Pernahkah kamu merasa kewalahan saat mengembangkan Agen AI? Manajemen konteks seringkali menjadi salah satu rintangan terbesar. Di sinilah **OpenViking by Volcengine** hadir. Ini adalah basis data konteks open-source yang dirancang khusus untuk Agen AI, menawarkan paradigma sistem file untuk menyatukan manajemen memori, sumber daya, dan keterampilan yang dibutuhkan agen. Tujuannya adalah untuk mendefinisikan paradigma interaksi konteks yang sederhana bagi Agen, membantu pengembang mengucapkan selamat tinggal pada kerumitan manajemen konteks.

## Tantangan Fragmentasi Konteks dalam Pengembangan Agen AI

Pengembang Agen AI sering menghadapi beberapa masalah mendasar:

*   **Fragmentasi Informasi**: Memori agen terprogram dalam kode, sumber daya tersebar di basis data vektor, dan keterampilan tercerai-berai, membuat pengelolaan seragam menjadi sulit.
*   **Kehilangan Informasi Konteks**: Tugas jangka panjang Agen menghasilkan konteks pada setiap eksekusi. Pemotongan atau kompresi sederhana menyebabkan hilangnya informasi penting.
*   **Kurangnya Tampilan Global**: RAG (Retrieval-Augmented Generation) tradisional menggunakan penyimpanan datar, sehingga sulit mendapatkan pandangan global dan memahami konteks informasi secara keseluruhan.
*   **Kotak Hitam RAG**: Rantai pengambilan implisit RAG tradisional seringkali seperti kotak hitam, menyulitkan proses debug saat terjadi kesalahan.
*   **Memori yang Terbatas**: Memori saat ini sebagian besar hanya catatan interaksi pengguna, kurangnya memori tugas terkait Agen.

## OpenViking: Solusi Konteks Terpadu untuk Agen AI

OpenViking meninggalkan model penyimpanan vektor yang terfragmentasi dari RAG tradisional. Ia secara inovatif mengadopsi **paradigma sistem file** untuk menyatukan organisasi terstruktur dari memori, sumber daya, dan keterampilan yang dibutuhkan Agen. Ini memungkinkan pengembang membangun "otak" Agen seolah-olah mengelola file lokal.

## Bagaimana OpenViking Mengubah Manajemen Konteks? (5 Konsep Inti)

OpenViking memiliki lima konsep inti yang secara langsung mengatasi tantangan yang disebutkan sebelumnya, membangun sistem manajemen konteks yang lengkap:

### 1. Paradigma Manajemen Filesystem

OpenViking tidak lagi melihat konteks sebagai potongan teks datar. Ia menyatukan semuanya ke dalam sistem file virtual yang abstrak. Baik itu memori, sumber daya, atau kemampuan, semuanya dipetakan ke direktori virtual di bawah protokol `ovfs://`, masing-masing dengan URI unik.

Paradigma ini memberikan Agen kemampuan manipulasi konteks yang belum pernah ada sebelumnya. Agen dapat menemukan, menelusuri, dan memanipulasi informasi secara tepat dan deterministik melalui perintah standar seperti `ls`, `cd`, atau `cat`, persis seperti yang dilakukan seorang pengembang. Ini mengubah manajemen konteks dari pencocokan semantik yang samar menjadi "operasi file" yang intuitif dan dapat dilacak.

### 2. Pemuatan Konteks Berjenjang

Memasukkan konteks dalam jumlah besar ke dalam *prompt* sekaligus tidak hanya mahal, tetapi juga dapat melebihi batas *window* model dan menimbulkan *noise*. OpenViking secara otomatis memproses konteks menjadi tiga tingkat saat penulisan:

*   **L0**: Ringkasan satu kalimat untuk pengambilan dan identifikasi cepat.
*   **L1**: Berisi informasi inti dan skenario penggunaan untuk pengambilan keputusan Agen selama fase perencanaan.
*   **L2**: Data asli lengkap, untuk pembacaan mendalam oleh Agen saat benar-benar diperlukan.

Struktur tiga tingkat ini dimuat sesuai permintaan, menghemat biaya secara signifikan.

