스크립트
00:00:00jika Anda bekerja dengan model yang baik seperti Opus dan GPT 5.6, Anda biasanya akan mendapatkan hasil yang bagus, tetapi model-model ini
00:00:06juga menghabiskan banyak token, dan situasinya bahkan lebih buruk dengan model kelas atas seperti GPT Astra
00:00:11dan Fable 5.1 karena Anda akan mencapai batas penggunaan jauh lebih cepat daripada menggunakan model lain.
00:00:16Model-model tersebut juga sangat lambat sehingga Anda akhirnya harus menunggu lama untuk satu tugas hingga selesai. Untuk mengatasi
00:00:21masalah persis ini, ada alat yang sedang tren di GitHub akhir-akhir ini bernama Graft. Alat ini memperbaiki cara
00:00:26agen-agen ini menangani proyek secara default. Alat ini tidak hanya menghemat token Anda, tetapi juga membuat agen
00:00:31jauh lebih cepat daripada saat agen bekerja sendiri, dan alat ini memiliki cara kerja yang sangat menarik yang
00:00:36memperbaiki inti penyebab masalah ini sejak awal. Bukannya belum ada
00:00:40alat yang dibuat untuk menyelesaikan masalah ini, tetapi semuanya memiliki kekurangan yang besar, dan itulah persis yang diperbaiki oleh alat ini.
00:00:46Jika ini pertama kalinya Anda di sini, kami adalah perusahaan perangkat lunak dan ini adalah saluran kami, AI Labs. Dalam
00:00:51video ini, kami akan menunjukkan kepada Anda dengan tepat bagaimana Graft membuat penggunaan model-model ini menjadi lebih murah. Namun sebelum kita
00:00:56membahas Graft, Anda perlu memahami mengapa agen Anda menggunakan begitu banyak token sebelum mengubah apa pun di
00:01:02aplikasi Anda. Metode default yang digunakan oleh agen seperti Claude Code dan Codex untuk menemukan file memiliki masalah.
00:01:07Saat Anda meminta agen untuk menambahkan apa pun ke aplikasi yang sedang Anda kerjakan, agen tersebut pertama-tama harus menemukan bagian
00:01:12dari aplikasi Anda di mana ia perlu menulis perubahan tersebut. Untuk menemukan bagian tersebut, agen menggunakan berbagai perintah di
00:01:17terminal yang mencari kata-kata yang berkaitan dengan hal yang ingin Anda tambahkan. Model biasanya tidak langsung menemukan hal
00:01:23yang mereka cari pada percobaan pertama; mereka harus menggunakan beberapa alat untuk mempersempit apa sebenarnya
00:01:28yang mereka cari. Dan setiap kali model harus memutuskan alat mana yang akan digunakan selanjutnya, agen
00:01:32mengirimkan seluruh percakapan Anda sejauh ini ke model, termasuk respons dari alat yang
00:01:37sudah digunakannya. Model kemudian membaca semua itu untuk memutuskan langkah berikutnya sehingga mencapai file yang tepat
00:01:42setelah beberapa tahap, dan setiap tahap tersebut membebani kuota penggunaan Anda. Sebagai contoh, ketika Anda meminta agen untuk membuat
00:01:47tombol menjadi hijau, agen harus mencari tahu file mana yang berisi kode tombol tersebut, jadi ia mencari
00:01:53file yang berisi tombol tersebut dan hasilnya dikirim ke model beserta pesan Anda. Kemudian agen
00:01:58menggunakan alat lain untuk membaca baris kode tertentu dari file tersebut, dan baru setelah itu ia benar-benar
00:02:04melakukan perubahan. Proses bolak-balik itulah cara setiap perubahan yang Anda minta dibuat. Karena semua
00:02:08pesan dan hasil alat dikirim berulang-ulang, jendela konteks terus bertambah besar. Hal ini tidak hanya membebani
00:02:14konteks Anda, tetapi juga memperlambat model karena dengan cara ini model menggunakan beberapa tahap
00:02:19untuk mempersempit file yang diperlukan, sehingga setiap pencarian baru menambahkan lebih banyak informasi dan model harus menggunakan
00:02:25token untuk memutuskan apa yang harus dilakukan dengannya. Itulah sebenarnya salah satu alasan mengapa Anda mencapai batas penggunaan saat
00:02:30Anda bekerja dengan agen pada banyak tugas dalam satu sesi. Nah, mencapai batas penggunaan hanyalah satu
00:02:36konsekuensi; Anda juga mendapatkan hasil berkualitas lebih buruk karena ada terlalu banyak hal di jendela konteks sehingga
00:02:41agen tidak dapat fokus pada satu hal dalam satu waktu. Nah, karena ini adalah masalah yang diketahui, sudah ada alat-alat
00:02:46di luar sana yang mencoba menyelesaikannya. Pendekatan umum yang digunakan oleh alat-alat ini adalah mengubah bagian-bagian
00:02:51kode Anda menjadi angka yang disebut vektor sehingga model dapat membandingkannya dengan mudah. Ketika Anda mengajukan pertanyaan, alat
00:02:56pencarian juga mengubah pertanyaan tersebut menjadi vektor, lalu menemukan bagian-bagian dengan kecocokan terdekat.
