Agen AI semakin handal dalam berbagai tugas, mulai dari menulis kode, mengelola dokumen, hingga memimpin proyek. Namun, ada satu batasan besar yang kerap membuat mereka kewalahan, yaitu saat harus berinteraksi langsung dengan internet. Di sinilah **Agent Reach** hadir sebagai jembatan penting, membekali agen AI Anda dengan kemampuan untuk "melihat" dan "mendengar" dunia daring secara komprehensif.

Bayangkan jika agen AI Anda bisa langsung mencari informasi di Twitter, meringkas video YouTube, atau bahkan membaca ulasan produk di Xiaohongshu. Kedengarannya menjanjikan, bukan? Namun, realitanya, banyak agen AI masih "buta" ketika diminta melakukan tugas-tugas semacam ini.

### Mengapa Agen AI Kesulitan di Internet?

Secara default, agen AI menghadapi berbagai rintangan saat mencoba mengakses informasi daring:

*   **Akses Terbatas:** Sulitnya mengekstrak subtitle YouTube atau mencari percakapan di Twitter karena keterbatasan API atau biaya.
*   **Blokir Geografis & Privasi:** Platform seperti Reddit sering memblokir IP server, dan Xiaohongshu memerlukan login.
*   **Format Data:** Agen sering mendapatkan *raw* HTML yang sulit dibaca dari halaman web.
*   **Konfigurasi Rumit:** Setiap platform memiliki "gerbang"nya sendiri, mulai dari API berbayar, pemblokiran yang harus diakali, akun yang perlu *login*, hingga data yang perlu dibersihkan. Anda harus menginstal alat, menyesuaikan konfigurasi, dan memecahkan masalah satu per satu.

**Agent Reach** hadir untuk menyederhanakan semua kerumitan ini. Dengan satu baris perintah, Anda bisa memberikan agen AI Anda kemampuan untuk menjelajahi internet, layaknya manusia.

### Bagaimana Agent Reach Bekerja?

**Agent Reach** dirancang sebagai lapisan kapabilitas. Ini berarti, Agent Reach bertugas memilih, menginstal, memeriksa kesehatan, dan mengarahkan agen Anda ke metode akses internet yang paling stabil. Ini bukan sekadar alat, melainkan sebuah sistem cerdas yang terus memantau perubahan platform dan memperbarui cara akses secara otomatis.

Berikut beberapa fitur utamanya:

*   **Sepenuhnya Gratis:** Semua alat adalah *open source* dan semua API gratis. Satu-satunya potensi biaya adalah proxy server sekitar $1 per bulan, itu pun jika Anda tidak menjalankannya di komputer lokal.
*   **Privasi dan Keamanan:** *Cookie* atau token hanya tersimpan di perangkat lokal Anda, tidak diunggah atau disebarkan. Kode ini sepenuhnya *open source* dan dapat diaudit kapan saja.
*   **Adaptasi Berkelanjutan:** Setiap platform didukung oleh sistem "prioritas dan cadangan" yang multi-backend. Jika satu cara akses gagal, Agent Reach secara otomatis beralih ke yang lain tanpa intervensi Anda. Contohnya, ketika *yt-dlp* diblokir oleh Bilibili, Agent Reach beralih ke *bili-cli*.
*   **Kompatibilitas Luas:** Dapat digunakan dengan agen apa pun yang mampu menjalankan perintah *shell*, seperti Claude Code, OpenClaw, Cursor, dan Windsurf.
*   **Diagnosa Mandiri:** Gunakan perintah `agent-reach doctor` untuk mengetahui status setiap saluran, jalur yang sedang digunakan, dan cara memperbaikinya.

### Platform yang Didukung Agent Reach

**Agent Reach** menyediakan akses ke berbagai platform daring, dengan tingkat konfigurasi yang berbeda:

| Platform        | Siap Pakai (Tanpa Konfigurasi)           | Aktif Setelah Konfigurasi                                 | Cara Konfigurasi                                                                                                                                                                                               |
| :-------------- | :--------------------------------------- | :-------------------------------------------------------- | :------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| **Web**         | Membaca halaman web apa pun              | ,                                                          | ,                                                                                                                                                                                                               |
| **YouTube**     | Ekstraksi *subtitle* + pencarian video   | ,                                                          | ,                                                                                                                                                                                                               |
| **RSS**         | Membaca sumber RSS/Atom apa pun          | ,                                                          | ,                                                                                                                                                                                                               |
| **Pencarian Web** | ,                                         | Pencarian semantik web menyeluruh                         | Otomatis dikonfigurasi (integrasi MCP, gratis tanpa *key*)                                                                                                                                                     |
| **GitHub**      | Membaca repositori publik + pencarian    | Repositori pribadi, buat *Issue/PR*, *Fork*               | Beri tahu agen "Configure GitHub"                                                                                                                                                                              |
| **Twitter/X**   | Membaca satu *tweet*                     | Mencari *tweet*, melihat linimasa, membaca *tweet* panjang | Beri tahu agen "Configure Twitter"                                                                                                                                                                             |
| **Bilibili**    | Pencarian + detail video (bili-cli, tanpa *login*) | *Subtitle* (OpenCLI)                                      | Beri tahu agen "Configure Bilibili"                                                                                                                                                                            |
| **Reddit**      | ,  (*No zero-config path*)                | Mencari + membaca *post* dan komentar                     | Instal OpenCLI di desktop lalu *login* di browser, atau gunakan rdt-cli + *Cookie*                                                                                                                             |
| **Facebook**    | ,                                         | Pencarian, halaman utama, *feed*, daftar grup             | Instal OpenCLI di desktop (menggunakan status *login* Chrome)                                                                                                                                                  |
| **Instagram**   | ,                                         | Pencarian pengguna, profil, postingan terbaru pengguna, *Explore* | Instal OpenCLI di desktop (menggunakan status *login* Chrome)                                                                                                                                                  |
| **Xiaohongshu** | ,                                         | Pencarian, membaca, komentar                              | Instal OpenCLI di desktop (jika sudah pernah *login* Xiaohongshu), atau gunakan *xiaohongshu-mcp* di server dengan *scan QR code*                                                                              |
| **LinkedIn**    | Jina Reader untuk halaman publik         | Detail profil, halaman perusahaan, pencarian pekerjaan    | Beri tahu agen "Configure LinkedIn"                                                                                                                                                                            |
| **V2EX**        | Postingan populer, postingan *node*, detail postingan + balasan, info pengguna | ,                                                          | ,                                                                                                                                                                                                               |
| **Xueqiu**      | Harga saham, pencarian saham, postingan populer, peringkat saham populer | ,                                                          | Beri tahu agen "Configure Xueqiu"                                                                                                                                                                              |
| **Xiaoyuzhou Podcast** | ,                                         | Transkripsi audio *podcast* ke teks (*Whisper* gratis)    | Beri tahu agen "Configure Xiaoyuzhou Podcast"                                                                                                                                                                  |

Anda tidak perlu menghafal cara konfigurasi atau mencari dokumentasi. Cukup perintahkan agen Anda, "Configure XXX", dan agen akan tahu apa yang dibutuhkan, lalu akan memandu Anda langkah demi langkah. Untuk platform yang memerlukan *cookie* atau status *login* (seperti Twitter, Xiaohongshu, Reddit, Facebook, Instagram), Agent Reach memprioritaskan penggunaan status *login* dari browser Anda sendiri melalui OpenCLI. Ini menjaga *cookie* tetap lokal dan aman.