### 3. Pengambilan Rekursif Direktori

Pengambilan vektor tunggal kesulitan dengan niat kueri yang kompleks. OpenViking telah merancang metode **pengambilan rekursif direktori** inovatif yang mengintegrasikan beberapa metode pengambilan secara mendalam:

1.  Membangkitkan beberapa kondisi pengambilan melalui analisis niat.
2.  Menggunakan pengambilan vektor untuk dengan cepat menemukan direktori skor tinggi tempat *slice* awal berada.
3.  Melakukan pengambilan sekunder di dalam direktori tersebut dan memperbarui hasil skor tinggi ke *candidate set*.
4.  Jika subdirektori ada, ulangi langkah pengambilan sekunder secara rekursif lapis demi lapis.
5.  Akhirnya, mendapatkan konteks paling relevan untuk dikembalikan.

Strategi "kunci direktori skor tinggi terlebih dahulu, lalu perbaiki eksplorasi konten" ini tidak hanya menemukan fragmen yang paling cocok secara semantik, tetapi juga memahami konteks lengkap tempat informasi berada, sehingga meningkatkan globalitas dan akurasi pengambilan.

### 4. Trajektori Pengambilan yang Tervisualisasi

Organisasi OpenViking menggunakan struktur sistem file virtual hierarkis. Semua konteks terintegrasi dalam format terpadu, dan setiap entri sesuai dengan URI unik (seperti jalur `/path`). Ini memecah mode manajemen kotak hitam datar tradisional dengan hierarki yang jelas dan mudah dipahami.

Proses pengambilan mengadopsi strategi rekursif direktori. Trajektori penelusuran direktori dan penentuan posisi file untuk setiap pengambilan sepenuhnya dipertahankan, memungkinkan pengguna untuk mengamati penyebab masalah dengan jelas dan memandu optimasi logika pengambilan.

### 5. Manajemen Sesi Otomatis

OpenViking memiliki *loop* iterasi mandiri memori bawaan. Di akhir setiap sesi, pengembang dapat secara aktif memicu mekanisme ekstraksi memori. Sistem akan menganalisis hasil eksekusi tugas dan umpan balik pengguna secara asinkron, dan secara otomatis memperbaruinya ke direktori memori Pengguna dan Agen.

*   **Memori Pengguna**: Memperbarui memori yang terkait dengan preferensi pengguna, membuat respons Agen lebih sesuai dengan kebutuhan pengguna.
*   **Memori Agen**: Mengekstrak konten inti seperti tips operasional dan pengalaman penggunaan *tool* dari pengalaman eksekusi tugas, membantu pengambilan keputusan yang efisien dalam tugas-tugas berikutnya.

Ini memungkinkan Agen untuk menjadi "lebih pintar dengan penggunaan" melalui interaksi dengan dunia, mencapai evolusi mandiri.

## Performa Nyata: Studi Kasus OpenClaw

OpenViking telah menunjukkan peningkatan performa yang signifikan, seperti yang terlihat dari pengujian dengan OpenClaw (versi 0.1.18) menggunakan dataset dialog jarak jauh LoCoMo10 (1.540 kasus).

| Kelompok Eksperimen             | Metrik               | Peningkatan vs. OpenClaw Asli | Peningkatan vs. LanceDB |
| :----------------------------- | :------------------- | :---------------------------- | :---------------------- |
| Dengan Memori Native Diaktifkan | Peningkatan Kualitas | 43%                           | 15%                     |
|                                | Pengurangan Biaya Token | 91%                           | 96%                     |
| Dengan Memori Native Dinonaktifkan | Peningkatan Kualitas | 49%                           | 17%                     |
|                                | Pengurangan Biaya Token | 83%                           | 92%                     |

Data ini menunjukkan bahwa integrasi OpenViking tidak hanya meningkatkan kualitas respons Agen, tetapi juga secara drastis mengurangi biaya token input.

## Mulai dengan OpenViking

Tertarik mencoba? Berikut beberapa hal yang perlu kamu siapkan:

### Persyaratan Lingkungan

*   **Cargo**: Diperlukan untuk membangun komponen RAGFS dan CLI dari sumber.
*   **GCC 9+ atau Clang 11+**: Diperlukan untuk membangun ekstensi inti.
*   **Sistem Operasi**: Linux, macOS, Windows.
*   **Koneksi Jaringan Stabil**: Untuk mengunduh dependensi dan mengakses layanan model.