00:03:02Itu disebut pencarian vektor, yang pada dasarnya berarti menemukan informasi berdasarkan seberapa mirip maknanya
00:03:07dengan apa yang Anda tanyakan. Namun, kesamaan saja tidak memberi tahu Anda bagaimana bagian-bagian aplikasi Anda terhubung; contohnya,
00:03:12kode untuk membuat akun dan menghapus akun keduanya dapat cocok dengan pertanyaan tentang
00:03:17akun, tetapi keduanya melakukan dua hal yang berlawanan, jadi memilih yang salah akan sangat merugikan.
00:03:21Itulah sebabnya pencarian ini tidak begitu efektif dan sebagian besar agen pembuat kode tidak menggunakannya sama sekali.
00:03:26Namun sebelum kita beralih ke alat tersebut, alangkah baiknya jika Anda berlangganan saluran ini dan menekan tombol
00:03:30suka. Gestur dukungan kecil ini sangat berarti bagi kami. Nah, Graft sebenarnya adalah perintah terminal
00:03:36yang Anda instal di komputer Anda, dan alat ini dibuat untuk mengubah metode default yang digunakan agen pembuat kode Anda
00:03:41sehingga agen tidak perlu mencari jalannya melalui proyek Anda sebelum setiap perubahan. Alat ini melakukannya dengan
00:03:46membangun grafik pengetahuan, yang pada dasarnya adalah peta dari semua bagian dalam proyek Anda, dan peta ini menunjukkan bagaimana
00:03:51bagian-bagian yang berbeda terhubung. Agen menggunakan peta tersebut untuk menemukan kode yang dibutuhkannya dan memeriksa bagian lain mana
00:03:57yang bergantung padanya. Alat ini sebenarnya gratis dan sumber terbuka, dan bagian utamanya adalah alat ini tidak menggunakan model
00:04:02dengan kunci API terpisah sehingga berfungsi pada langganan biasa Anda. Ada juga langkah opsional yang menggunakan
00:04:07model untuk menulis halaman polos tentang aplikasi Anda yang menjelaskan apa yang dilakukan setiap bagian kode dan bagaimana
00:04:12bagian-bagian tersebut saling terikat. Anda sebenarnya tidak benar-benar membutuhkannya karena peta tersebut sudah memberi tahu agen apa yang terhubung ke
00:04:17apa; langkah ini hanya menambahkan penjelasan tentang apa yang dilakukan kode tersebut. Jadi dengan halaman-halaman itu, agen dapat mengetahui
00:04:22apa yang dilakukan setiap bagian alih-alih membuka setiap file. Ketika tim di balik Graft menjalankan alat ini, mereka
00:04:28mendapati bahwa alat ini membuat agen empat kali lebih murah dalam hal penggunaan token, dan itu adalah kasus terbaik mereka.
