How We Solved Agent Building — Andrew Qu, Vercel
AAI Engineer
Computing/SoftwareSmall Business/StartupsInternet Technology
Transcript
00:00:00Halo semuanya, terima kasih sudah hadir. Saya Andrew, Kepala Perangkat Lunak di Vercel, dan saya di sini untuk
00:00:20berbicara dengan Anda tentang bagaimana kami menyelesaikan pembangunan agen di Vercel. Saya adalah Kepala Perangkat Lunak, jadi saya bekerja pada
00:00:26gabungan teknik internal, eksperimen eksternal, dan secara umum berada di
00:00:30garis depan serta membangun pustaka, kerangka kerja, dan teknologi baru. Bagi Anda yang tidak
00:00:36tahu Vercel, Vercel membangun infrastruktur agen sehingga orang dapat membangun hal berikutnya. Kami mulai
00:00:42di dunia web, membantu orang merilis situs web dan aplikasi web tanpa harus mengkhawatirkan
00:00:47infrastruktur yang tidak membuat aplikasi mereka menjadi lebih baik. Infrastruktur ini dapat diskala hingga satu juta dan turun ke
00:00:50nol dengan mudah. Namun, kami melihat perubahan dalam apa yang ingin dibangun oleh orang-orang. Orang-orang mulai dengan
00:00:56membangun halaman, tetapi sekarang kami melihat mereka ingin membangun agen, dan kami telah memulai
00:01:01perjalanan serupa untuk memudahkan orang membangun agen dan aplikasi berbasis agen dengan lebih mudah. Kami membangun
00:01:08sesuatu yang disebut AISCK, jadi alih-alih harus mengganti 300, 400 baris kode khusus penyedia,
00:01:13Anda dapat mengganti satu baris kode, dan kami memiliki antarmuka model yang sama di baliknya untuk semua penyedia yang berbeda ini.
00:01:19Kami membangun banyak alat lain untuk memudahkan cadangan model, eksekusi kode yang aman,
00:01:25harga yang lebih baik saat tidak aktif dan menunggu respons, serta untuk ketahanan dan
00:01:30kemampuan melanjutkan. Dan saya di sini untuk berbicara dengan Anda tentang bagaimana saya menjalani eksperimen gila ini sekitar setahun yang lalu yang mengarah pada
00:01:38ledakan agen di Vercel dan menghasilkan hal keren yang baru saja kami bangun.
00:01:46Tentang, ini tahun 1980, Bill Gates, sebelum masa saya, memiliki kutipan yang mengatakan dia membayangkan akan ada komputer
00:01:53di setiap meja dan di setiap rumah. Tahu kan, itu mungkin sangat bertentangan saat itu, dan hari ini tampaknya hal yang
00:01:59sangat normal untuk terjadi. Dan saya serta CTO memiliki pemikiran ini, alih-alih komputer di setiap meja, bisakah
00:02:07kita berpotensi memiliki agen di setiap meja? Hari ini kita sebenarnya hanya menggunakan agen untuk pemrograman dan beban kerja
00:02:15teknis, tetapi kita mulai melihat ekspansi ke hal-hal seperti desain dan manajemen produk serta bidang
00:02:20lainnya. Dan ini mungkin sekitar setahun yang lalu, jadi saya bisa bilang saya cukup awal dalam hal ini. Tetapi saat itulah seperti
00:02:27Sonnet 4 dan berbagai hal belum canggih seperti sekarang. Dan saya mencoba benar-benar menjelajahi ini, melihat apa yang bisa kami lakukan
00:02:33tentang hal itu. Saya pergi ke berbagai fungsi pekerjaan di Vercel. Pemasaran, penjualan, keuangan, hukum. Dan saya bertanya kepada mereka, apa yang paling Anda benci
00:02:42tentang pekerjaan Anda? Dan kasus penggunaan paling menarik yang saya dengar ada di tim data. Mereka berkembang, mereka adalah tim yang sangat ramping,
00:02:50tetapi Vercel berkembang lebih cepat. Mereka memiliki begitu banyak data dari pelanggan, analitik, metrik, penjualan. Mereka harus terus mengagregasi dan terus menyediakannya untuk diri mereka sendiri
00:03:02untuk digunakan. Dan pada saat ini, jika Anda memikirkan apa yang harus dilakukan oleh para ilmuwan data, setiap kali seseorang dari pemasaran atau penjualan memiliki
00:03:11pertanyaan tentang pelanggan atau produk, tim ilmu data harus menghentikan semua yang mereka lakukan, menulis kueri, memprosesnya, melakukan analisis, dan kembali dengan beberapa
00:03:19rekomendasi tentang apa yang harus dilakukan. Dan ini sangat merusak produktivitas. Tim data tidak ingin menghentikan segalanya dan hanya menulis kueri sepanjang hari. Jadi saya bekerja dengan VP data kami untuk mencoba membangun cara yang lebih baik untuk melakukan,
00:03:31mencoba membangun cara yang lebih baik bagi mereka untuk beroperasi seperti ini. Jadi jika Anda memikirkan hal pertama yang akan Anda lakukan jika ingin mencoba menggunakan AI
00:03:40untuk menyelesaikan masalah, Anda mungkin hanya membangun semacam draf mega besar. Anda hanya memiliki pertanyaan, Anda meneruskannya ke LLM, Anda membuatnya merespons, dan hanya itu. Jujur saja, seperti inilah versi pertamanya.
