Singkirkan Loop Engineering, Graph Engineering Kini Hadir
CChase AI
Computing/SoftwareInternet Technology
Transcript
00:00:00Bulan lalu ada rekayasa loop, sebelum itu rekayasa konteks, dan hal baru yang populer
00:00:05hari ini adalah rekayasa graf. Namun, apakah ini sesuatu yang benar-benar perlu Anda pahami atau ini hanya
00:00:11tren AI yang memberi istilah keren untuk topik yang tak berguna? Nah, dalam video
00:00:17ini kita akan menjawab pertanyaan itu, dan bocoran sedikit: ini bukan topik yang tak berguna. Rekayasa
00:00:23graf memang bukan sesuatu yang bisa diterapkan pada setiap hal kecil yang Anda bangun,
00:00:28tetapi ini adalah konsep yang pasti ingin Anda pahami, terutama jika Anda sering menggunakan
00:00:33loop yang kompleks. Jadi jika itu terdengar seperti Anda atau calon Anda di masa depan, tonton video ini sampai selesai.
00:00:38Jadi rekayasa graf sebenarnya hanyalah perpanjangan atau evolusi dari rekayasa loop.
00:00:43Jadi, mari kita tinjau dengan cepat apa sebenarnya rekayasa loop itu agar pemahaman kita sama.
00:00:47Pada dasarnya, semua loop memiliki tiga bagian. Yang pertama adalah pemicu. Bagaimana proses ini
00:00:54sebenarnya dimulai? Idealnya ini berjalan otonom. Berjalan setiap hari pada waktu tertentu atau berbasis acara.
00:01:00Langkah kedua adalah tugas. Apa yang sebenarnya sedang dikerjakan? Lalu langkah ketiga, kita butuh semacam kriteria
00:01:07keberhasilan. Kita menyuruhnya melakukan sesuatu. Bagaimana kita tahu apakah itu sudah dilakukan dengan benar? Karena
00:01:13jika tidak dikerjakan dengan benar, saya ingin sistem menjalankannya lagi dari awal. Idealnya, semuanya berjalan dan data
00:01:19disimpan di suatu tempat sehingga kita bahkan bisa menambahkan aspek peningkatan diri padanya. Namun secara mendasar,
00:01:25kita butuh pemicu, ia harus melakukan sesuatu, dan kita harus bisa mengujinya untuk melihat apakah berhasil, dan itu
00:01:30seharusnya serba otomatis. Nah, untuk contoh kita di sini, kita punya loop yang membuat laporan pagi
00:01:35setiap hari untuk kita. Kita punya agen AI ini. Agen ini berjalan setiap hari jam 7 pagi. Itu pemicu kita.
00:01:42Tugasnya adalah memeriksa berbagai platform media sosial: YouTube, Twitter, dan Reddit untuk menemukan
00:01:47informasi tentang AI bagi kita. Apa yang sedang tren. Dan saya ingin agen itu memeriksa email saya. Setelah melakukan semua itu,
00:01:54saya ingin agen itu mengonsolidasikan informasi dan membuatkan laporan untuk saya. Itu adalah tugasnya. Keberhasilan dalam kasus ini
00:02:00agak kurang jelas. Bagaimana kita menentukan bahwa laporan itu dibuat dengan benar? Nah, dalam kasus ini kita
00:02:05telah memberi tahu loop kita bahwa laporan tersebut memerlukan informasi tentang hal-hal seperti ini. Panjangnya harus sekian.
