Pencarian kerja bisa menjadi proses yang panjang dan melelahkan. Bayangkan jika kamu punya asisten pribadi yang bisa menyaring lowongan, menyesuaikan CV, menulis surat lamaran, bahkan menyiapkan wawancara. Nah, itulah yang ditawarkan oleh proyek *open-source* bernama **AI Job Search**. Ini adalah *framework* aplikasi pencari kerja bertenaga AI yang berjalan di mesin kamu sendiri, dibangun di atas **Claude Code**.

Proyek ini tidak berafiliasi atau disponsori oleh Anthropic. Penciptanya, seorang geofisikawan, membangun *framework* ini pada akhir tahun 2025 setelah posisinya dipotong. Dia menggunakannya sendiri untuk mencari pekerjaan dan berhasil mendapatkan posisi sebagai AI *engineer* pada Juni 2026, setelah 69 lamaran, 20 wawancara pertama, dan satu kontrak yang ditandatangani. Sekarang, alat ini tersedia untuk umum.

## Apa Itu AI Job Search?

**AI Job Search** adalah *framework* alur kerja terstruktur yang mengubah **Claude Code** menjadi asisten lamaran kerja. Alur kerja intinya, seperti pembuatan profil diri, evaluasi kecocokan, dan *pipeline* aplikasi *drafter-reviewer*, dirancang untuk bersifat **agnostik terhadap bahasa dan negara**. Meskipun kemampuan pencarian portal kerjanya saat ini dibangun untuk pasar Denmark, polanya dapat diganti dengan *job board* lokal di mana pun.

Proyek ini tidak memiliki *cryptocurrency*, *token*, atau program sponsor berbayar yang terkait. Dukungan hanya bisa diberikan melalui tautan Ko-fi atau kontribusi di GitHub.

## Bagaimana AI Job Search Bekerja: Alur Kerja Inti

**AI Job Search** dirancang untuk mempermudah seluruh proses lamaran kerja. Berikut adalah alur kerja utamanya:

*   **`/setup`**: Ini adalah langkah pertama untuk membangun profilmu. Kamu bisa mengunggah dokumen (CV PDF, ekspor LinkedIn, ijazah, surat referensi), menempel CV di *chat*, atau mengikuti sesi wawancara. Sistem akan secara otomatis mendeteksi materi yang kamu miliki dan memandu prosesnya.
*   **`/scrape`**: Perintah ini mencari posisi yang cocok dengan profilmu di berbagai portal kerja, menghilangkan duplikasi, dan menyajikan hasilnya yang disortir berdasarkan kecocokan. Jika hasilnya terlalu banyak, kamu bisa menjalankan `/rank` untuk mem-batch semua skor dan mendapatkan daftar pendek.
*   **`/apply <url>` atau `/apply <deskripsi_pekerjaan>`**: Ini adalah inti dari **AI Job Search**. Perintah ini menjalankan seluruh alur kerja: mengevaluasi kecocokan, membuat draf CV dan surat lamaran dalam format **LaTeX** yang disesuaikan, meninjau dengan agen kedua, merevisi, dan menyajikan *output* akhir. Semua klaim yang dibuat dalam CV dan surat lamaran diverifikasi terhadap profilmu, sistem tidak pernah memalsukan keahlian atau pengalaman.
*   **`/interview`**: Perintah ini mempersiapkanmu untuk wawancara terjadwal. Ini membangun paket persiapan spesifik berdasarkan arsip aplikasi (iklan pekerjaan, CV dan surat lamaran yang dibaca pewawancara, umpan balik dari putaran sebelumnya), meneliti perusahaan dan pewawancara, memetakan pertanyaan yang mungkin ke contoh **STAR**-mu, dan menawarkan wawancara simulasi.

