Theo t3.gg Ungkap Cara Kerja Sebenarnya Claude Code dan Asisten Koding Berbasis AI

Youtuber sekaligus pengembang Theo, pemilik kanal “Theo - t3.gg”, merilis video terbaru berjudul “How does Claude Code actually work?” yang mengupas cara kerja di balik layar berbagai asisten koding berbasis kecerdasan buatan seperti Claude Code, Cursor, hingga Codex. Dalam video berdurasi sekitar 39 menit tersebut, Theo menegaskan bahwa teknologi yang tampak “ajaib” di mata banyak programmer sebenarnya bertumpu pada konsep sederhana bernama harness.

Menurut Theo, harness pada dasarnya adalah kumpulan alat dan lingkungan tempat “agent” AI beroperasi. Large Language Model (LLM) seperti Claude atau GPT pada dasarnya hanya generator teks canggih. Supaya terlihat mampu “menjalankan perintah”, membaca dan mengedit file, hingga memodifikasi proyek, model ini dibekali seperangkat tools yang dieksekusi oleh program di luar model.

“So, what even is a harness? … the harness is the set of tools and the environment in which the agent operates,” jelas Theo dalam videonya. Ia mencontohkan penggunaan tool untuk menjalankan perintah bash, membaca file, mendaftar isi folder, hingga mengedit file. LLM hanya menghasilkan teks dengan sintaks khusus yang menandakan pemanggilan tool, sementara eksekusi riil dilakukan oleh kode aplikasi yang menjadi harness tersebut. Hasil keluaran tool kemudian dikembalikan ke model sebagai bagian dari riwayat percakapan (chat history), sehingga AI terlihat “mengerti” struktur proyek dan dapat melanjutkan tugas.

Theo juga menyoroti pentingnya manajemen konteks dalam asisten koding. Saat pertama kali dibuka di sebuah folder, Claude Code atau alat serupa tidak otomatis mengetahui isi proyek. Mereka menggunakan tool pencarian dan pembacaan file untuk membangun konteks, misalnya dengan mencari package.json, app.tsx, atau README sebagai titik awal pemahaman. Informasi tambahan yang disimpan dalam berkas khusus seperti claude.md atau agent.md dapat dimasukkan sejak awal ke dalam konteks, sehingga model tidak perlu berkali-kali memanggil tool hanya untuk mengenali proyek yang sama.

Ia menjelaskan bahwa semakin besar konteks mentah yang “disumpalkan” ke model, justru bisa menurunkan akurasi. Menjejalkan seluruh kode ke dalam satu konteks besar membuat model kesulitan menemukan bagian relevan, mirip “mencari jarum dalam tumpukan jerami” yang terus di-reset. Di sinilah harness yang dirancang baik menjadi pembeda, karena mampu membantu model membangun konteks secara bertahap melalui kombinasi pencarian, pembacaan selektif, dan penyusunan riwayat percakapan yang efisien.

Dalam video ini, Theo juga mengulas perbedaan kualitas hasil antara berbagai harness. Ia merujuk pada pengujian independen yang menunjukkan bahwa model Claude Opus bisa melonjak performanya ketika dijalankan lewat Cursor dibandingkan Claude Code, meski model dasarnya sama. Perbedaan tersebut ia kaitkan dengan cara Cursor merancang tools, deskripsi tools, sistem prompt, hingga bagaimana mereka mengatur kapan dan bagaimana tool digunakan.

Theo menegaskan bahwa developer yang membuat harness memiliki keleluasaan penuh untuk “mengatur realitas” bagi model, mulai dari mendepresiasi tool tertentu hanya lewat deskripsi, memaksa model lebih sering menggunakan tool lain seperti bash, hingga secara ekstrem “berbohong” tentang apa yang sebenarnya dilakukan suatu tool. Hal ini, menurutnya, menunjukkan bahwa kecerdasan asisten koding sangat ditentukan oleh desain harness, bukan semata kemampuan model.

Di bagian akhir, Theo menjelaskan bahwa T3 Code — aplikasi yang baru ia rilis — bukanlah harness tersendiri, melainkan lapisan antarmuka (UI) di atas harness milik pihak ketiga seperti Claude Code atau Codex CLI. T3 Code menyediakan pemilih model dan integrasi dengan berbagai harness itu, tetapi tidak menyediakan tool eksekusi sendiri.

Melalui video ini, Theo berupaya meruntuhkan kesan “magis” asisten koding AI dan menggantinya dengan pemahaman teknis yang lebih realistis. Ia menekankan bahwa di balik fitur seperti “bisa membaca seluruh repo” atau “bisa langsung memperbaiki bug”, terdapat rangkaian mekanisme sederhana: pemanggilan tools, pengelolaan konteks, dan desain prompt yang teliti.

Video “How does Claude Code actually work?” di kanal “Theo - t3.gg” dirilis pada 13 April 2026 dan telah ditonton lebih dari 120 ribu kali, mencerminkan besarnya minat komunitas pengembang terhadap cara kerja internal asisten koding berbasis AI.