### Panduan Cepat Memulai

Sebelum instalasi, pengguna OpenClaw perlu memastikan izin `exec` diaktifkan dengan perintah `openclaw config set tools.profile "coding"` atau mengatur `"tools": { "profile": "coding" }` di `~/.openclaw/openclaw.json`, lalu *restart Gateway*. Agen pada platform lain seperti Claude Code, Cursor, atau Windsurf tidak memerlukan langkah ini.

Setelah itu, cukup salin perintah instalasi ini ke agen AI Anda:

```bash
帮我安装 Agent Reach：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md
```

Agen Anda akan mengurus sisanya. Jika Anda sudah menginstal sebelumnya, proses pembaruan juga semudah satu baris perintah:

```bash
帮我更新 Agent Reach：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/update.md
```

Anda juga bisa menginstal dalam mode aman (`--safe`), yang akan menunjukkan apa saja yang perlu diinstal tanpa melakukan perubahan otomatis pada sistem, memberi Anda kendali penuh.

Apa yang terjadi saat instalasi?

*   Menginstal alat CLI seperti `agent-reach` (beserta `yt-dlp`, `feedparser`).
*   Menginstal infrastruktur sistem dasar seperti Node.js, `gh CLI`, dan `mcporter`.
*   Mengonfigurasi mesin pencari web semantik melalui Exa (gratis, tanpa API Key).
*   Mendeteksi lingkungan (lokal atau server) dan memberikan saran konfigurasi.
*   Mendaftarkan `SKILL.md` ke direktori *skill* agen Anda, sehingga agen secara otomatis tahu alat mana yang harus digunakan untuk tugas-tugas seperti "riset web", "cari Twitter", atau "tonton video".
*   Agen akan menanyakan platform yang memerlukan *login* mana yang ingin Anda aktifkan.

Setelah instalasi, Anda bisa langsung menggunakannya. Misalnya, Anda bisa meminta agen, "Lihat link ini" atau "Cari tutorial AI di Bilibili" tanpa perlu menghafal perintah spesifik. Agen Anda sudah tahu caranya berkat `SKILL.md`.

### Batasan Kemampuan: Membaca Konten vs. Mengoperasikan Halaman Web

**Agent Reach** unggul dalam tugas "membaca" dan mengekstraksi informasi dari internet. Namun, ada tugas-tugas di luar cakupan ini, seperti operasi halaman web setelah *login*, pengisian formulir, pengelolaan banyak akun, atau sesi browser paralel. Untuk skenario "bertindak" seperti ini, Anda bisa mengintegrasikannya dengan alat otomatisasi browser seperti [BrowserAct](https://github.com/Panniantong/BrowserAct).

### Desain di Balik Agent Reach

Filosofi desain **Agent Reach** sangat pragmatis. Ia bertindak sebagai "lapisan kemampuan" yang bertanggung jawab untuk memilih, menginstal, memeriksa kesehatan, dan merutekan akses internet. Setiap platform didukung oleh daftar *backend* yang diprioritaskan. Jika metode utama gagal, sistem akan otomatis beralih ke cadangan. Ini memastikan Anda tidak perlu khawatir tentang perubahan API atau pemblokiran, karena Agent Reach akan selalu mencari jalan keluar yang paling stabil.

Berikut adalah beberapa pilihan *backend* yang digunakan **Agent Reach** berdasarkan pengujian nyata:

| Skenario                      | Pilihan Utama                     | Pilihan Cadangan                                   | Alasan Pemilihan                                                                                                                                       |
| :---------------------------- | :-------------------------------- | :------------------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------------------------- |
| **Membaca Web**               | Jina Reader                       | ,                                                   | Gratis, tidak memerlukan API Key                                                                                                                       |
| **Membaca Twitter**           | twitter-cli                       | OpenCLI                                            | Pencarian stabil, OpenCLI sebagai cadangan dengan status *login* browser                                                                               |
| **Membaca Reddit**            | OpenCLI (desktop)                 | rdt-cli                                            | Antarmuka anonim diblokir, API resmi butuh persetujuan. Hanya jalur *login* yang tersisa                                                                |
| **Facebook/Instagram**        | OpenCLI (desktop)                 | ,                                                   | Izin Graph API/Groups API ketat. Status *login* browser adalah jalur paling praktis                                                                    |
| **Subtitle/Pencarian YouTube** | yt-dlp                            | ,                                                   | 154K *Star*, masih yang terbaik untuk YouTube (tidak lagi untuk Bilibili)                                                                              |
| **Bilibili**                  | bili-cli                          | OpenCLI, Search API                                | yt-dlp diblokir Bilibili (hasil tes Juni 2026). bili-cli bisa mencari dan membaca tanpa *login*                                                          |
| **Pencarian Web Menyeluruh**  | Exa via mcporter                  | ,                                                   | Pencarian semantik AI, integrasi MCP gratis                                                                                                            |
| **GitHub**                    | gh CLI                            | ,                                                   | Alat resmi, kemampuan API penuh setelah otentikasi                                                                                                      |
| **Membaca RSS**               | feedparser                        | ,                                                   | Pilihan standar ekosistem Python                                                                                                                       |
| **Xiaohongshu**               | OpenCLI (desktop)                 | xiaohongshu-mcp (server), xhs-cli                  | Penulis xhs-cli beralih ke OpenCLI. Status *login* browser lebih lancar                                                                                |
| **LinkedIn**                  | linkedin-scraper-mcp              | Jina Reader                                        | Layanan MCP, otomatisasi browser                                                                                                                       |

Penting untuk diingat, ini adalah pilihan *backend* saat ini dan akan terus diperbarui berdasarkan pengujian lapangan.

### Keamanan yang Diutamakan

Keamanan menjadi prioritas utama dalam desain **Agent Reach**:

| Tindakan           | Penjelasan                                                                                                                                         |
| :----------------- | :------------------------------------------------------------------------------------------------------------------------------------------------- |
| **Penyimpanan Kredensial Lokal** | *Cookie* dan token hanya disimpan di komputer Anda (`~/.agent-reach/config.yaml`), dengan izin file 600 (hanya pemilik yang bisa membaca/menulis). Tidak diunggah atau disebarkan. |
| **Mode Aman**      | `agent-reach install --safe` tidak akan memodifikasi sistem secara otomatis, hanya akan menampilkan apa yang dibutuhkan, memberi Anda keputusan. |
| **Sumber Terbuka Penuh** | Kode transparan dan dapat diaudit kapan saja. Semua alat dependen juga proyek *open source*.                                                   |
| **Dry Run**        | `agent-reach install --dry-run` akan menampilkan semua operasi tanpa membuat perubahan apa pun.                                                  |
| **Arsitektur Pluggable** | Jika Anda tidak mempercayai komponen tertentu, Anda dapat mengganti file *channel* yang sesuai tanpa memengaruhi bagian lain.                   |

**Peringatan Penting Mengenai Keamanan Cookie:**

Menggunakan *cookie* atau status *login* pada platform seperti Twitter atau Xiaohongshu melalui skrip atau API dapat berisiko terdeteksi dan diblokir oleh platform. **Sangat disarankan untuk menggunakan akun sekunder khusus**, bukan akun utama Anda, untuk meminimalkan risiko pemblokiran dan membatasi dampak jika kredensial bocor.

