Apa Itu Devin AI? Fitur, Tolok Ukur, Harga & Panduan Penyebaran

TL;DR

Devin AI adalah agen rekayasa perangkat lunak otonom yang dikembangkan oleh Cognition yang dapat menjelajahi repositori, merencanakan perubahan, menulis dan menguji kode, serta menyiapkan pull request. Berbeda dari alat pelengkapan kode berbasis editor, Devin dapat memeriksa sebuah repositori, memodifikasi banyak file, menjalankan perintah dan tes, serta menyiapkan perubahan yang dapat ditinjau.

Pada 2026, Devin telah berkembang dari agen cloud awal menjadi Devin Cloud, Devin Desktop, Devin CLI, dan arsitektur Devin Fusion yang dioptimalkan biaya. Pengguna dapat memulai dengan paket gratis, sementara Pro mulai dari $20 per bulan. Mendeploy Devin biasanya berarti menghubungkan repositori, mengonfigurasi lingkungan eksekusi, mendefinisikan izin, dan mengintegrasikan keluarannya ke pipeline tinjauan dan deployment yang ada.

Panduan ini ditujukan untuk pengembang dan pemimpin rekayasa yang memahami Git dan pengujian dasar. Panduan ini menjelaskan kapabilitas dan buktinya, lalu menunjukkan cara menjalankan pilot repositori yang dibatasi. Contoh perintah mengasumsikan proyek Python dan shell Bash.

Key Takeaways

• Devin mendukung alur kerja rekayasa multi-langkah dari eksplorasi kode dan implementasi hingga pengujian dan persiapan pull request.
• Devin mendukung alur kerja terkelola (hosted) dan eksekusi CLI lokal. CometAPI dapat mendukung agen kustom terpisah; baik CLI lokal maupun model API tidak mereproduksi platform proprietari Devin.
• Devin Fusion menggunakan model frontier dan model yang lebih kecil secara bersama untuk mengurangi biaya eksekusi agen sambil mempertahankan performa coding yang kompetitif.
• Harga Devin AI mencakup Free, Pro ($20/bulan), Max ($200/bulan), Teams (minimum $80/bulan, dengan kursi developer penuh $40/bulan masing-masing, dihitung ke minimum), dan paket Enterprise kustom.
• Hasil SWE-bench 2024 sebesar 13,86% adalah tonggak sejarah, bukan tolok ukur untuk platform Devin saat ini.

What Is Devin AI?

Devin AI adalah platform AI rekayasa perangkat lunak otonom yang dibuat oleh Cognition. Diperkenalkan pada Maret 2024, Devin dirancang untuk melampaui saran kode dan melakukan tugas rekayasa end-to-end dalam lingkungan pengembangan yang terkontrol.

Asisten coding konvensional biasanya membantu pengembang menulis kode di dalam editor. Devin dapat menerima penugasan tingkat-tinggi, memeriksa repositori, membuat rencana, mengedit banyak file, menjalankan perintah, menyelidiki kegagalan, dan menghasilkan implementasi yang diusulkan untuk ditinjau manusia.

Pengumuman Devin asli dari Cognition menunjukkan debugging, generasi kode, dan pemecahan masalah multi-langkah. Rilis berikutnya memperkenalkan perencanaan interaktif, eksplorasi repositori, lingkungan pengembangan kolaboratif, dan alur kerja deployment yang fleksibel.

Devin adalah platform agen, bukan satu model bahasa besar. Kapabilitasnya berasal dari penalaran model yang dikombinasikan dengan akses alat, konteks repositori, lingkungan eksekusi, perencanaan, dan verifikasi.

Devin AI specifications at a glance

Kapasitas jendela konteks model dan spesifikasi untuk model dasar individual tidak boleh disamakan dengan batas universal produk Devin.

Devin juga menyediakan REST API untuk otomasi sesi dan alur kerja. Cakupan Organization dan Enterprise memiliki kapabilitas dan persyaratan izin yang berbeda; akses Platform API terpisah dari pembelian model API.

