Loop Engineering: Mengapa Engineer Top Berhenti Prompting AI

Last verified: 2026-06-17. Pernyataan yang dikaitkan dengan Peter Steinberger, Boris Cherny, dan Addy Osmani bersumber dari postingan dan esai mereka yang tersedia untuk publik per tanggal ini. Bidang ini bergerak cepat — periksa sumber tertaut untuk posisi terkini.

Oleh Frankie C. · Senior Market Researcher, Mindber. Melacak 500+ tool AI/SaaS di pasar SEA melalui metodologi Mindber Innovation Index.

Pada 7 Juni 2026, seorang developer bernama Peter Steinberger memposting dua kalimat yang menarik jutaan tampilan dan membuka kembali perdebatan yang dikira sudah selesai oleh dunia AI-coding. Maksudnya: berhenti mengetik prompt ke agen coding Anda. Bangun sistem yang memberi prompt untuk Anda. Beberapa hari sebelumnya, Boris Cherny — yang menjalankan Claude Code di Anthropic — telah membuat observasi yang sama dari dalam: ia tidak lagi memberi prompt ke model. Ia menulis loop, dan loop itulah yang melakukan prompting.

Untuk latar belakang tentang bagaimana Mindber menilai tool yang relevan dengan hal ini, lihat kategori agen coding AI dan metodologi di balik Mindber Innovation Index.

Tangkapan layar postingan Peter Steinberger Juni 2026 yang berargumen bahwa Anda harus berhenti memberi prompt ke agen coding Anda secara manual dan sebaliknya membangun sistem yang memberi prompt untuk Anda.

Postingan yang membuka kembali perdebatan: Peter Steinberger tentang membangun loop alih-alih mengetik prompt. Sumber: Peter Steinberger di X, Juni 2026.

Ide itu kini punya nama: loop engineering. Sebagian besar liputan sejak itu penuh sensasi. Ini adalah versi tanpa hype — apa itu, apa yang berhasil di produksi hari ini, apa yang belum, dan kapan tidak perlu membangun loop sama sekali.

Apa itu loop engineering?

Loop engineering adalah praktik merancang sistem yang menjalankan agen AI secara berulang — tetapkan tujuan, ambil tindakan, amati hasil, refleksikan, dan ulangi — hingga tujuan tercapai atau sistem menyerahkan kendali kembali ke manusia.

Pergeserannya adalah tentang siapa yang melakukan prompting. Alih-alih developer mengarahkan agen giliran demi giliran, mereka membangun loop yang mengarahkannya. Steinberger (pencipta proyek agen open-source OpenClaw, kini di OpenAI) merumuskan pekerjaan itu sebagai merancang "loop yang memberi prompt ke agen Anda." Addy Osmani, engineer Google yang esainya tentang loop engineering menjadi teks rujukan, mendeskripsikan loop sebagai tujuan rekursif: definisikan tujuannya, iterasi hingga selesai.

Tes satu baris: Jika Anda mendapati diri menjalankan ulang prompt yang sama — dengan konteks yang sedikit berbeda setiap kali — Anda sudah punya loop manual. Loop engineering adalah apa yang Anda bangun agar berhenti melakukannya dengan tangan.

Di mana loop engineering cocok: empat lapisan dari stack

Loop engineering tidak muncul begitu saja. Ia adalah puncak dari stack yang tumbuh seiring agen menjadi lebih mampu. Setiap lapisan menjawab pertanyaan yang fundamental berbeda.