### Cara Instalasi

**Agent Reach** menawarkan beberapa metode instalasi yang fleksibel:

| Cara           | Perintah                                | Skenario yang Cocok                                     |
| :------------- | :-------------------------------------- | :------------------------------------------------------ |
| **Otomatis Penuh (Default)** | `agent-reach install --env=auto`        | Komputer pribadi, lingkungan pengembangan               |
| **Mode Aman**  | `agent-reach install --env=auto --safe` | Server produksi, mesin bersama dengan banyak pengguna   |
| **Pratinjau Saja** | `agent-reach install --env=auto --dry-run` | Melihat apa yang akan dilakukan tanpa melakukan perubahan |

Untuk menghapus **Agent Reach**, gunakan `agent-reach uninstall`. Ini akan membersihkan folder `~/.agent-reach/` (termasuk semua token/cookie), file *skill* agen, dan konfigurasi MCP. Anda juga bisa menghapus paket Python-nya dengan `pip uninstall agent-reach`.

### Mengapa Agent Reach Layak Di-*Star*?

Proyek ini adalah alat yang digunakan setiap hari oleh pengembangnya, sehingga pemeliharaan dan pengembangannya akan terus berlanjut. Permintaan fitur baru atau penambahan saluran akan ditanggapi. Pengembang berkomitmen untuk memastikan setiap saluran berfungsi, mudah digunakan, dan gratis. Jika ada perubahan anti-pemindaian atau API platform, solusi akan dicari. Proyek ini merupakan kontribusi terhadap infrastruktur Web 4.0.

Jadi, jika Anda ingin agen AI Anda memiliki akses penuh ke internet, **Agent Reach** adalah pilihan yang solid.

## Referensi
https://github.com/Panniantong/Agent-Reach

Pelajari tentang Agent Reach, sebuah solusi untuk memberikan kemampuan browsing internet kepada Agen AI Anda, lengkap dengan akses ke berbagai platform seperti YouTube, Twitter, dan Xiaohongshu.

Agent Reach: Memberi Agen AI Anda Mata dan Telinga di Internet

Reggi

## Membedah TradingAgents: Menjelajahi Implementasi Agen AI untuk Trading

Dunia trading terus berubah. Dulu, trader mengandalkan intuisi pribadi atau analisis manual yang memakan waktu. Sekarang, hadir alat canggih untuk membantu mengambil keputusan. Salah satunya adalah konsep **TradingAgents: Implementasi Agen AI untuk Trading** yang bertujuan mengotomatisasi proses ini. Agen AI memberikan pendekatan yang berbeda dalam navigasi kompleksitas pasar finansial.

### Apa Itu Agen AI dalam Konteks Trading?

Bayangkan sebuah sistem komputer yang bisa belajar. Sistem ini menganalisis data pasar, mengidentifikasi pola tersembunyi, dan membuat keputusan untuk membeli atau menjual aset. Inilah inti dari **agen AI untuk trading**. Mereka beroperasi berdasarkan algoritma khusus, dirancang untuk memahami dinamika pasar yang terus berubah. Agen ini bekerja secara mandiri atau semi-mandiri, mengurangi kebutuhan intervensi manusia secara langsung.

### Mengapa Memilih Agen AI untuk Trading?

Salah satu keunggulan utama agen AI adalah ketiadaan emosi. Keputusan mereka berbasis analisis data objektif. Mereka tidak terpengaruh oleh rasa takut atau keserakahan, faktor yang sering kali memengaruhi kinerja trader manusia. Agen AI juga mampu memproses volume data yang sangat besar dalam waktu singkat, jauh melebihi kapasitas manusia. Kemampuan ini penting untuk mengidentifikasi peluang atau risiko dalam hitungan detik. Konsistensi dalam eksekusi strategi juga menjadi poin kuat agen AI. Mereka patuh pada aturan yang telah ditetapkan.

### Bagaimana Cara Kerja Implementasi Agen AI untuk Trading?

Implementasi **agen AI untuk trading** melibatkan beberapa tahapan inti:

1.  **Pengumpulan Data:** Tahap awal adalah mengumpulkan data pasar. Ini termasuk harga saham historis, volume transaksi, berita ekonomi, hingga indikator teknis. Kualitas data sangat menentukan performa agen AI.
2.  **Pemrosesan dan Analisis Data:** Data yang terkumpul kemudian masuk ke model pembelajaran mesin. Model ini bisa dilatih dengan berbagai teknik. Contohnya, **pembelajaran terawasi (supervised learning)** sering dipakai untuk memprediksi harga atau tren pasar. Sementara itu, **pembelajaran penguatan (reinforcement learning)** dapat digunakan untuk menemukan strategi trading optimal melalui proses coba-coba dalam simulasi lingkungan pasar.
3.  **Pengambilan Keputusan:** Setelah analisis, agen AI akan membuat keputusan. Misalnya, apakah ini waktu yang tepat untuk membeli, menjual, atau menahan aset? Keputusan ini didasarkan pada output model pembelajaran dan kriteria risiko yang telah ditentukan.
4.  **Eksekusi Perdagangan:** Modul eksekusi akan menjalankan perintah trading tersebut. Eksekusi terjadi secara otomatis di bursa efek atau platform trading yang terhubung. Seluruh proses ini umumnya berjalan tanpa campur tangan langsung dari manusia, meskipun pemantauan performa tetap diperlukan.

### Tantangan dalam Mengembangkan Agen AI untuk Trading

Meskipun potensi agen AI menjanjikan, ada tantangan signifikan dalam pengembangannya. Pasar finansial terkenal sangat dinamis dan sulit diprediksi. Model AI harus adaptif, mampu mengatasi perubahan pasar yang tiba-tiba. Risiko **overfitting** juga menjadi perhatian. Overfitting terjadi ketika model terlalu spesifik pada data masa lalu, lalu gagal beradaptasi dengan kondisi pasar baru.

Kualitas data input juga menjadi krusial. Data yang buruk atau tidak lengkap dapat menghasilkan keputusan trading yang salah. Aspek regulasi dan etika juga perlu dipertimbangkan saat agen AI mengambil peran yang lebih besar dalam pasar finansial.

Masa depan implementasi agen AI dalam trading terlihat cerah. Dengan penelitian dan pengembangan yang terus berlanjut, agen-agen ini berpotensi menjadi alat yang semakin kuat bagi para pelaku pasar. Mereka membantu trader mengelola risiko dan memaksimalkan potensi keuntungan di tengah kompleksitas pasar global.

## Referensi
https://github.com/TauricResearch/TradingAgents

Artikel ini menjelaskan konsep TradingAgents, bagaimana agen AI digunakan untuk mengotomatisasi keputusan trading, menganalisis data pasar, dan mengeksekusi strategi tanpa emosi.

Membedah TradingAgents: Menjelajahi Implementasi Agen AI untuk Trading

Pernahkah Anda bertanya-tanya bagaimana agen AI bisa mengingat konteks percakapan atau tugas yang mereka lakukan dalam jangka panjang? Kemampuan memori yang efektif sangat penting. Banyak alat memori yang ada saat ini bersifat pasif, artinya agen harus bertanya, menganalisis hasilnya, lalu baru memutuskan langkah selanjutnya. Namun, hadirnya **Memanto AI** mengubah paradigma tersebut.

Memanto AI adalah agen memori aktif yang dirancang khusus untuk memenuhi kebutuhan agen AI. Teknologi ini memungkinkan agen AI memiliki konteks persisten antar sesi, dengan kemampuan *retrieval* informasi yang canggih dan latensi *ingestion* nol. Desain Memanto AI berakar dari masukan langsung agen AI yang mengeluhkan celah dalam sistem memori. Keluhan tersebut disaring menjadi enam celah konkret yang kini diatasi oleh Memanto AI.