How Does Devin AI Work?

Devin menggunakan loop eksekusi agen: menafsirkan tujuan, merencanakan pekerjaan, memilih alat, memeriksa basis kode, memodifikasi file, menjalankan tes, mengevaluasi umpan balik, dan beriterasi. Keluaran final umumnya berupa pull request yang dapat ditinjau, bukan rilis produksi yang disetujui otomatis.

Alur kerja: Tugas / isu GitHub → Perencanaan dan penalaran model → Pencarian basis kode, aksi terminal dan browser → Validasi dan iterasi → Pull request → Tinjauan manusia → Deployment CI/CD.

Dari Pemahaman Repositori hingga Pull Request

Devin pertama-tama memeriksa repositori, mengidentifikasi file dan dependensi yang relevan, dan mengembangkan rencana terkait hasil yang diminta. Kemudian Devin mengedit kode, menjalankan perintah dan tes, serta menyelidiki kegagalan. Alur kerja diakhiri dengan pull request yang diusulkan dengan perubahan dan hasil validasi untuk ditinjau manusia; tes yang lulus tidak menggantikan pemeriksaan kebutuhan bisnis.

Devin Fusion dan orkestrasi multi-model

Devin Fusion menggabungkan model frontier dengan model pendamping yang lebih murah. Keputusan yang lebih sulit dapat menggunakan model yang lebih kuat, sementara coding rutin dan eksplorasi dapat menggunakan model yang lebih kecil. Penghematan bervariasi menurut beban kerja.

Deskripsi resmi Fusion menugaskan keputusan besar dan pengeditan penting ke model utama, dengan eksplorasi, pembacaan, dan menjalankan tes ditangani oleh pendamping yang lebih murah.

What Are Devin AI’s Main Features?

Dalam praktiknya, tugas terbatas seperti upgrade dependensi, migrasi yang dapat diulang, perbaikan bug terarah, penambahan tes, dan refactor kecil lebih mudah dievaluasi. Hasil lebih sulit dinilai ketika kebutuhan bisnis ambigu atau keberhasilan bergantung pada keputusan pemangku kepentingan.

Who Should Use Devin AI?

Devin paling berguna untuk pengembang dan tim rekayasa dengan backlog terdefinisi, repositori yang dapat diakses, dan seseorang yang tersedia untuk meninjau perubahan hasil. Pemimpin rekayasa dapat mendelegasikan tiket yang dibatasi, sementara maintainer dapat menggunakan pilot untuk menilai apakah otomasi mengurangi pekerjaan implementasi repetitif tanpa meningkatkan beban tinjauan.

Tugas awal yang baik termasuk upgrade dependensi, perbaikan bug kecil, tes regresi, pembaruan dokumentasi, dan migrasi yang dapat diulang. Pilih pekerjaan dengan kriteria keberhasilan yang dapat diamati: tes yang gagal harus lulus, sebuah endpoint harus mengembalikan respons yang diharapkan, atau migrasi harus mempertahankan perilaku yang ada. Jaga agar penugasan pertama cukup kecil sehingga peninjau dapat memahami keseluruhan diff.

Sebelum memulai, sediakan akses repositori, perintah instalasi dan tes, dokumentasi yang relevan, dan batasan eksplisit. Identifikasi file yang boleh diubah agen, kredensial yang boleh digunakan, dan tindakan yang memerlukan persetujuan. Konfirmasikan bahwa lingkungan dapat mereproduksi masalah dan bahwa tim dapat memeriksa log, hasil tes, dan perubahan kode yang diusulkan.

Tugas dengan keputusan produk yang belum terselesaikan, kriteria penerimaan yang tidak jelas, atau trade-off arsitektur besar memerlukan klarifikasi manusia terlebih dahulu. Pecah tujuan luas menjadi langkah-langkah yang dapat diuji secara independen, dan pertahankan persetujuan manusia untuk rilis produksi. Evaluasi pilot menggunakan perubahan yang diterima, total pengeluaran, waktu tinjauan, dan regresi, termasuk upaya yang tidak berhasil. Perluas hanya ketika hasilnya membenarkan koordinasi dan biaya operasional tambahan.

