00:00:00Melihat perkembangan coding AI,
00:00:01banyak hal kini terotomatisasi.
00:00:03Apa salahnya jika ada hal lain lagi yang terotomatisasi?
00:00:06LLM kini punya tools,
00:00:07dan begitu saja,
00:00:08banyak pekerjaan manusia menjadi otomatis.
00:00:10Dengan Puppeteer MCP,
00:00:11kita melihat pengujian UI yang terotomatisasi.
00:00:13Kini Ingest memberi kita lapisan pemantauan yang memungkinkan agen coding Anda menjadi debugger langsung dari kode yang mereka hasilkan.
00:00:20Mereka melakukannya dengan merilis MCP untuk server dev Ingest,
00:00:23yang pada dasarnya adalah versi lokal dari platform cloud mereka.
00:00:26Platform ini memungkinkan Anda menguji semua fungsi yang telah Anda buat di dalam agen Anda,
00:00:31dan menyediakan antarmuka visual untuk semuanya beserta berbagai event yang berjalan.
00:00:35Dengan ini,
00:00:35Anda bisa langsung meminta agen AI Anda seperti Claude Code atau Cursor untuk melakukan semua pengujian otomatis.
00:00:41Jika Vercel punya fitur seperti ini,
00:00:43deployment dan debugging mereka hanya akan membutuhkan satu prompt.
00:00:46Bagi yang belum tahu,
00:00:47Ingest adalah platform orkestrasi workflow open-source yang memungkinkan Anda membangun workflow AI yang andal dan mengatasi banyak masalah yang menyertainya.
00:00:55Saya telah menggunakannya untuk membangun workflow agentic di perusahaan kami,
00:00:59dan pengalaman pengembangnya sangat bagus.
00:01:00Dengan server MCP, ini menjadi lebih baik lagi.
00:01:03Workflow ini dibangun dengan fungsi async,
00:01:06dan ada beberapa masalah dalam menguji serta men-debug-nya.
00:01:09Kebanyakan dari mereka dipicu oleh event eksternal.
00:01:11Mereka berjalan secara asinkron dengan beberapa langkah.
00:01:13Bagi Anda yang belum tahu apa arti asinkron,
00:01:16ini adalah fungsi yang dapat berhenti sejenak dan menunggu sesuatu selesai,
00:01:20lalu melanjutkan tanpa memblokir hal lain.
00:01:22Fungsi-fungsi ini adalah bagian dari workflow yang lebih besar,
00:01:24yang membuat debugging menjadi lebih sulit.
00:01:26Ini biasanya membuat Anda harus memicu event ini secara manual,
00:01:29atau Anda mungkin perlu terus-menerus beralih antara editor kode dan browser Anda dari waktu ke waktu.
00:01:34Anda bahkan mungkin harus menggali log untuk memahami apa yang sebenarnya terjadi dengan fungsi tunggal itu,
00:01:39atau mengapa mungkin gagal atau hal lainnya.
00:01:41Atau Anda bahkan mungkin perlu membuat ulang event yang kompleks,
00:01:44atau memicunya sendiri untuk benar-benar menguji fungsi tersebut.
00:01:47Tapi sekarang dengan integrasi MCP,
00:01:49agen AI Anda dapat menangani semua ini secara otomatis.
00:01:52Mereka juga punya makalah tentang rekayasa konteks dalam praktik,
00:01:55di mana mereka menjelaskan bagaimana mereka benar-benar membangun agen penelitian AI.
00:01:58Saya akan menggunakan agen ini untuk menunjukkan cara kerja MCP.
00:02:01Dalam agen tersebut,
00:02:02mereka mengimplementasikan rekayasa konteks di dalamnya,
00:02:05daripada hanya menggunakannya untuk membangunnya,
00:02:07baik dalam fase pengambilan konteks maupun fase pengayaan konteksnya.
00:02:10Mereka juga menjelaskan perbedaan antara context pushing dan context pulling dengan sangat baik.