## Mengapa Memanto AI Berbeda?

Memanto AI dibangun untuk tim yang menginginkan memori agen SOTA tanpa kerumitan berbasis grafik. Sistem ini memadukan skema memori semantik dengan mesin *retrieval* informasional. Ini adalah database semantik tanpa pengindeksan yang menawarkan pencarian *exact*, *retrieval* di bawah 90 milidetik, dan penundaan *ingestion* nol.

Beberapa keunggulan utama Memanto AI meliputi:

*   **Ketersediaan Instan:** Tidak ada waktu tunggu pengindeksan atau biaya ekstra LLM saat menulis memori. Setiap memori dapat langsung dicari begitu disimpan.
*   **Arsitektur Tanpa Server:** Sistem ini dapat menyesuaikan skala hingga nol saat tidak digunakan, sehingga efisien.
*   **API Sederhana:** Hanya memerlukan satu panggilan. Tidak ada *pipeline* bertahap, tidak ada skema grafik yang perlu dikelola, atau *reranker* yang harus dihubungkan.
*   **Retrieval Bersih:** Memanto AI dilengkapi dengan 13 kategori memori bawaan, seperti **User Profile**, **Conversational Context**, dan **Tool Usage**. Ini membantu *retrieval* yang lebih rapi dan deteksi kontradiksi.

Memanto AI juga mampu menghasilkan respons yang didasarkan pada LLM secara langsung dari memori agen Anda, tanpa memerlukan kunci API tambahan.

## Pengalaman Pengembang dengan Memanto AI

Memanto AI menghadirkan Command Line Interface (CLI) yang kuat dan ramah pengembang. Anda dapat mengelola memori agen sepenuhnya dari terminal, tanpa perlu server lokal. Untuk menggunakan Memanto AI, Anda memerlukan kunci API Moorcheh yang bisa dibuat di Moorcheh Dashboard. Menariknya, Memanto AI memiliki akses LLM bawaan, sehingga Anda tidak memerlukan kunci API model eksternal terpisah untuk alur kerja memori umum.

### Menggunakan Tipe Memori

Anda dapat menggunakan tipe memori untuk mengkategorikan apa yang Anda simpan. Ini membuat *retrieval* menjadi lebih bersih dan terkontrol.

```bash
# Menyimpan memori dengan tipe spesifik
memanto save "Nama saya John Doe." --type user_profile

# Memfilter pencarian berdasarkan tipe
memanto search "Siapa nama saya?" --filter_by_type user_profile
```

### Akses Programatik Melalui REST API

Untuk akses programatik, Memanto AI menyediakan REST API berbasis sesi yang bersih. Penting untuk dicatat, Memanto AI belum memiliki server API *hosting*. Anda perlu menjalankan server lokal terlebih dahulu untuk menggunakan *endpoint* ini, misalnya: `http://127.0.0.1:8000`.

Berikut adalah beberapa *endpoint* API yang tersedia:

| Kategori | *Endpoint*                                | Deskripsi                                                                    |
| :------- | :---------------------------------------- | :--------------------------------------------------------------------------- |
| Agen     | `/agent/create`                           | Membuat *namespace* agen baru.                                               |
|          | `/agent/list`                             | Mencantumkan semua agen yang tersedia.                                       |
|          | `/agent/get_metadata`                     | Mendapatkan *metadata* untuk agen spesifik.                                  |
|          | `/agent/delete`                           | Menghapus *metadata* agen lokal, juga menghapus *backup namespace* Moorcheh. |
| Sesi     | `/session/start`                          | Memulai sesi dan mengembalikan JWT 6 jam.                                    |
|          | `/session/end`                            | Mengakhiri sesi secara manual.                                               |
|          | `/session/check_status`                   | Memeriksa status sesi aktif untuk agen.                                      |
| Memori   | `/memory/store`                           | Menyimpan memori baru ke dalam database semantik agen.                       |
|          | `/memory/store_batch`                     | Menyimpan hingga 100 memori dalam satu permintaan.                           |
|          | `/memory/upload_file`                     | Mengunggah file (.pdf, .docx, .xlsx, .json, .txt, .csv, .md). Konten dipecah menjadi bagian-bagian dan dapat dicari. |
|          | `/memory/search_exact`                    | Menjalankan pencarian semantik *exact* terhadap memori agen.                 |
|          | `/memory/generate_rag_answer`             | Menghasilkan jawaban RAG yang didasarkan pada memori agen (memerlukan `RAG_PROMPT_TEMPLATE` yang dikonfigurasi). |

Untuk operasi yang terkait dengan sesi dan memori, header `Authorization: Bearer <JWT>` harus dikonfigurasi di Memanto.

## Perbandingan Memanto AI

Memanto AI menghadirkan perbedaan signifikan dibanding alat memori tradisional:

| Fitur              | Alat Memori Umum                       | Memanto AI                                   |
| :----------------- | :------------------------------------- | :------------------------------------------- |
| Latensi Pengindeksan | Menit                                  | Instan                                       |
| Jenis Pencarian    | Perkiraan (*approximate search*)        | *Exact search*                               |
| Arsitektur         | *Stateful*                             | *Serverless/stateless*                       |
| Penghematan Komputasi | -                                      | 80%                                          |

## Dukungan Penelitian

Memanto AI didukung oleh penelitian *peer-reviewed*. Untuk hasil *benchmark*, metodologi, dan detail teknis, Anda dapat melihat makalah mereka di Hugging Face. Sumber daya dan model lainnya juga tersedia di platform yang sama. Jika Anda menggunakan Memanto AI dalam penelitian, disarankan untuk mengutipnya.

Untuk pertanyaan atau umpan balik, tim Memanto AI siap membantu. Informasi lebih lanjut dan panduan pengaturan tambahan juga tersedia di situs web Moorcheh.

## Referensi
- https://github.com/moorcheh-ai/memanto

Pelajari tentang Memanto AI, sebuah agen memori aktif yang dirancang untuk memberikan konteks persisten bagi agen AI Anda dengan retrieval cepat dan latensi nol.

Memanto AI: Memori Aktif yang Disukai Agen AI Anda

Di dunia pengembangan perangkat lunak yang terus bergerak cepat, setiap developer pasti mencari cara untuk meningkatkan efisiensi. Memperkenalkan **Cline: Autonomous AI Coding Agent**, sebuah agen kode AI *open source* yang dirancang untuk bekerja langsung di lingkungan pengembangan Anda, baik itu IDE maupun terminal. Cline hadir sebagai asisten yang tidak hanya membantu menulis kode, tetapi juga mengelola seluruh siklus hidup proyek.

## Apa Itu Cline dan Bagaimana Cara Kerjanya?

Cline berfungsi sebagai asisten kode AI yang terintegrasi penuh. Anda dapat menjalankan Cline di terminal, baik dalam mode interaktif maupun **headless** untuk skrip dan otomasi CI/CD. Fitur pencarian kodenya memungkinkan Anda mencari kode, *repository*, pengguna, *issue*, dan *pull request* dengan cepat. Bahkan, navigasi *file repository* juga bisa dilakukan. Untuk mempercepat proses, Anda dapat menggunakan fitur *saved searches* atau pencarian tersimpan.