## Fitur Unggulan di Balik Layar

Alur kerja **`/apply`** pada **AI Job Search** memiliki beberapa fitur kunci yang membedakannya:

*   **Verifikasi PDF Otomatis**: Kebanyakan *template* LaTeX menghasilkan *output* yang mungkin terlihat bagus di `.tex` tetapi bermasalah di PDF. Perintah `/apply` mengkompilasi dan secara visual memeriksa setiap PDF, menerapkan perbaikan yang ditargetkan untuk memastikan tata letak bersih, seperti CV dua halaman tanpa judul yang yatim piatu dan surat lamaran satu halaman penuh dengan tanda tangan terlihat jelas.
*   **Pemeriksaan ATS Lapisan Teks**: Sistem Applicant Tracking System (ATS) membaca teks yang tertanam dalam PDF. LaTeX terkadang menghasilkan PDF yang teksnya bisa terbaca kacau oleh ATS. **AI Job Search** mengekstrak lapisan teks PDF yang dikompilasi menggunakan `pdftotext` dan memverifikasi detail kontak, urutan baca, dan cakupan kata kunci dari lowongan pekerjaan terhadap apa yang sebenarnya dilihat oleh *parser* ATS. Aturan kejujuran ditegakkan, kata kunci yang tidak didukung oleh profilmu akan diakui sebagai celah, tidak pernah dijejalkan secara paksa.
*   **Pemotongan CV Berbasis Relevansi**: Jika CV melebihi dua halaman, *framework* ini tidak memotong secara mekanis dari bagian "terlama". Setiap baris dievaluasi berdasarkan relevansi dengan lowongan yang dituju, keunikan dalam dokumen, dan apakah surat lamaran bergantung padanya. Baris dengan skor total terendah akan dipotong terlebih dahulu. Ini berarti poin dari peran lama yang relevan dengan kata kunci lowongan bisa bertahan lebih lama daripada poin dari peran baru yang kurang relevan.
*   **Pemisahan Drafter-Reviewer**: Penulis draf membuat dokumen, lalu agen Claude kedua, yang diluncurkan dengan konteks baru, meneliti perusahaan dan mengkritik draf tersebut. Penulis draf kemudian merevisi berdasarkan umpan balik. Ini membantu menangkap kata kunci yang terlewat, kerangka yang lemah, dan bahasa umum yang sering tersisa dalam satu kali revisi.
*   **Penyesuaian Tanpa Fabrikasi**: Semua klaim dalam CV dan surat lamaran diverifikasi terhadap profil aktualmu. Sistem tidak pernah membuat-buat keahlian atau pengalaman.

## Perlengkapan yang Kamu Butuhkan

Untuk menjalankan **AI Job Search**, kamu perlu beberapa *prerequisite* teknis:

*   **Claude Code** (CLI): Alat agen utama yang digunakan.
*   **Python 3.10+**
*   **Bun**: Untuk alat CLI pencarian kerja.
*   Distribusi **LaTeX** dengan `lualatex` dan `xelatex`: Seperti TeX Live, MacTeX, TinyTeX, atau MiKTeX.

Setelah itu, kamu bisa melakukan *quick start* dengan beberapa perintah dasar:
```bash
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search
```
Lalu instal alat pencarian kerja menggunakan Bun:
```bash
for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
  (cd .agents/skills/$tool/cli && bun install)
done
```
Dan mulai proses *setup* profilmu di Claude Code:
```bash
claude
# Kemudian di dalam Claude Code:
/setup
```

## Memperdalam Kemampuan Pencarian Kerja

Selain alur kerja inti, **AI Job Search** juga menyediakan berbagai perintah lain untuk memperkaya proses pencarian kerjamu:

