4 Tools/MCP Wajib untuk AI Coding Agent (Claude Code, Cursor, OpenCode)

Kalau kamu udah lumayan sering pakai Claude Code, Cursor, atau OpenCode buat kerja sehari-hari, kamu pasti pernah ngerasain hal-hal ini:

Semua itu bukan salah modelnya doang, itu masalah infrastruktur di sekitar agent-nya. Dan ini yang jarang dibahas: performa AI coding agent itu nggak cuma soal model mana yang paling pintar, tapi juga soal apa aja yang kamu kasih ke dia lewat MCP (Model Context Protocol) dan tools pendukung.

Di artikel ini gue mau share 4 tools/MCP yang menurut gue paling berdampak buat naikin kualitas kerja AI coding agent kamu, entah itu Claude Code, Cursor, Windsurf, atau OpenCode. Urutannya sengaja gue susun dari yang paling "kasih akses ke luar", sampai yang paling "ngirit resource di dalam".

1. Firecrawl (CLI + Skill) — Biar Agent Kamu Bisa Akses Web Secara Real-Time Tanpa Bikin Context Penuh

Firecrawl repository

Masalah yang dipecahkan

AI coding agent by default cuma punya knowledge sampai tanggal training cutoff-nya. Begitu kamu nanya soal library versi terbaru, error message yang baru muncul minggu ini, atau perlu riset kompetitor, dia bakal ngarang atau bilang "saya tidak punya informasi terkini".

Kenapa pakai versi CLI + Skill, bukan MCP

Firecrawl sebenarnya punya dua cara integrasi: MCP server, atau CLI + Agent Skill. Gue sengaja rekomendasiin yang versi CLI + Skill karena caranya jauh lebih ringan buat context window:

Apa itu Firecrawl

Firecrawl adalah context API buat search, scrape, dan berinteraksi dengan web dalam skala besar. Lewat CLI-nya, agent kamu punya command-command siap pakai:

Skill-nya sendiri yang ngajarin agent kapan harus pakai command yang mana, jadi kamu tinggal minta dalam bahasa natural ("cari dan rangkum dokumentasi terbaru library X"), agent yang milih command CLI yang paling pas.

Kapan dipakai

Cara pasang singkat

npx -y firecrawl-cli@latest init --all --browser

Command ini otomatis install CLI secara global, minta kamu login/masukin API key (FIRECRAWL_API_KEY), lalu pasang skill-nya ke semua coding agent yang kedeteksi di komputer kamu (Claude Code, Cursor, Windsurf, dst) sekaligus. Kalau cuma mau pasang ke satu agent tertentu, tinggal tambahin --agent <nama_agent>. Restart agent-nya, dan Firecrawl langsung siap dipanggil lewat skill.

2. codebase-memory-mcp — Biar Agent Ngerti Struktur Codebase Kamu, Bukan Cuma Tebak dari Grep

Codebase UI graph

Masalah yang dipecahkan

Ini yang paling sering bikin boros token dan waktu: agent harus Grep/Read file satu-satu berkali-kali cuma buat nyari siapa yang manggil fungsi X, atau gimana arsitektur project kamu secara keseluruhan.

Apa itu codebase-memory-mcp

Ini adalah MCP server code intelligence yang meng-index seluruh codebase kamu jadi knowledge graph yang persisten — mencatat function, class, call chain, route HTTP, sampai koneksi antar service. Dia jalan sebagai single binary (nggak butuh Docker atau dependency tambahan), dan mendukung 158 bahasa pemrograman termasuk TypeScript, Python, Go, PHP, dan lain-lain yang biasa dipakai di stack Hono.js/PostgreSQL/Python kamu.

Fitur-fitur yang paling kepake:

Kapan dipakai

Cara pasang singkat

curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash

Restart agent, terus tinggal bilang "index project ini" dan beres.

3. Context7 — Stop Agent Kamu Ngarang API yang Nggak Ada

Context7 Home page

Masalah yang dipecahkan

Ini yang bikin sakit hati: kamu minta bikin middleware pakai versi terbaru Next.js atau Hono.js, terus agent kasih syntax dari versi lama karena training data-nya emang nggak sampai situ, atau lebih parah, dia manggil function yang sebenarnya udah nggak ada alias hallucination API.

Apa itu Context7

Context7 (dibuat oleh Upstash) adalah MCP server yang narik dokumentasi dan contoh kode yang paling update dan spesifik-versi langsung dari sumbernya, lalu disuntikkan ke context LLM kamu. Cara kerjanya dua tahap:

  1. resolve-library-id — nemuin ID library yang tepat dari nama yang kamu sebut (misalnya "Hono.js" atau "Pydantic v2").
  2. get-library-docs — narik dokumentasi dan snippet kode terbaru dari library dengan ID tersebut.

Cukup tambahin kalimat "use context7" di prompt kamu, dan agent bakal otomatis narik dokumentasi live sebelum ngasih jawaban — bukan modal ingatan lama.

Yang bikin ini worth it:

Kapan dipakai

Cara pasang singkat

{
  "mcpServers": {
    "context7": {
      "url": "https://mcp.context7.com/mcp",
      "headers": { "CONTEXT7_API_KEY": "API_KEY_KAMU" }
    }
  }
}

Atau versi lokal lewat npx -y @upstash/context7-mcp.

