00:00:00Terima kasih kepada HubSpot yang telah mensponsori video ini.
00:00:03Jadi, ada sesuatu yang sangat besar terjadi pada Desember 2025.
00:00:07Dan sebagian besar orang bahkan tidak menyadarinya.
00:00:09Andrew Cupsey mencuitkan hal ini minggu lalu.
00:00:10"Sangat sulit untuk menjelaskan seberapa jauh pemrograman telah berubah karena AI dalam dua bulan terakhir,
00:00:15khususnya sejak Desember lalu."
00:00:17Dan Greg dari OpenAI juga membicarakan hal ini.
00:00:20Sejak Desember, terdapat peningkatan fungsi bertahap pada kemampuan model dan alat-alatnya.
00:00:24Dan beberapa insinyur memberi tahu dia bahwa pekerjaan mereka telah berubah secara mendasar sejak Desember
00:00:282025.
00:00:29Jadi, apa yang sebenarnya terjadi pada Desember 2025?
00:00:32Singkatnya, model terbaru yang diperkenalkan saat itu akhirnya siap untuk tugas mandiri
00:00:37yang berjalan dalam waktu lama.
00:00:38Jadi dengan AI, impian utamanya adalah saat kita tidur, AI bisa mengerjakan
00:00:43tugas secara mandiri, 24/7.
00:00:46Bahkan di tahun 2023, proyek yang paling populer, jika Anda ingat, bernama AutoGPT.
00:00:50Itulah pertama kalinya sistem agen yang sepenuhnya otonom diperkenalkan.
00:00:54Mereka memiliki arsitektur yang cukup mendasar dan sederhana yang menggunakan GPT-4 sebagai model untuk secara mandiri
00:00:59memecah daftar tugas berdasarkan tujuan pengguna dan memiliki penyimpanan memori sederhana untuk menyimpan
00:01:03hasilnya.
00:01:04Dan orang-orang melakukan hal-hal yang gila seperti memberi tujuan, hasilkan $100.000 dan
00:01:08membiarkannya mengulang tugas tanpa henti sampai selesai.
00:01:11Saat itu, sistemnya rusak dan gagal total karena modelnya memang belum siap.
00:01:15Namun sejak Desember tahun lalu, hal ini benar-benar berubah.
00:01:18Model-model tersebut memiliki kualitas yang jauh lebih tinggi, koherensi jangka panjang, dan dapat menyelesaikan
00:01:22tugas yang jauh lebih besar dan lebih lama.
00:01:24Dan kita melihat berbagai macam eksperimen muncul dari industri ini.
00:01:28Pertama, mulai Januari, kita mendapati konsep yang sangat populer bernama rough loop, dan sebagian besar iterasi
00:01:33agen sederhana untuk memaksa model bekerja lebih lama agar bisa menangani tugas
00:01:37yang lebih kompleks.
00:01:38Kita hanya membuat model mengulang terus dengan beberapa pemeriksaan kondisi sederhana, tapi kita sudah mulai melihat
00:01:42perbedaannya.
00:01:43Dan seminggu kemudian, Cursor juga merilis eksperimen mereka di mana mereka menggunakan GPT-5.2 untuk secara mandiri
00:01:49membangun browser dari nol dengan 3 juta baris kode.
00:01:52Dan Anthropic juga merilis eksperimen ini di mana mereka menggunakan tim kode cloud
00:01:57untuk bekerja secara mandiri pada kompiler C dari nol selama dua minggu.
00:02:01Dan pada akhirnya, ia menghasilkan versi fungsional tanpa pengodean manual sama sekali.
00:02:05Bahkan bisa menjalankan game Doom di dalam kompiler tersebut.
00:02:08Dan pada saat yang sama, OpenClaw mulai menarik perhatian dan mengalami pertumbuhan pesat yang belum pernah
00:02:13kita lihat sebelumnya.
