Transcript
00:00:00Saya menemukan kiriman dari Peter Steinberger,
00:00:02pencipta OpenClaw, tentu saja, kemarin di X,
00:00:06di mana dia menulis, “Ini pengingat bulanan Anda
00:00:09bahwa Anda tidak seharusnya lagi memberikan prompt pada agen koding.
00:00:12Anda seharusnya merancang loop yang memberikan prompt pada agen Anda.”
00:00:17Dan wah, saya punya beberapa pemikiran tentang ini.
00:00:21Jadi sekarang zamannya rekayasa loop, ya?
00:00:23Saya rasa itu belum menjadi istilah resmi,
00:00:26tapi kita lihat saja apakah akan menjadi istilah resmi.
00:00:27Dan tentu saja, kita datang dari masa lalu
00:00:29di mana kita punya rekayasa prompt.
00:00:31Kemudian sebagian industri memutuskan
00:00:33bahwa ini harus dirumuskan ulang atau dilabeli ulang
00:00:37sebagai rekayasa konteks, yang sebenarnya konyol
00:00:39karena pada akhirnya itu sama saja,
00:00:41karena itu selalu tentang memastikan
00:00:43bahwa model memiliki konteks yang tepat.
00:00:45Itu juga merupakan ide di balik rekayasa prompt,
00:00:48karena ya, jelas konteks yang tepat itu penting,
00:00:51memang penting, masih penting, akan tetap penting,
00:00:54karena jika Anda ingin memiliki peluang lebih baik
00:00:57untuk mendapatkan hasil yang bagus dari LLM,
00:00:59Anda perlu memberi mereka konteks yang tepat.
00:01:02Anda memiliki peluang lebih baik, bukan jaminan.
00:01:05Bahkan dengan konteks yang tepat, kesalahan tetap mungkin terjadi.
00:01:07Kita hanya tidak mendapatkan apa yang Anda cari.
00:01:10Itu semua mungkin karena ini masih
00:01:12sistem non-deterministik, alat non-deterministik.
00:01:15Tetapi jika Anda ingin memiliki kesempatan mendapatkan hasil yang bagus,
00:01:18dan Anda pasti bisa mendapatkan hasil yang bagus,
00:01:20maka menyediakan konteks yang tepat itu penting.
00:01:23Nah, sekitar pergantian dari 2025 ke 2026 dan tentu saja,
00:01:28sepanjang tahun ini, kita kemudian melihat kebangkitan agen koding
00:01:32karena alat seperti CloudCode dan Codex dikombinasikan dengan model
00:01:36yang digunakan di dalamnya, yang telah sangat disempurnakan
00:01:39dan dioptimalkan untuk mengikuti instruksi dan tugas koding,
00:01:42alat-alat itu dengan modelnya menunjukkan kepada kita bahwa, ya,
00:01:45Anda benar-benar bisa menggunakan model AI ini, LLM untuk tugas koding
00:01:51dan menyelesaikan berbagai hal dengan bantuan mereka.
00:01:55Setidaknya itulah pendapat dan pengalaman saya.
00:01:58Dan saya sering menggunakan model-model ini dan alat-alat ini,
00:02:02bermain-main dengannya hampir setiap hari,
00:02:05menggunakannya setiap hari dan bukan hanya bermain-main,
00:02:07tapi juga menggunakannya untuk proyek serius.
00:02:10Dan tentu saja, itulah mengapa saya membuat kursus
00:02:12tentang CloudCode dan Codex, di mana saya menyelami lebih dalam
00:02:15dan membagikan pembelajaran saya dan cara menggunakan alat ini.
00:02:17Dan alat-alat ini adalah asisten yang berguna,
00:02:21tetapi mereka belum menjadi pengganti
00:02:25para pengembang.
00:02:28Dan seperti yang saya bagikan di banyak episode lain,
00:02:31mungkin juga tidak dalam waktu dekat.
00:02:33Meskipun demikian, tentu saja, Anthropic dan OpenAI,
00:02:36mereka menambahkan perintah tambahan ke alat ini
00:02:41seperti perintah /goal di Codex
00:02:43atau perintah /loop di CloudCode,
00:02:46di mana idenya adalah Anda bisa menentukan tujuan tertentu,
00:02:51tugas yang mungkin lebih kompleks,
00:02:53dengan perintah itu ditambahkan di depannya.
00:02:56Dan alat tersebut, Codex, CloudCode dengan modelnya,
00:03:00akan terus berjalan dan akan terus memberi prompt pada dirinya sendiri
00:03:03sampai tugas itu selesai.
00:03:06Dan itu sebenarnya hanyalah loop RALF lagi.
00:03:09Ingat loop RALF di awal 2026,
00:03:13kita punya hype seputar loop RALF itu,
00:03:16di mana beberapa orang hanya menjual kepada Anda bahwa Anda hanya butuh detail,
00:03:19daftar tugas langkah-demi-langkah yang perlu diselesaikan
00:03:24untuk mencapai tujuan tertentu, membangun fitur tertentu,
00:03:27dan kemudian Anda bisa menggunakan ekstensi
00:03:28agar CloudCode dan Codex tetap berjalan
00:03:33dan kemudian bekerja melalui daftar itu.
00:03:34Dan meskipun kita sudah punya loop RALF sejak Januari,
00:03:38dan beberapa orang menjualnya kepada Anda sebagai solusi
00:03:41untuk membangun perangkat lunak secara otonom,
00:03:44di mana semua perangkat lunak itu?
00:03:46Di mana semua perangkat lunak itu, perangkat lunak yang bebas bug dan menakjubkan itu?
00:03:50Mengapa CloudCode masih berkedip?
00:03:54Ya.
00:03:55Bagaimanapun, jadi kita punya loop RALF waktu itu.