00:03:52Saya meminta mereka untuk mengeluarkan skema Snowflake. Saya menempelkannya ke dalam draf sistem dengan sebuah pertanyaan. Dan kemudian ketika itu menghasilkan SQL, saya benar-benar
00:04:01menyalin dan menempelkannya lalu menjalankannya sendiri. Saya hanya ingin melihat apakah model saat ini cukup bagus untuk menulis SQL yang valid dengan struktur yang lumayan.
00:04:09Dan saya akan mengatakan ini memberi kami sedikit keyakinan bahwa model saat ini tidak terlalu bagus, tetapi mungkin kita dapat merekayasa prompt atau membuat konteks di sekitarnya sedikit lebih baik dan memberi lebih banyak pengaman untuk beroperasi sedikit lebih baik.
00:04:21Dan jika Anda benar-benar memikirkan apa yang sebenarnya perlu dilakukan oleh seorang ilmuwan data ketika mereka mendapat pertanyaan, mereka harus memproses pertanyaan tersebut.
00:04:28Mereka mungkin harus menjelajahi lapisan semantik dan benar-benar mencari tahu pola penggabungannya. Mereka benar-benar akan pergi dan mengeksekusi SQL.
00:04:35Mereka mungkin akan kembali dan melakukannya lagi jika SQL tidak dieksekusi atau jika terlalu mahal. Dan mereka akhirnya akan melaporkannya, termasuk memvisualisasikan
00:04:42data, mungkin menulis beberapa paragraf, mungkin melakukan evaluasi ulang, mungkin melakukan hal-hal lain. Jadi jika Anda memikirkan berbagai fase tersebut, saya dan VP data
00:04:50mencoba duduk bersama dan memetakannya ke dalam beban kerja agen tertentu. Dan versi kedua dari agen ilmu data ini
00:04:57yang disebut D0, saya akan menyebutnya D0 mulai sekarang, adalah Anda mengajukan pertanyaan, kami memiliki agen kueri yang meneruskan kueri ke
00:05:05agen perencana yang kemudian akan memiliki agen eksekusi, dan seterusnya. Dan jika Anda merangkai semua ini bersama-sama, Anda sebenarnya mendapatkan
00:05:11sesuatu yang terlihat seperti ini, di mana setiap agen memiliki draf sistem yang sangat khusus yang berfokus pada apa yang dilakukannya dengan alat yang dicakupkan persis untuk fungsi tersebut.
00:05:20Jadi contoh di sini, Anda dapat melihat bahwa untuk yang pertama, agen perencana memiliki alat baca entitas YAML dan cari skema. Jadi ia hanya akan menggunakan kemampuan tersebut
00:05:31sampai ia memiliki jawaban untuk diteruskan ke agen perencana lalu ke agen SQL dan kemudian ke pelaporan. Dan ini semakin membaik.
00:05:38Kami dapat menghindari keharusan menyalin dan menempelkan SQL dan harus kembali serta melaporkannya.
00:05:44Sekarang sistem benar-benar melakukan perulangan ujung ke ujung dari pertanyaan ke jawaban. Tetapi kami mulai menemui beberapa kendala dengan arsitektur ini.