00:02:11Laporan tersebut harus mencantumkan tautan. Jadi kita telah memberinya semacam kriteria untuk diukur. Jadi itulah
00:02:17loop kita. Cukup mudah. Tugas dijalankan oleh satu agen. Sekarang bagaimana kita mengubahnya menjadi graf? Bagaimana
00:02:25kita beralih dari rekayasa loop ke rekayasa graf dengan tugas yang persis sama ini? Saya tetap ingin
00:02:30laporan pagi kita diselesaikan setiap hari. Mari kita lihat. Karena di sebelah kanan adalah
00:02:35versi rekayasa graf dari tugas yang sama. Kita mencoba mendapatkan laporan yang sama. Namun, kita telah
00:02:40meningkatkan jumlah agen yang bekerja. Khususnya, kita beralih dari satu agen yang melakukan
00:02:46segalanya menjadi beberapa agen yang melakukan tugas-tugas spesifik yang juga saling terhubung satu sama lain. Jadi kita
00:02:53masih punya pemicu yang sama. Kau tahu, setiap pagi jam 7 ini akan berjalan. Namun sekarang kita punya satu agen
00:02:58yang memantau YouTube. Satu agen yang memantau Twitter. Satu di Reddit. Dan satu lagi menangani
00:03:04email. Dan seterusnya. Masing-masing agen ini akan mendapatkan informasi yang dibutuhkan. Agen tersebut akan
00:03:09MENSINTESIS informasi itu sendiri. Dan kemudian agen tersebut akan mengirimkan hasil sintesisnya ke agen
00:03:17pembuat laporan. Yang kemudian mengumpulkan semua data itu dan menyintesisnya lebih lanjut menjadi laporan yang kita inginkan. Kita bahkan
00:03:23bisa melangkah lebih jauh dan berkata bahwa kita juga punya agen peninjau yang bertugas untuk
00:03:30memeriksa sendiri laporan yang dihasilkan. Membandingkannya dengan apa yang kita definisikan sebagai laporan yang berhasil dan
00:03:36menentukan apakah kita perlu mengulang semua proses ini lagi, atau bisakah kita langsung mendorongnya ke tahap produksi? Dan itulah
00:03:41rekayasa graf secara ringkas. Mari kita bedah hal itu. Karena Anda mungkin merasa
00:03:48kita hanya menambahkan sekelompok agen dan tidak benar-benar memahami apa yang terjadi.
00:03:51Ya, kita memang menambahkan beberapa agen lagi. Dan ada alasan untuk itu. Alasan mengapa rekayasa graf sedikit
00:03:58lebih rumit bukanlah karena kita ingin membuat rumit. Melainkan karena kita
00:04:03telah mengambil setiap tugas dan pada dasarnya mengubahnya menjadi agen yang menjalankan versinya sendiri dari
00:04:09rekayasa loop. Sebelumnya, apa yang kita miliki? Kita memiliki rekayasa loop, bukan? Loop itu melakukan semua
00:04:14hal ini, memeriksa kriteria keberhasilan, tetapi melakukannya pada tingkat yang sangat tinggi dan
00:04:18melakukan banyak hal berbeda sekaligus. Sebaliknya, apa yang kita lakukan dengan rekayasa graf
00:04:22adalah kita telah memperbesar satu tugas spesifik dan sekarang kita memiliki agen ini yang khusus melakukan analisis YouTube dan
00:04:29Riset YouTube. Kita telah mengubahnya menjadi konstruksi rekayasa loop juga. Coba dipikirkan.
00:04:34Meski disederhanakan menjadi satu tugas, ini tetaplah rekayasa loop. Kita punya pemicu, kan? Pemicunya tetap
00:04:39jam 7 pagi. Kita punya tugas: agen ini masih perlu mencari informasi di YouTube tentang AI dan masih
00:04:46perlu menyintesisnya. Dan ketiga, kita masih punya kriteria keberhasilan. Namun karena kita telah mengubahnya
00:04:51menjadi sesuatu yang direkayasa secara graf, kita bisa menentukan secara sangat spesifik tentang seperti apa keberhasilan di setiap
00:04:57langkah proses tersebut. Bagi kita, itu mungkin seperti: “Saya butuh Anda mendapatkan setidaknya lima sumber.” Dan,
00:05:03“Saya butuh hasil sintesis itu panjangnya setidaknya dua paragraf.” Atau, “Untuk setiap sumber dan setiap
00:05:09informasi yang Anda temukan, jelaskan apa dampaknya bagi kita.” Jadi, alih-alih proses verifikasinya
00:05:16sangat umum dan mencoba memaksakan semua hal ini ke dalam satu penilaian seperti,
00:05:22“Ini berhasil, ini tidak,” kita membaginya menjadi bagian-bagian terpisah. Dan mengapa Anda harus peduli
00:05:27tentang hal itu? Pertama, ini akan meningkatkan kualitas. Karena alih-alih meminta satu agen melakukan
00:05:33semuanya, saya meminta satu agen melakukan satu hal. Dan dari sudut pandang pembatasan pembusukan konteks saja,
00:05:40serta fakta bahwa jendela konteksnya akan relatif bersih dibandingkan dengan agen di sini yang mencoba
00:05:44melakukan 10 hal sekaligus, ini berarti kita akan mendapatkan hasil yang lebih baik. Selain itu, prosesnya akan lebih cepat.