### Kapabilitas Model yang Dibutuhkan

OpenViking memerlukan kapabilitas model berikut:

*   **VLM**: Untuk pemahaman gambar dan konten.
*   **Embedding**: Untuk vektorisasi dan pengambilan semantik.

OpenViking mendukung berbagai penyedia VLM, termasuk Volcengine, OpenAI, Kimi Coding, Z.AI, dan Gemini (dengan model seperti `gemini-pro-vision`).

### Konfigurasi Awal

Kamu bisa memulai dengan OpenViking melalui wizard *setup* interaktif jika menggunakan model lokal via **Ollama**:

```bash
ov setup
```

Wizard ini akan mendeteksi dan menginstal Ollama jika diperlukan, merekomendasikan dan menarik model *embedding* dan VLM yang sesuai, serta membuat file `ov.conf` yang siap pakai.

Untuk validasi *setup* kapan saja, gunakan:

```bash
ov check
```

Untuk penyedia API *cloud* (Volcengine, OpenAI, Gemini, dll.), kamu perlu membuat file konfigurasi secara manual (`ov.conf` untuk server/model dan `ovcli.conf` untuk CLI/klien) di `$XDG_CONFIG_HOME/openviking` (Linux/macOS) atau `%APPDATA%\openviking` (Windows), atau menunjuk lokasi file dengan variabel lingkungan `OPENViking_CONFIG_PATH`.

### Jalankan Contoh Pertamamu

Setelah konfigurasi selesai, kamu bisa menjalankan contoh lengkap:

```bash
ov run
```

Atau jalankan di latar belakang:

```bash
ov run &
```

Selamat! Kamu telah berhasil menjalankan OpenViking.

## VikingBot dan Deployment

**VikingBot** adalah kerangka kerja Agen AI yang dibangun di atas OpenViking. Jika kamu menggunakan *image* Docker resmi, VikingBot sudah termasuk dan berjalan secara *default* bersama server OpenViking dan UI konsol. Kamu bisa menonaktifkannya saat *runtime* dengan `OPENViking_ENABLE_AGENT=false` atau `--disable-agent`.

Untuk lingkungan produksi, disarankan menjalankan OpenViking sebagai layanan HTTP *standalone* untuk menyediakan dukungan konteks yang persisten dan berkinerja tinggi bagi Agen AI kamu. Disarankan untuk *deployment* pada sistem operasi Linux untuk performa penyimpanan dan keamanan data yang optimal.

## Berkontribusi pada Masa Depan Agen AI

OpenViking masih dalam tahap awal, dengan banyak area untuk perbaikan dan eksplorasi. Jika kamu tertarik, ada beberapa cara untuk berkontribusi:

*   Beri **bintang** di GitHub untuk memberikan motivasi.
*   Pahami filosofi yang disampaikan dan gunakan protokol **`opvfs`** serta SDK di proyekmu.
*   Bergabunglah dengan komunitas di WeChat.
*   **Berkontribusi kode**, baik itu perbaikan *bug* atau fitur baru.

Setiap baris kode yang kamu berikan akan menjadi pondasi penting bagi pertumbuhan OpenViking. Mari bersama-sama mendefinisikan dan membangun masa depan manajemen konteks Agen AI.

## Lisensi dan Keamanan

Proyek OpenViking serius dalam hal keamanan. Untuk pelaporan kerentanan dan versi yang didukung, lihat file `SECURITY.md`.

Proyek ini menggunakan lisensi yang berbeda untuk komponen-komponennya:

*   **OpenViking (Direktori Root)**: Apache 2.0.
*   **RAGFS library**: Apache 2.0.
*   **Proyek pihak ketiga**: Lisensi asli masing-masing proyek.

## Referensi
https://github.com/volcengine/OpenViking/

OpenViking oleh Volcengine adalah basis data konteks open-source yang dirancang khusus untuk Agen AI, menyatukan memori, sumber daya, dan keterampilan melalui paradigma sistem file. Ini memungkinkan manajemen konteks hirarkis dan evolusi mandiri Agen AI, mengatasi tantangan fragmentasi dan efisiensi.