00:03:58Sekarang kembali ke sini, diintegrasikan secara resmi ke dalam CloudCode dan Codex.
00:04:03Dan sekarang kita berbicara tentang rekayasa loop
00:04:05atau merancang loop Anda yang memberi prompt pada agen Anda.
00:04:10Dan tentu saja, itu adalah sesuatu yang mudah diucapkan
00:04:12bagi seseorang yang bekerja untuk OpenAI pada akhirnya
00:04:17karena token tak terbatas,
00:04:20karena ternyata ini, loop ini, perintah ini,
00:04:23mereka bisa menghabiskan banyak token.
00:04:27Masalahnya hanyalah Anda memiliki sifat probabilistik yang sama
00:04:33dari keseluruhan sistem.
00:04:34Dan saya pikir satu hal yang sering terlewatkan
00:04:38adalah bahwa memang pengalaman saya adalah
00:04:40bahwa model AI ini dan/atau alat ini
00:04:43dan model-model yang digabungkan, itu benar-benar keduanya.
00:04:46Mereka memang cukup bagus untuk terus berjalan
00:04:50sampai tujuan tertentu tercapai.
00:04:52Maksud saya, satu contoh kecil yang saya punya beberapa minggu atau bulan lalu,
00:04:59adalah saya memiliki beberapa dokumen PDF
00:05:01yang perlu saya gabungkan menjadi satu,
00:05:03yang jika digabungkan tidak boleh lebih besar dari lima megabyte,
00:05:06tetapi setiap dokumen individu sudah seperti enam megabyte
00:05:08karena berisi pindaian.
00:05:10Jadi saya hanya melemparkan agen koding saya, saya pikir Codex untuk tugas itu,
00:05:14dan ia terus berjalan, terus menulis beberapa program kecil dan sebagainya
00:05:17sampai benar-benar mencapainya.
00:05:19Dan jelas, itu mungkin bukan tugas yang sangat kompleks.
00:05:22Intinya hanyalah, memang, model-model ini,
00:05:25jika mereka bisa memverifikasi hasil, mereka cukup layak dalam mencapai tujuan,
00:05:30dalam mencapai tugas tertentu.
00:05:32Mereka hanya terus berjalan dan mencoba berbagai cara untuk sampai ke sana.
00:05:36Masalahnya hanyalah itu bukan cara perangkat lunak yang baik dibangun.
00:05:41Itu satu hal untuk sekadar menyelesaikan sesuatu, sekadar menemukan cara untuk melakukan sesuatu.
00:05:48Itu mungkin cukup untuk kasus penggunaan tertentu.
00:05:51Jika kita berbicara tentang perangkat lunak, perangkat lunak yang harus didistribusikan,
00:05:54yang harus dikembangkan dan dipelihara,
00:05:57bukan strategi yang baik untuk sekadar menemukan cara untuk sampai ke sana
00:06:02karena satu cara itu mungkin menyelesaikan satu hal pada saat ini.
00:06:08Itu mungkin rusak di masa depan.
00:06:09Itu mungkin rusak untuk input yang sedikit berbeda.
00:06:11Itu mungkin mengandung banyak bug atau masalah keamanan.
00:06:15Itu mungkin gagal karena banyak alasan, untuk banyak situasi lain.
00:06:20Itu mungkin memiliki kinerja yang buruk.
00:06:22Dan semua itu, sekali lagi, mungkin tidak masalah
00:06:24jika Anda hanya mencoba menyelesaikan satu hal saat ini.
00:06:28Tapi itulah, sekali lagi, bukan tentang perangkat lunak,
00:06:31secara umum, jika kita berbicara tentang perangkat lunak sebagai produk, setidaknya.
00:06:35Jadi ada alasan mengapa kita belajar sebagai pengembang
00:06:41bahwa pola dan praktik dan pendekatan tertentu masuk akal
00:06:45karena mereka lebih mudah beradaptasi, lebih mudah dipahami, lebih mudah disesuaikan.
00:06:51Cukup lebih bersih, bukan hanya demi kebersihan,
00:06:55tetapi demi ekstensibilitas, pemeliharaan, kinerja, keamanan,
00:07:00dan kemudahan untuk dipahami.
00:07:02Dan bahkan jika Anda tidak lagi peduli tentang memahami kodenya,
00:07:06karena Anda akan mengatakan bahwa AI hanya perlu memahaminya, bukan manusia,
00:07:10yang semuanya itu benar-benar pendapat yang buruk,
00:07:14karena jelas model AI memiliki jendela konteks terbatas dan semua itu.
00:07:17Tetapi bahkan jika itu pendapat Anda tentang kemudahan pemahaman,
00:07:21bagian lain tetap penting.
00:07:23Dan ya, saya rasa tidak ada lagi yang perlu dikatakan tentang itu.
00:07:29Saya benar-benar benci poin saat ini di mana kita memiliki semua yang menyebalkan ini,
00:07:37istilah-istilah bodoh yang muncul sepanjang waktu.
00:07:39Dan kemudian kita punya orang-orang yang mencoba menjual produk dan kursus dan semacamnya dari itu.
00:07:45Dan saya menjual kursus sendiri.
00:07:47Saya hanya tidak menjual dan tidak akan menjual kursus tentang rekayasa loop atau semacamnya.
00:07:52Tapi ya, inilah kita.
00:07:54Saya yakin pada titik tertentu kita akan melewati itu.
00:07:58Dan kita bisa menggunakan agen koding ini untuk apa mereka sebenarnya: asisten yang berguna.
00:08:03Tetapi saat ini kita masih terjebak di sini.
00:08:05Dan saya bersemangat untuk melihat apa yang akan terjadi setelah rekayasa loop.
Community Posts
No posts yet. Be the first to write about this video!
Write about this video