| Perintah         | Fungsi                                                                                                                                                                                                |
| :--------------- | :---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| **`/outcome`**     | Merekam hasil lamaran (wawancara, tawaran, penolakan), mengarsipkan materi, dan memperbarui *tracker*.                                                                                                 |
| **`/notion-sync`** | Menerbitkan tampilan *pipeline* satu arah dan hanya baca ke basis data Notion.                                                                                                                         |
| **`/gmail-sync`**  | Membaca Gmail untuk sinyal status aplikasi (undangan wawancara, tautan penilaian, tawaran, penolakan) dan mengusulkannya untuk persetujuan.                                                              |
| **`/rank`**        | Memberi skor pada lowongan yang baru di-*scrape* terhadap *framework* kecocokan dan mengembalikan daftar pendek yang terurut.                                                                          |
| **`/expand`**      | Memperkaya profilmu dengan memindai sumber publik yang sudah kamu tautkan (repositori GitHub, situs portofolio) dan mencari silabus untuk kursus atau sertifikasi.                                     |
| **`/upskill`**     | Menganalisis celah antara profilmu dan lowongan kerja yang dilacak, menghasilkan peta panas celah keterampilan yang diprioritaskan dan rencana pembelajaran.                                             |
| **`/html-report`** | Membuat *dashboard* HTML mandiri dari `job_search_tracker.csv` dan arsip aplikasi, termasuk kartu statistik dan bagan.                                                                                |
| **`/add-template`**| Mendaftarkan *template* CV atau surat lamaran LaTeX milikmu sendiri.                                                                                                                                  |
| **`/add-portal`**  | Membuat *skill* pencarian portal kerja untuk *job board* di pasar lokalmu, menyelidiki pola URL pencarian dan struktur hasilnya.                                                                       |
| **`/reset`**       | Menghapus data profil atau folder dokumenmu untuk memulai dari awal.                                                                                                                                  |

## Tips untuk Hasil Terbaik

Kualitas *output* dari **AI Job Search** sangat bergantung pada masukan yang kamu berikan:

*   **Kedalaman Profil Penting**: Faktor terbesar dalam kualitas *output* adalah seberapa detail kamu mengisi profilmu. Profil yang tipis akan menghasilkan lamaran yang umum, sementara profil yang terperinci akan menghasilkan hasil yang benar-benar disesuaikan.
    *   **Deskripsi Peran**: Jangan hanya mencantumkan jabatan. Jelaskan apa yang sebenarnya kamu lakukan di setiap posisi: proyek spesifik, alat yang digunakan, tanggung jawab, dan pencapaian yang terukur.
    *   **Keahlian dalam Konteks**: Daripada hanya mencantumkan "Python" atau "manajemen proyek", jelaskan bagaimana dan di mana kamu menerapkannya. Misalnya, "Membangun *pipeline* ML untuk prediksi *customer churn* di Python menggunakan *scikit-learn*" memberikan sistem lebih banyak informasi daripada sekadar "Python, *machine learning*".
*   **Penemuan Jalur Karier**: *Framework* ini mendukung dua mode pencarian kerja: penargetan eksplisit (kamu tahu peran atau sektor yang kamu inginkan) dan penemuan peluang tersembunyi. Dengan menganalisis riwayat lengkapmu, sistem dapat memunculkan jalur karier yang belum kamu pertimbangkan. Untuk mendapatkan hasil maksimal, investasikan waktu saat `/setup` untuk menjelaskan tidak hanya pengalamanmu, tetapi juga apa yang memberimu energi dan apa yang ingin kamu lakukan lebih banyak lagi.

## Kustomisasi dan Ekosistem

**AI Job Search** dirancang agar dapat disesuaikan. Kamu dapat mengedit langsung file profil utama seperti `CLAUDE.md`, `01-candidate-profile.md`, atau `04-job-evaluation.md` untuk memperbarui detailmu.

Untuk **template LaTeX**, CV menggunakan `moderncv` dan surat lamaran menggunakan `cover.cls` khusus. Kamu bisa mendaftarkan *template* milikmu sendiri menggunakan perintah `/add-template`.

Sementara untuk **alat pencarian kerja**, proyek ini menyediakan `linkedin-search` (menggunakan *endpoint* publik LinkedIn, agnostik negara, tanpa dependensi *runtime*, cocok untuk penggunaan pribadi) dan `freehire-search` (menggunakan API publik aggregator `freehire.dev`, fokus pada *tech job*, agnostik pasar). Jika kamu berada di negara lain, kamu bisa menggunakan perintah `/add-portal` untuk membuat *skill* pencarian *job board* lokalmu sendiri.

Proyek ini juga mendukung **benchmarking gaji** dengan data yang kamu sediakan sendiri, memastikan kamu mendapatkan gambaran yang jelas tentang potensi penghasilan.