How Does Devin AI Perform on Coding Benchmarks?

Kinerja Devin harus dievaluasi terpisah antara hasil penyelesaian isu historis dan pengukuran efisiensi agen end-to-end yang lebih baru. Benchmark untuk versi, tugas, dan tingkat bantuan yang berbeda tidak dapat dipertukarkan.

Hasil SWE-bench asli Devin

Dalam evaluasi Maret 2024 oleh Cognition, Devin menyelesaikan 13,86% dari 570 isu SWE-bench yang diambil sampelnya dalam pengaturan agen otonom. Baseline tanpa bantuan yang dilaporkan adalah 1,96%, sementara baseline dengan bantuan Claude 2 mencapai 4,80%. Eksperimen terpisah terhadap 100 isu dengan tes ground-truth melaporkan 23,00%.

Angka-angka ini adalah hasil historis dari pengaturan evaluasi spesifik dan tidak boleh dibandingkan langsung dengan leaderboard agen coding saat ini.

Bagan benchmark asli dari Cognition menunjukkan hasil historis dengan baseline yang dibantu. Bagan ini direproduksi tanpa digambar ulang; kondisinya berbeda dari evaluasi agen saat ini.

Hasil ini menggambarkan perkembangan awal agen navigasi repositori dan debugging; hasil tersebut tidak boleh digunakan sebagai perbandingan leaderboard masa kini.

Kinerja Devin Fusion pada 2026

Hasil Coding Agent Index 1.5 berikut ditampilkan oleh Cognition dan dikaitkan dengan pengujian independen oleh Artificial Analysis. Skor merujuk pada konfigurasi agen, dan biaya merujuk pada keseluruhan run benchmark, bukan harga per-token API.

Hasil Fusion yang dipublikasikan mengatribusikan pengukuran Coding Agent Index 1.5 kepada Artificial Analysis. Ini adalah hasil eksternal yang dilaporkan, bukan pengujian yang dilakukan untuk artikel ini. Ringkasan produk tidak menyatakan lingkungan yang sepenuhnya dapat direproduksi, anggaran run, atau jumlah pengulangan, sehingga tabel mendukung perbandingan biaya–skor terbatas daripada peringkat performa universal.

Pasangan Fable 5.1 mengurangi biaya yang dilaporkan sebesar 36,1% dengan penurunan skor 0,5 poin; pasangan Astra 6 mengurangi biaya sebesar 39,2% dengan penurunan 2,7 poin. Pengembang dapat mengakses Claude Fable 5.1 API di CometAPI dan GPT-6 Astra API di CometAPI secara terpisah. Rute API tersebut berbeda dari konfigurasi agen yang diuji dan tidak mewarisi skor benchmarknya.

Metrik evaluasi praktis

• Tingkat penyelesaian tugas dan tingkat PR yang digabung
• Pengeluaran agen per perubahan yang diterima
• Waktu tinjauan manusia dan frekuensi koreksi
• Tingkat keberhasilan tes dan regresi pasca-merge
• Waktu end-to-end dari isu hingga deployment

Skor benchmark bervariasi menurut model, tugas, akses alat, batas waktu, dan pengaturan evaluasi. Tim juga harus melacak perubahan yang diterima, waktu tinjauan, biaya per perubahan yang diterima, dan regresi pasca-merge.

Devin AI vs Claude Code vs Codex

Keunggulan Devin AI

Devin cocok untuk organisasi yang mendelegasikan isu yang dibatasi dan mengumpulkan perubahan yang dapat ditinjau melalui proses rekayasa terkelola.

Alur kerja coding interaktif

Claude Code dan Codex sering lebih cocok untuk coding yang sangat interaktif, implementasi iteratif, debugging, dan arahan developer yang dekat.

