Perusahaan AI Tiongkok, bagaimana cara 「mencontek pekerjaan Claude Code」?

Sumber: Jajak Geeks (Geek Park)

Ditulis oleh: Hualin Wuwang

Jika beberapa hari lalu ada yang memberi tahu saya bahwa Anthropic—yang konon “sangat mengutamakan keamanan AI”—dalam waktu satu minggu justru terus-menerus membocorkan dua kali rahasia inti, mungkin saya akan menganggap itu lelucon April Mop.

Tapi itu justru terjadi sehari sebelum April Mop.

Pada 31 Maret, peneliti keamanan Chaofan Shou menemukan bahwa pada versi Claude Code 2.1.88 yang dipublikasikan Anthropic di npm, ada file source map berukuran 59,8MB yang disisipkan. File yang seharusnya untuk debug internal ini mengarah ke sebuah paket zip di bucket penyimpanan Cloudflare R2 milik Anthropic sendiri—berisi kode sumber TypeScript lengkap untuk Claude Code, sekitar 1900 file, 512 ribu baris kode.

Dalam beberapa jam, muncul beberapa repositori tiruan di GitHub. Salah satu proyek bernama “claw-code” berhasil meraih 50 ribu bintang dalam dua jam, menjadi repositori dengan kenaikan bintang tercepat dalam sejarah GitHub. Jumlah fork lebih dari 41,5 ribu.

Dan tepat lima hari sebelumnya, Anthropic baru saja membocorkan keberadaan model generasi berikutnya “Mythos” karena cache data publik yang tidak dilindungi—sebuah model baru yang di dalamnya dideskripsikan sebagai “peningkatan kemampuan secara bertahap”, dan dalam kemampuan keamanan siber “melampaui semua model AI yang ada saat ini”.

Dua kali kebocoran dalam seminggu. Sebuah perusahaan yang membahas keamanan, justru dipukul telak oleh masalah keamanannya sendiri. Penilaian komunitas pengembang relatif seragam—“sindiran yang tidak nyata”.

Tapi terlepas dari sindirannya, hal yang terbocor itu memang punya isi. Masalah yang lebih penting adalah: bagaimana perusahaan AI seharusnya memanfaatkan kebocoran ini untuk “mencontek pekerjaan”?

01 Apa yang ada di “cangkang” Claude Code?

Banyak orang punya reaksi pertama: “Bukankah Claude Code itu hanya alat command line yang membungkus API model? Kalau kode sumber bocor, lalu bagaimana? Tanpa bobot model, kode-kode ini cuma ‘cangkang’.”

Penilaian itu benar setengah. Claude Code memang sebuah cangkang, tetapi cangkang itu presisi hingga membuat orang terkejut.

Pertama, lihat sistem tool. Claude Code menggunakan arsitektur yang mirip plugin: setiap kapabilitas—baca/tulis file, eksekusi shell, penangkapan (scraping) halaman web, integrasi LSP—adalah modul tool yang berdiri sendiri serta dikendalikan hak akses. Hanya pada lapisan definisi tool saja ada 29 ribu baris TypeScript.

Deskripsi setiap tool tidak hanya berupa satu kalimat sederhana, melainkan sangat rinci sampai memberitahu model “kapan harus menggunakan tool ini, bagaimana menggunakannya, dan hasil apa yang diharapkan setelah selesai”. Deskripsi-deskripsi ini sendiri merupakan bentuk prompt engineering yang telah disetel dengan saksama.

Lalu lihat sistem memori. Kode yang bocor mengungkap arsitektur “memori perbaikan mandiri” berlapis tiga. Lapisan terbawah adalah MEMORY.md, file indeks ringan, sekitar 150 karakter per baris, selalu dimuat dalam konteks. Pengetahuan proyek spesifik tersebar di “file topik” dan dimuat sesuai kebutuhan. Catatan percakapan asli tidak pernah dibaca kembali secara keseluruhan ke dalam konteks; catatan itu hanya diakses saat diperlukan melalui grep untuk mencari pengenal tertentu.

Artinya, para insinyur Anthropic menghabiskan banyak waktu untuk menyelesaikan masalah inti yang bukan “cara memanggil API”, melainkan “bagaimana membuat model bekerja secerdas mungkin dalam jendela konteks yang terbatas”.

Kemudian ada KAIROS yang membuat semua orang bersemangat.