00:04:33Dalam tolok ukur mereka sendiri di 162 uji coba, tugas memakan waktu 60 persen lebih sedikit secara rata-rata, agen menggunakan alatnya 46 persen lebih sedikit
00:04:42kali, dan menggunakan 42 persen lebih sedikit token, serta biayanya menjadi 32 persen lebih rendah secara rata-rata. Dan karena penghematan
00:04:48berasal dari semua pencarian yang tidak perlu dilakukan oleh agen lagi, alat ini terbayar pada proyek yang lebih besar karena
00:04:53pada proyek kecil tidak ada banyak pencarian yang dapat dihemat sejak awal. Graft bekerja dengan Claude Code
00:04:58dan Codex serta agen pembuat kode lainnya yang menggunakan perintah terminal atau MCP. Namun peta yang dibukannya
00:05:04tidak seperti pencarian vektor yang kita bicarakan sebelumnya, karena Graft tidak mengubah kode Anda menjadi angka dan
00:05:09mencocokkannya berdasarkan kesamaan, melainkan membaca kode dan mencatat bagian mana yang benar-benar menggunakan bagian lainnya. Jadi ketika
00:05:14Anda mengubah satu bagian, agen dapat melihat dengan tepat apa lagi yang dapat rusak akibat perubahan tersebut. Dan ketika kode Anda berubah,
00:05:20alat ini hanya memperbarui bagian yang berubah alih-alih membangun semuanya lagi, sehingga peta tetap mutakhir
00:05:25dengan sendirinya dan agen tidak pernah bekerja berdasarkan versi lama dari proyek Anda. Namun pertama-tama, mari kita dengarkan
00:05:30pesan dari sponsor kami, Hydra. Jadi, kami sedang menambahkan fitur pembuatan AI ke aplikasi kami, yang dulunya berarti
00:05:35mengurus model, infrastruktur, dan antrean pekerjaan sendiri. Di sinilah API Hydra masuk; mereka telah membangun seluruh
00:05:41waktu proses dan API di balik model mereka sehingga alih-alih menyiapkan semua infrastruktur itu sendiri, seluruh
00:05:46lapisan itu sudah ditangani untuk Anda. Kami membuat satu panggilan nyata dari kode kami, dan alih-alih aset yang begitu saja
00:05:51muncul, kami mendapatkan pekerjaan nyata yang dapat dilacak dan kami menyaksikannya bergerak dari antrean ke pemrosesan hingga
00:05:56selesai sebelum media tersebut kembali. Pembacaan status itu adalah bagian yang penting karena itulah cara Anda mengetahui
00:06:02bahwa ini dapat menangani pekerjaan produksi yang nyata. Hanya butuh sedikit kode untuk dimasukkan ke dalam aplikasi Anda sendiri dan ada
00:06:07CLI dan SDK juga sehingga Anda dapat bekerja langsung dari terminal atau editor Anda. Ini adalah jenis hal yang oleh pengembang soliter
00:06:13tidak dapat dibangun sebelumnya. Coba Hydra secara gratis di hydra.com dan gunakan kode kami untuk potongan 50 persen pada
00:06:19bulan pertama Anda. Tautan dan kode ada di deskripsi di bawah. Sebelum kita menginstal apa pun, Anda perlu melihat
00:06:24bagaimana Graft benar-benar membuat peta tersebut. Saat Anda menggunakannya untuk membangun peta, Graft membaca kode di
00:06:29komputer Anda dan mencatat setiap bagian yang ditemukannya beserta namanya dan di mana letaknya di dalam proyek.
00:06:34Kemudian ia mencatat bagian mana yang terhubung ke bagian mana. Setiap bagian pada peta itu disebut node, dan
00:06:39setiap koneksi antara dua bagian disebut edge. Jadi ketika agen bertanya apa yang menggunakan bagian tertentu dari
00:06:44aplikasi Anda, Graft mengikuti edge tersebut dan memberikan kode yang terhubung ke apa yang sedang dicarinya
00:06:49sehingga agen dapat melihat apakah perubahan tersebut memengaruhi hal lain, yang merupakan hal persis yang tidak dapat dilakukan oleh pencarian vektor.
