00:00:00Apakah agen AI semakin lemah atau mereka hanya bekerja dengan informasi yang buruk?
00:00:03Masalah utama pada agen AI adalah konteks mereka.
00:00:06Bukannya agen tidak punya informasi atau tidak bisa mengingat sesuatu,
00:00:09tapi karena mereka tidak berpijak pada sumber kebenaran yang terkendali.
00:00:12Ini berarti bekerja dengan informasi yang buruk adalah alasan mengapa performa mereka sangat buruk.
00:00:15Sekarang Anda mungkin sudah tahu tentang NotebookLM dari Google,
00:00:18sebuah alat riset yang sangat hebat dan juga bisa menjadi generator podcast.
00:00:22Tapi bagaimana jika kegunaannya jauh lebih dari itu?
00:00:23Tim kami mencoba mengambil alat riset ini dan mengujinya dari berbagai sudut pandang
00:00:27untuk menemukan cara agar alat ini sesuai dengan alur kerja pengembangan kami
00:00:30dan sejujurnya, kami tidak menyangka hasilnya akan secocok itu.
00:00:32Di sepanjang video ini, tim kami menggunakan NotebookLM melalui alat CLI-nya.
00:00:36Ini adalah antarmuka produk yang memberi Anda kendali penuh
00:00:39dalam mengelola notebook, sumber, dan ulasan audio dari sumber notebook tersebut.
00:00:44Instalasinya sangat mudah, cukup satu perintah dan selesai.
00:00:47Setelah terinstal, Anda bisa memverifikasi instalasi dengan menjalankan perintah help.
00:00:51Ini akan menampilkan semua perintah yang tersedia untuk mengontrol sumber NotebookLM,
00:00:56menangani input multimodal, dan semua fungsi yang bisa Anda lakukan dengan alat ini.
00:01:00Tapi sebelum menggunakannya, autentikasi CLI dengan akun Google Anda menggunakan perintah nlm auth.
00:01:05Setelah dijalankan, jendela Chrome akan terbuka dan Anda tinggal masuk.
00:01:08Setelah itu, NLM akan menyimpan kredensial Anda untuk penggunaan di masa mendatang.
00:01:11NotebookLM dapat diakses melalui CLI dan MCP,
00:01:15keduanya dibuat oleh pengembang yang sama, jadi Anda bisa menggunakan mana yang Anda sukai.
00:01:18Kami memilih CLI karena efisien dalam penggunaan token
00:01:21dan tidak akan bermasalah saat dijalankan pada tugas-tugas berdurasi panjang.
00:01:24Kita bisa menggunakan NotebookLM sebagai “otak kedua” bagi agen AI
00:01:27dengan memberinya informasi mengenai basis kode dan membiarkannya mendokumentasikan segala hal seiring berjalannya proses.
00:01:31Untuk melakukan ini, kami menambahkan instruksi di file claud.md
00:01:35dan memberitahunya bahwa semua pengetahuan proyek, keputusan arsitektur,
00:01:38dan semua dokumentasi lainnya harus disimpan di dalam notebook.
00:01:41Notebook ini menjadi satu-satunya sumber kebenaran (single source of truth).
00:01:43Kami menggunakan Claude untuk membuat notebook melalui alat CLI dan menyimpan ID-nya di claud.md.
00:01:49Jadi, saat kami mengerjakan sebuah fitur aplikasi, kami menggunakan mode plan untuk merencanakannya terlebih dahulu.
00:01:53Setelah implementasi selesai dan proses build berhasil,
00:01:55ia akan memperbarui notebook dengan implementasi fitur tersebut sesuai instruksi.
00:01:59Notebook yang dibuat berisi semua keputusan yang diambil Claude selama proses tersebut.
00:02:03Menjadikannya sebagai otak kedua berarti Claude tidak perlu mencari sendiri di tumpukan dokumen yang banyak,
00:02:08membacanya dengan pencocokan pola, dan membebani konteks dengan informasi yang tidak diinginkan.