00:02:14Sangat sulit untuk memahami apa yang terjadi dengan OpenClaw karena dari luar,
00:02:18sangat mudah untuk mengkategorikan OpenClaw sebagai gangguan lain, tapi ia hidup di dalam komputer
00:02:23Anda sendiri dan juga bisa diakses dari Telegram.
00:02:27Kenapa hal ini bisa begitu populer?
00:02:29Dan baru kemudian setelah saya menggunakannya secara mendalam, saya menyadari bahwa perbedaan sebenarnya adalah OpenClaw mewakili
00:02:35tipe agen yang selalu aktif, berjalan lama, dan sepenuhnya otonom yang sangat berbeda dari
00:02:40semua sistem agen lain yang kita gunakan sebelumnya di mana manusia adalah penggerak utama untuk meminta
00:02:45tindakan selanjutnya.
00:02:46OpenClaw selalu aktif dan bersifat proaktif.
00:02:49Dan perasaan otonom ini diciptakan oleh arsitektur yang cukup sederhana di mana ia memiliki
00:02:53lapisan konteks memori dengan pemicu dan cron job untuk mengambil tindakan secara otomatis dan memiliki
00:02:58akses komputer penuh, yang merupakan lingkungan yang sangat kuat untuk beroperasi.
00:03:02Dan saya percaya OpenClaw adalah proyek pertama yang benar-benar membuka pergeseran paradigma terbesar
00:03:06pada tahun 2026, bahwa kita berpindah dari sistem agen berbasis tugas sederhana seperti co-pilot ke agen otonom
00:03:13yang berjalan dalam waktu lama.
00:03:15Sesuatu yang selalu aktif, selalu siap, memberikan hasil kerja terkoordinasi yang sangat kompleks secara otomatis.
00:03:20Ini adalah pergeseran kritis yang harus Anda pahami.
00:03:22Model saat ini sebenarnya jauh lebih kuat dari yang Anda kira asalkan Anda merancang sistem yang tepat
00:03:27untuk membukanya.
00:03:28Dan ini adalah inti dari apa yang ingin saya bicarakan hari ini.
00:03:30Insinyur Hardness untuk memungkinkan sistem otonom yang berjalan lama.
00:03:34Jika ini pertama kalinya Anda mendengar tentang Insinyur Hardness, ini seperti evolusi dari apa yang
00:03:38sebelumnya kita bicarakan yaitu Insinyur Konteks atau Insinyur Prompt.
00:03:41Sebelumnya kita benar-benar fokus pada cara mengoptimalkan prompt dalam jendela konteks yang efektif
00:03:46agar model mendapatkan performa terbaik untuk satu sesi loop agen tunggal.
00:03:49Tetapi Insinyur Hardness benar-benar fokus pada tugas-tugas yang berjalan lama yang berarti bagaimana
00:03:53Anda merancang sistem yang dapat bekerja di berbagai sesi dan berbagai agen yang berbeda.
00:03:57Dan bagaimana Anda merancang alur kerja yang tepat untuk memastikan konteks yang relevan akan diambil
00:04:01untuk setiap sesi dan rangkaian alat yang tepat untuk memaksimalkan potensi model.
00:04:05Ini adalah konsep yang cukup baru, tapi untungnya industri sudah mulai sepakat pada
00:04:09beberapa praktik terbaik yang bisa Anda gunakan dari Anthropic, Vercel, LangChain, dan banyak lainnya.
00:04:14Mari kita bahas satu per satu agar Anda bisa melihat polanya.
00:04:16Namun sebelum kita mendalaminya, dengan pergeseran paradigma agen yang sepenuhnya otonom ini, salah satu peluang
00:04:21terbesar untuk 6-12 bulan ke depan adalah membangun OpenClaw untuk vertikal tertentu.
00:04:25Artinya Anda menyelidiki dan memahami secara mendalam alur kerja menyeluruh dari vertikal tertentu.
00:04:29Dan membangun agen otonom dengan lingkungan dan alat yang tepat untuk memungkinkan proses dari ujung ke ujung.
