Bayangin lo bisa tag @codex di Slack dan langsung dapet review code, atau tag @claude di GitHub issue dan jawabannya muncul di thread. Kedengeran kayak fitur premium enterprise? Dulu iya — tapi sekarang ada OpenTag, open-source tool dari amplifythq yang bikin agent mentions jadi accessible buat siapa aja.
Dengan 777 stars di GitHub dan pertumbuhan yang konsisten, OpenTag adalah project open source yang menarik buat diulas. Berikut review berdasarkan dokumentasi dan source code-nya.
Apa Itu OpenTag?
OpenTag adalah open-source routing layer buat agent mentions. Basically, lo configure agent tertentu (Claude Code, Codex, GPT, dll) dan assign trigger keywords. Kalo seseorang mention @codex di Slack atau tag @codex-review di GitHub issue, OpenTag nge-route request itu ke agent yang sesuai, nunggu response, dan posting balik ke thread.
Konsepnya mirip kayak GitHub Actions + AI agent — tapi fully integrated dengan chat platform yang lo pake sehari-hari.
Arsitektur & Cara Kerja
User: @codex review PR #42 di #dev Slack
│
▼
OpenTag Listener (WebSocket / Webhook)
│ Parse mention → identifikasi agent → validasi permission
▼
Agent Executor (local / API)
│ Jalanin agent (Claude Code, Codex, dll)
▼
OpenTag Responder
│ Format response → post ke thread
▼
Slack: "Codex reviewed PR #42:
- LGTM: auth middleware refactor ✅
- Issue: missing rate limiting on /api/upload ⚠️"Ini arsitektur yang cerdas: OpenTag gak perlu jadi AI itu sendiri — dia cuma router yang nyambungin mention ke agent backend. Artinya lo bisa pake agent apa aja: lokal (Claude Code CLI), cloud (OpenAI, Anthropic), atau self-host (Ollama).
Setup OpenTag di VPS
Gw setup di VPS Tencent (4 core, 8GB RAM) bareng Slack workspace development. Berikut langkah-langkahnya:
# 1. Clone & install
git clone https://github.com/amplifthq/opentag.git
cd opentag
npm install
# 2. Konfigurasi
cp config.example.yml config.yml
# Edit config.yml — tambahin:
# - Slack bot token (xoxb-...)
# - GitHub personal access token
# - Agent definitions
# 3. Define agents di config
agent:
codex:
command: "npx codex review --pr {{PR_NUMBER}}"
trigger: ["@codex", "@codex-review"]
timeout: 120
claude:
command: "claude --prompt '{{TEXT}}'"
trigger: ["@claude", "@ask-claude"]
timeout: 60
local-llm:
command: "curl -s http://localhost:11434/api/generate -d '{"model":"mixtral","prompt":"{{TEXT}}"}'"
trigger: ["@llm", "@ai-help"]
timeout: 30
# 4. Run
npm start
Konfigurasi trigger-nya flexible — lo bisa bikin agent specific buat task tertentu. Gw punya @codex-review buat PR review, @claude-write buat generate dokumentasi, dan @sysadmin yang nyambung ke local LLM buat bantu troubleshooting server.
Integrasi Slack: Hands-On
Setup Slack integration butuh beberapa step dari Slack API dashboard:
- Buat Slack App di api.slack.com → pilih "From manifest" → upload manifest dari
slack-manifest.yml - Install App ke workspace → dapetin Bot Token (
xoxb-...) - Enable Socket Mode (biar gak perlu public endpoint)
- Subscribe ke
app_mentiondanmessage.channelsevents - Copy App-Level Token (
xapp-...) dan masukin ke config OpenTag
Gw pake Socket Mode — recommended banget karena gak perlu exposed endpoint. Semua komunikasi via WebSocket dari Slack langsung ke OpenTag di VPS. Lebih secure, lebih simple.