00:05:54Dan sekitar waktu ini kami sampai pada kesimpulan bahwa, yang sebenarnya Anda butuhkan adalah satu
00:06:01agen dengan semua konteks besar di dalamnya dan agar agen tersebut mengelola memori nya sendiri. Ini adalah sekitar
00:06:07waktu ketika kami menyadari bahwa Anda benar-benar ingin agar agen dapat melihat kembali apa yang telah dilakukannya, merenungkan dan
00:06:13mencari tahu langkah-langkah yang membawanya sampai ke sini. Dan dengan model sebelumnya, Anda mungkin memperhatikan bahwa satu-satunya hal yang didapatkan
00:06:19oleh agen berikutnya adalah ringkasan dan cuplikan kecil dari hal sebelumnya yang telah dilakukan. Sekarang, dengan cara ini Anda dapat
00:06:25membayangkan bahwa Anda memiliki satu agen mega dan secara internal agen tersebut mengelola statusnya sendiri. Pada beberapa titik ia merencanakan,
00:06:30pada beberapa titik ia membangun, pada beberapa titik ia mengeksekusi, dan pada beberapa titik ia melaporkan. Dan inilah kira-kira bentuknya.
00:06:36Anda memiliki satu panggilan AI besar, mungkin maks 100 langkah, dan Anda memberinya kemampuan untuk mengelola statusnya sendiri
00:06:43berdasarkan posisinya di dalam perjalanan eksekusinya. Jadi Anda dapat melihatnya mirip dengan alat apa yang digunakan,
00:06:48Anda dapat melihat bentuk yang serupa. Tetapi bagian terbaiknya adalah jika agen tersebut pernah mengalami kesalahan saat mengeksekusi atau
00:06:54menggabungkan, agen tersebut dapat kembali dan menjelajah lebih banyak, atau dapat pergi dan membaca lebih lanjut serta mencari tahu apa yang dilakukannya salah.
00:07:00Dan itu sangat bagus pada titik ini. Kami cukup yakin dengan sistem aktual yang ada, dan kami sebenarnya
00:07:06menyebarkannya ke beberapa anggota tepercaya di perusahaan kami. Ini adalah alat yang sangat kuat dan kami tidak benar-benar ingin memasukkannya ke
00:07:11tangan orang yang salah atau orang yang menggunakan beban kerja yang sangat penting. Jadi kami memberikannya kepada beberapa orang dan tanggapan
00:07:17langsungnya adalah itu sangat buruk. Kami pikir kami hebat. Kami pikir ini berhasil mencapai 30% dari evaluasi kami.
00:07:23Tetapi kami tidak dapat mengantisipasi beberapa pertanyaan yang diajukan. Dan bagi kami untuk menghabiskan lebih banyak waktu
00:07:28memetakan beberapa skenario ini secara manual, itu sepertinya bukan cara yang sangat berskala untuk melakukannya.
00:07:33Dan kemudian Claude Code dan Opus 4.5 dirilis, atau lebih tepatnya Opus 4.5 dirilis, dan itu beriringan dengan Claude Code sangatlah kuat.
00:07:44Mereka membuka konsep agen sistem berkas. Dan kami, di samping itu, berpikir, wah, Claude Code dan Opus 4.5 pada dasarnya adalah AGI dibandingkan dengan apa yang kami miliki sebelumnya.
00:07:56Itu akan menjawab sebagian besar pertanyaan kami bahkan tanpa ragu dibandingkan dengan agen buatan sendiri yang kami miliki.
00:08:04Dan ketika kami mencoba melangkah mundur dan bertanya-tanya apa yang kami lakukan salah dan mengapa ini jauh lebih baik, kami menyadari bahwa terobosan besar adalah bahwa itu hanyalah sistem berkas.
00:08:13Itu memiliki seperangkat alat yang sangat minimal, daftar berkas, baca berkas, jalankan bash, dan kami memberikan beberapa alat lagi di sini untuk kasus penggunaan agen data kami sendiri.
00:08:24Namun hal terbesar adalah alat tersebut mampu menggunakan perkakas yang dilatih dengan baik untuk agen dan mampu menjelajah serta menulis pekerjaan di mana pun diperlukan.
00:08:32Kami tidak memberikannya -- Claude Code tidak memberikan seperangkat alat yang sangat preskriptif.
00:08:37Itu semacam membiarkannya berjalan bebas dan menjelajahi perilaku yang muncul.
00:08:41Jadi, dari sini, kami belajar bahwa Anda benar-benar dapat menggunakan sistem berkas.