OpenViking: Mengelola Konteks Agen AI dengan Paradigma Filesystem

Reggi

Siapa di antara kita yang tidak penasaran dengan cara kerja **teknologi terbaru berdasarkan referensi**, terutama saat kita berinteraksi dengan asisten coding AI yang semakin **cerdas**? Bagaimana mereka bisa memahami permintaan kita, membagi tugas, dan bahkan memanggil *tool* dengan aman? Sebuah proyek riset independen baru-baru ini mencoba menguak rahasia di balik layar asisten coding agentik modern seperti Claude Code.

Riset ini bukan sekadar menebak-nebak. Para peneliti menganalisis perilaku sistem yang dapat diamati secara publik, melihat *output* yang dihasilkan, berdiskusi di komunitas, dan mengumpulkan informasi publik. Hasilnya adalah rekonstruksi dan pendekatan analitis terhadap arsitektur prompt, pola koordinasi agen, serta mekanisme keamanan yang digunakan. Penting untuk diingat, ini adalah interpretasi, bukan salinan langsung dari implementasi aslinya. Implementasi sebenarnya bisa saja berbeda jauh.

Tujuan utama dari proyek ini adalah membantu para insinyur AI, peneliti, dan *developer* memahami pola arsitektur ini. Dengan begitu, kita bisa menerapkannya dalam proyek-proyek AI agentik kita sendiri. Mari kita selami lebih dalam!

## Otak Dinamis: Bagaimana System Prompt Disusun?

Salah satu temuan menarik adalah cara sistem menyusun *system prompt* secara dinamis saat *runtime*. Ini bukan *prompt* statis yang sama setiap saat, melainkan sebuah *pipeline* modular yang menyesuaikan diri dengan sesi dan kebutuhan.

Lihat tabel di bawah untuk memahami bagian-bagiannya:

| Bagian Prompt | Deskripsi | Contoh Konten |
| :------------ | :-------- | :------------ |
| **Stabil (Antar Sesi)** | Instruksi inti yang konsisten di setiap sesi. | Identitas, keamanan, konfigurasi izin, aturan gaya coding, penanganan *error*, preferensi *tool*, nada & gaya *output*. |
| **Dinamis (Per Sesi)** | Konteks yang berubah-ubah sesuai dengan sesi saat ini. | Daftar agen & *skill* yang tersedia, konteks lingkungan (OS, direktori, status Git), preferensi bahasa, instruksi server MCP aktif, aturan manajemen *context window*. |

Komponen stabil membentuk identitas dasar dan batas keamanan, sementara komponen dinamis memberikan fleksibilitas untuk beradaptasi dengan tugas dan lingkungan pengguna yang spesifik.

## Pasukan Khusus: Koordinasi Antar Sub-Agen

Asisten coding AI modern tidak bekerja sendiri. Mereka adalah tim agen-agen khusus yang berkoordinasi. Setiap agen memiliki spesialisasi tertentu, dan mereka berkomunikasi untuk mencapai tujuan.

Berikut adalah beberapa contoh agen dan pola koordinasi yang didokumentasikan:

*   **Coordinator System Prompt:** Mengatur orkestrasi multi-*worker* dengan alur kerja bertahap.
*   **Teammate Prompt Addendum:** Mendefinisikan protokol komunikasi antar-agen, memastikan mereka berbicara dalam bahasa yang sama.
*   **Verification Agent:** Berperan sebagai agen pengujian *adversarial* untuk memvalidasi implementasi kode.
*   **Explore Agent:** Berfungsi untuk eksplorasi *codebase* dalam mode hanya-baca.
*   **Agent Creation Architect:** Bertanggung jawab membuat konfigurasi agen baru berdasarkan kebutuhan spesifik.

Pola-pola ini menunjukkan betapa kompleksnya sistem koordinasi di balik layar untuk memastikan tugas dapat diselesaikan secara efisien.

## Keamanan Berlapis: Klasifikasi dan Persetujuan Otomatis

Bagaimana asisten AI bisa tahu kapan aman untuk menjalankan sebuah *tool* atau perintah? Sistem auto-persetujuan tampaknya menggunakan pendekatan multi-tahap yang cermat:

1.  **Classifier Dasar:** Ini adalah tahap awal yang menentukan apakah sebuah operasi aman atau tidak aman.
2.  **Override Konfigurasi Pengguna:** Pengguna dapat menimpa aturan dasar dengan preferensi mereka sendiri.
3.  **Validasi Cepat:** Sebuah pemeriksaan cepat dilakukan pada tahap awal untuk keputusan yang jelas.
4.  **Penalaran Tambahan:** Untuk kasus yang ambigu, sistem melakukan penalaran lebih lanjut untuk membuat keputusan yang tepat.