Cline juga memiliki kemampuan yang lebih mendalam dalam mengedit kode. Agen ini membaca struktur proyek Anda, memahami hubungan antar *file*, dan melakukan perubahan terkoordinasi di seluruh *codebase*. Ini berarti Cline dapat memantau kesalahan *linter* dan *compiler* secara *real-time*, kemudian memperbaiki masalah seperti *missing imports*, *type mismatches*, atau *syntax errors* sebelum Anda menyadarinya. Di IDE seperti IntelliJ IDEA, PyCharm, WebStorm, GoLand, dan seluruh keluarga JetBrains, serta VS Code, setiap perubahan akan muncul sebagai *diff* yang bisa Anda tinjau, modifikasi, atau kembalikan. Semua perubahan juga terlacak dengan *checkpoints*, memudahkan Anda untuk membatalkan pekerjaan agen.

### Alur Kerja Fleksibel: Plan dan Act Mode

Cline menawarkan dua mode kerja utama:
*   **Plan mode**: Dalam mode ini, Cline akan menjelajahi *codebase* Anda, mengajukan pertanyaan klarifikasi, dan menyusun strategi.
*   **Act mode**: Setelah Anda menyetujui rencana, Cline akan mengeksekusi rencana tersebut.

Setiap perubahan *file* atau perintah terminal memerlukan persetujuan Anda, sehingga Anda tetap memegang kendali penuh. Namun, jika Anda menginginkan otomasi penuh, ada opsi untuk mengaktifkan *auto-approve* agar Cline berjalan secara otonom.

```bash
# Contoh menjalankan Cline secara interaktif
cline run my-task --interactive

# Contoh menjalankan Cline dengan auto-approve
cline run my-task --auto-approve
```

## Eksekusi Perintah Terminal dan Monitoring Real-time

Salah satu kekuatan Cline adalah kemampuannya untuk mengeksekusi perintah langsung di terminal Anda dan mengamati *output*-nya secara *real-time*. Anda bisa menggunakannya untuk:
*   Menginstal *package*.
*   Menjalankan *build scripts*.
*   Mengeksekusi *test*.
*   Mendeploy aplikasi.
*   Mengelola *database*.

Untuk proses yang berjalan lama seperti *dev servers*, Cline akan terus bekerja di latar belakang dan bereaksi terhadap *output* baru saat muncul. Ini membantunya menangkap kesalahan *compile*, kegagalan *test*, dan *server crashes* begitu terjadi.

## Kustomisasi dan Fleksibilitas Tanpa Batas

Cline dirancang untuk menjadi sangat fleksibel dan dapat diperluas:

### Aturan Proyek Khusus dengan `cline.yaml`
Anda dapat mendefinisikan aturan spesifik proyek dalam *file* `cline.yaml`. Aturan ini akan memandu bagaimana Cline bekerja dalam *codebase* Anda, mulai dari standar *coding*, konvensi arsitektur, prosedur *deployment*, hingga persyaratan *testing*. Aturan ini secara otomatis diambil oleh CLI, ekstensi VS Code, dan *plugin* JetBrains. Anda juga bisa menggunakan *skills* untuk memuat aturan tertentu saat dibutuhkan.

```yaml
# Contoh isi file cline.yaml
rules:
  - name: enforce-camel-case
    description: Ensure all variable names use camelCase.
    trigger: on_edit
    action: lint_and_fix
  - name: deployment-flow
    description: Step-by-step guide for deploying to production.
    trigger: on_deploy_request
    action: generate_plan
```

### Kompatibilitas Model AI
Cline tidak terkunci pada satu penyedia AI saja. Anda dapat menggunakan model AI apa pun yang sesuai dengan alur kerja Anda.

### Perluasan dengan Plugin dan SDK
Anda dapat memperluas kemampuan Cline dengan *plugin*. Menggunakan SDK, Anda bisa mendaftarkan *tool* dan *lifecycle hooks* secara terprogram untuk tujuan *logging*, *auditing*, penegakan kebijakan, atau menambahkan kemampuan spesifik domain. Cline juga dapat terhubung ke *database*, *query* API, mengelola infrastruktur *cloud*, dan berinteraksi dengan sistem eksternal menggunakan *custom tools*. Bahkan, Anda bisa meminta Cline membuat *custom tools* secara *on the fly*.

### Koordinasi Multi-Agen
Untuk tugas yang kompleks, Cline dapat mengkoordinasikan beberapa agen agar bekerja sama. Sebuah agen koordinator akan memecah pekerjaan menjadi *subtask* dan mendelegasikan kepada agen spesialis, masing-masing dengan *tool* dan konteksnya sendiri. Keadaan tim akan tetap ada di seluruh sesi, memungkinkan Anda melanjutkan pekerjaan dari tempat terakhir.

### Otomasi Terjadwal
Jalankan agen berdasarkan jadwal *cron* untuk otomasi berulang, seperti ringkasan *pull request* harian, pemeriksaan dependensi mingguan, atau laporan kesehatan *codebase*. Jadwal ini akan tetap ada meskipun ada *restart* dan berjalan independen dari sesi terminal mana pun.

### Integrasi Platform Pesan
Anda bisa berinteraksi dengan agen Cline dari berbagai platform pesan seperti Telegram, Slack, Discord, Google Chat, WhatsApp, dan Linear. Setiap *thread* percakapan akan terhubung ke sesi agen dengan konteks penuh. Anda juga dapat mengatur kontrol akses untuk membatasi siapa yang dapat berinteraksi dengan agen Anda.

### CLI Headless untuk CI/CD
Untuk *scripting* dan otomasi, Cline dapat berjalan sebagai CLI *headless* tanpa interaksi. Anda bisa mengalirkan *input*, mendapatkan *output* JSON, menggabungkan perintah, dan mengintegrasikannya ke dalam *pipeline* CI/CD.

Dengan Cline, developer memiliki asisten canggih yang meningkatkan produktivitas dan menyederhanakan alur kerja.

## Referensi
https://github.com/cline/cline

Pelajari Cline, agen kode AI otonom yang bekerja di IDE dan terminal, membantu developer menulis, menguji, dan mendeploy kode dengan kemampuan pengeditan proyek-luas dan koordinasi multi-agen.

Mengupas Tuntas Cline: Agen Kode AI Otonom untuk Developer Modern

Kita semua tahu kalau agen AI itu luar biasa, tapi kadang mereka terasa kurang 'nyambung' atau kurang punya 'ingatan' yang terstruktur. Garry Tan, Presiden dan CEO Y Combinator, baru saja meluncurkan sesuatu yang menurutnya akan mengubah cara kita berinteraksi dengan agen AI kita. Namanya **GBrain by Garry Tan**, dan dia menyebutnya sebagai "lapisan otak" yang selama ini hilang dari agen AI. GBrain dirancang untuk melakukan sintesis, penelusuran graf, dan analisis celah dalam satu paket, menjadikannya otak produksi di balik sistem AI-nya sendiri seperti OpenClaw dan Hermes.

Bayangkan agen AI yang bekerja 24/7, mengelola 66 tugas cron secara otonom. Agen ini mencerna rapat, email, tweet, panggilan suara, hingga ide-ide orisinal saat Anda tidur. Ia memperkaya setiap orang dan perusahaan yang ditemuinya, bahkan memperbaiki kutipan dan mengonsolidasi memorinya semalaman. Hasilnya, Anda bangun dengan informasi lebih banyak dan lebih terstruktur dari sebelumnya. GBrain ini juga bisa menjadi memori institusional bersama tim, di mana setiap orang punya "irisan" otaknya sendiri sesuai login, memastikan tidak ada kebocoran data.