**AI Job Search** menawarkan pendekatan yang unik dan kuat untuk otomatisasi pencarian kerja, memungkinkanmu fokus pada wawancara dan negosiasi alih-alih tugas administratif yang berulang.

## Referensi
https://github.com/MadsLorentzen/ai-job-search

Pelajari AI Job Search, sebuah framework sumber terbuka yang memanfaatkan Claude Code untuk otomatisasi penuh proses lamaran kerja, mulai dari pencarian, penyesuaian CV, hingga persiapan wawancara.

AI Job Search: Otomatisasi Penuh Proses Lamaran Kerja dengan Bantuan AI

Reggi

Industri keamanan siber terus berinovasi, dan kini, kecerdasan buatan mulai mengambil peran signifikan dalam offensive security. Sebuah agen AI open-source baru bernama **PentestCode AI Agent** hadir untuk mengotomatisasi pengujian penetrasi. Alat ini merupakan hard fork dari OpenCode yang dikembangkan khusus untuk keamanan, menawarkan kemampuan untuk menjalankan alat keamanan, menganalisis hasilnya, dan membuat keputusan taktis, semuanya dari antarmuka terminal dengan intervensi manusia yang minimal.

### Cara Kerja PentestCode Mengotomatisasi Pentest

Inti dari **PentestCode** adalah otomatisasi metodologi. Kamu cukup memberikan satu instruksi, misalnya, menargetkan IP dengan tujuan mendapatkan akses domain admin. Setelah itu, agen koordinator PentestCode akan mengambil alih.

Agen koordinator memulai dengan pemindaian Nmap, lalu secara otomatis mengurai hasil ke dalam status keterlibatan yang terstruktur. Ia bahkan dapat mengenali pola spesifik seperti port 88 dan 389 yang menandakan adanya Domain Controller.

Dari sana, PentestCode akan melahirkan sub-agen enumerasi paralel untuk SMB, LDAP, dan HTTP. Alat ini juga mencoba serangan AS-REP roasting untuk memanen hash Kerberos yang dapat di-crack, dan menyebarkan kredensial yang didapat ke setiap layanan yang ditemukan, termasuk SMB, WinRM, LDAP, dan RDP.

Jika login WinRM berhasil, agen pasca-eksploitasi akan diaktifkan untuk membuang rahasia SAM, LSA, dan DPAPI. Setiap langkah yang dilakukan dicatat dalam rantai bukti, memberikan dokumentasi lengkap tentang proses yang berjalan.

### Desain di Balik Kecerdasan

**PentestCode** dikembangkan oleh Zhangir Ospanov dan menggunakan desain *strategist-coordinator* yang didasarkan pada penelitian HPTSA. Para pengembang mengklaim desain ini menghasilkan peningkatan 4,3 kali lipat dibandingkan pendekatan agen tunggal.

Ada tiga belas agen yang menangani peran berbeda, mencakup:
*   Reconnaissance
*   Scanning
*   Enumerasi
*   Eksploitasi
*   Active Directory/Kerberos
*   Protokol infrastruktur seperti SNMP dan IPMI
*   Pengujian aplikasi web
*   Pasca-eksploitasi
*   Pengembangan eksploit
*   Pemfilteran *false-positive*
*   Pelaporan

Semua agen ini berbagi *engagement state* atau status keterlibatan terpadu secara *real-time*. Fitur *shared state* ini adalah salah satu aspek paling khas dari proyek PentestCode. Ia melacak host, layanan, kerentanan (lengkap dengan skor kepercayaan dan status), kredensial, tingkat akses, dan grafik hubungan entitas yang menghubungkan temuan melalui label. Modul jalur serangan menggunakan algoritma Dijkstra berbasis biaya dan Yen’s K-shortest-paths untuk menyarankan rute melalui grafik ini. Status ini juga disimpan antar sesi, memungkinkan penguji untuk melanjutkan keterlibatan yang berlangsung multi-hari tanpa kehilangan konteks.