Ada juga **Permission Explainer** yang menganalisis risiko sebelum persetujuan *tool*, dan **Auto Mode Classifier** yang merupakan *classifier* keamanan multi-tahap untuk eksekusi otomatis. Semua ini dirancang untuk memastikan bahwa tindakan yang diambil oleh AI tetap dalam batas keamanan yang diizinkan.

## Ingatan Super: Manajemen Konteks dan Memori

Mengelola jendela konteks (jumlah informasi yang dapat diproses AI sekaligus) dan memori adalah tantangan besar. Sistem ini menggunakan strategi kompresi konteks yang cerdas.

*   **Compact Service:** Bertanggung jawab meringkas percakapan panjang agar tetap relevan dalam *context window*.
*   **Away Summary:** Memberikan ringkasan singkat ketika pengguna kembali, membantu AI mengingat konteks terakhir.
*   **Proactive Mode:** Memungkinkan operasi otonom dengan pengaturan *pacing* yang terkontrol.
*   **Memory Instruction:** Mendefinisikan hierarki pemuatan memori dan aturan *override*.

Prioritas pemuatan memori juga diatur dengan cermat, seperti berikut:

1.  Konfigurasi *enterprise* atau terkelola.
2.  Preferensi global pengguna.
3.  Instruksi level proyek.
4.  Direktori aturan proyek.
5.  *Override* lokal yang bersifat pribadi.

Sistem juga mendukung inklusi file secara transitif dan injeksi kondisional berdasarkan filter jalur, memberikan fleksibilitas dalam mengelola informasi.

## Pola Desain Kunci yang Terungkap

Riset ini mengungkap berbagai pola penting yang membentuk arsitektur asisten coding AI. Berikut adalah rangkuman kategori pola yang didokumentasikan:

| Kategori Pola | Contoh Kunci |
| :------------ | :------------ |
| **Penyusunan Prompt Inti** | Main System Prompt, Simple Mode, Default Agent Prompt |
| **Koordinasi Agen** | Coordinator System Prompt, Teammate Prompt Addendum, Verification Agent, Explore Agent |
| **Keamanan & Perizinan** | Permission Explainer, Auto Mode Classifier, Cyber Risk Instruction |
| **Manajemen Konteks** | Compact Service, Away Summary, Proactive Mode, Memory Instruction |
| **Manajemen Memori & Skill** | Session Search, Memory Selection, Remember Skill, Simplify Skill, Skillify Skill |
| **Konfigurasi & Otomasi** | Agent Creation Architect, Status Line Setup Agent, Update Config Skill, Chrome Browser Automation |

Pola-pola ini memberikan gambaran komprehensif tentang bagaimana sistem yang kompleks ini dirancang untuk berfungsi.

## Siapa yang Bisa Ambil Manfaat?

Riset independen ini sangat bermanfaat bagi beberapa kelompok:

*   **Insinyur AI** yang sedang membangun *tool* agentik mereka sendiri.
*   **Prompt Engineer** yang ingin memahami arsitektur *prompt* kelas produksi.
*   **Peneliti Keamanan** yang meneliti pengelolaan izin pada AI otonom.
*   **Pelajar dan Pengajar** yang mempelajari desain sistem multi-agen.

Proyek ini membuka wawasan baru tentang bagaimana asisten AI yang kuat dirancang dan diimplementasikan. Meskipun ini adalah rekonstruksi dan bukan implementasi asli, pola desain yang diungkapkan memberikan peta jalan berharga bagi siapa saja yang tertarik pada masa depan AI agentik.

## Referensi
https://github.com/Leonxlnx/agentic-ai-prompt-research

Sebuah penelitian independen mengungkap bagaimana asisten coding AI modern seperti Claude Code mengatur koordinasi agen, mengelola konteks, dan memastikan keamanan lewat sistem prompt dinamis.

Membongkar Arsitektur Claude Code: Cara Asisten Coding AI Mengatur Otak Agennya

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#manajemen-konteks

Getting Lastest Post..

Populer Bulan Ini