00:04:34Itulah mengapa saya ingin memperkenalkan riset luar biasa yang dilakukan HubSpot mengenai laporan
00:04:39adopsi AI dalam pemasaran email.
00:04:40Ini adalah laporan yang menarik bagi Anda untuk memahami vertikal seperti pemasaran email di mana orang-orang
00:04:44sebenarnya menggunakan AI saat ini dan apa saja kekurangannya.
00:04:47Karena laporan ini menunjukkan alur kerja dan peluang yang jelas dalam pemasaran email yang berpotensi
00:04:51dapat Anda otomatisasi.
00:04:52Mereka mensurvei ratusan pemasar email dari perusahaan papan atas untuk memahami dengan tepat bagaimana AI
00:04:57mengubah alur kerja mereka.
00:04:58Mereka membahas mengapa pemasar masih melakukan banyak pengeditan berat, apa penyebabnya,
00:05:03serta tantangan terbesar yang mereka hadapi saat ini saat mengimplementasikan AI dalam
00:05:06pemasaran email.
00:05:07Dan masing-masing adalah peluang besar bagi Anda untuk membangun agen yang sepenuhnya otonom.
00:05:11Mereka bahkan mendalami KPI spesifik yang lebih mereka pedulikan dan AI telah menunjukkan
00:05:15hasil yang terbukti.
00:05:16Serta apa saja hal yang sebenarnya diinginkan oleh para pemasar email dari AI.
00:05:20Jadi jika Anda seorang pengembang yang sedang memikirkan produk agen besar berikutnya untuk dibangun, saya sangat
00:05:24merekomendasikan Anda untuk melihat sumber daya yang luar biasa ini.
00:05:27Saya telah menyertakan tautannya di deskripsi di bawah untuk Anda unduh secara gratis.
00:05:30Dan terima kasih HubSpot karena telah mensponsori video ini.
00:05:32Sekarang mari kita kembali ke insinyur hardness untuk sistem agen yang berjalan lama.
00:05:36Dan secara garis besar, ada tiga pembelajaran yang saya ambil dari sana.
00:05:39Pertama adalah bahwa untuk agen tugas yang berjalan lama, bagian kritis dari desain sistem adalah menciptakan
00:05:44lingkungan yang terbaca di mana setiap sub-agen atau sesi dapat benar-benar memahami posisi
00:05:49segala sesuatunya.
00:05:50Kemungkinan besar ada beberapa alur kerja yang dapat dilakukan untuk memaksakan keterbacaan lingkungan.
00:05:54Dan saya akan menjelaskan lebih lanjut tentang hal itu.
00:05:56Kedua adalah verifikasi itu sangat krusial.
00:05:58Anda dapat meningkatkan output sistem secara signifikan dengan memungkinkannya memverifikasi pekerjaannya secara efektif
00:06:03dengan loop umpan balik yang lebih cepat.
00:06:04Dan ketiga adalah kita perlu lebih mempercayai model daripada membangun alat khusus
00:06:08yang membungkus banyak penalaran dan logika secara prematur.
00:06:11Kita harus memberikan konteks maksimal kepada model dengan alat umum yang mereka pahami secara alami dan
00:06:16membiarkannya bereksplorasi seperti manusia.
00:06:17Dan saya akan menguraikan ketiga hal itu satu per satu saat kita membahas setiap blok di sini.
00:06:20Pertama adalah blog Anthropic tentang harness yang efektif untuk agen yang berjalan lama.
00:06:24Mereka telah bereksperimen menggunakan SDK kode cloud untuk membangun agen khusus untuk tugas yang sangat
00:06:29lama seperti membangun kloning situs web cloud.ai.
00:06:32Kegagalan pertama yang mereka amati adalah, pertama, agen cenderung melakukan terlalu banyak hal sekaligus.
00:06:37Intinya, ia akan selalu mencoba menyelesaikan seluruh aplikasi dalam sekali jalan.