00:02:12Sebaliknya, ia mengandalkan kemampuan RAG dari NotebookLM untuk mendapatkan apa yang benar-benar dibutuhkan.
00:02:16Sehingga Claude mendapatkan jawaban yang sudah disintesis dari Gemini, bukan sekadar tumpukan data mentah,
00:02:20dan ia bisa lebih fokus pada pengembangan serta implementasi.
00:02:23Anda juga bisa membagikan notebook ini kepada siapa pun,
00:02:25dan mereka bisa menggunakan fitur NotebookLM untuk memastikan implementasinya sesuai dengan kebutuhan,
00:02:31bahkan jika mereka non-teknis, sehingga mereka bisa memahami detail teknis sesuai kecepatan mereka sendiri.
00:02:35NotebookLM dirancang untuk riset di berbagai sumber.
00:02:39Karena kami sudah sering menggunakan Claude Code untuk riset,
00:02:42kami memberikan topik riset yang sedang dikerjakan dan meminta Claude untuk mencari sumbernya,
00:02:47membuat notebook baru, dan mengunggahnya ke sana.
00:02:49Ia mengidentifikasi semua sumber dan mengunggahnya ke notebook yang telah dibuat untuk tugas ini.
00:02:53Riset dengan Claude memakan banyak konteks karena ia juga menelusuri tautan yang nantinya teridentifikasi tidak relevan.
00:02:59Membagi riset menjadi dua bagian dan membiarkan alat yang memang dirancang untuk tugas itu menanganinya, berhasil menghemat waktu dan token.
00:03:05Setelah sumber berada di notebook, kami menghapus konteksnya agar ia tidak menyimpan memori riset tersebut
00:03:11dan meminta Claude mencari informasi di NotebookLM menggunakan CLI,
00:03:15menemukan notebook dengan riset pipeline RAG, dan mengambil temuan kunci melalui chat NotebookLM.
00:03:20Claude menggunakan CLI untuk mengambil notebook, mengirim pesan chat untuk mendapatkan temuan kunci, lalu memberikan hasilnya.
00:03:26Proses ini terjadi jauh lebih cepat daripada riset normal Claude.
00:03:29Keuntungan lainnya adalah jika kita ingin informasi lebih lanjut dari riset yang sama,
00:03:34kita bisa kembali ke notebook karena sumber-sumbernya sudah tersimpan di sana.
00:03:37Jadi Claude tidak perlu mencarinya lagi karena riset ini sekarang tersedia secara eksternal.
00:03:41Jika kita hanya menggunakan Claude saja, kita tidak akan bisa merujuk kembali ke sumber tersebut
00:03:45kecuali kita mengulangi riset dan Claude mencari serta menanyakannya kembali dari awal.
00:03:49Namun cara ini memungkinkan kita untuk menggunakannya kembali di masa mendatang.
00:03:52Memahami basis kode yang tidak Anda tulis sendiri adalah bagian tersulit dari pekerjaan pengembangan.
00:03:57Untuk menyederhanakan hal itu, kami juga menggunakan NotebookLM.
00:04:00Caranya, kami meminta Claude untuk mengkloning repositori menggunakan GitHub CLI.
00:04:04Setelah repo dikloning, kami memintanya menggunakan RepoMix untuk menghasilkan dokumen bagi repo ini.
00:04:09RepoMix adalah alat yang mengemas basis kode ke dalam format yang ramah bagi AI.
00:04:14Anda bisa menggunakan antarmuka web untuk mengonversi kode menjadi dokumen dalam berbagai format,
00:04:18yang dapat digunakan AI untuk memahami basis kode dengan mudah dan hemat token.
00:04:23Tapi di sini kami menggunakan RepoMix CLI.
00:04:25Kami menginstalnya menggunakan NPM.
00:04:26Setelah selesai, RepoMix CLI tersedia secara global.
00:04:29Lalu kami meminta Claude membuat notebook di NotebookLM menggunakan alat CLI
00:04:34dan menambahkan dokumen yang sudah diformat sebagai sumber untuk notebook ini.