00:06:53Graft menyimpan peta tersebut di komputer Anda sebagai file JSON. Alasan mengapa peta tersebut disimpan sebagai JSON adalah
00:06:59karena format tersebut memungkinkan Anda menuliskan sesuatu dalam struktur yang tepat dengan detail yang dilampirkan padanya. Alat ini
00:07:04juga memiliki penampil yang terbuka di browser Anda di mana Anda dapat melihat peta dan menjelajahi koneksi-koneksinya. Ketika
00:07:10Graft terhubung ke Claude Code, alat ini memberikan instruksi kepada model untuk menggunakan peta pada awal
00:07:15setiap sesi. Kemudian setiap kali Anda mengirimkan prompt, Graft mencocokkan kata-kata dalam pesan Anda dengan peta dan
00:07:20melampirkan hingga tiga lokasi yang cocok ke dalamnya sehingga model sudah mengetahui file dan baris mana yang harus dibaca
00:07:26sebelum ia menggunakan satu alat pun. Kode itu sendiri hanya masuk ke dalam konteks ketika agen membaca baris-baris tersebut,
00:07:32sehingga model mencapai file yang tepat dalam lebih sedikit tahap dan jauh lebih sedikit yang ditambahkan ke jendela konteks,
00:07:37sehingga lebih cepat dan menggunakan lebih sedikit batasan Anda. Ada juga opsi MCP, dan perbedaannya adalah siapa
00:07:43yang memulai pencarian. Dengan penyiapan yang baru saja kita bahas, Graft menebak dari prompt Anda dan melampirkan lokasi-lokasi tersebut
00:07:48ke setiap pesan terlepas dari apakah agen membutuhkannya atau tidak. Dengan MCP, tidak ada yang dilampirkan ke
00:07:53prompt Anda dan agen hanya bertanya kepada Graft ketika ia benar-benar membutuhkan sesuatu. Dalam pengujian Graft sendiri,
00:07:58versi MCP mendapatkan jawaban yang benar sedikit lebih banyak daripada versi CLI, dan versi CLI lebih cepat ketika
00:08:04Anda menginstalnya, Anda sebenarnya mendapatkan keduanya. Dan saat Anda mengubah aplikasi Anda, Graft menjaga peta tetap diperbarui sendiri. Sebelum
00:08:10ia menjawab pertanyaan, alat ini memeriksa apakah kode telah berubah sejak peta dibuat, dan jika sudah,
00:08:15ia memperbarui peta terlebih dahulu tanpa menggunakan model. Nah, untuk menginstal Graft, Anda perlu pergi ke situs mereka yang
00:08:20akan kami tautkan di deskripsi, dan dari sana Anda dapat menyalin perintah instalasi atau menyalin prompt penyiapan
00:08:25untuk agen pembuat kode apa pun yang Anda gunakan dan menempelkannya langsung ke agen tersebut. Prompt penyiapan itu
00:08:30memiliki semua perintah yang dibutuhkan agen untuk menginstal Graft dan menyiapkannya di proyek Anda. Dan jika Anda lebih suka
00:08:35melakukan bagian itu sendiri, Anda dapat melakukannya dengan menyalin perintah instalasi dari situs dan menjalankannya di
00:08:40terminal dari folder mana pun. Begitu terinstal, CLI siap digunakan. Untuk menggunakannya dalam sebuah proyek, Anda
00:08:46perlu menyiapkan Graft di proyek tersebut dengan menjalankan perintah init. Perintah ini harus berjalan di terminal
00:08:52karena perintah itu menambahkan beberapa instruksi untuk proyek tersebut ke dalam folder
00:08:57yang akan hilang jika Anda menjalankannya di tempat lain saat dijalankan, aplikasi akan menanyakan agen coding apa yang Anda gunakan
00:09:02karena setiap agen memerlukan penyiapannya sendiri dan karena kami menggunakan Claude Code, kami memilihnya dan
00:09:07melanjutkan instalasi setelah selesai, Anda akan melihat skill graph di folder proyek Anda
00:09:11yang memberi tahu agen cara menggunakan graph dan perintah apa saja yang dimilikinya, skill ini juga menginstal hook dan jika
00:09:16Anda tidak tahu apa itu hook, itu adalah skrip kecil yang berjalan sendiri pada titik tertentu, hook ini memaksa
00:09:22agen untuk mengikuti alur kerja graph, ada beberapa hook yang diinstal, salah satunya memberikan
00:09:26instruksi model untuk menggunakan peta saat sesi dimulai, yang lain melampirkan lokasi yang cocok ke setiap
00:09:31prompt yang Anda kirim, dan yang terakhir berjalan setelah Claude mengedit file sehingga peta tetap mutakhir, lalu
00:09:37jika Anda menyiapkan ini di proyek yang sudah Anda kerjakan, Anda perlu menjalankan perintah build graph
00:09:41di folder yang sama sehingga graph memeriksa semua kode yang sudah ada di sana dan