00:06:40Dan ini menyebabkan model kehabisan konteks di tengah-tengah implementasinya dan membiarkan
00:06:45sesi berikutnya dimulai dengan fitur yang baru setengah diimplementasikan atau didokumentasikan.
00:06:49Kemudian agen tersebut harus menebak-nebak apa yang sebenarnya terjadi dan menghabiskan banyak waktu untuk mencoba
00:06:52membuat aplikasi dasarnya berfungsi kembali.
00:06:55Dan kegagalan kedua yang mereka amati adalah agen cenderung menyatakan pekerjaan selesai secara prematur.
00:07:00Anda mungkin pernah mengalaminya sendiri beberapa kali.
00:07:02Kode cloud atau cursor akan mengklaim proyek atau fitur telah selesai.
00:07:05Tapi begitu Anda mengujinya, ternyata tidak berfungsi.
00:07:07Jadi pendekatan mereka untuk memecahkan perilaku kegagalan model standar tersebut adalah pertama-tama menyiapkan
00:07:12lingkungan awal yang meletakkan fondasi untuk semua fitur yang diperlukan oleh prompt yang diberikan, yang
00:07:16mengatur agen untuk bekerja selangkah demi selangkah dan fitur demi fitur.
00:07:20Jadi ini semacam pendekatan rencana atau PRD yang biasa kita lakukan.
00:07:23Kedua adalah ia mulai meminta setiap agen untuk membuat kemajuan bertahap menuju tujuannya
00:07:27sambil juga membiarkan lingkungan dalam keadaan bersih di akhir setiap sesi.
00:07:32Apa yang mereka lakukan adalah mulai merancang solusi dua bagian ini.
00:07:35Mereka akan memiliki agen inisialisasi yang menggunakan prompt khusus untuk meminta model menyiapkan
00:07:40lingkungan awal dengan skrip init.sh, yang akan menyiapkan server pengembangan, misalnya,
00:07:45sehingga model berikutnya tidak perlu mengkhawatirkan hal-hal tersebut.
00:07:48Dan juga file cloud progress.txt yang menyimpan log tentang apa yang telah dilakukan agen serta komit
00:07:53git awal yang menunjukkan file apa yang telah ditambahkan.
00:07:55Kemudian agen pengodean untuk setiap sesi berikutnya akan meminta model untuk membuat kemajuan bertahap,
00:08:01lalu meninggalkan pembaruan yang terstruktur.
00:08:02Dan semua upaya tersebut benar-benar mencoba melayani satu tujuan yaitu bagaimana mereka dapat menentukan
00:08:07sebuah lingkungan di mana agen dapat dengan cepat memahami status pekerjaan saat memulai dengan jendela
00:08:11konteks yang baru.
00:08:13Jadi alur kerjanya adalah agen inisialisasi pertama-tama akan mencoba menyiapkan lingkungan atau
00:08:17Anda bisa menyebutnya sistem dokumentasi untuk melacak dan mempertahankan rencana keseluruhan.
00:08:21Dan lingkungan yang mereka rancang di sini adalah pertama-tama mereka akan memiliki dokumen daftar fitur untuk
00:08:25mencegah agen menyelesaikan seluruh aplikasi sekaligus atau menganggap proyek selesai sebelum waktunya.
00:08:30Dan mereka akan meminta agen inisialisasi untuk memecah proyek menjadi lebih dari 200 fitur
00:08:34dan mencatatnya dalam file JSON lokal yang terlihat seperti ini, di mana setiap tugas memiliki spesifikasi terperinci
00:08:39serta status lulus atau gagal.
00:08:41Secara default, semua tugas akan ditandai sebagai gagal.
00:08:43Jadi memaksa model untuk selalu melihat tujuan proyek secara keseluruhan dan kemajuannya untuk mengambil tugas
00:08:49dengan prioritas tertinggi dan melakukan hal berikutnya.