00:04:37Setelah mengkloning repo, ia menggunakan RepoMix CLI untuk mengubah kode menjadi dokumen yang efisien token,
00:04:44lalu membuat notebook baru dan menambahkan sumbernya dalam format TXT.
00:04:47Sekarang, sumber telah ditambahkan.
00:04:49Kami meminta Claude menggunakan fitur notebook untuk memvisualisasikan basis kode
00:04:52dan membuat diagram yang akan membantu kami memahami isi basis kode tersebut.
00:04:56Ia menjalankan serangkaian perintah visualisasi.
00:04:58Setelah diagram selesai, kami bisa melihatnya di studio NotebookLM.
00:05:03Ia membuat “atlas” yang berfungsi sebagai panduan cara kerja utama proyek.
00:05:07Ia membuat peta pikiran (mind map) yang tepat untuk setiap aspek aplikasi
00:05:09dan memungkinkan kami untuk mendiskusikan setiap bagian secara individual.
00:05:12Ada juga infografis yang dibuat di mana kami bisa melihat berbagai aspek divisualisasikan,
00:05:16sehingga lebih mudah untuk memahami basis kode secara visual
00:05:19daripada hanya mengandalkan jawaban teks dari Claude.
00:05:21Sekarang, sebelum kita lanjut, mari dengarkan sepatah kata dari sponsor kami, Make,
00:05:25platform yang memberdayakan tim untuk mewujudkan potensi penuh mereka
00:05:28dengan membangun dan mempercepat bisnis mereka menggunakan AI.
00:05:31Kita semua tahu risiko terbesar dari agen otonom adalah masalah “kotak hitam” (black box).
00:05:35Anda menerapkannya, tetapi Anda tidak bisa memverifikasi keputusan mereka.
00:05:37Make telah memecahkan masalah ini, menggabungkan kemampuan tanpa kode berbantuan AI
00:05:41dengan lebih dari 3.000 aplikasi siap pakai untuk memberi Anda pendekatan “kotak kaca” yang transparan.
00:05:46Untuk video ini, saya menggunakan agen analis riset pasar siap pakai mereka
00:05:49untuk menunjukkan bagaimana Anda akhirnya bisa melakukan penskalaan dengan kendali penuh.
00:05:52Selain alat canggih seperti MakeGrid, MCP, dan analitik tingkat lanjut,
00:05:56yang menjadi pengubah permainan di sini adalah panel penalaran (reasoning panel).
00:05:58Ini memungkinkan Anda melihat logika agen selangkah demi selangkah,
00:06:01memperkuat jawabannya menggunakan fitur pengetahuan,
00:06:03dan melakukan debug langsung dengan alat chat di dalam kanvas.
00:06:06Inilah transparansi yang telah ditunggu-tunggu oleh para pengembang.
00:06:09Berhenti menebak-nebak dan mulailah berskala dengan kendali.
00:06:11Klik tautan di komentar tersemat untuk mencoba agen Make yang baru hari ini.
00:06:15Setiap kali AI menemui masalah yang tidak ada dalam basis pengetahuannya,
00:06:18ia menggunakan pencarian web dan mempersempit sumber daya untuk menemukan solusi.
00:06:22Jadi kami bertanya-tanya apakah kami bisa melewati pencarian web sepenuhnya
00:06:25dan menggantinya dengan basis pengetahuan.
00:06:27Masalah dengan pencarian web adalah Claude menarik banyak sumber,
00:06:30tapi hanya sedikit yang benar-benar penting.
00:06:32Sisanya hanya membuang-buang token.
00:06:33Jadi kami meminta Claude membuat notebook baru di NotebookLM
00:06:37dan menambahkan sumber dari dokumentasi, komunitas,
00:06:40dan solusi dari berbagai platform
00:06:41yang bisa menjadikan notebook ini tempat rujukan utama untuk debugging.
00:06:44Ia membuat notebook tersebut dan mulai mencari sumber untuk ditambahkan.