00:05:51Karena alih-alih satu agen melakukan 10 hal, saya punya empat agen yang bekerja secara paralel melakukan empat hal.
00:05:56Jadi ini lebih cepat, lebih efektif, dan lebih mudah mengetahui saat ada kegagalan. Karena saya bisa mengetahui
00:06:03dengan sangat cepat apakah ini masalah YouTube atau masalah Reddit. Di sistem sebelumnya, agak sulit untuk
00:06:08memilah mana informasi penting dan mana gangguan, seperti mencari tahu di bagian mana kesalahan terjadi sehingga kita
00:06:15tidak menyukai laporannya dan harus mengembalikannya untuk direvisi. Sekali lagi, itu karena kriteria keberhasilan
00:06:20dapat ditentukan pada setiap subtugas. Jadi itulah gambaran umum rekayasa graf dan alasan mengapa Anda
00:06:27harus peduli. Kita tidak hanya punya satu agen, melainkan serangkaian agen, dan agen-agen ini terhubung dengan berbagai
00:06:33cara. Kita membagi tugas mereka secara individual, semacam cara atomik. Dan karena
00:06:38ini seperti tugas atomik, kita bisa sangat spesifik pada setiap tugas mengenai apa yang kita ingin agen itu lakukan,
00:06:44dan seperti apa keberhasilannya. Sekali lagi, masing-masing agen ini sekarang pada dasarnya menjadi
00:06:48konstruksi rekayasa loop mereka sendiri. Kita baru saja menghubungkan sekelompok loop. Jadi pertanyaan berikutnya saat ini
00:06:54seharusnya, “Kapan saya perlu menggunakan rekayasa graf daripada rekayasa loop?” Karena
00:06:58jujur saja, Anda tidak selalu perlu membuat pengaturan multi-agen yang super rumit seperti ini.
00:07:04Sama sekali tidak perlu. Sering kali, membuat loop sederhana saja sudah lebih dari cukup. Namun ada tiga kasus di mana
00:07:09Anda akan ingin mempertimbangkan kreasi rekayasa graf. Skenario pertama yang perlu Anda
00:07:15pertimbangkan adalah ketika kita mengalami masalah konteks, khususnya pembusukan konteks. Jika saya
00:07:20meminta satu agen untuk melakukan pengulangan terus-menerus, dan di setiap pengulangan saya memintanya melakukan,
00:07:25empat, lima, enam, tujuh, delapan tugas, dan kita mencapai titik di mana jendela konteks setelah
00:07:29setiap eksekusi berada di kisaran 300, 400, 500 ribu token, mungkin masuk akal untuk membagi pekerjaannya.
00:07:36Tidak ada alasan bagi kita untuk mengorbankan kualitas menjadi lebih rendah karena jendela konteks yang penuh
00:07:41jika kita tidak harus melakukannya. Skenario nomor dua adalah ketika kita membutuhkan peninjauan independen. Ketika
00:07:48bicara tentang loop yang tepat, hal yang perlu kita lakukan pada akhirnya adalah menilai keberhasilan, seluruh masalah kriteria keberhasilan itu.