Empat lapisan AI engineering — masing-masing dibangun di atas yang sebelumnya

1
Prompt Engineering
Tahap awal
Pertanyaan yang dijawabnya: bagaimana saya merumuskan satu permintaan? Apa yang Anda kendalikan: susunan kata dari satu input. Tuas intinya adalah ekspresi manusia yang presisi — meminta model dengan cukup jelas untuk mengangkat pemahamannya atas satu prompt.
2
Context / Workflow Engineering
Tahap menengah
Pertanyaannya: bagaimana saya merangkai langkah dan memberi latar belakang? Apa yang Anda kendalikan: informasi dan urutan yang dilihat agen. Rantai logika deterministik plus konteks proyek yang lebih lengkap mengangkat pemahaman model atas tugas besar dengan banyak langkah.
3
Harness Engineering
Lapisan runtime
Pertanyaannya: bagaimana saya melengkapi satu kali jalan agen? Apa yang Anda kendalikan: tool, izin, dan sinyal yang dapat diverifikasi — jalankan kode, baca error. Anda membangun lingkungan eksekusi dan memberi agen tool, akses, serta sinyal jalan yang bisa diperiksa.
4
Loop Engineering
Garis depan saat ini
Pertanyaannya: bagaimana saya menjaga agen terus berjalan dan membaik sendiri? Apa yang Anda kendalikan: sistem yang memicu, menugaskan, memverifikasi, mempertahankan state, dan memutuskan apa selanjutnya — loop tertutup yang membiarkan agen mengoreksi diri alih-alih menunggu manusia memeriksa.

Cara bersih untuk memegang perbedaannya: harness melengkapi satu kali jalan; loop adalah yang terus mencolek agen sesuai jadwal, memunculkan pembantu, memberi makan dirinya sendiri lintas banyak kali jalan, dan menggabungkan apa yang dipelajarinya.

Sebagian besar perdebatan tentang "prompting vs. engineering" meruntuhkan seluruh stack ini menjadi satu hal. Mereka bukan hal yang sama, dan menyamakannya menghasilkan tool yang salah untuk pekerjaan di setiap lapisan.

Anatomi loop sungguhan

Model mental kebanyakan orang tentang agen: Tujuan → Rencana → Eksekusi → Output. Di situlah mereka berhenti — dan itulah persis alasan "loop" mereka bukan loop. Ia berjalan sekali lalu berhenti.

Loop sungguhan menambahkan dua langkah wajib setelah output:

Loop enam langkah — yang membedakan loop dari sekali tembak

1
Tetapkan tujuan
Definisikan target dengan kriteria penerimaan yang terukur. 'Tingkatkan dashboard' gagal tes ini. 'Pangkas waktu muat awal 30% tanpa merusak komponen filter' lulus. Tanpa kondisi berhenti yang konkret, loop berjalan selamanya atau berhenti sembarangan — keduanya kegagalan.
2
Buat rencana
Agen menguraikan tujuan menjadi langkah-langkah diskret yang dapat dieksekusi dengan output yang dapat diverifikasi di setiap tahap. Rencana tidak tetap — ia diperbarui saat Observe/Reflect memberi umpan balik informasi baru.
3
Eksekusi
Agen mengambil tindakan: menulis kode, memanggil API, mengedit file, menjalankan tes, membaca pesan error. Harness menentukan apa yang bisa diaksesnya. Di sinilah sebagian besar waktu developer dihabiskan — tetapi ini hanya satu dari enam langkah.
4
Output
Agen menghasilkan hasil: diff, laporan, hasil tes. Di sinilah sebagian besar 'loop' DIY berhenti. Di sinilah juga loop sungguhan baru memulai — output adalah input untuk dua langkah berikutnya.
5
Observe
Lihat hasilnya DAN langkah-langkah yang menghasilkannya — bukan hanya jawaban akhir. Pola produksi yang umum: model kedua yang independen (si checker) meninjau pekerjaan terhadap spesifikasi asli. Satu-satunya tugas checker adalah menemukan apa yang dilewatkan maker.
6
Reflect
Putuskan apa yang harus diubah. Sesuaikan tujuan, perbarui rencana, dan ulangi. Checker mendorong maker untuk beriterasi alih-alih menyatakan kemenangan terlalu dini. Di sinilah loop mendapatkan namanya — tanpa Reflect, Anda punya pipeline, bukan loop.

Apa yang ada di dalam loop produksi

Loop yang bertahan menghadapi pekerjaan nyata punya enam komponen. Hilangnya salah satu dari mereka biasanya tempat kegagalan terjadi.

Sebuah human-in-the-loop LLM agent OS — tool dan sistem mengalir melalui lapisan penalaran, mesin orkestrasi, manajemen memori, dan observabilitas, dengan gerbang manusia Co-Plan, Co-Execute, dan Co-Comply membungkus agen.