00:08:50Tetapi agar alur kerja ini berhasil, mereka juga membutuhkan cara untuk memaksa model meninggalkan lingkungan
00:08:55dalam keadaan bersih setelah melakukan perubahan kode. Dalam eksperimen mereka, mereka menemukan cara terbaik
00:08:59adalah dengan meminta model mengomits kemajuan ke git dengan pesan komentar deskriptif dan menulis
00:09:05ringkasan kemajuannya dalam file progress, tapi apakah hanya dokumentasi dan lingkungan konteks
00:09:08saja sudah cukup? Ternyata tidak, karena model secara default memiliki kecenderungan untuk menandai sesuatu
00:09:13sebagai selesai tanpa pengujian yang tepat dan pada awalnya, mereka hanya meminta kode cloud
00:09:17untuk selalu melakukan pengujian setelah perubahan kode dengan melakukan unit test atau API test untuk
00:09:22server pengembangan.
00:09:23Tetapi semua hal itu seringkali gagal menyadari bahwa sebuah fitur tidak berfungsi secara menyeluruh.
00:09:27Karena hal-hal benar-benar mulai berubah ketika mereka memberikan model alat yang tepat untuk melakukan tes
00:09:30menyeluruh sendiri, seperti Puppeteer MCP atau Chrome dev tool, di mana agen dapat
00:09:35mengidentifikasi dan memperbaiki bug yang tidak terlihat secara langsung dari kodenya sendiri.
00:09:39Jadi pada dasarnya, mereka menyiapkan struktur di mana mereka memiliki agen yang diinisialisasi untuk memecah
00:09:43tujuan pengguna menjadi daftar fitur bersama skrip init.sh agar dapat menjalankan server pengembangan
00:09:47dan file kemajuan.
00:09:49Sehingga agen pengodean berikutnya bisa langsung membaca daftar fitur untuk mendapatkan pemahaman tentang
00:09:53rencana proyek secara keseluruhan dan mengambil tugas prioritas tinggi serta file kemajuan dan mendapatkan log untuk memahami
00:09:57sejauh mana perkembangannya.
00:09:59Kemudian jalankan init.sh untuk segera memulai server pengembangan dan lakukan tes menyeluruh untuk memverifikasi lingkungan
00:10:04sudah bersih sehingga ia bisa mendapatkan gambaran lengkap, loop umpan balik yang lebih cepat sementara setiap sesi baru
00:10:09dan jendela konteks terjadi.
00:10:10Di blog OpenAI, mereka membicarakan hal-hal yang sangat mirip.
00:10:13Anda harus memastikan lingkungan aplikasi Anda terbaca.
00:10:16Mereka membuat seluruh repositori sebagai sistem pengetahuan atau rekam jejak.
00:10:19Awalnya, mereka memasukkan file agents.md yang sangat besar dan gagal dengan cara yang sudah diprediksi karena
00:10:23konteksnya terlalu banyak untuk dikelola dan dipertahankan oleh agen mana pun.
00:10:27Jadi apa yang mereka lakukan adalah merancang struktur lingkungan dokumen yang tepat dan memperlakukan file agents.md sebagai daftar
00:10:32isi.
00:10:33Jadi mereka menyiapkan sistem dokumentasi ini mulai dari arsitektur, dokumen desain, rencana
00:10:37eksekusi, skema DB, spesifikasi produk, dan desain rencana front-end, keamanan, dan banyak lagi, dan
00:10:42memasukkan daftar isi ini ke dalam file agents.md sehingga agen dapat mengambil kembali informasi
00:10:47secara acak saat dibutuhkan.
00:10:49Dan ini memungkinkan pengungkapan progresif dan OpenAI sebenarnya melakukannya lebih jauh lagi.
00:10:53Mereka akan mencoba mendorong bukan hanya pengetahuan kode, tetapi juga Google Docs, pesan Slack, semua
00:10:58informasi terfragmentasi lainnya, memasukkan data tersebut ke dalam repositori sebagai versi lokal repositori
00:11:03artefak.