### Bukan Sekadar Mesin Pencari, tapi Otak Digital

Sistem pengetahuan personal lain mungkin cuma menawarkan pencocokan kata kunci dan fitur grep sederhana. GBrain melakukan itu, tapi menambahkan dua hal yang tidak ada di tempat lain:

1.  **Prosa Tersintesis dengan Sumber Jelas:** GBrain tidak cuma memberikan 10 potongan teks yang relevan dengan pertanyaan Anda. Ia menyajikan jawaban aktual yang disintesis dengan kutipan jelas ke sumber aslinya. Yang menarik, ia juga secara eksplisit mencatat apa yang belum diketahui, ini yang disebut "analisis celah". Fitur ini akan mengubah cara Anda memanfaatkan sistem pengetahuan Anda.
2.  **Graf Pengetahuan Tanpa Panggilan LLM:** Setiap kali ada halaman yang ditulis, GBrain langsung mengekstrak referensi entitas dan membuat tautan berjenis (**typed edges**) seperti `PERSON_WORKS_AT_COMPANY` atau `PROJECT_DEPENDS_ON_PROJECT` tanpa memanggil LLM. Ini memungkinkan Anda bertanya "siapa yang bekerja di Acme AI?" atau "apa yang diinvestasikan Bob kuartal ini?" dan mendapatkan jawaban yang pencarian vektor saja tidak bisa capai.

GBrain sudah diuji dan menunjukkan peningkatan performa signifikan.

| Metrik & Kondisi Uji | GBrain (dengan graf) | Graf Dinonaktifkan | ripgrep-BM25 + RAG Vektor-saja |
|----------------------|----------------------|--------------------|---------------------------------|
| P@5 (Presisi di 5)    | +31.4% Lebih Tinggi  | Basis              | Basis                           |
| Corpus Data          | 240 halaman kaya prosa yang dihasilkan Opus | 240 halaman kaya prosa yang dihasilkan Opus | 240 halaman kaya prosa yang dihasilkan Opus |

Ini berarti GBrain jauh lebih akurat dan relevan dalam menyajikan informasi daripada sistem lain yang hanya mengandalkan pencarian vektor atau grep.

### Cara Kerja GBrain: Siklus Mimpi yang Menjaga Otak Tetap Tajam

GBrain beroperasi dalam sebuah siklus "mimpi" yang terus-menerus memproses dan memperkaya informasi:

*   **Perekaman Sinyal (`agent.say()` dan `agent.ask()`):** Setiap pesan yang diterima agen AI Anda ditangkap untuk ide, entitas, tugas penting, dan tautan. Sebelum agen memanggil API eksternal, `agent.ask()` berfungsi sebagai sumber informasi internal tercepat dan paling personal.
*   **Ekstraksi Entitas (`entity-extractor.py`):** Setiap penulisan halaman akan memicu ekstraktor entitas. Tanpa memanggil LLM, ia menggunakan pencocokan pola untuk membuat referensi entitas dan tautan baru, memperluas graf pengetahuan Anda secara otomatis.
*   **Siklus Mimpi:** Saat Anda tidur, GBrain bekerja di latar belakang. Ia mendeduplikasi halaman orang, memperbaiki kutipan yang salah, menilai relevansi informasi, menemukan kontradiksi, dan menyiapkan daftar tugas Anda untuk esok hari.

### Fitur Kunci untuk Agen AI Anda

GBrain dirancang untuk menjadi dasar yang kuat bagi agen AI mana pun:

*   **Pengambilan Informasi Canggih:** GBrain menggunakan kombinasi pencarian vektor (HNSW di pgvector), kata kunci BM25, reciprocal-rank fusion, peningkatan tingkatan sumber, dan penulisan ulang kueri yang sadar niat. Ada tiga mode pencarian utama: `raw`, `hybrid`, dan `full`, yang memungkinkan Anda menyesuaikan biaya dan kualitas. GBrain juga menggunakan sinyal graf, seperti peningkatan kedekatan (adjacency boost) dan peningkatan lintas sumber (cross-source boost), untuk memastikan hasil yang paling relevan.
*   **Penelusuran Graf (Graph Traversal):** Ekstraksi entitas dari markdown atau wikilink otomatis menciptakan tautan berjenis (`PERSON_WORKS_AT_COMPANY`). Fitur ini memungkinkan penelusuran multi-hop melalui `gbrain lookup --graph`, membuka dimensi baru dalam pencarian informasi.
*   **Skema yang Beradaptasi:** Tidak seperti sistem pengetahuan pribadi lain yang memaksakan tata letak tetap, GBrain memungkinkan agen AI untuk mengembangkan "bentuk" otaknya. Anda bisa menggunakan paket skema bawaan (`core.v1.0.json`) atau membuat skema kustom. GBrain akan menginterpretasikan ulang datanya saat Anda beralih skema, menjaga fleksibilitas dan integritas.
*   **Infrastruktur Kokoh:** Untuk penggunaan pribadi hingga sekitar 50.000 halaman, GBrain menggunakan **PGLite** (Postgres 17 via WASM) yang nol konfigurasi. Untuk penerapan bersama atau skala besar, ia mendukung **Postgres + pgvector** (Supabase atau self-hosted). Pengetahuan Anda disimpan dalam repositori git biasa (disebut "brain repo") sebagai file Markdown, lalu disinkronkan ke Postgres.
*   **Antrean Pekerjaan Minions:** Ini adalah antrean pekerjaan asli Postgres yang dirancang untuk agen-agen kecil (`subagents`). Minions memastikan agen AI Anda tetap berjalan dan pulih dari masalah, bahkan jika ada kerusakan sistem, berkat sistem persistensi dua fase yang kokoh.
*   **Papan Evaluasi Internal:** GBrain dilengkapi dengan kerangka evaluasi untuk mengukur kinerja pengambilan informasi, mereplay kueri nyata untuk menguji perubahan kode, dan bahkan mengecek keluaran tugas menggunakan model-model frontier dari tiga penyedia berbeda untuk validasi silang.

### Memasang dan Mengintegrasikan GBrain

GBrain dirancang agar mudah dipasang dan dioperasikan oleh agen AI Anda. Jalur tercepat adalah membiarkan agen Anda yang melakukannya:

Jika Anda sudah memiliki platform agen AI seperti OpenClaw atau Hermes, cukup tempel perintah ini:

```bash
gbrain install --prod --openclaw --hermes
```

Agen akan menginstal GBrain, membuat otak, meminta kunci API Anda, memuat 43 keterampilan, mengonfigurasi siklus mimpi, dan memverifikasi instalasi secara end-to-end dalam waktu sekitar 30 menit.

Untuk pengguna yang ingin mengintegrasikan GBrain dengan klien AI lain, GBrain mengekspos lebih dari 30 alat melalui MCP (stdio dan HTTP). Ini termasuk integrasi dengan Claude Desktop, Code, Cursor, ChatGPT, Perplexity, Cowork, dan Google Gemini.

### Mengapa GBrain Penting?

GBrain memungkinkan Anda memiliki "otak strategis" yang selalu tajam. Bayangkan persiapan rapat dengan Alice. Daripada membuka lima halaman dan membacanya sendiri, Anda cukup bertanya:

```bash
gbrain ask "What do I need to know before my meeting with Alice tomorrow?"
```

GBrain akan memberikan jawaban tersintesis, lengkap dengan kutipan, dan "peringatan" tentang apa yang belum diketahui. Dengan begitu, Anda bisa langsung menanyakannya pada Alice tanpa terkejut. Ini adalah perbedaan fundamental antara mesin pencari dan otak. Mesin pencari menemukan halaman, sedangkan otak membaca halaman-halaman itu untuk Anda dan menulis jawabannya.

