Writing
Catatan rutin tentang apa yang lagi saya pelajari, biasanya soal architecture, AI di engineering workflow, dan trade-off kecil yang ngebentuk sistem nyata.
Daftar konkret yang gw cek pas AI generate skeleton class, sebelum biarin dia produce implementasi. Step 5-menit yang nyimpen paling banyak waktu downstream.
Lima dimensi keputusan buat milih AI coding tool, opini jujur soal empat yang gw pakai, dan list pendek tool yang gw watching tapi belum gw coba.
Apa itu Architecture Decision Record, kapan ditulis, format yang gw default, dan worked example buat keputusan non-trivial.
Yang records bisa cover dengan baik, tempat di mana mereka jadi awkward, dan pattern yang gw default buat validasi compact constructor, copy-with-changes, dan boundary JPA.
Apa yang tiap pattern Resilience4j lakuin, kapan dipakai, default config sebagai starting point, dan kenapa urutan decorator penting.
Cara HTTP client interface-based work di Spring Boot 4, kapan dipakai, dan cara wire retry, timeout, plus test di sekitarnya.
Keputusan arsitektur yang paling sering muncul di Java backend. Event-driven vs request-response, CQRS, hexagonal, kapan split microservice, REST vs gRPC vs GraphQL, ADR.
Loop lima-step yang gw default kalau lagi generate kode pakai AI: read, spec, skeleton, review, generate per-layer. Step yang paling sering di-skip engineer adalah yang leverage-nya paling tinggi.
Pattern Java yang gw default duluan kalau lagi modernize codebase Spring Boot. Records, sealed types, virtual threads, structured concurrency, plus trade-off masing-masing.
Short list fitur Spring Boot 4 yang earn migration cost-nya: HTTP Service Clients, virtual thread integration, API versioning, JSpecify null-safety, RestTestClient.
Short list yang gw bakal wire ke service Java sebelum dia masuk production. OpenTelemetry, Micrometer business metrics, JFR, Resilience4j, dan operational chops yang nggak bisa difit ke code sample.
Cara junior Java developer naik level di 2026. Apa yang udah dikomoditisasi AI, apa yang justru makin penting, dan skill yang misahin engineer biasa dari yang dicari tim.
Tanpa Serena, Claude membaca file satu per satu seperti orang baca buku tanpa daftar isi. Dengan Serena, Claude navigasi codebase secara semantik, hemat 60–80% token.
Skills dan Agents adalah dua mekanisme extensibility di Claude Code yang sering dikira sama. Perbedaannya fundamental, dan salah pilih berarti tool yang salah untuk job yang salah.
Garbage in, garbage out. Kualitas output AI berbanding lurus dengan kualitas spec yang kamu berikan. Ini 4 skenario spec yang berbeda dan cara pendekatannya.
Context window yang penuh = respons yang makin tidak akurat. Ini 5 strategi token efficiency yang kami pakai untuk sesi kerja panjang di codebase production.
Kenapa saya pilih Astro + GitHub Pages, dan apa yang saya korbankan dengan keputusan itu. Sebuah catatan arsitektur dalam skala kecil.
Studi kasus penggunaan n8n untuk menstandarkan dan mengotomatisasi alur pertukaran data CSV melalui SFTP dengan error handling yang tangguh.
Bagaimana DOKU men-deploy n8n di Alibaba Cloud Container Service (ACK) menggunakan arsitektur Queue Mode, managed services, dan custom image untuk kebutuhan internal.