00:11:04Jadi agen juga bisa mengambilnya karena dari sudut pandang agen, jika sesuatu tidak bisa diakses
00:11:09di lingkungan tersebut, maka secara efektif hal itu dianggap tidak ada.
00:11:11Tetapi sekali lagi, dokumentasi itu sendiri tidak benar-benar membuat basis kode yang dihasilkan agen tetap koheren.
00:11:16Mereka juga memperkenalkan alur kerja terprogram tertentu untuk memaksakan invarians.
00:11:20Sebagai contoh, mereka melapisi arsitektur domain dengan batas-batas lintas sektor yang eksplisit, yang
00:11:25memungkinkan mereka untuk memaksakan aturan tersebut dengan pemeriksaan kustom, linter, dan pengujian struktural, yang
00:11:29dapat dipicu dan dimasukkan secara otomatis oleh setiap pre-komit git.
00:11:33Arsitektur tipe seperti itu biasanya akan Anda tunda sampai Anda memiliki ratusan insinyur
00:11:37di perusahaan perangkat lunak tradisional, tetapi dengan agen pengodean, ini adalah prasyarat awal.
00:11:41Dalam batas-batas tersebut, Anda memberikan tim dan agen kebebasan yang signifikan dalam bagaimana solusi
00:11:46diekspresikan tanpa perlu mengatur secara mikro dan khawatir arsitekturnya akan melenceng.
00:11:49Sementara itu, mereka juga banyak meningkatkan basis kode.
00:11:52Misalnya, mereka membuat aplikasi dapat dijalankan per pohon kerja git, sehingga kodek dapat meluncurkan dan
00:11:55menjalankan banyak instansi yang berbeda.
00:11:57Dan mereka juga menghubungkan protokol Chrome dev ke dalam runtime agen sehingga agen dapat
00:12:01mereproduksi bug, memvalidasi perbaikan, melalui snapshot DOM, tangkapan layar, dan navigasi.
00:12:05Dan dengan pengaturan lingkungan dan alur kerja tersebut, repositori tersebut akhirnya melampaui ambang batas
00:12:09minimum di mana kodek dapat menjalankan fitur baru dari ujung ke ujung.
00:12:13Jadi setiap kali kodek menerima satu perintah, agen akan mulai memvalidasi status
00:12:17basis kode saat ini, mereproduksi bug yang dilaporkan, merekam video untuk menunjukkan
00:12:21kegagalan, mengimplementasikan perbaikan, memvalidasi perbaikan dengan menjalankan aplikasi, merekam video
00:12:25kedua yang menunjukkan penyelesaiannya, dan akhirnya menggabungkan perubahan tersebut.
00:12:29Jadi kedua blok tersebut menunjukkan pembelajaran yang sangat baik dan sistem harness yang diperlukan yang perlu Anda terapkan
00:12:32untuk sistem yang sepenuhnya otonom.
00:12:34Sementara itu, ada juga pembelajaran tertentu.
00:12:36Sering kali saat kita membangun agen, terutama agen khusus vertikal, kecenderungan kita adalah
00:12:40membangun alat khusus untuk melakukan tugas-tugas khusus domain.
00:12:43Tujuan pembelajarannya adalah bahwa model pembelajaran besar hampir selalu bekerja lebih baik dengan alat umum
00:12:47yang mereka pahami secara alami.
00:12:49Vercel merilis artikel luar biasa ini tentang bagaimana mereka mendesain ulang tugas mereka ke agen SQL.
00:12:53Jadi mereka menghabiskan waktu berbulan-bulan membangun agen teks-ke-SQL internal yang canggih D0 dengan alat khusus
00:12:58rekayasa prompt yang berat dan manajemen konteks yang hati-hati.
00:13:02Tetapi seperti yang dialami banyak dari kita sebelumnya, sistem tipe tersebut memang berfungsi tetapi sangat rapuh,
00:13:06lambat, dan memerlukan perawatan terus-menerus.