Ini adalah alat yang sangat kuat bagi siapa pun yang ingin memaksimalkan potensi agen AI mereka, mengubahnya dari asisten yang reaktif menjadi partner yang proaktif dan memiliki memori yang mendalam.

## Referensi
https://github.com/garrytan/gbrain

GBrain oleh Garry Tan adalah lapisan otak AI yang melakukan sintesis, penelusuran graf, dan analisis celah untuk agen AI, memungkinkan pencarian kontekstual yang mendalam dan manajemen pengetahuan institusional.

GBrain by Garry Tan: Otak Buatan untuk Agen AI yang Lebih Cerdas

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

Pernah membayangkan AI yang tidak cuma membalas chat, tapi benar-benar bisa menggerakkan kursor, mengklik tombol, dan menjalankan aplikasi di komputer kamu persis seperti manusia? Di tahun 2026, konsep **otonomi digital** semacam itu semakin nyata berkat kemajuan **Vision Language Model (VLM)**. Teknologi ini mengubah cara kita berinteraksi dengan mesin. Dalam artikel ini, kita akan melakukan **Analisis Perbandingan Teknologi Data** untuk melihat bagaimana inovasi terbaru ini bekerja.

ByteDance, setelah mengejutkan komunitas pengembang dengan versi 1.5 tahun lalu lewat kemampuan eksekusi antarmuka grafis (GUI) dan web, kini merilis pembaruan yang lebih signifikan. Pembaruan tersebut memperkenalkan **UI-TARS**, sebuah agen AI model "All-in-One" yang menggabungkan berbagai kapabilitas kompleks. Ini mencakup kontrol antarmuka visual, navigasi web, penulisan kode atau pemrograman, hingga penggunaan berbagai alat digital bantu.

### Cara UI-TARS Mengendalikan Komputer

Salah satu hal menarik dari UI-TARS adalah kemampuannya berjalan secara lokal di perangkat pribadi melalui varian **local-deployment**. AI ini dirancang untuk beroperasi secara luwes di lingkungan macOS, Windows, dan Linux, tidak terpaku pada satu ekosistem saja.

Melalui perintah cerdas bernama **UI-TARS Commander**, agen ini bisa mengambil alih alur kerja desktop secara otonom. Ia mampu melakukan klik (tunggal, ganda, kanan), mengeksekusi skrip, menerapkan pintasan keyboard, hingga melakukan gulir layar. Bagi kamu yang fokus pada otomatisasi peramban, UI-TARS dapat diintegrasikan dengan mulus menggunakan proyek **Playwright**.

Apa yang membuat UI-TARS bisa begitu presisi? Arsitektur dasarnya menggabungkan **Qwen 2.5-VL** dengan **Reinforcement Learning from Feedback (RLF)**. Berbeda dari model sebelumnya yang hanya menebak tindakan, UI-TARS dipaksa menggunakan penalaran tingkat lanjut. Ia memproses pikirannya secara logis, atau "thought," sebelum mengeksekusi langkah, atau "action." Model ini juga menggunakan sistem koordinat absolut untuk mengenali objek di layar secara akurat.

Tidak hanya desktop, model ini juga dilengkapi **Android-emulator-automation** untuk otomatisasi di perangkat Android atau emulator. Ini memungkinkan UI-TARS menekan tombol virtual, membuka aplikasi, hingga mengisi kolom teks. Ada juga fungsi "Simple Mode" yang dirancang khusus untuk pengujian ringan tanpa perlu proses penalaran panjang.

### Analisis Perbandingan Teknologi Data: Kinerja UI-TARS

Data berbicara banyak tentang kinerja UI-TARS. Dalam serangkaian pengujian standar (benchmark), UI-TARS-1.5 menunjukkan performa yang konsisten.

Berikut adalah perbandingan performa UI-TARS dengan model-model lain di berbagai skenario:

| Benchmark                 | UI-TARS-1.5 (Skor) | OpenAI CUA (Skor) | Claude 3.7 (Skor) |
| :------------------------ | :----------------- | :---------------- | :---------------- |
| OSWorld (100 langkah)     | 42.5               | 36.4              | 28.0              |
| WebVoyager                | Dominan            | -                 | -                 |
| Android World             | Dominan            | -                 | -                 |
| Poki (game logika)        | 100                | Menengah          | Menengah          |
| Minecraft (3D kompleks)   | Lebih Efisien      | Kurang Efisien    | Kurang Efisien    |

Pada pengujian OSWorld untuk skenario 100 langkah, UI-TARS mencetak skor 42.5, melampaui OpenAI CUA yang mencapai 36.4 dan Claude 3.7 dengan skor 28. UI-TARS juga mendominasi kompetisi di WebVoyager dan Android World.

Di luar ranah kantoran, kapabilitas gaming-nya juga terlihat. Jika Claude 3.7 dan OpenAI hanya mencatatkan skor menengah pada berbagai game logika di Poki, UI-TARS meraih skor 100 secara menyeluruh. Bahkan, di dunia 3D kompleks seperti Minecraft, agen ini mampu mencari bahan, membunuh 'mobs', hingga merakit tempat tidur dengan lebih efisien dibandingkan sistem mutakhir sebelumnya, berkat metode "berpikir" yang dimilikinya.

### Batasan dan Kekhawatiran

Teknologi canggih ini juga memiliki beberapa risiko dan batasan yang diakui oleh ByteDance:

*   **Potensi Bypass Keamanan:** Karena agen ini mahir mengenali GUI, ia mampu memecahkan sistem keamanan seperti **CAPTCHA**. Hal ini berpotensi disalahgunakan untuk meretas atau mengakses konten yang dilindungi tanpa izin. Protokol keamanan ketat terus dievaluasi untuk mengatasi risiko ini.
*   **Biaya Komputasi Tinggi:** Menjalankan agen dengan tingkat penalaran visual setinggi ini, terutama untuk skenario multi-langkah jangka panjang, masih membutuhkan daya komputasi yang masif.
*   **Kesalahan Identifikasi Antarmuka:** Dalam antarmuka yang membingungkan atau asing, agen ini kadang masih salah mengidentifikasi elemen. Ini bisa berujung pada keputusan yang tidak optimal.

### Masa Depan dan Akses Riset

Bagi para pengembang dan periset, ByteDance masih membuka akses riset awal melalui email mereka di **tars_group@bytedance.com**.

Ke depannya, UI-TARS tidak akan berhenti sebagai eksperimen saja. Visi terbesarnya adalah mengubah sistem ini menjadi otak di balik asisten digital harian, seperti Doubao. Ini memungkinkan kamu untuk cukup memberikan satu instruksi suara, dan layar komputer akan bergerak sendiri menyelesaikan semua tugas berat secara otomatis. Era baru antarmuka tanpa sentuhan tampaknya baru saja dimulai.

## Referensi
https://github.com/bytedance/ui-tars

ByteDance memperkenalkan UI-TARS, agen AI multimodal terbaru yang dapat mengendalikan komputer Anda, menavigasi GUI, dan menjalankan aplikasi secara otonom melalui sistem penalaran canggihnya.

Lupakan Kerja Manual, UI-TARS ByteDance adalah Agen AI yang Kini Bisa Jalankan Komputermu

Pernah membayangkan memiliki asisten AI yang tidak hanya menjawab perintah, tetapi juga benar-benar belajar dari interaksimu? **Hermes Agent: Advanced Autonomous AI Agent by NousResearch** hadir dengan konsep tersebut. Agen AI ini dibangun dengan lingkaran pembelajaran bawaan. Itu berarti Hermes Agent tidak statis. Ia menciptakan keterampilan baru dari pengalaman, memperbaikinya selama penggunaan, dan mendorong dirinya untuk menyimpan pengetahuan. Agen ini juga mencari percakapan di masa lalu dan membangun model pengguna yang mendalam di setiap sesi.