00:02:14Ini juga artikel yang sangat menarik,
00:02:16dan saya mungkin akan membuat video tentang ini.
00:02:18Jadi, jika Anda tertarik, silakan komentar di bawah.
00:02:20Agen ini sepenuhnya open source.
00:02:22Saya menyalin tautannya,
00:02:23mengkloningnya,
00:02:24menginstal dependensi,
00:02:25dan menginisialisasi Claude Code.
00:02:27Saya memintanya menganalisis basis kode dan membuat claud.md.
00:02:31Artikel tersebut juga menjelaskan mengapa kita harus menggunakan model yang berbeda untuk kekuatan yang berbeda,
00:02:35dan mereka telah mengimplementasikan agen dengan LLM terpisah untuk peran yang berbeda dalam agen penelitian.
00:02:39Mereka menggunakan gateway AI dengan Vercel,
00:02:42yang memberi Anda akses ke lebih dari 100 model.
00:02:44Saya ingin menggunakan satu model saja.
00:02:46Menggunakan claud.md,
00:02:47ia memperbarui basis kode dan beralih untuk menggunakan API OpenAI.
00:02:51Setelah mengedit,
00:02:52ia hanya memberitahu saya file mana yang telah diubah.
00:02:54Setelah itu,
00:02:55saya menyalin konfigurasi untuk Claude Code,
00:02:57membuat file .mcp.json,
00:02:58menempelkannya,
00:02:59memulai aplikasi Next.js,
00:03:01dan kemudian memulai server dev Ingest yang sudah Anda lihat.
00:03:04Setelah itu,
00:03:05saya me-restart Claude Code dan memeriksa bahwa MCP sudah terhubung.
00:03:09Di dalam MCP,
00:03:09Anda memiliki manajemen event,
00:03:10di mana ia pada dasarnya dapat memicu fungsi dengan event pengujian dan mendapatkan ID run,
00:03:15bersama dengan fungsi lain yang memungkinkannya untuk mendaftar dan memanggil fungsi juga.
00:03:19Anda memiliki alat pemantauan yang memungkinkannya mendapatkan status dan akses dokumentasi juga,
00:03:23jadi jika ada yang salah dengan fungsi Ingest,
00:03:26saya tidak perlu lagi mencari secara manual untuk mengetahui apa yang salah dengan agen saya.
00:03:30Alat-alat ini dapat secara otomatis memberitahu Claude apa yang salah,
00:03:33dan ia dapat memperbaikinya untuk saya.
00:03:34Ia menggunakan alat 'send event' untuk menanyakan fungsi penelitian utama dengan pertanyaan,
00:03:39apa itu rekayasa konteks?
00:03:40Setelah itu,
00:03:41ia melakukan polling status run,
00:03:42yang pada dasarnya berarti ia bertanya berulang kali apakah run tersebut sudah selesai atau belum.
00:03:47Kemudian ia mengujinya lagi dan melihat bahwa semuanya menggunakan nama model yang benar dan workflow masih berjalan dengan baik.
00:03:53Dalam kata-kata mereka sendiri,
00:03:55ini merupakan perubahan mendasar dalam cara mereka membangun dan men-debug fungsi serverless.
00:04:00Alih-alih fungsi menjadi kotak hitam yang hanya dibaca oleh model AI dari luar,
00:04:03AI kini dapat bekerja dalam eksekusi yang tepat dan memberikan wawasan real-time,
00:04:07dan semoga kita akan melihat ini terjadi dengan alat lain juga,
00:04:10di mana kita memberikan lebih banyak otonomi kepada AI.
00:04:13Dan saya cukup antusias untuk ini.
00:04:15Itu membawa kita ke akhir video ini.
00:04:16Jika Anda ingin mendukung channel ini dan membantu kami terus membuat video seperti ini,
00:04:20Anda bisa melakukannya dengan menggunakan tombol super thanks di bawah.
00:04:23Seperti biasa,
00:04:23terima kasih sudah menonton dan sampai jumpa di video berikutnya.