00:08:44Kami melihat pembelajaran dari Claude Code dan betapa kuatnya itu mengingat alat tersebut hanya berjalan secara lokal.
00:08:50Dan kami mencoba membangunnya kembali dengan cara yang sangat mirip dengan Claude Code.
00:08:54Sekarang sistem tersebut akan berjalan di lingkungan sandbox.
00:08:57Sandbox itu akan membuang seluruh lapisan semantik ke dalamnya.
00:09:00Agen tersebut akan dapat mengambil, menggunakan bash, membaca berkas, menulis berkas ke mana saja untuk mencari tahu apa yang dibutuhkannya.
00:09:05Dan kami hanya akan menaburkan beberapa alat di atasnya untuk memastikan agen dapat melakukan segala sesuatu yang khusus untuk Vercel.
00:09:10Dan ini sebenarnya adalah terobosan terbesar yang pernah ada.
00:09:14Lompatan dari agen tunggal ke SDK Claude Code lalu dari SDK Claude Code ke agen sistem berkas secara umum, yang disetel atau dibuat khusus untuk kasus penggunaan kami, adalah lompatan yang luar biasa.
00:09:27Pada titik ini, kami mulai bersiap untuk memberikannya kepada lebih banyak orang di Vercel.
00:09:31Dan pada titik ini, skor evaluasi pada dasarnya meningkat dua kali lipat.
00:09:36Dan saya menulis ini -- begitulah kira-kira bentuknya.
00:09:39Sangat sederhana.
00:09:40Anda cukup memberinya alat bash.
00:09:41Kami memiliki pembantu yang bagus bernama alat bash di NPM.
00:09:44Dan Anda melampirkannya ke sandbox.
00:09:45Dan Anda dapat melampirkan berkas ke sandbox agar agen dapat membaca, menulis, dan mengeksekusinya.
00:09:50Dan setelah wahyu ini, dan setelah saya melihat bahwa kami berhasil melewati begitu banyak pertanyaan yang gagal kami lakukan sebelumnya, saya menulis postingan blog yang keren ini.
00:09:59Itu benar-benar terbit hari ini.
00:10:00Dan pada minggu saat saya menulis ini, postingan tersebut menyumbang 70% dari lalu lintas Vercel.com kami.
00:10:05Jadi Anda tahu itu sangat luar biasa.
00:10:07Dan setelah itu, langkah logis berikutnya adalah kami ingin mencari tahu kasus penggunaan umum yang kami miliki.
00:10:14Jadi pada saat itu, kami sudah melepaskan batasannya di seluruh Vercel.
00:10:18Dan kami menerima ribuan kueri sehari dari orang-orang yang menginginkan segalanya mulai dari metrik pelanggan, metrik penjualan, metrik angka, hingga unduhan NPM.
00:10:27Dan ternyata banyak dari kueri ini yang sebenarnya memiliki bentuk yang sama.
00:10:30Hanya ada sekian banyak cara Anda dapat melakukan agregasi.
00:10:33Hanya ada sekian banyak cara Anda dapat mencari produk.
00:10:35Hanya ada sekian banyak cara Anda dapat melakukan info penagihan.
00:10:37Oleh karena itu, kami sebenarnya memiliki pekerjaan berulang yang mengambil kueri terbaru dan mencoba menyaringnya menjadi sebuah keterampilan.
00:10:43Dan saat ini, kami memiliki sekitar 100 keterampilan yang melakukan kombinasi agregasi hingga mencari data khusus tentang orang-orang tertentu.
00:10:50Dan kami rasa ini sangat efektif.
00:10:52Karena jika Anda pikirkan, setiap agen baru berjalan dari nol.
00:10:56Sungguh tidak ada konteks yang terbentuk sebelumnya selain lapisan semantik dan prompt sistem.
00:11:01Namun dengan skill, agen langsung dimulai dengan banyak pengetahuan kontekstual yang sebelumnya sudah dibuat.
00:11:09Dan kurang lebih seperti inilah bentuknya.
00:11:11Sangat mirip dengan yang sebelumnya.
00:11:12Namun penyertaan folder skills ini sangatlah canggih.
00:11:15Kami juga membangun alat ini di Vercel yang bernama Skills SH.
00:11:18Ini adalah cara paling populer untuk menemukan skill agen dan menjalankannya sendiri.