Fungsi bernama dengan frasa Yunani Kuno “kesempatan yang tepat” ini disebut dalam kode sumber lebih dari 150 kali. Itu adalah pola proses penjaga otonom agar Claude Code berjalan sebagai agen latar belakang always-on. Yang lebih menarik lagi adalah logika “autoDream”—saat pengguna sedang tidak aktif, agen melakukan “integrasi memori”: menggabungkan observasi yang tersebar, menghilangkan kontradiksi logis, dan mengubah wawasan yang masih samar menjadi fakta yang pasti.

Dengan kata lain, Anthropic sedang mengubah asisten pemrograman AI dari “alat tanya-jawab” menjadi kolaborator yang “secara terus-menerus memahami proyek Anda dan secara proaktif menemukan masalah”.

Selain itu, kode yang bocor juga memuat 44 feature flag yang belum dirilis, mencakup mode koordinasi multi-agen (COORDINATOR MODE), interaksi suara (VOICE_MODE), sesi perencanaan jarak jauh 30 menit (ULTRAPLAN), bahkan ada hewan peliharaan terminal bergaya “topam” (BUDDY) dengan 18 jenis dan tingkat kelangkaan.

Ada dua detail lain yang layak disebut. Salah satunya adalah “frustration regex”—sebuah ekspresi reguler untuk mendeteksi apakah pengguna sedang mengumpat Claude. Dengan regex, menilai emosi pengguna jauh lebih cepat dan jauh lebih murah dibanding memakai inferensi model.

Yang lainnya adalah “undercover mode”. Anthropic menggunakan Claude Code untuk melakukan “kontribusi tak terlihat” pada proyek open-source yang dipublikasikan; prompt sistem secara jelas menuliskan: “Anda sedang menjalankan UNDERCOVER MODE… informasi commit Anda tidak boleh mengandung informasi internal Anthropic apa pun. Jangan mengungkap identitas.”

02 Apa yang bisa dipelajari oleh perusahaan AI China

Sekarang kembali ke pertanyaan yang benar-benar penting.

Sepanjang tahun lalu, lintasan alat pemrograman AI di Tiongkok jelas semakin dipercepat. Trae dari ByteDance sudah berkembang dari MarsCode awal menjadi IDE asli AI yang mengintegrasikan mode Agent, mendukung otomasi end-to-end mulai dari pemahaman kebutuhan, penulisan kode, hingga pengujian. CodeGeeX milik Zhipu membuka sumber dan deployment lokal, dengan optimasi mendalam untuk pemahaman kode berbahasa Mandarin. Tongyi Lingma (Qwen Lingo) dan juga Doubao MarsCode semuanya melakukan iterasi cepat.

Namun jika produk-produk ini dibandingkan dengan arsitektur yang dibuka dari Claude Code, kesenjangannya bukan pada “bisa dipakai atau tidak”, melainkan pada presisi rekayasa.

Pelajaran pertama: deskripsi tool adalah kekuatan produk.

Ini mungkin hal yang paling mudah diabaikan, sekaligus paling layak dipelajari.

Prompt deskripsi Claude Code untuk setiap tool telah disetel secara sangat teliti—kapan harus digunakan, kapan tidak, bagaimana mengolah hasil setelah digunakan, dan jika terjadi kesalahan, cara mencoba ulang. Pada dasarnya, deskripsi-desis ini mengajari model “cara menjadi programmer yang baik”.

Banyak alat di dalam negeri implementasi tool use masih berhenti pada tahap “memberi model tanda tangan fungsi, lalu biarkan ia menebak cara menggunakannya”. Hanya dengan menuliskan deskripsi tool sampai level Claude Code, performa model yang sama pun bisa meningkat satu tingkat.

Pelajaran kedua: arsitektur memori, yang berpengaruh pada pengalaman pengguna lebih besar daripada parameter model.

Sistem memori tiga lapis Claude Code menyelesaikan masalah yang sangat nyata—jendela konteks model terbatas, Anda tidak bisa memasukkan semua percakapan historis ke dalamnya.

Pendekatan Anthropic adalah membagi memori ke lapisan—data panas selalu online, data hangat dimuat sesuai kebutuhan, data dingin hanya dibuat indeks. Gagasan ini tidak baru, tetapi implementasi rekayasa di alat pemrograman AI, tim di dalam negeri sebagian besar belum mencapai tingkat presisi seperti itu.