Kriteria pemilihan tim

Gunakan tugas repositori dan gerbang kualitas yang sama saat mengevaluasi alat. Pilih berdasarkan kualitas perubahan yang digabung, beban tinjauan, biaya, dan waktu tunggu alih-alih satu skor leaderboard.

How Much Does Devin AI Cost in 2026?

Cognition merevisi harga self-service pada April 2026. Paket membedakan hak akses yang termasuk dari penggunaan terukur, dan pengeluaran aktual bergantung pada aktivitas.

Paket Teams memiliki minimum bulanan $80, dengan setiap kursi developer penuh seharga $40 per bulan. Biaya kursi dihitung ke minimum ini, bukan selalu ditambahkan di atasnya. Misalnya, dua kursi penuh dikenai $80/bulan, sementara tiga kursi $120/bulan. Kursi fleksibel gratis juga tersedia, dengan penggunaannya diambil dari kredit on-demand bersama.

Menurut dokumentasi penagihan Enterprise dari Cognition, pelanggan Enterprise dikenai biaya dalam Agent Compute Units (ACU) pada tarif spesifik kontrak. Sebaliknya, paket self-service menggunakan kuota yang termasuk dan biaya dalam dolar untuk penggunaan tambahan. Biaya aktual bergantung pada pemilihan model, kompleksitas tugas, dan konsumsi.

Faktor pendorong biaya total

• Waktu eksekusi agen dan retry
• Konfigurasi model frontier versus Fusion
• Waktu koreksi dan tinjauan manusia
• Infrastruktur pengujian, CI/CD, dan monitoring

How to Deploy Devin AI: Step-by-Step Guide

Devin menawarkan beberapa cara untuk memulai atau mengawasi pekerjaan: Cloud, Desktop, CLI, @Devin di Slack atau Microsoft Teams, automations, dan Review. Ini adalah antarmuka dan alur kerja, bukan model hosting yang saling menggantikan. Devin Mobile adalah jalur akses lain: halaman resmi saat ini menawarkan daftar tunggu untuk akses awal, dengan sesi berjalan di cloud. Panduan di bawah ini berfokus pada penyiapan repositori untuk alur kerja Cloud dan CLI lokal. Eksekusi CLI lokal tidak menyiratkan hosting lokal untuk semua layanan AI dasar. Lihat ikhtisar produk resmi dan dokumentasi alur kerja.

Step 1: Create a Devin account

Kunjungi situs resmi Devin dan pilih paket yang tersedia yang sesuai dengan pilot. Tentukan tanggung jawab otorisasi dan persetujuan sebelum menghubungkan aset produksi.

Step 2: Connect a Git repository

Di Settings > Connections, hubungkan penyedia kontrol sumber Anda dan pilih repositori yang boleh diakses Devin. Administrator Enterprise juga harus memberikan akses repositori organisasi. Ikuti prosedur penyiapan lingkungan resmi, dan konfirmasikan Devin dapat mengkloning repositori yang dipilih sebelum menetapkan perubahan.

Step 3: Prepare the development environment

Sediakan instruksi instalasi, build, tes, dan penyiapan lingkungan. Contoh konvensional Python:

python -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python -m pytest tests/ -q

Ini adalah perintah contoh proyek, bukan perintah layanan Devin yang wajib. Sintaks aktivasi di Windows berbeda.

Step 4: Give Devin a bounded task

Repository: example-org/customer-api
Task: Fix the incorrect HTTP status for a missing customer.
Requirements:
1. Find the endpoint and error handler.
2. Return 404 for missing records.
3. Preserve successful responses.
4. Add regression tests.
5. Run relevant tests.
6. Prepare a PR with a change summary.
Constraints: Do not modify the schema, credentials, or production deployment.
Completion: A reviewed PR with passing tests.

Step 5: Review the changes

Periksa diff, output tes, pembaruan dependensi, dan asumsi. Terapkan lint, integrasi, keamanan, dan pemeriksaan tinjauan yang sama seperti untuk pull request yang ditulis manusia.