00:07:55keberhasilan itu. Anda perlu bertanya pada diri sendiri, bisakah agen yang membuat apa pun yang sedang kita buat—dalam hal ini laporan—
00:08:01apakah masuk akal baginya untuk menilai laporannya sendiri dan mengatakan ini bagus atau ini tidak? Dalam kasus
00:08:07laporan pagi, mungkin bisa. Itu mungkin tidak begitu rumit. Risikonya tidak terlalu tinggi untuk sekadar berkata,
00:08:13“Laporan ini cukup bagus,” belum lagi penilaiannya relatif subjektif. Namun jika ini adalah sesuatu yang
00:08:18berisiko tinggi dan kita butuh pandangan kedua, mungkin kita harus mulai beralih ke skenario rekayasa
00:08:24graf tempat kita menghadirkan agen yang sama sekali berbeda untuk memeriksa apa yang telah kita buat.
00:08:28Mungkin itu bahkan bukan agen kode cloud. Mungkin sesuatu seperti GPT 5.6.
00:08:32Bagaimanapun juga, itu adalah skenario saat kita memiliki semacam orkestrasi multi-agen dan rekayasa graf
00:08:37sangat masuk akal di sana. Dan ketiga adalah waktu, kan? Seberapa cepat kita butuh sistem ini bekerja? Dalam kasus ini,
00:08:44sangat masuk akal untuk memiliki otomatisasi hasil rekayasa graf karena untuk apa saya meminta satu
00:08:48agen memeriksa YouTube, lalu memeriksa Twitter, lalu memeriksa Reddit, lalu memeriksa Gmail.
00:08:52Kode cloud bahkan tidak melakukan itu. Saat Anda menjalankan hal seperti deep research, kan,
00:08:57apakah sistem meneliti semua sumber itu secara berurutan satu per satu? Tidak, sistem menerapkan sekitar seratus
00:09:02sub-agen sekaligus untuk melakukan ini. Bahkan, hampir semua hal yang dibuat oleh kode cloud saat Anda
00:09:08menggunakan ultra code dan alur kerja dinamis adalah bentuk rekayasa graf tempat kita memiliki beberapa agen
00:09:13yang melakukan hal-hal seperti mengumpulkan informasi. Kita punya beberapa agen yang melakukan hal-hal seperti sintesis.
00:09:17Kita punya beberapa agen yang melakukan hal-hal seperti peninjauan kritis terhadap informasi yang kita kumpulkan. Tidak ada
00:09:23bagian dalam pengaturan rumit itu yang hanya mengandalkan satu loop. Sebaliknya, itu adalah hubungan dari agen-agen
00:09:28yang ter-looping. Namun seperti yang saya katakan di awal, sebagian besar hal yang akan Anda lakukan tidak termasuk dalam salah satu dari tiga
00:09:34kategori tersebut. Dan jika tidak, sebenarnya tidak ada alasan untuk menggunakan rekayasa graf. Itu hanyalah satu alat
00:09:39di kotak alat kita. Terkadang kita membutuhkannya, terkadang tidak, tetapi ada keuntungan dari melakukannya.
00:09:44Namun di sisi lain, ada kerugian ketika kita hanya menambahkan langkah-langkah rumit dan
00:09:48infrastruktur rumit ke sesuatu yang sebenarnya tidak membutuhkannya. Jadi di sinilah saya akan mengakhiri
00:09:52video tentang rekayasa graf ini. Saya harap ini memberi Anda semacam wawasan tentang apa itu rekayasa
00:09:57graf yang sebenarnya. Saya pikir Anda akan mendengarnya dibahas berulang kali.
00:10:01Tetapi jika Anda memahami rekayasa loop dan memikirkannya seperti ini, rekayasa graf hanyalah banyak agen yang menjalankan
00:10:07rekayasa loop. Merekanya melakukannya bersama-sama dan saling berkomunikasi, dan itu meningkatkan kualitas
00:10:12hasil kerja kita. Ini membuat segalanya lebih cepat dan lebih mudah bagi kita untuk mengetahui kesalahan di mana. Dan jika
00:10:17Anda tidak tahu apakah membutuhkannya untuk tugas tertentu, jawabannya kemungkinan besar tidak. Jadi seperti biasa,
00:10:24beritahu saya pendapat Anda. Pastikan untuk memeriksa Chase AI Plus jika Anda ingin mendapatkan akses ke
00:10:27Masterclass Kode Cloud saya. Saya akan menaruh tautannya di bawah. Selain itu, sampai jumpa lagi.