Enam bagian yang sama dipetakan ke agent OS lengkap: tool dan orkestrasi memberi makan agen; gerbang manusia (Co-Plan / Co-Execute / Co-Comply) dan memori menutup loop. Diagram orisinal Mindber.

Enam komponen loop produksi

Dimension	Komponen	Apa fungsinya
Otomatisasi	Detak jantungnya. Sesuatu membangunkan loop: jadwal, webhook, event perubahan file. Tanpanya, Anda hanya punya chat sekali pakai.	Sesi chat, bukan loop. Memerlukan manusia untuk memulai setiap kali jalan.
Isolasi workspace	Agen paralel butuh salinan kerja terpisah (git worktree, izin terbatas) agar tidak saling menimpa perubahan satu sama lain.	Agen bertabrakan di tengah jalan, menghasilkan pekerjaan yang rusak atau di-rollback.
Skill	Pengalaman yang dikodifikasi: template prompt yang dapat dipakai ulang, prosedur verifikasi standar, file pengetahuan domain. Apa pun yang dilakukan lebih dari sekali harus menjadi skill — lain kali gratis.	Setiap siklus menemukan ulang roda. Tidak ada penggabungan. Loop jadi mahal dan bodoh.
Konektor	API dan tool yang membiarkan agen bertindak di dunia: git, email, kalender, pembayaran, server tool MCP.	Agen bisa bernalar tapi tidak bisa bertindak. Loop yang hanya bisa menulis adalah loop yang tidak bisa merilis.
Sub-agen (maker + checker)	Satu agen mengeksekusi dengan cepat (maker). Agen kedua yang independen meninjau terhadap spesifikasi (checker). Tidak ada yang punya kata akhir sendirian.	Tidak ada gerbang kualitas internal. Loop merilis apa pun yang dihasilkan tembakan pertama.
Memori	Loop menulis progres, error, dan pelajaran ke penyimpanan persisten. Setiap kali jalan dibangun di atas yang sebelumnya.	Setiap siklus mulai dari nol. Tidak ada penggabungan. Sistem tidak pernah jadi lebih pintar.

Aturan Steinberger yang paling tahan lama: Apa pun yang Anda lakukan lebih dari sekali harus menjadi skill, sehingga lain kali gratis. Loop tanpa skill yang dapat dipakai ulang di dalamnya hanyalah loop tak terhingga yang membungkus orang asing. Skill adalah mekanisme penggabungan — tanpanya, Anda menyewa kecerdasan dari satu kali jalan ke kali jalan berikutnya alih-alih memilikinya.

Empat pagar pengaman yang membuatnya aman ditinggalkan berjalan

Komponen membuat loop berjalan. Empat hal ini membuatnya aman untuk ditinggalkan — perbedaan antara sistem otonom dan kesalahan mahal yang Anda temukan pada tagihan kartu kredit berikutnya.

Empat pagar pengaman untuk loop produksi

Dimension	Pagar pengaman	Apa yang dicegahnya
Kriteria penerimaan	Loop tak terhingga atau berhenti sembarangan di tengah tugas	Definisikan 'selesai' dalam istilah biner sebelum loop dimulai. Terukur, dapat diverifikasi, otomatis. Jika Anda tidak bisa mendeskripsikan 'selesai' dalam kode, jangan mulai loop.
Batas izin	Agen melampaui cakupan — menghapus file yang seharusnya tidak disentuh, merge tanpa tinjauan, memicu pembayaran	Hak akses minimal. Putuskan apa yang boleh diubah, dihapus, di-merge, atau dibayar agen sebelum ia berjalan. Keputusan cakupan milik Anda; penegakannya adalah batas itu.
Gerbang manusia	Kesalahan tak terbalikkan yang dieksekusi pada kecepatan mesin	Untuk panggilan sensitif atau tak terbalikkan (uang keluar, merge produksi, perubahan skema), loop berhenti dan dialihkan ke manusia. Tidak opsional untuk operasi berisiko tinggi.
Observabilitas	Kegagalan diam-diam, error yang tak terlacak, biaya tak terkendali	Setiap langkah harus dapat diaudit. Anda menyetel loop dengan mengamati di mana ia rusak — bukan dengan menebak. Log, jejak langkah, dan meteran anggaran tidak opsional.