Step 6: Validate the PR and prepare a release

name: Validate Application
on:
  pull_request:
    branches: [main]
permissions:
  contents: read
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: "3.12"
      - run: pip install -r requirements.txt
      - run: pytest tests/ -q

Contoh ini memvalidasi PR Python; ini tidak melakukan deployment produksi. Gunakan tahap rilis yang disetujui secara terpisah untuk deployment produksi, dengan observabilitas dan ketentuan rollback.

How to Install and Use Devin CLI Locally

Devin CLI bekerja dengan repositori dan alat lokal sambil menggunakan layanan Devin yang didukung. Devin CLI tidak boleh digambarkan sebagai rilis self-hosted dari bobot model proprietari Devin.

Tinjau skrip dan kebijakan organisasi sebelum menjalankan penginstal jarak jauh.

Step 1: Install Devin CLI

Instal Devin CLI di macOS atau Linux:

curl -fsSL https://cli.devin.ai/install.sh | bash

Step 2: Start a local session

cd ~/projects/my-app
devin

Selesaikan autentikasi saat diminta.

Step 3: Plan before editing

/plan
Review authentication and propose a minimal expired-session fix.
Do not edit files until the plan is agreed.

Mode /ask juga dapat membantu untuk eksplorasi read-only.

Step 4: Run tests and inspect changes

Implementasikan rencana yang disetujui, jalankan tes, dan periksa git diff. Pilih kontrol izin dan persetujuan berdasarkan risiko repositori.

Step 5: Hand off to Devin Cloud

/handoff open a PR

Dokumentasi Devin CLI mencakup instalasi, autentikasi, dan handoff ke cloud. Handoff yang berhasil membuat sesi cloud; tinjau statusnya sebelum menutup pekerjaan lokal.

Which Devin AI Deployment Option Should You Choose?

Untuk kebutuhan isolasi ketat, konfirmasikan pengaturan deployment enterprise dengan Cognition alih-alih mengasumsikan sebuah langganan tertentu mencakup eksekusi yang sepenuhnya self-hosted.

Can CometAPI Replace or Complement Devin AI?

Devin adalah platform agen rekayasa terkelola; CometAPI menyediakan akses API ke model AI yang didukung untuk membangun aplikasi kustom. Keduanya merupakan produk terpisah. Pengembang dapat membangun layanan khusus seperti code-review atau dokumentasi repositori menggunakan model API tanpa mereproduksi runtime proprietari Devin.

Pengembang dapat mengakses Claude Fable 5 API untuk contoh di bawah. Ini adalah permintaan model yang mengembalikan saran tinjauan; ia tidak memeriksa repositori, menjalankan tes, atau membuat pull request dengan sendirinya.

Step 1: Obtain a CometAPI key

Buat kredensial dan simpan di variabel lingkungan, bukan di kode sumber.

Step 2: Install the Python client

python -m pip install --upgrade openai
export COMETAPI_KEY="your_api_key"

Step 3: Request a code review

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1",
)

response = client.chat.completions.create(
    model="claude-fable-5",
    messages=[
        {"role": "system", "content": "You review code and propose minimal fixes."},
        {"role": "user", "content": "Review: def divide(a,b): return a/b; suggest tests."},
    ],
)
print(response.choices[0].message.content)

Contoh menggunakan ID model claude-fable-5 yang didokumentasikan dan rute chat-completions yang kompatibel dengan OpenAI. Ini memerlukan akun CometAPI yang diaktifkan, kunci yang valid, dan kredit yang tersedia. Permintaan yang berhasil mencetak teks tinjauan; periksa teks tersebut dan tulis serta jalankan tes secara terpisah. Agen otonom additionally membutuhkan retrieval, alat eksekusi, state persisten, dan kontrol izin.

CometAPI mendukung Chat Completions dan Responses API yang kompatibel dengan OpenAI. Chat Completions menggunakan messages, sementara Responses mendukung multimodal input, reasoning, output terstruktur, streaming, penelusuran web, dan function tools. Dukungan tepat bergantung pada model yang dipilih.