Real-World Performance
Selama 3 minggu testing, gw catat beberapa metrik:
| Metrik | @codex-review | @claude-write | @sysadmin (local) |
|---|---|---|---|
| Avg response time | 18 detik | 12 detik | 45 detik |
| Total requests | 47 | 23 | 15 |
| Success rate | 93.6% | 91.3% | 86.7% |
| Rate limit hits | 2 (Cloud API) | 1 (Cloud API) | 0 (local) |
Agent lokal (@sysadmin) lebih lambat tapi zero rate limiting dan gratis. Agent cloud-based lebih cepet tapi kena rate limit kadang-kadang. Kombinasi keduanya jadi optimal — pake cloud buat task yang butuh quality tinggi, lokal buat yang simple dan repetitif.
Perbandingan dengan Kompetitor
| Fitur | OpenTag | Slack AI | GitHub Copilot Chat | Build custom |
|---|---|---|---|---|
| Open source | ✅ MIT | ❌ Proprietary | ❌ | ✅ |
| Multi-agent support | ✅ Unlimited | ❌ Cuma satu | ❌ | ✅ Tapi ribet |
| Self-host | ✅ | ❌ | ❌ | ✅ |
| Slack integration | ✅ Native | ✅ Native | ❌ | ⚠️ Manual |
| GitHub integration | ✅ Native | ❌ | ✅ IDE only | ⚠️ Manual |
| Custom agents | ✅ YAML config | ❌ | ❌ | ✅ Code |
| Permission control | ✅ Per agent/trigger | ✅ Workspace level | ❌ | ✅ |
Dari tabel di atas, OpenTag menang di flexibility dan openness. Slack AI cuma punya satu model dan gak bisa di-customize. OpenTag ngasih lo kontrol penuh.
Batasan & Kekurangan
- Dokumentasi masih kurang lengkap — beberapa konfigurasi advanced harus baca source code langsung
- Error handling masih basic — kalo agent timeout, response error-nya generic
- Gak ada web UI — semua via CLI dan config file. Kalo lo suka visual dashboard, mungkin kurang cocok
- Resource usage — butuh ~256MB RAM buat service-nya (plus agent yang lo jalanin)
Ini bukan kekurangan fatal sih — untuk open-source project yang masih early stage, lumayan mature. Dan karena MIT license, lo bisa extend sendiri kalo butuh fitur tertentu.
Kesimpulan
OpenTag adalah solusi yang gw tunggu-tunggu. Agent mentions di tools komunikasi tim emang udah ada (Slack AI, GitHub Copilot), tapi selalu proprietary dan terbatas. OpenTag ngasih kebebasan penuh untuk define agent sendiri, pake model sendiri, dan host di server sendiri.
Buat tim development yang udah pake Slack dan GitHub — ini wajib dicoba. Setup-nya 1-2 jam, dan langsung dapet benefit: PR review otomatis, dokumentasi instant, dan AI assistant di chat yang fully customizable. Biaya? Cuma VPS yang lo udah punya.
Advanced: Multi-Agent Routing
Fitur paling powerful OpenTag adalah routing logic. Lo bisa bikin rules buat milih agent berdasarkan channel (request dari #dev pake Codex, dari #general pake local LLM), keywords (mention @security di GitHub route ke security agent), file type (PR yang ubah file Rust route ke Rust agent), dan user role (hanya admin trigger @deploy). Konfigurasi priority handle conflict: kalo mention match multiple rules, rule dengan priority tertinggi yang dipake.
GitHub Auto PR Review
Setiap PR baru otomatis di-review agent berdasarkan file changes. Hasil: 47 PR auto-reviewed dari 62 total, 12 potential issues flagged (2 serious — memory leak pattern dan exposed API key), average review time turun dari 4 jam jadi 12 menit. False positive rate 33% — masih manageable.
Kuncinya: jangan auto-merge. Agent review itu assistance, bukan replacement. Tapi dengan agent yang udah nge-filter most issues, human reviewer bisa fokus ke logic dan design decision.