00:11:22Dan saya mengatakan semua ini karena perjalanan ini adalah sesuatu yang mungkin akan dihadapi oleh sebagian besar dari Anda.
00:11:28Di mana Anda mulai dari sesuatu yang sederhana lalu perlahan menambah kompleksitas hingga akhirnya mencapai sistem yang siap diluncurkan ke produksi.
00:11:34Dan saya menceritakan ini karena di setiap langkah pembuatan agen ini, seseorang di Vercel merasa penasaran dengan agen.
00:11:42Dan mereka mencoba mencabangkan agen D0 saya untuk membangun milik mereka sendiri.
00:11:46Dan di setiap langkah, kami menemukan cara yang lebih baik untuk melakukan sesuatu yang sebelumnya belum diketahui.
00:11:50Dan kami berpikir, bagaimana jika orang-orang saat ini bisa langsung mulai dari wawasan terakhir tersebut tanpa harus memulai dari prompt sederhana atau menemukan kembali prinsip-prinsip dasar dari awal.
00:12:04Oleh karena itu, kami berpikir bagaimana jika kami membangun Next.js untuk agen.
00:12:09Bagi yang belum tahu, Next.js adalah kerangka kerja web populer buatan Vercel yang menciptakan konsep infrastruktur yang ditentukan oleh kerangka kerja sistem file.
00:12:18Anda tidak perlu pusing memikirkan tempat penyimpanan file.
00:12:20Anda hanya perlu menulis file mengikuti konvensi yang benar.
00:12:23Dan sistem akan otomatis mendeklarasikan tempat penyimpanannya.
00:12:26Halaman Anda masuk ke CDN.
00:12:27Fungsi serverless Anda masuk ke sana.
00:12:29Penyimpanan singgah atau caching Anda berada di tengah.
00:12:31Dan kami berpikir, membangun agen seharusnya semudah ini.
00:12:34Anda hanya perlu membuat folder skills, folder tools, folder channels.
00:12:38Dan Anda dapat mendeklarasikannya dengan sangat mudah.
00:12:40Serta kerangka kerja harus tahu persis cara membuat agen darinya.
00:12:44Itulah sebabnya dua minggu lalu kami merilis Eve.
00:12:47Eve adalah kerangka kerja agen seperti Next.js untuk agen yang sangat memudahkan untuk beralih dari templat sampel ke agen yang berfungsi penuh, serta memungkinkan Anda menambahkan pengetahuan dan alat kustom sendiri,
00:12:59bahkan mengintegrasikannya ke saluran komunikasi yang sudah Anda kenal.
00:13:03Kira-kira seperti inilah bentuk dari sebuah agen.
00:13:06Agen memiliki waktu proses atau runtime dan saluran atau channels.
00:13:09Dan di dalam runtime tersebut, Anda memerlukan daya tahan.
00:13:11Anda tentu ingin menjalankan tugas di lingkungan yang terisolasi.
00:13:13Anda ingin memanggil berbagai model yang berbeda.
00:13:15Dan Anda pasti ingin memiliki koneksi.
00:13:17Kami merancang ini dengan mempertimbangkan sumber terbuka.
00:13:19Eve dibangun agar Anda dapat mencolokkan adaptor sumber terbuka milik sendiri untuk Postgres, API respons OpenAI, Docker, maupun konektor lainnya.
00:13:29Namun kami juga membuatnya sangat mudah dideploy di Vercel.
00:13:31Satu hal yang tampak berbeda di sini adalah semuanya menggunakan produk Vercel yang telah kami kembangkan selama bertahun-tahun untuk memudahkan pembuatan pengalaman ini.
00:13:39Alur kerja Vercel untuk ketahanan, Sandbox untuk eksekusi yang aman, dan Vercel Connect, fitur yang baru saja kami rilis untuk memudahkan pembuatan token OADC berumur pendek bagi koneksi.
00:13:51Dan kami sebenarnya menulis ulang seluruh agen D0 ke dalam Eve selama proses pengembangannya.
00:13:55Dari struktur rumit di balik layar yang tidak terlihat dari kode, seperti inilah bentuk sistem file tersebut.
00:14:01Sangat sederhana.
00:14:02Anda memiliki sejumlah instruksi sistem, beberapa skill, beberapa tool, dan sangat mudah untuk menyusunnya menjadi agen nyata.
00:14:09Dan sangat mudah untuk melakukan iterasi.