What Are the Limitations of Devin AI?

Ambiguitas tugas dan kontrol cakupan

Agen dapat menghasilkan kode yang meyakinkan namun salah memahami perilaku bisnis yang dimaksud. Penugasan luas juga mendorong percobaan berulang, perluasan cakupan, dan perubahan yang sulit ditinjau. Definisikan kriteria penerimaan, sediakan konteks yang relevan, dan bagi tugas besar menjadi paket kerja kecil yang dapat diuji. Tetapkan batas file dan waktu, periksa progres pada titik yang disepakati, dan berhenti untuk mengklarifikasi kebutuhan ketika hasil yang diminta tetap ambigu.

Keamanan produksi

Agen dapat berinteraksi dengan file, rahasia, layanan, dan perintah. Terapkan least privilege, isolasi, dan checkpoint persetujuan.

Variabilitas biaya

Durasi sesi, retry, pilihan model, dan validasi memengaruhi pengeluaran. Tetapkan anggaran dan pantau hasil.

Akuntabilitas manusia

Tim perangkat lunak tetap bertanggung jawab atas arsitektur, keamanan, kepatuhan, kebenaran bisnis, dan rilis.

Conclusion

Devin AI telah berkembang menjadi platform rekayasa perangkat lunak yang mencakup agen hosted, CLI lokal, alur kerja kolaboratif, dan optimasi biaya multi-model. Nilai paling jelasnya terletak pada tugas terbatas yang dapat diverifikasi seperti perbaikan bug, migrasi, pengujian, dan persiapan pull request.

Hasil Fusion menunjukkan bahwa orkestrasi model dapat meningkatkan efisiensi biaya, tetapi penghematan tidak menggantikan pengujian dan tinjauan. Mulailah dengan pilot repositori terbatas, ukur hasil tugas yang diterima, dan perluas hanya ketika throughput rekayasa meningkat. Pengembang yang memerlukan otomasi kustom dapat secara terpisah mengeksplorasi model yang didukung CometAPI.

FAQ

Mengapa Devin tidak dapat melihat repositori yang terhubung?

Koneksi saja mungkin tidak memberikan akses organisasi target. Untuk pengaturan Enterprise, administrator harus menetapkan repositori ke organisasi sebelum konfigurasi lingkungan. Periksa organisasi dan izin repositori yang dipilih, lalu konfirmasikan bahwa sesi baru dapat mengkloning repositori. Panduan penyiapan lingkungan memisahkan langkah-langkah akses ini.

Apakah perubahan sesi Devin akan mengubah lingkungan sesi berikutnya?

Perubahan sesi tidak secara otomatis memperbarui snapshot lingkungan yang disimpan. Perlakukan instalasi ad hoc sebagai sementara sampai konfigurasi lingkungan diperbarui dan snapshot baru dibangun. Jika sesi berulang gagal pada dependensi yang sama, perbaiki blueprint alih-alih berulang kali menginstalnya dalam prompt tugas.

Bagaimana tim harus mengukur pilot Devin dengan tugas yang gagal?

Gunakan semua tugas yang ditugaskan sebagai penyebut, termasuk kegagalan dan upaya yang ditinggalkan. Lacak perubahan yang diterima, total pengeluaran agen, dan menit tinjauan manusia secara terpisah. Bandingkan tugas dengan tingkat kesulitan serupa, dan catat alasan setiap upaya gagal; mengecualikan sesi yang tidak berhasil dapat membuat biaya per perubahan yang diterima terlihat artifisial rendah.

Bagaimana ulasan API kustom dapat menghindari mengekspos kode privat?

Kirim cuplikan kode terkecil yang menjawab pertanyaan tinjauan, hapus kredensial dan data pribadi, dan terapkan pemeriksaan akses repositori sebelum retrieval. Konfirmasikan ketentuan penanganan data penyedia yang dipilih sebelum mengirim kode kepemilikan. Aplikasi kustom harus menerapkan kontrol ini sendiri; kunci model API tidak memberikan otorisasi repositori.