00:13:09Karena setiap ada kasus khusus baru yang terjadi, Anda perlu memasukkan prompt baru ke agen tersebut.
00:13:12Namun kemudian mereka mencoba satu hal yang benar-benar mengubah lintasannya.
00:13:15Mereka menghapus sebagian besar alat khusus dari agen hingga menyisakan satu alat perintah batch tunggal.
00:13:20Dan dengan arsitektur yang jauh lebih sederhana ini, agen tersebut sebenarnya berkinerja 3,5 kali lebih cepat dengan
00:13:25token 37% lebih sedikit dan tingkat keberhasilan meningkat dari 80% menjadi 100%.
00:13:30Pembelajaran serupa juga dibagikan dari tim Anthropic di mana mereka berbicara tentang daripada
00:13:34memiliki alat eksekusi pencarian khusus, mereka hanya memiliki satu alat batch di mana
00:13:38mereka dapat menjalankan grep, tail, npm, npm run lint.
00:13:41Dan pada dasarnya, saya pikir itu karena model pembelajaran besar juga jauh lebih akrab
00:13:45dengan alat-alat asli kode yang memiliki miliaran token pelatihan dibandingkan pemanggilan alat pesanan
00:13:49JSON yang perlu ia hasilkan.
00:13:51Dan saya sudah membicarakan hal ini di video pemanggilan alat terprogram yang saya rilis minggu lalu.
00:13:55Dan saya percaya ini adalah prinsip dasar yang serupa di sini, tetapi fondasi dari arsitektur sederhana tersebut
00:13:59sekali lagi adalah konteks yang baik dan lingkungan dokumentasi di mana model dapat menggunakan alat umum
00:14:05untuk mengambil konteks secara bertahap.
00:14:06Dan hal yang sama terjadi pada OpenClaw.
00:14:09Salah satu alasan OpenClaw sangat menarik adalah karena mereka memiliki lingkungan konteks yang secara mengejutkan sederhana
00:14:13namun efektif.
00:14:15Mereka memiliki daftar dokumentasi untuk menyimpan informasi inti dengan fondasi ini.
00:14:18Mereka hanya memiliki alat yang paling dasar seperti membaca, menulis, mengedit file, menjalankan perintah batch
00:14:23dan mengirim pesan.
00:14:24Semua risikonya berasal dari memberikan lingkungan agen untuk mengambil konteks yang relevan ditambah perpustakaan keahlian
00:14:29yang besar untuk memperluas kemampuan.
00:14:31Jadi itulah tiga pembelajaran praktis tentang cara melakukan rekayasa hardness untuk agen kompleks
00:14:35yang berjalan lama.
00:14:36Dengan menyiapkan lingkungan konteks yang terbaca untuk memungkinkan setiap sesi mengambil konteks secara efektif
00:14:41dan alur kerja serta alat yang tepat sehingga model dapat memverifikasi pekerjaannya secara efektif, mendorong loop umpan balik
00:14:46yang lebih cepat dan mempercayai agen dengan alat umum yang mereka pahami secara alami.
00:14:50Jika Anda tertarik, saya akan membagikan lebih mendalam tentang bagaimana saya mengambil pembelajaran ini
00:14:54dan mengubahnya menjadi proses siklus hidup pengembangan.
00:14:58Di AI Builder Club, kami memiliki kursus dan panduan tentang vibe coding dan membangun agen
00:15:02produksi.
00:15:03Dan setiap minggu, saya sendiri dan para pakar industri membagikan pembelajaran praktis terbaru.
00:15:08Jadi jika Anda tertarik untuk mempelajari apa yang saya pelajari setiap hari, Anda bisa mengklik tautan
00:15:12di bawah untuk bergabung dengan komunitas kami.
00:15:13Saya harap Anda menikmati video ini.
00:15:14Terima kasih dan sampai jumpa di lain waktu.