Bagian jujurnya: apa yang dilewatkan siklus hype

Orang-orang yang paling dekat dengan pekerjaan ini adalah yang paling berhati-hati tentangnya. Itu layak diperhatikan.

Addy Osmani, yang menulis esai kanonik, secara terbuka menyebut dirinya skeptis dan menekankan ini masih dini — dan bahwa biaya token berayun liar tergantung apakah Anda "kaya token atau miskin token." Loop tanpa batas bisa diam-diam membakar harta sambil tampak membuat kemajuan.

Kebenaran lapangan tentang penerapan agen

~17%

organisasi telah benar-benar menerapkan agen

Gartner Hype Cycle 2026

Puncak

AI agentik pada kurva ekspektasi-dilebih-lebihkan Gartner

Gartner Hype Cycle for AI, 2026

48 jam

Jendela nilai maksimum untuk demo agen respons-cepat

Mindber editorial analysis

Steinberger menggambar garis jelas antara apa yang berhasil sekarang dan apa yang tidak:

Berhasil hari ini — terbukti di produksi:

Beberapa agen menjalankan isu paralel, dengan manusia meninjau saat merge
Pipeline sempit yang dapat diverifikasi: kenaikan dependensi, codemod, perbaikan tes flaky
Tugas di mana "selesai" punya sinyal biner dan otomatis (tes lulus / diff bersih / endpoint mengembalikan 200)

Belum berhasil — pengakuan jujur:

"Ide masuk, produk keluar" tanpa manusia yang memegang visi
Berkomitmen di muka pada state akhir yang tetap dan mengotomatiskan sepenuhnya jalan menuju ke sana — itu waterfall dengan langkah ekstra
Software yang bagus tetap ditemukan melalui iterasi, bukan dideklarasikan di muka

Peringatan Gartner: Puncak ekspektasi yang dilebih-lebihkan tidak berarti teknologinya palsu. Itu berarti demonya jauh di depan penerapannya, menurut Gartner Hype Cycle for Artificial Intelligence. Source: Gartner Hype Cycle for Artificial Intelligence, 2026, Jun 17, 2026 Sekitar 83% organisasi belum menerapkan agen sama sekali. Kesenjangan antara apa yang dipertunjukkan di konferensi dan apa yang berjalan di produksi itu nyata, lebar, dan menutup lebih lambat dari yang disarankan hype.

Lihat juga: Biaya sebenarnya tool AI di 2026 — matematika biaya token di balik "kaya token vs. miskin token."

Kapan membangun loop — dan kapan tidak

Satu pertanyaan menentukan jawabannya: apakah pekerjaan itu berulang, dan apakah "selesai" terukur secara objektif?

Haruskah Anda membangun loop?

Bangun loop

Kenaikan dependensi dan codemod
Deteksi tes flaky dan siklus perbaikan
Pipeline konten atau data terjadwal
Otomatisasi code review pada PR
Pengujian regresi lintas deploy

Cukup tulis prompt

Analisis atau investigasi sekali pakai
Migrasi atau pemindahan data satu kali
Eksplorasi tahap awal sebuah codebase
Riset ad hoc tanpa pola berulang

Jangan serahkan ke loop

'Cetuskan strategi produk yang lebih baik'
Arah kreatif yang terbuka
Keputusan yang butuh konteks bisnis yang tak bisa dipegang loop
Pekerjaan tanpa sinyal keberhasilan yang terukur

Realitas bootstrap untuk builder yang sadar biaya

Untuk builder solo dan tim kecil — terutama di Asia Tenggara, di mana sebagian besar builder tidak "kaya token" — disiplin biaya lebih penting daripada ambisi. Mindber Innovation Index secara khusus melacak efisiensi biaya tool: seberapa anggun setiap tool menangani keterbatasan sumber daya tanpa mengorbankan kualitas output.