Pelajaran ketiga: kemampuan mendeteksi emosi bukan mistik, itu masalah rekayasa.

Menggunakan potongan ekspresi reguler untuk mendeteksi apakah pengguna sedang melampiaskan kemarahan, lalu menyesuaikan strategi respons.

Solusi ini sederhana sampai kasar, tapi sangat berguna. Ini mengajarkan sebuah kebenaran—produk AI yang baik tidak selalu perlu menyelesaikan setiap masalah dengan model; kadang-kadang regex saja sudah cukup.

Tim yang mengerjakan alat AI di dalam negeri sering terjebak pada inersia berpikir “semua masalah harus dilempar ke model besar”. Itu adalah pemborosan.

Pelajaran keempat: arah yang ditunjukkan oleh KAIROS lebih penting daripada KAIROS itu sendiri.

Sebuah agen latar belakang always-on yang secara otomatis mengatur memori dan menemukan masalah saat pengguna tidak menggunakannya.

Arah produk ini berarti langkah berikutnya asisten pemrograman AI bukanlah “menjawab lebih cepat”, melainkan “sudah bekerja bahkan ketika Anda belum bertanya”.

Saat ini, hampir semua alat pemrograman AI di dalam negeri bersifat reaktif—pengguna memberi perintah, tool menjalankan.

Siapa yang lebih dulu membuat pola proses penjaga (guard) ini, dialah yang mungkin dapat mendefinisikan bentuk produk generasi berikutnya.

03 Di mana batasan “mencontek”

Tentu saja, ada garis antara belajar dan meniru.

Dari sisi hukum, ini bukan kode sumber open-source, melainkan perangkat lunak komersial yang bocor secara tidak sengaja. Secara langsung membangun produk berdasarkan kode yang bocor berarti ada risiko hak cipta yang jelas. Di GitHub, “claw-code” mengklaim akan menulis ulang dengan Rust, tetapi jika logika inti meniru apa adanya, batas hukum tetap kabur.

Bagi perusahaan-perusahaan di Tiongkok, dengan tekanan untuk go global yang semakin besar, risiko seperti ini perlu dinilai secara serius.

Dari sisi teknis, banyak keputusan desain Claude Code sangat dikustomisasi untuk kemampuan model Claude. Misalnya, deskripsi tool-nya dibuat sangat panjang dan sangat rinci karena kemampuan penanganan konteks panjang Claude cukup kuat untuk tidak “melenceng” karena prompt sistem terlalu panjang. Jika diganti dengan model yang jendela konteksnya pendek dan kepatuhan instruksinya lemah, menyalin strategi prompt yang sama mungkin justru tidak cocok.

Cara yang benar-benar cerdas bukanlah fork 512 ribu baris kode itu, melainkan memahami tradeoff di balik setiap keputusan desain, lalu mengimplementasikannya ulang sesuai karakteristik model Anda sendiri.

Gagasan arsitektur bisa dipelajari, pola orkestrasi tool bisa dipelajari, strategi pelapisan memori bisa dipelajari—tetapi implementasinya harus milik sendiri.

Ada satu realitas lain yang mudah diabaikan—Anthropic membocorkan sebuah snapshot, sementara tim rekayasa mereka setiap hari melakukan iterasi. 44 feature flag berarti setidaknya selusin fitur besar sedang antre untuk diluncurkan.

Kode yang Anda fork hari ini, bulan depan sudah menjadi versi lama. Jika Anda hanya mengejar meniru, Anda tidak akan pernah bisa mengimbangi; hanya dengan memahami prinsip barulah Anda bisa menjalankan rute Anda sendiri.

Makna terbesar dari kebocoran ini mungkin bukan pada detail teknis, melainkan pada kenyataan bahwa kebocoran itu merobek lapisan misteri—ternyata alat pemrograman AI paling inti milik Anthropic, di lapisan bawahnya pun hanyalah orkestrasi prompt yang dirancang dengan saksama, ditambah pengelolaan tool yang di-engineer.

Tidak ada sihir hitam, hanya banyak penyempurnaan detail.

Bagi perusahaan AI di Tiongkok, ini sebenarnya kabar baik. Artinya kesenjangan itu bisa dijembatani. Dengan syarat Anda punya kesabaran untuk mengasah detail-detail tersebut—bukan berpikir untuk langsung mengambil kode orang lain, mengganti namanya, lalu mengubahnya.