini gratis untuk organisasi hingga 5 orang. Paket Team bertarif $7 per orang per bulan, ditagih tahunan. Seat hanya dihitung berdasarkan jumlah pengguna manusia.
Kapan pola ini tepat digunakan
- Penyelesaian backlog (burn-down): dua puluh isu kecil yang independen, masing-masing menjadi satu tugas, dikerjakan oleh builder dan reviewer.
- Perbaikan tes pasca-upgrade: satu tugas per paket yang gagal, masing-masing di worktree terpisah.
- Dokumentasi dan kode yang selaras: trigger status mengaktifkan agen dokumentasi begitu tugas fitur berpindah ke status review.
- Antrean semalaman: tugas berjalan di Computer jarak jauh (remote) yang tidak pernah berhenti, dan Anda tinggal meninjaunya di pagi hari.
Jika Anda ingin membandingkan di mana sebaiknya agen dijalankan secara menyeluruh, artikel Codex Cloud vs Computer Sendiri mengulas pertimbangan tersebut secara lengkap.
Mulailah dari tiga
Menjalankan sepuluh agen paralel adalah sebuah hasil akhir, bukan langkah awal. Hubungkan satu Computer, buat agen builder dan reviewer, buat tiga tugas dengan hasil yang dapat diuji, lalu tetapkan tugas-tugas tersebut. Amati satu siklus lengkap: jalankan, beri komentar, tindak lanjuti, dan tinjau hasilnya. Ketika alur kerja tersebut sudah terasa lancar dan stabil, tingkatkan concurrency sebanyak dua dan tambahkan satu Automation.
FAQ
Berapa banyak AI coding agent yang dapat dikelola oleh satu orang?
Tim DeepSeek memperkirakan batasnya adalah 3 hingga 5 sesi aktif jika Anda memantau setiap sesi secara mandiri. Anda bisa menjalankan lebih banyak jika pekerjaan dialihkan ke dalam bentuk tugas dengan kriteria hasil tertulis, karena Anda cukup meninjau hasil akhirnya alih-alih mengawasi sesinya terus-menerus.
Bisakah saya menjalankan beberapa agen Claude Code pada repositori yang sama?
Bisa, asalkan setiap proses dijalankan di direktorinya masing-masing. Mode direktori sementara memberikan direktori terisolasi untuk setiap tugas, dan eksekusi pada repositori dapat memanfaatkan git worktree baru, sehingga agen yang berjalan paralel tidak akan saling menimpa perubahan.
Apa yang terjadi jika saya menetapkan lebih banyak tugas daripada kapasitas yang mampu dijalankan oleh Computer?
Tugas-tugas tambahan akan dimasukkan ke dalam antrean. Setiap Computer memiliki batas tugas bersamaan (concurrent-task limit), dan proses baru akan segera berjalan begitu ada kapasitas yang bebas. Tugas yang mengantre juga akan menunggu apabila Computer sedang offline atau Runtime-nya tidak tersedia.
Apakah saya memerlukan server cloud untuk menjalankan agen secara paralel?
Tidak. Laptop Anda dapat difungsikan sebagai Computer melalui Sharkly Desktop. Namun untuk proses yang berdurasi panjang atau dibiarkan berjalan semalaman, remote host atau mesin Linux yang terhubung dengan Sharkly CLI akan tetap aktif meskipun laptop Anda ditutup.
Apakah papan tugas sama dengan super-agent milik DeepSeek?
Tidak persis sama. Router milik DeepSeek adalah sebuah LLM yang mendisposisikan tugas secara mandiri. Sedangkan pada papan tugas, manusialah yang menetapkan tugas dan Automation yang menangani kejadian-kejadian berulang.