Tiga aturan menjaga loop dari menjadi lubang uang:

Batasi anggaran token per kali jalan sebelum pergi. Bukan batas samar — angka tegas, ditegakkan di lapisan kode. Anggaran token adalah batas kartu kredit pada loop Anda. Jika batasnya tidak ada di kode, ia tidak ada.
Mulai dengan satu tugas sempit yang dapat diverifikasi sebelum merangkai beberapa bersama. Kompleksitas bertambah cepat. Bangun kepercayaan pada versi sederhana sebelum menambah tahap. Mindber Functionality Score untuk Claude Code dan tool sebanding secara khusus mengukur ini: seberapa baik tool menangani pagar pengaman anggaran dan mode kegagalan yang anggun dalam praktik?
Berhenti otomatis ketika error yang sama, diff kosong, atau tes gagal berulang N kali berturut-turut. Loop yang tidak bisa menghentikan dirinya bukanlah otonom — ia hanya mahal. Aturan stop tidak opsional.

Prinsip Steinberger: Loop yang berkomitmen di muka pada state akhir yang tetap dan mengotomatiskan sepenuhnya jalan menuju ke sana telah diam-diam menemukan ulang waterfall. Software tetap ditemukan melalui iterasi — bukan dideklarasikan di muka. Bangun checkpoint. Jaga manusia tetap dalam loop keputusan untuk apa pun yang tak terbalikkan.

Apa artinya ini untuk pemilihan tool

Tidak semua runtime agen mendukung pola loop secara setara. Mindber Innovation Index melacak tool mana di kategori agen coding AI yang telah merilis infrastruktur loop bawaan — eksekusi terjadwal, delegasi sub-agen, persistensi state, batas anggaran — versus mana yang mengharuskan Anda membangun semuanya sendiri dari nol.

Tool seperti Claude Code, Codex dari OpenAI, Cursor, dan OpenClaw hadir dengan derajat infrastruktur ini yang bervariasi sudah tertanam. Logika loop berada di sekitar agen — sebagian besar tetap Anda bangun terlepas dari tool mana yang Anda pilih. Mindber Functionality Score menangkap seberapa banyak scaffolding yang disediakan setiap tool secara out-of-the-box versus seberapa banyak yang Anda miliki sendiri. Selisih itu paling penting bagi tim kecil yang tak mampu membangun ulang pipa yang sama dua kali.

Tempat menggali lebih dalam:

Halaman produk Claude Code — Mindber Functionality Score dan rincian kemampuan
Kategori agen coding AI — setiap tool yang dilacak di ruang ini, diperingkat
Bandingkan tool agen berdampingan — adu langsung pada arsitektur dan harga
Peringkat Mindber — papan peringkat langsung berdasarkan adopsi yang dilacak
Manus vs Claude Cowork (2026) — bagaimana arsitektur agen berbeda dalam praktik
Epidemi shelfware AI (2026) — mengapa sebagian besar agen yang diterapkan tidak terpakai
Biaya sebenarnya tool AI (2026) — matematika token di balik ekonomi loop

Apakah prompt engineering mati karena loop engineering?

Tidak. Titik tuasnya bergeser, bukan skill-nya. Prompt tetap perlu ditulis — bedanya, loop kini menjadi hal yang memanggilnya sesuai jadwal, bukan developer melakukannya dengan tangan. Kualitas prompt tetap menentukan kualitas output di dalam setiap loop. Yang berubah adalah siapa (atau apa) yang memutuskan kapan memanggil prompt.

Apa perbedaan antara harness engineering dan loop engineering?

Harness melengkapi satu kali jalan agen dengan tool, izin, dan sinyal umpan balik (jalankan kode, baca error, verifikasi output). Loop adalah lapisan di atasnya: ia menjaga agen berjalan lintas banyak kali jalan, memunculkan sub-agen, memverifikasi hasil, mempertahankan state, dan memutuskan apa selanjutnya. Harness = satu kali jalan yang dilengkapi. Loop = sistem yang terus menjadwalkan, menjalankan, dan menggabungkan pengetahuan lintas banyak kali jalan.

Apakah saya butuh loop engineering untuk proyek kecil atau solo?

Biasanya tidak. Jika pekerjaannya sekali pakai atau sangat bergantung pada pertimbangan, satu prompt yang bagus mengalahkan loop setiap saat. Loop menguntungkan khususnya pada pekerjaan berulang dengan definisi keberhasilan yang biner. Sebagian besar tugas proyek kecil tidak memenuhi batas itu — dan beban membangun loop untuk sesuatu yang berjalan dua kali adalah kerugian bersih.