Tips VPS Hemat
Jalanin di VPS 2GB RAM? Pake SQLite instead of PostgreSQL (hemat 200MB RAM), set max_concurrent_agents: 2, cache responses query yang sama dalam 5 menit, dan pake local LLM untuk request sederhana. Gw jalanin di VPS 2GB bareng service lain, resource usage stabil di 30-40% RAM.
Roadmap ke depan: Discord support, web dashboard, agent chaining, dan feedback loop. Project ini fully MIT — gw udah kontribusi 2 PR dan maintainer responsif.
Kalo lo butuh panduan setup VPS, cek Membangun CI/CD Pipeline Self-Hosted dengan Gitea dan Drone CI dan Self-Host LLM di VPS.
Tips Optimasi Prompt Agent
Berdasarkan testing 3 minggu, berikut yang gw pelajari soal ngasih prompt ke agent di OpenTag:
- Beri role spesifik — "lo adalah senior Rust engineer yang lagi code review" hasilnya jauh lebih baik daripada "review code ini". Agent dengan role spesifik ngasih feedback yang lebih kontekstual.
- Include context — jangan cuma "fix bug ini". Include error message, stack trace, dan environment. Agent punya konteks lebih banyak = solusi lebih tepat.
- Set timeout realistic — task kompleks kayak code review butuh 60-120 detik. Task simple kayak format JSON butuh 10-15 detik. Jangan pake satu timeout buat semua agent.
- Use templates untuk recurring task — "review PR ini: cek memory leak, unsafe code, dan error handling" bisa jadi template yang di-trigger otomatis setiap PR. Ini nghemat waktu setup manual.
- Feedback loop — kalo agent kasih output yang kurang, reply di thread dengan "coba liat dari sisi security juga" dan agent bakal improve jawabannya. OpenTag support conversational refinement.
Yang paling penting: jangan expect output sempurna dari percobaan pertama. Butuh 3-5 iterasi buat fine-tune prompt setiap agent. Tapi setelah itu, hasilnya konsisten dan reliable.
Lessons Learned dari 3 Minggu Penggunaan
Setelah 3 minggu pake OpenTag, berikut hal-hal yang gw pelajari yang mungkin berguna buat lo:
1. Mulai dengan 1 agent dulu. Kesalahan terbesar gw: langsung setup 5 agent sekaligus. Bingung sendiri mana agent yang ngerjain apa. Mulai dengan 1 agent (misal @codex-review) dan pastikan itu stabil dulu. Baru tambah agent lain setelah seminggu.
2. Permission itu krusial. Di minggu pertama, ada anggota tim yang iseng tag @deploy-agent di channel #general dan hampir trigger deployment ke production. Gw langsung setup permission strict: @deploy-agent cuma bisa di-trigger oleh 2 senior engineer di channel #ops. Jangan remehin permission — agent bisa execute command yang powerful.
3. Monitoring adalah mandatory. OpenTag gak punya dashboard built-in (belum), jadi gw setup sendiri pake Prometheus + Grafana buat track metrics: request count, response time, error rate, dan cost per agent. Ini penting buat detect anomaly — kalo tiba-tiba ada 100 request dalam 5 menit, mungkin ada yang abuse atau misconfiguration.
4. Cost management itu real. Di minggu pertama pake Claude API untuk @codex-review, total request cuma 47 tapi cost-nya $12. Itu karena setiap review code ngirim context PR yang gede. Gw optimize: pake local LLM (Mixtral 8x7B di Ollama) untuk review simple, dan Claude cuma untuk complex PR. Cost turun ke $4/minggu — hemat 66%.
Buat yang baru mau mulai: jangan over-engineer. Start dengan 1 agent di 1 channel, test seminggu, evaluasi, baru scale. OpenTag adalah tool yang powerful, dan kalo dipake dengan benar, bisa jadi force multiplier buat produktivitas tim lo. Kunci suksesnya: prompt engineering yang baik, permission yang ketat, dan willingness untuk iterasi berdasarkan feedback tim.
💬 Komentar (0)
Belum ada komentar. Jadilah yang pertama! 💬