4. RTK (Rust Token Killer) — Ngirit Token dari Command Sehari-hari

RTK CLI gain output

Masalah yang dipecahkan

Tiga tools di atas nambah kemampuan agent, tapi ada satu sumber pemborosan token yang sering luput: output command CLI yang mentah. git log, hasil test runner, ls -la, output docker ps, semuanya numpuk dan bikin context window kepenuhan sama noise yang sebenarnya nggak penting-penting amat buat agent.

Apa itu RTK

RTK adalah CLI proxy (single binary Rust, zero dependency) yang memfilter dan mengompres output command sebelum sampai ke context LLM. Dia nggak ganti fungsi command-nya, cuma motong noise-nya — komentar, whitespace, baris log yang berulang, hasil test yang sukses (tinggal nunjukin yang gagal), dan seterusnya.

Beberapa contoh penghematannya:

RTK kerja lewat hook yang otomatis nyegat command Bash sebelum dieksekusi dan mengubahnya ke versi RTK — jadi begitu udah di-setup, kamu (atau agent kamu) nggak perlu ngetik rtk secara manual tiap kali. Dia mendukung 14 AI coding tools termasuk Claude Code, Cursor, Gemini CLI, Windsurf, dan OpenCode.

Catatan penting: hook RTK cuma nyegat pemanggilan lewat Bash tool. Tools bawaan seperti Read, Grep, Glob di Claude Code nggak lewat situ, jadi kalau mau hasil yang sama-sama ringkas, pakai command shell biasa (cat, rg, find) atau panggil rtk read / rtk grep secara eksplisit.

Kapan dipakai

Cara pasang singkat

curl -fsSL https://raw.githubusercontent.com/rtk-ai/rtk/refs/heads/master/install.sh | sh
rtk init -g

Restart Claude Code/Cursor kamu, dan command sehari-hari bakal otomatis lewat RTK.

Bonus: Lunos — Kalau Produk AI Kamu Sendiri Juga Manggil Banyak Model

Lunos Dashboard

4 tools di atas fokus ningkatin performa agent yang bantu kamu ngoding. Tapi kalau produk yang lagi kamu bangun juga manggil banyak model AI di belakang layar, misalnya arsitektur dual-model kayak Claude + GPT yang dipakai di GoalCast AI, kamu bakal ketemu masalah yang beda: tiap provider punya SDK, format request/response, dan API key sendiri-sendiri, belum lagi kalau satu provider tiba-tiba down.

Di bagian ini gue mau selipin Lunos — disclosure di depan: ini platform yang gue bangun sendiri di bawah PT Maximus Solusi Digital, jadi anggap aja bonus/plug, bukan review pihak ketiga.

Apa itu Lunos

Lunos adalah unified AI API gateway — satu endpoint yang OpenAI-compatible buat akses 100+ model dari OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek, xAI, dan provider lainnya. Yang relevan buat kamu yang lagi develop produk AI (bukan cuma pakai coding agent):

Kapan dipakai

Ini bukan pengganti 4 tools sebelumnya, main-nya di layer yang beda. RTK ngirit token di sisi CLI/coding agent, sementara Lunos ngirit effort integrasi dan biaya di sisi produk AI kamu sendiri yang manggil model secara programatik.

Kombinasi 4 Tools Ini Kalau Dipakai Bareng

Kalau digabung, alurnya kira-kira jadi kayak gini pas kamu kerja di Claude Code atau Cursor:

  1. codebase-memory-mcp kasih agent "peta" struktur project kamu dari awal, jadi dia nggak buta arah.
  2. Context7 mastiin kode yang di-generate pakai API/library versi yang bener, bukan versi lama.
  3. Firecrawl (lewat skill-nya) dipanggil pas butuh informasi dari luar codebase, dokumentasi yang belum ke-index, atau data kompetitor tanpa nambah beban token di awal sesi kayak MCP.
  4. RTK jalan di background, motongin semua noise dari command CLI biar context window nggak kepenuhan sama hal-hal yang nggak penting.

Hasil akhirnya: agent kamu lebih ngerti konteks (baik internal maupun eksternal), lebih akurat karena nggak modal ingatan lama, dan lebih hemat token/biaya per sesi, yang ujung-ujungnya bikin sesi kerja kamu bisa lebih panjang dan lebih produktif sebelum context window kepotong.

Penutup

Nggak ada satu pun dari 4 tools ini yang saling menggantikan, masing-masing nutupin celah yang beda. Kalau kamu baru mau coba, urutan yang paling masuk akal buat mulai adalah codebase-memory-mcp dulu (biar agent langsung "kenal" project kamu), baru nambah Context7 dan RTK, terus Firecrawl kalau workflow kamu emang sering butuh riset atau data dari luar.

Coba pasang satu-satu, ukur sendiri bedanya dari sisi kecepatan kerja dan biaya token, biasanya kerasa banget begitu udah dipakai di project yang lumayan besar.

✦ fikri

© 2026 Fikri Rudiansyah - Personal Blog

Facebook 𝕏 GitHub