Tool mana yang mendukung loop engineering secara bawaan hari ini?

Agen coding yang dibangun di sekitar eksekusi iteratif — Claude Code, Codex dari OpenAI, Cursor, dan OpenClaw di antaranya. Logika loop sebagian besar berada di sekitar agen alih-alih di dalamnya, sehingga sebagian besar tetap Anda bangun sendiri terlepas dari tool. Cari tool yang menyediakan: eksekusi terjadwal, delegasi sub-agen, persistensi state bawaan, dan kondisi stop yang dapat dikonfigurasi. Kategori agen coding AI Mindber melacak cakupan infrastruktur saat ini per tool.

Apa risiko terbesar dari loop engineering?

Pembengkakan biaya dan loop yang tak terkendali. Tanpa kriteria penerimaan, batas anggaran, dan aturan stop yang tegas, loop bisa membakar token tanpa batas sambil tampak produktif. Risiko kedua: over-engineering. Membangun loop untuk tugas yang berjalan sekali atau dua kali adalah pemborosan, bukan otomatisasi. Disiplinnya adalah mengetahui keranjang mana yang menampung pekerjaan Anda sebelum mulai membangun.

Siapa yang mencetuskan istilah 'loop engineering'?

Istilah ini mengkristal pada Juni 2026 di sekitar pernyataan publik oleh Peter Steinberger (pencipta OpenClaw, kini di OpenAI) dan Boris Cherny (kepala Claude Code di Anthropic), dengan Addy Osmani dari Google menulis esai rujukan yang mendefinisikan konsep itu dan hubungan berlapisnya dengan prompt engineering, context engineering, dan harness engineering.

Bagaimana loop engineering berbeda dari otomatisasi tradisional?

Otomatisasi tradisional mengikuti skrip tetap terhadap sistem deterministik. Loop engineering menggunakan agen AI — sehingga jalur eksekusinya adaptif, tindakannya diarahkan bahasa natural, dan sistem dapat menangani situasi yang tidak diantisipasi programmer asli. Struktur loop (tujuan → tindakan → amati → refleksi → ulangi) dipinjam dari teori kontrol klasik, tetapi agen di dalamnya non-deterministik dan dapat menggeneralisasi. Pertukarannya: lebih mampu, lebih sulit diprediksi, lebih mahal dijalankan.

Apa yang harus saya loop pertama kali? Titik awal praktis untuk 2026.

Rekomendasi Steinberger: mulai dengan kenaikan dependensi, codemod, atau perbaikan tes flaky. Tugas-tugas ini sempit, punya sinyal lulus/gagal biner (CI hijau / diff bersih), berjalan tanpa pertimbangan manusia, dan berulang sesuai jadwal. Setelah loop yang berfungsi ada untuk salah satunya, polanya berpindah ke tugas yang lebih kompleks — tapi hanya setelah versi sederhana berjalan andal di produksi selama beberapa minggu. Polanya berpindah; kepercayaan harus diperoleh secara bertahap.

Sumber dan metodologi editorial

Artikel ini mensintesis pernyataan publik primer, esai yang diterbitkan, dan riset analis yang dikutip inline. Tim editorial Mindber melabeli fakta yang sudah mapan terpisah dari klaim spekulatif atau tahap awal. Tidak ada evaluasi langsung terhadap implementasi loop tertentu yang dilakukan — ini adalah analisis editorial atas informasi publik dari sumber primer yang dikutip.

[1]
Perumusan publik Peter Steinberger tentang loop engineering dan merancang sistem yang memberi prompt ke agen
Public post, June 2026 — 2026-06-07
[2]
Boris Cherny tentang menulis loop alih-alih memberi prompt ke model secara langsung
Anthropic / Claude Code — public statements — 2026-06-07
[3]
Esai rujukan Addy Osmani yang mendefinisikan lapisan loop engineering dan menyatakan skeptisisme tentang klaim tahap awal
Addy Osmani — public writing — 2026-06-17
[4]
Penempatan Gartner atas AI agentik di puncak ekspektasi yang dilebih-lebihkan; ~17% organisasi telah menerapkan agen
Gartner Hype Cycle for Artificial Intelligence, 2026 — 2026-06-17

Gali lebih dalam tentang arsitektur agen