00:09:46membangun peta darinya, dan jika Anda mulai di folder kosong, belum ada yang dipetakan sehingga
00:09:50skill tersebut meminta Claude untuk membangunnya begitu ada file, setelah itu Anda tinggal menjalankan Claude Code secara normal dan
00:09:56penampil peta menunjukkan simpul dan tepi yang dibuat graph di folder kosong, peta mulai dari nol simpul dan
00:10:01graph menambahkannya saat file dibuat, sekarang kami menguji graph dengan membangun aplikasi pemesanan dan penjadwalan
00:10:06yang mirip dengan Calendly tetapi untuk penyedia independen dengan Fable 5.1 karena model ini menggunakan token
00:10:13dengan sangat cepat, kami tidak ingin model itu menghabiskan tenaga untuk tugas yang salah, itulah sebabnya kami melakukan serangkaian
00:10:18langkah sebelum mengerjakannya, kami menulis PRD terlebih dahulu, yaitu dokumen yang memaparkan apa yang harus dilakukan aplikasi
00:10:23sehingga aplikasi mengetahui setiap fitur yang dibutuhkan, kami juga menambahkan file claude.md yang berisi
00:10:29instruksi yang disesuaikan untuk model ini agar dapat berjalan dalam waktu lama tanpa menyimpang dari tujuan, file
00:10:34claude.md itulah yang kami unggah sebagai templat di Community AI Labs Pro, jadi kami menggunakan templat yang sama
00:10:40kami pertama-tama memintanya untuk mengisi bagian yang kosong di claude.md dari PRD karena file tersebut hanya
00:10:46berupa templat dan jika Anda tidak memiliki PRD, Anda dapat memberi tahu dalam prompt apa yang Anda bangun
00:10:51setelah claude.md diperbarui, kami mengalihkan model ke Fable 5.1 dan memberinya prompt untuk membangun
00:10:57aplikasi pemesanan beserta alat apa yang ingin kami gunakan untuk membangun aplikasi tersebut, dan Anda harus memberi tahu model ini
00:11:02secara eksplisit bahwa model ini bekerja sendiri, yang telah kami bahas di video Fable 5.1 sebelumnya, jadi kami memberi tahu
00:11:07model itu untuk tidak berhenti dan meminta izin, dengan graph proses pembuatan memakan waktu 39 menit dan menggunakan sekitar 31 persen dari
00:11:14jendela konteks, tanpa graph pembuatan yang sama memakan waktu 47 menit dan menggunakan sekitar 35 persen, dan kedua aplikasi
00:11:20praktis memiliki fungsionalitas yang sama, jadi pada pembuatan pertama perbedaannya kecil karena
00:11:25graph belum dibuat pada titik ini, tetapi perbedaannya menjadi lebih besar begitu kami mulai melakukan perubahan karena pada saat itu graph
00:11:30sudah memiliki peta seluruh proyek untuk dicari, perombakan total halaman landas memakan waktu kurang dari
00:11:35dua menit dan tanpa graph perubahan yang sama akan memakan waktu jauh lebih lama dari itu, setelah perubahan
00:11:40graph memperbarui peta dengan file baru dan menunjukkan perkiraannya sendiri mengenai token yang dihemat pada
00:11:46giliran tersebut, dan ada satu hal terakhir yang perlu Anda ketahui, saat Anda mengerjakan proyek nyata,
00:11:50itu tidak selalu hanya mencakup kode, tetapi juga berisi file lain yang memberikan konteks kepada agen tentang apa yang sedang
00:11:56dibangun, ini termasuk PRD, semua file khusus area Anda, file learnings.md, dan banyak lagi, tetapi
00:12:03graph hanya memetakan kode sehingga tidak memetakan PRD atau catatan Anda, yang berarti agen menggunakan metode
00:12:09bawaan biasa saat harus membaca hal tersebut, dan selain itu, banyak orang seperti kami menggunakan Claude Code
00:12:14untuk berbagai tugas non-pemrograman juga, jadi agar alat ini juga melayani hal tersebut, kami memodifikasinya
00:12:20sedikit sehingga kami dapat menggunakannya di proyek nyata kami di mana kami memiliki beberapa file rencana, dan kami telah menambahkan
00:12:25versi tersebut di AI Labs Pro, yaitu komunitas kami, jadi jika Anda menemukan nilai dalam apa yang kami lakukan dan ingin
00:12:31mendukung saluran ini, inilah cara terbaik untuk melakukannya, tautannya ada di deskripsi, itu membawa kita ke akhir
00:12:36video ini, jika Anda ingin mendukung saluran ini dan membantu kami terus membuat video seperti ini, Anda dapat melakukannya dengan
00:12:41menggunakan tombol Super Thanks di bawah, seperti biasa terima kasih telah menonton dan sampai jumpa di video berikutnya
커뮤니티 글
아직 글이 없습니다. 이 영상에 대한 첫 번째 글을 작성해 보세요!
이 영상에 대해 글쓰기