00:14:11Kami bahkan memberikannya kepada beberapa pelanggan beta sebelum merilisnya sepenuhnya dua minggu lalu di acara kami di London.
00:14:17Dan perusahaan mitra dekat kami ini, Aura, membangun ulang agen mereka yang mirip seperti mini-claw untuk menguji layanan milik orang lain.
00:14:26Agen tersebut mendatangi situs web, menginstalasikannya, dan mencoba menggunakannya.
00:14:29Dan mereka meraih kesuksesan luar biasa dalam membangun agen mereka sendiri dari nol menggunakan Eve, dibandingkan memakai kode cloud yang sudah ada di pasaran.
00:14:38Langkah lebih sedikit, kesuksesan lebih baik, serta wawasan yang lebih mendalam.
00:14:42Dan ketika Anda mendeploy Eve ke Vercel, Anda langsung mendapatkan observabilitas bawaan.
00:14:49Anda dapat melihat di sini bahwa Anda mendapatkan semua eksekusi agen, melihat semua pemanggilan alat, melihat setiap langkah yang diambil, serta estimasi biaya dan beberapa optimasi yang mungkin bisa dilakukan.
00:15:00Dan Anda dapat langsung memulainya hari ini di Eve.dev.
00:15:02Anda bisa langsung mengklonnya, memulai templat, melakukan deploy dengan mudah, serta melakukan hos mandiri jika diperlukan.
00:15:07Alasan saya mengangkat hal ini adalah karena saya berharap akan ada semakin banyak agen kasus penggunaan khusus bisnis.
00:15:14Sebelum membangun D-Zero, kami menguji ketat banyak startup industri yang didanai dengan baik yang membuat agen vertikal ini.
00:15:23Startup yang berdedikasi mengambil instans Snowflake Anda agar agen mereka dapat menjalankan kueri Snowflake terhadapnya.
00:15:30Namun kami menyadari bahwa hal yang membuat agen ini benar-benar bagus adalah kepemilikan pengetahuan perusahaan yang sangat spesifik.
00:15:38Vercel adalah perusahaan berbasis web, dan kami memiliki banyak pelanggan yang memiliki situs web dan properti web.
00:15:45Hal ini jauh lebih mendalam terkait kapan Anda harus membuat kueri dan hal apa yang terhubung ke mana.
00:15:51Banyak agen siap pakai memang hebat dan bagus untuk dicoba, tetapi jika Anda benar-benar ingin memaksimalkan hasilnya,
00:15:58Anda sebaiknya mencoba membangun agen sendiri dan menambahkan pengetahuan khusus perusahaan sebanyak mungkin.
00:16:03Saat ini, kami memiliki sekitar 20 agen dengan kesesuaian produk pasar yang layak di Vercel, mulai dari ringkasan pemasaran untuk mencari tahu siapa yang harus dihubungi,
00:16:14hingga tinjauan kontrak pertama kalinya saat bagian legal melihat negosiasi baru, sampai agen sains data saya yang membantu kueri data.
00:16:24Dan hal itu menunjukkan bahwa kami di Vercel sangat lekat dengan penggunaan agen.
00:16:28Semua ini benar-benar menghemat banyak waktu bagi kami.
00:16:32Tim data tidak pernah seproduktif ini.
00:16:34Mereka memiliki lebih banyak waktu untuk meningkatkan kinerja Snowflake, menambahkan sumber data baru yang sebelumnya hilang,
00:16:40dan mengisi kekosongan yang sebelumnya tidak sempat mereka kerjakan karena terlalu sibuk menulis kueri.
00:16:46Dan saya rasa tidak pernah semudah ini bagi Anda di perusahaan besar, kecil, maupun menengah untuk mengotomatiskan beberapa hal yang tidak ingin Anda lakukan
00:16:55atau beberapa hal yang menghabiskan terlalu banyak waktu Anda.
00:16:58Menurut saya, banyak urusan SDM, keuangan, dan penjualan yang dapat diotomatiskan dengan agen, dan saya rasa Eve adalah cara terbaik untuk membangun agen tersebut saat ini.
00:17:09Dan ini adalah tautan sosial media saya.
00:17:11Terima kasih semuanya sudah datang dan mendengarkan.
00:17:13Saya Andrew, dan saya akan berada di sekitar sini jika ingin mengobrol di luar.
Community Posts
No posts yet. Be the first to write about this video!
Write about this video