Pada Februari 2025, Andrej Karpathy menciptakan istilah yang mengambil alih dunia teknologi: vibe coding — menulis kode dengan mendeskripsikan apa yang Anda inginkan kepada AI, biarkan ia menangani sintaksnya.

Setahun kemudian, Karpathy mengatakan vibe coding sudah ketinggalan zaman.

Paradigma baru? Agentic engineering — di mana Anda tidak menulis kode 99% dari waktu. Anda mengorkestrasi AI agents yang menulisnya untuk Anda, bertindak sebagai pengawas daripada penulis.

Dan alat orkestrasi? Markdown.

Evolusi: Tiga Fase

Software 1.0: Tulis Kode

Pemrograman tradisional. Manusia menulis setiap baris. Python, JavaScript, C++. Anda berpikir dalam sintaks, debug secara manual.

Software 2.0 / Vibe Coding: Deskripsikan Kode

Asisten AI seperti Copilot dan Cursor menghasilkan kode dari deskripsi bahasa alami. Anda “vibe” dengan AI — mendeskripsikan apa yang Anda inginkan, menerima atau menolak saran. Anda masih meninjau setiap baris.

Software 3.0 / Agentic Engineering: Pimpin Agentnya

AI agents beroperasi secara otonom. Anda menulis file Markdown yang mendefinisikan tujuan dan batasan. Agent menulis kode, mengujinya, berulang, dan commit perbaikan. Anda meninjau hasilnya, bukan prosesnya.

Autoresearch Karpathy adalah contoh paling jelas: seorang peneliti menulis program.md, dan AI menjalankan 100+ eksperimen semalaman tanpa intervensi manusia.

Markdown: Lapisan Antarmuka

Di setiap fase, alat manusia berubah:

Fase	Alat Manusia	Output
Software 1.0	Code editor	Source code
Software 2.0	AI chat + code editor	Source code dibantu AI
Software 3.0	Markdown editor	Instruksi agent

Dalam agentic engineering, file Markdown ADALAH produk pekerjaan manusia. Semua di hilir — kode, eksperimen, hasil — diproduksi oleh AI agents mengikuti instruksi Markdown Anda.

Keterampilan Baru: Menulis Instruksi Agent

Keahlian domain — Anda perlu tahu seperti apa hasil yang baik, meski Anda tidak menghasilkannya secara manual.

Penulisan yang jelas — Instruksi ambigu menghasilkan hasil ambigu.

Pemikiran strategis — Dalam autoresearch, pekerjaan peneliti adalah menetapkan arah penelitian yang tepat.

Kemampuan evaluasi — Anda perlu menilai apakah hasil agent benar-benar baik.

Rantai Pasokan Pengetahuan

Agentic engineering bergantung pada pengetahuan. Instruksi Markdown Anda hanya sebaik pemahaman Anda tentang domain tersebut. Ini menciptakan rantai pasokan pengetahuan:

Tangkap pengetahuan dari web (dokumentasi, artikel, blog, contoh)
Organisir dalam sistem Markdown-native (Obsidian, Notion, file biasa)
Sintesis menjadi instruksi agent (program.md, AGENTS.md, CLAUDE.md)
Deploy agents yang mengeksekusi instruksi Anda

Langkah pertama — menangkap pengetahuan web sebagai Markdown — adalah di mana Save cocok.

Save mengonversi halaman web apa pun ke Markdown bersih — membangun perpustakaan pengetahuan yang mendukung agentic engineering yang efektif. Coba Save gratis.