📌 Baca Juga (Scripting & Automation): Membangun Sistem Monitoring Server Real-Time dengan Python dan WebSocket
Masalah: Triage Manual Bikin Tim Tenggelam
Repo populer terima puluhan issue per hari. Tim kecil kewalahan. Setiap issue butuh baca, klasifikasi, assign label, tentukan prioritas. Belum lagi cari root cause dan bikin fix. Waktu habis untuk hal repetitif. Developer yang seharusnya coding malah jadi admin issue tracker.
Hasilnya: issue lama mengendap, maintainer burnout, kontributor frustasi karena PR tidak direview. Proyek open source yang sehat harus punya triage cepat. Tapi triage manual tidak scalable.
Solusi: AI Agent untuk Auto-Triage & Auto-Fix
AI agent bisa ambil alih seluruh pipeline triage. Mulai dari baca issue, klasifikasi, beri label, sampai generate draft PR. Semua otomatis dalam hitungan menit. Manusia hanya review hasil akhir.
Klasifikasi Issue Otomatis dengan LLM API
LLM API (OpenAI, Claude, atau model lokal) bisa pahami isi issue. Agent baca judul dan body issue, lalu klasifikasikan ke kategori: bug, feature request, question, documentation, atau refactor. Output berupa JSON dengan label, severity, dan estimasi effort.
Contoh prompt:
Baca issue GitHub berikut. Berikan output JSON:
{
"category": "bug|feature|question|docs|refactor",
"labels": ["bug", "priority-high"],
"severity": "critical|major|minor",
"summary": "satu kalimat ringkasan"
}
Issue: {issue_title}
{issue_body}
Hasil klasifikasi dipakai untuk auto-label issue via GitHub API. Label automation ini hemat waktu berjam-jam per minggu.
Auto-Fix Issue & Generate Draft PR
Untuk issue kategori bug atau refactor, agent bisa lebih jauh. Agent clone repo, baca kode terkait, analisis root cause, lalu generate patch. Patch ini diajukan sebagai draft PR.
Draft PR bukan PR final. Ini draft awal yang siap direview manusia. Agent tidak langsung merge. Human-in-the-loop tetap jadi gerbang terakhir.
Cara Kerja AI Agent
Arsitektur agent sederhana. Empat komponen utama:
- Listener: Dengarkan event GitHub. Webhook untuk issue baru, comment baru, atau label request.
- Classifier: Panggil LLM API untuk klasifikasi dan analisis.
- Actioner: Eksekusi aksi: tambah label, assign assignee, buka draft PR.
- Reviewer: Jalankan test dan lint pada draft PR sebelum diajukan.
Flow lengkap:
- Issue baru masuk.
- Webhook trigger agent.
- Agent baca issue body + metadata repo.
- LLM klasifikasi issue.
- Agent tambah label via GitHub API.
- Jika kategori bug, agent clone repo dan buat branch.
- Agent analisis kode relevan.
- LLM generate patch.
- Agent tulis test untuk patch.
- Agent buat draft PR.
- Manusia review dan merge.
Implementasi Teknis
Tool stack minimal. Python + GitHub API + LLM API. Tidak perlu framework berat.
Listener: Webhook GitHub
Gunakan endpoint webhook di server kecil. GitHub kirim payload setiap ada event issue. Verifikasi signature webhook untuk keamanan.
from flask import Flask, request
import hmac, hashlib
app = Flask(__name__)
@app.route('/webhook', methods=['POST'])
def webhook():
payload = request.get_json()
if payload.get('action') == 'opened':
issue = payload['issue']
process_issue(issue)
return 'ok', 200
Classifier: Panggil LLM API
Buat fungsi panggil LLM dengan prompt terstruktur. Parsing JSON dari respons. Simpan hasil ke variabel.
import os, json
from openai import OpenAI
client = OpenAI(api_key=os.environ['OPENAI_API_KEY'])
def classify_issue(issue):
prompt = build_prompt(issue)
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": prompt}],
response_format={"type": "json_object"}
)
return json.loads(response.choices[0].message.content)
Actioner: Auto-Label & Draft PR
Gunakan PyGithub atau REST API langsung. Tambah label dengan satu call. Untuk draft PR, buat branch dan commit hasil patch.
from github import Github
g = Github(os.environ['GITHUB_TOKEN'])
repo = g.get_repo("owner/repo")
def add_labels(repo, issue_number, labels):
issue = repo.get_issue(issue_number)
issue.add_to_labels(*labels)
def create_draft_pr(repo, title, head, base="main"):
pr = repo.create_pull(
title=title,
head=head,
base=base,
draft=True
)
return pr
Keamanan & Human-in-the-Loop
AI agent yang auto-fix issue berisiko. Patch bisa salah, bisa berbahaya, atau merusak kode production. Karena itu wajib ada human-in-the-loop.
Aturan wajib:
- Agent hanya buat draft PR. Tidak pernah merge sendiri.
- Draft PR harus lulus CI/CD sebelum request review.
- Agent tidak boleh push ke branch utama langsung.
- Semua aksi agent tercatat di log.
- Ada kill switch untuk matikan agent kapan saja.
- Jangan beri agent akses ke secrets production.
Token GitHub agent harus scoped minimal. Hanya perlu repo write untuk branch dan PR. Jangan beri admin atau delete repo.
💡 Baca Juga & Rekomendasi Jaringan AI Network:
- Gunakan racikan prompt profesional di SolusiAI.my.id (Rekomendasi Tools & Otomatisasi AI).
- Pelajari tutorial skrip dan otomatisasi teknis di PromptHack.my.id (Kumpulan AI Prompt & Content Growth).
Kesimpulan
AI agent GitHub issue triage bukan science fiction. Teknologi sudah ada. LLM API cukup pintar untuk klasifikasi dan generate patch. GitHub API cukup fleksibel untuk auto-label dan draft PR. Yang dibutuhkan hanya integrasi sederhana dan human-in-the-loop.
Manfaat nyata: waktu triage dari berjam-jam jadi menit. Maintainer fokus ke arsitektur dan review, bukan admin. Kontributor dapat feedback cepat. Proyek open source bergerak lebih lincah.
Mulai dari yang kecil. Buat agent yang hanya auto-label dulu. Ukur akurasi. Tambahkan auto-fix setelah klasifikasi stabil. Jangan langsung full otomatis. Human-in-the-loop bukan kelemahan, tapi jaminan kualitas.
Kode ada di GitHub. Tool standar semua sudah tersedia. Sekarang tinggal satu langkah: deploy agent pertama Anda dan lihat issue terselesaikan tanpa Anda sentuh.
Posting Komentar