## Kemampuan Adaptif Hermes Agent
Hermes Agent dirancang untuk tumbuh bersama penggunanya. Salah satu fitur utamanya adalah kemampuannya untuk beradaptasi dan berkembang. Agen ini mampu membuat keterampilan berdasarkan pengalaman, bukan hanya dari instruksi yang diprogram. Seiring waktu dan penggunaan, Hermes Agent memperbaiki keterampilan ini dan mengasimilasi pengetahuan baru. Dengan kemampuan untuk meninjau percakapan sebelumnya, ia membangun pemahaman yang lebih baik tentang siapa Anda di setiap sesi.

## Fleksibilitas Penempatan dan Pilihan Model
Tidak perlu perangkat keras super mahal untuk menjalankan Hermes Agent. Anda dapat menjalankannya di VPS seharga $5, kluster GPU, atau infrastruktur *serverless* yang hampir tidak mengeluarkan biaya saat tidak aktif. Agen ini tidak terikat pada laptop Anda. Anda bisa berbicara dengannya dari Telegram saat ia bekerja di VM *cloud*.

Hermes Agent juga memberikan kebebasan dalam memilih model AI. Anda bisa menggunakan model apa pun yang diinginkan, termasuk yang ada di (platform *AI-native cloud* untuk Model API, Agent Sandbox, dan GPU Cloud), OpenAI, atau *endpoint* milik sendiri. Perpindahan antar model dapat dilakukan dengan `OpenRouter`, tanpa perlu perubahan kode atau *lock-in* pada satu penyedia layanan.

## Kompatibilitas Lintas Platform
Hermes Agent dirancang agar dapat diakses oleh banyak pengguna dengan berbagai sistem operasi. Berikut adalah daftar dukungan platformnya:

### Dukungan Sistem Operasi
| Sistem Operasi | Status | Catatan |
|---|---|---|
| Linux | Didukung | Installer `irm hermes.run | iex` atau jalur manual. |
| macOS | Didukung | Installer `irm hermes.run | iex` atau jalur manual. |
| WSL2 | Didukung | Perintah Linux/macOS berfungsi. Pengaturan paling teruji untuk Windows. Dibutuhkan untuk panel obrolan dashboard berbasis browser. |
| Termux | Didukung | Menginstal ekstensi `hermes-light` karena masalah kompatibilitas suara. |
| Windows (Native, PowerShell) | Beta Awal | Instal melalui PowerShell. Harap laporkan masalah yang ditemukan. |

Dukungan Windows native masih dalam tahap awal. Installer PowerShell mengurus semuanya, tetapi mungkin ada *bug*. Untuk pengalaman Windows yang paling stabil saat ini, disarankan menggunakan WSL2. Instalasi native Windows berada di `C:\Users\User\Documents\HermesAgent`, sementara WSL2 menginstal di `~/HermesAgent`. Satu-satunya fitur Hermes yang saat ini membutuhkan WSL2 adalah panel obrolan *dashboard* berbasis browser, yang menggunakan POSIX PTY. CLI dan *gateway* dapat berjalan secara *native*.

### Proses Instalasi
Installer Hermes Agent sangat komprehensif. Misalnya, untuk Windows PowerShell, Anda cukup menjalankan:
```powershell
irm hermes.run | iex
```
Installer ini akan menangani instalasi `uv`, Python 3.11, Node.js, `ripgrep`, `ffmpeg`, dan `MinGit` (Bundled Git Bash). Instalasi ini tidak memerlukan hak admin dan sepenuhnya terisolasi dari instalasi Git sistem apa pun. Hermes menggunakan Git Bash yang dibundel ini untuk menjalankan perintah *shell*. Jika Anda sudah memiliki Git terinstal, *installer* akan mendeteksinya dan menggunakannya. Jika tidak, unduhan MinGit sekitar 45MB akan dilakukan. Ini tidak akan mengganggu instalasi Git sistem.

## Memulai Percakapan dengan Hermes
Hermes menawarkan dua cara utama untuk berinteraksi:
*   **Antarmuka Terminal (CLI):** Mulai UI terminal dengan `hermes chat`.
*   **Gateway Pesan:** Jalankan *gateway* dan berkomunikasi dengannya dari aplikasi seperti Telegram, Discord, Slack, WhatsApp, Signal, atau Email.

Begitu Anda berada dalam percakapan, banyak perintah *slash* yang sama di kedua antarmuka. Anda dapat menemukan daftar perintah lengkap di dokumentasi resmi `docs.hermes.chat`.

## Migrasi dari OpenClaw
Bagi pengguna OpenClaw, Hermes Agent menawarkan migrasi otomatis. Hermes dapat mengimpor pengaturan, memori, keterampilan, dan kunci API Anda. Installer `hermes migrate` secara otomatis mendeteksi OpenClaw dan menawarkan untuk bermigrasi sebelum konfigurasi dimulai.

### Data yang Dimigrasi
Berikut adalah data yang dapat dimigrasi dari OpenClaw ke Hermes Agent:

| Sumber OpenClaw | Tujuan Hermes Agent | Keterangan |
|---|---|---|
| `memory.json`, `user.json` | `MEMORY.md`, `USER.md` | Entri memori dan pengguna. |
| Keterampilan yang dibuat pengguna | `skills/` | File keterampilan yang dibuat oleh pengguna. |
| Konfigurasi platform, pengguna yang diizinkan, direktori kerja | `settings/` | Berkas konfigurasi platform, daftar pengguna yang diizinkan, dan direktori kerja. |
| Rahasia yang diizinkan (Telegram, OpenRouter, OpenAI, Anthropic, ElevenLabs) | `secrets/` | Kunci API untuk berbagai layanan. |
| File audio ruang kerja | `workspace/audio/` | Semua file audio yang disimpan dalam ruang kerja. |

Untuk semua opsi, Anda bisa melihat `hermes migrate --help` atau menggunakan keterampilan `migrate` untuk migrasi interaktif dengan panduan agen dan *preview* simulasi.

## Kontribusi dan Komunitas
Kami menyambut kontribusi dari komunitas! Jika Anda tertarik untuk membantu pengembangan Hermes Agent, Anda bisa melihat `CONTRIBUTING.md` untuk panduan pengaturan lingkungan pengembangan, gaya kode, dan proses PR.

Untuk *quick start* bagi kontributor, Anda bisa menjalankan:
```bash
git clone https://github.com/NousResearch/hermes-agent.git && cd hermes-agent && ./setup.sh
```
Ada juga jalur manual yang setara, didokumentasikan dalam `CONTRIBUTING.md`. Komunitas juga memiliki jembatan WeChat yang memungkinkan Hermes Agent dan OpenClaw berjalan di akun WeChat yang sama.

Hermes Agent adalah proyek yang terus berkembang, menawarkan cara baru untuk berinteraksi dengan AI yang benar-benar belajar dan beradaptasi dengan kebutuhan Anda.

## Referensi
https://github.com/NousResearch/hermes-agent

Temukan Hermes Agent, agen AI canggih dari NousResearch yang belajar dari pengalaman, meningkatkan kemampuannya, dan beradaptasi dengan pengguna di berbagai platform dan OS.

Hermes Agent: Agen AI Otonom yang Belajar dan Berkembang Bersamamu

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.

#agen-ai

Getting Lastest Post..

Populer Bulan Ini