00:06:48Pada akhirnya, notebook tersebut berisi dokumentasi resmi,
00:06:50forum komunitas, repo GitHub, blog, dan referensi relevan lainnya
00:06:55yang bisa bertindak sebagai basis pengetahuan untuk masalah terkait debugging.
00:06:58Kami menambahkan ID notebook tersebut ke dalam file claud.md
00:07:01dan memberi tahu Claude untuk menggunakannya sebagai sumber bagi semua masalah debugging yang mungkin dihadapinya.
00:07:05Kami juga menambahkan instruksi bahwa setiap kali ia menemukan bug,
00:07:08ia harus mengandalkan notebook tersebut terlebih dahulu sebelum mencari di web.
00:07:11Dengan sistem ini, setiap kali ia menemukan kesalahan,
00:07:13misalnya middleware yang sudah usang dalam proyek tersebut,
00:07:16ia menanganinya dengan cara yang berbeda.
00:07:18Jika ia menyelesaikannya secara normal,
00:07:19ia akan mengambil dokumentasi terlebih dahulu baru kemudian menggunakannya untuk memperbaiki masalah.
00:07:23Tapi kali ini, ia cukup menanyakan pertanyaan spesifik ke notebook
00:07:26tentang cara migrasi ke proxy terbaru,
00:07:28semuanya hanya dengan menggunakan notebook dan mendapatkan jawaban terstruktur,
00:07:31alih-alih mengambil hasil dari seluruh web.
00:07:33Sekarang, claud.md ini, bersama dengan semua sumber daya lainnya,
00:07:36tersedia di AI Labs Pro.
00:07:38Bagi yang belum tahu, itu adalah komunitas yang baru saja kami luncurkan
00:07:41di mana Anda bisa mendapatkan templat siap pakai, perintah (prompt),
00:07:43serta semua instruksi dan keahlian yang bisa langsung Anda pasang ke proyek Anda
00:07:47untuk video ini dan semua video sebelumnya.
00:07:49Jika Anda merasa konten kami bermanfaat dan ingin mendukung kanal ini,
00:07:52inilah cara terbaik untuk melakukannya.
00:07:53Tautan ada di deskripsi.
00:07:55Kami selalu memulai proses pengembangan AI dengan menulis dokumentasi,
00:07:59jadi kami berpikir untuk memasukkan dokumen-dokumen itu ke NotebookLM juga.
00:08:02Saat kami sedang mengerjakan sebuah aplikasi,
00:08:04kami membuat dokumen dan setelah siap,
00:08:06kami meminta Claude untuk membuat notebook lain di NotebookLM
00:08:09dan memasukkan semua dokumen tersebut sebagai sumber.
00:08:12Ia pun membuat notebook dan menambahkan semua sumber tersebut ke NotebookLM.
00:08:16Begitu sumber-sumber ini masuk, mereka menjadi terorganisir dan andal,
00:08:19membantu Claude memahami berbagai hal tentang proyek tersebut.
00:08:21Dan jika kita bekerja dengan orang non-teknis,
00:08:24kita tinggal membagikan notebook ini dan membiarkan siapa pun yang memiliki akses untuk berinteraksi dengannya
00:08:27dan memahami segala sesuatunya sendiri.
00:08:28Notebook ini tidak hanya membantu Claude.
00:08:30Jika Anda menggunakan alat lain seperti Cursor, Gemini CLI,
00:08:34atau siapa pun yang ikut membangun bersama Anda,
00:08:36notebook ini bisa menjadi basis pengetahuan bagi mereka juga.
00:08:39Karena dengan fitur chat notebook,
00:08:40setiap agen bisa mendapatkan informasi spesifik sesuai kebutuhan mereka
00:08:44daripada harus mengandalkan alat pencari file untuk menelusuri dokumen.
00:08:46Dengan cara ini, Claude atau agen lainnya cukup menggunakan alat kueri notebook NLM,
00:08:51menanyakan hal yang relevan dengan apa yang mereka butuhkan saat itu
00:08:53dan membangun konteks mereka dari sana.
00:08:55Selain itu, jika Anda menikmati konten kami, pertimbangkan untuk menekan tombol hype
00:08:58karena itu membantu kami membuat lebih banyak konten seperti ini
00:09:00dan menjangkau lebih banyak orang.
00:09:02Tadi kita sudah melihat bagaimana kita bisa menggunakannya untuk memahami basis kode,
00:09:06tapi kami ingin melihat apakah visualisasi yang sama juga bisa membantu agen AI.
00:09:10Jadi kami meminta Claude untuk membuat notebook lainnya
00:09:12dan membuat visualisasi yang akan membantu agen menemukan jalannya di dalam kode.
00:09:16Ia pun membuat notebook dan menambahkan mind map, infografis, tabel data,
00:09:20dan beberapa sumber ke NotebookLM
00:09:22lalu mengunduhnya ke folder visualisasi di dalam proyek.
00:09:25Tersedia beberapa format untuk pemahaman agen,
00:09:28termasuk tabel dalam format CSV dan file Markdown,
00:09:30serta berisi file JSON untuk peta pikirannya.
00:09:33Jadi yang ia lakukan adalah membuat peta pikiran untuk semua fitur tersebut.
00:09:36Inilah yang tadi kita lihat diekspor sebagai file JSON.
00:09:40Ia juga membuat dek slide lengkap untuk membantu pemahaman visual.
00:09:43Setiap kali ia menemukan sesuatu yang perlu diperiksa,
00:09:46ia memeriksa peta pikiran masing-masing alih-alih menelusuri sistem file,
00:09:50dari situ ia menemukan alur yang tepat dan menanyakan ke notebook apa yang ia butuhkan.
00:09:54Begitu pula saat ia memeriksa endpoint, menganalisis alur,
00:09:56dan menanyakan ke notebook menggunakan peta pikiran JSON yang diekspor
00:10:00alih-alih menelusuri basis kode secara manual.
00:10:03Cara lain kita bisa menggunakan NotebookLM
00:10:05adalah untuk menambahkan semua masalah terkait keamanan yang umum dihadapi
00:10:08pada situs web buatan AI dengan memastikannya berpijak pada sumber yang tepat.
00:10:12Jadi kami meminta Claude membuat notebook menggunakan alat CLI
00:10:15dan menambahkan spesifikasi fitur serta semua sumber relevan terkait keamanan.
00:10:19Tujuan notebook ini adalah sebagai buku panduan keamanan bagi Claude
00:10:22sehingga setiap kali ia menemui masalah, ia bisa merujuk ke sini untuk bantuan.
00:10:26Ia membuat notebook dan menambahkan semua sumbernya.
00:10:28Ini termasuk panduan keamanan khusus dan contekan (cheat sheet) dari OWASP,
00:10:32langkah keamanan bawaan dari tumpukan teknologi yang kami gunakan dari GitHub,
00:10:35basis data CVE, dan sumber daya lainnya untuk memastikan keamanan aplikasi.
00:10:39Notebook yang ia buat memiliki 61 sumber, semuanya dalam file berbeda,
00:10:43berisi saran keamanan dari berbagai sumber.
00:10:45Dengan ini, saat kami meminta Claude melakukan pemeriksaan keamanan cepat,
00:10:49ia menggunakan buku panduan tersebut, menghasilkan laporan keamanan,
00:10:51dan mengidentifikasi beberapa masalah dengan berbagai tingkat keparahan,
00:10:54seperti kesalahan floating point dalam transaksi yang ia deteksi di aplikasi
00:10:58yang bisa berakibat fatal jika jumlah transaksinya besar.
00:11:00Ia mampu melakukannya karena pemeriksaan tersebut berpijak pada riset dari NotebookLM.
00:11:04Itulah akhir dari video ini.
00:11:06Jika Anda ingin mendukung kanal ini dan membantu kami terus membuat video seperti ini,
00:11:10Anda bisa melakukannya dengan menekan tombol Super Thanks di bawah.
00:11:13Seperti biasa, terima kasih telah menonton dan sampai jumpa di video berikutnya.