### Perbendaharaan Senjata dan Pengetahuan

Di luar akses shell generik, **PentestCode** juga menyertakan 18 alat yang disesuaikan untuk pekerjaan ofensif. Parser khusus mengubah *output* mentah dari Nmap, Nuclei, NetExec, Gobuster, BloodHound, dan sqlmap langsung menjadi entri *state* terstruktur, dan penggunaannya bersifat wajib, mencegah temuan terlewat karena pekerjaan *grep* manual.

Alat tambahan menangani analisis JWT, deteksi XSS, perencanaan *credential-spray*, validasi ruang lingkup, manajemen tunnel, dan pembuatan laporan.

Ada juga sembilan belas "skill pack" *on-demand*, yaitu file pengetahuan berbasis Markdown yang mencakup daftar periksa fase, taktik spesifik layanan, dan *playbook* untuk AD, aplikasi web, dan *cloud*. Ini memperluas domain pengetahuan agen tanpa perlu perubahan kode inti.

### Batasan dan Pertimbangan Penting

Meskipun canggih, alat **PentestCode** yang dapat diunduh dari GitHub ini dijelaskan sebagai "tidak stealthy," sehingga kurang cocok untuk skenario operasi red-team yang membutuhkan OPSEC tinggi. Alat ini juga cenderung menjalankan alat secara berlebihan (*redundant tool runs*).

Biaya token untuk keterlibatan sebenarnya bisa berkisar antara $5-$50, tergantung pada ruang lingkup dan pilihan model LLM. Claude Opus/Sonnet disebut-sebut mengungguli GPT-4o dan model lokal lainnya untuk koordinasi multi-agen.

Penting untuk dicatat bahwa PentestCode masih dalam tahap beta. Belum ada GUI, belum ada integrasi Burp Suite, dan API-nya masih terus berkembang. Dengan demikian, alat ini lebih berfungsi sebagai pengali kekuatan untuk enumerasi yang metodis, daripada pengganti rantai eksploitasi kompleks yang dipimpin manusia atau pengembangan serangan kreatif.

## Referensi
https://cybersecuritynews.com/pentestcode-ai-agent/

PentestCode adalah agen AI open-source yang mengotomatisasi pengujian penetrasi dengan 18 alat khusus. Dirancang untuk efisiensi, alat ini menjalankan pemindaian, menganalisis output, dan membuat keputusan taktis secara mandiri dengan intervensi manusia minimal.

PentestCode: Agen AI Baru untuk Otomatisasi Penetration Testing dengan 18 Alat Khusus

Dulu, mengotomatiskan tugas di browser adalah pekerjaan yang rumit. Para developer harus menulis skrip khusus, sering kali bergantung pada *parsing* DOM dan interaksi berbasis XPath. Masalahnya, metode ini gampang rusak kalau ada sedikit saja perubahan pada tata letak situs. Bayangkan saja, *website* diperbarui sedikit, skripmu langsung tidak berfungsi. Nah, sekarang ada **Skyvern AI**, sebuah platform yang mengubah cara kita memandang otomatisasi browser.

Skyvern AI hadir untuk membuat otomatisasi ini lebih pintar dan tangguh. Mereka menggunakan kombinasi **Large Language Models (LLM)** dan **komputer vision** untuk memahami dan berinteraksi dengan situs web. Jadi, daripada hanya mengandalkan kode dan XPath, Skyvern AI bisa "melihat" dan "belajar" bagaimana berinteraksi dengan sebuah halaman, mirip seperti manusia. Skyvern AI juga menyediakan SDK yang kompatibel dengan Playwright, menambahkan kemampuan AI di atasnya. Selain itu, ada juga *no-code workflow builder* untuk membantu pengguna teknis maupun non-teknis membangun alur kerja otomatis di situs web mana pun.

## Bagaimana Skyvern AI Bekerja?

Inspirasi di balik Skyvern AI datang dari desain agen otonom Task-Driven yang dipopulerkan oleh BabyAGI dan AutoGPT. Namun, Skyvern AI memiliki keunggulan besar, yaitu kemampuan untuk berinteraksi langsung dengan situs web melalui pustaka otomatisasi browser seperti Playwright.

Skyvern AI menggunakan sekumpulan agen untuk memahami sebuah situs web, merencanakan, lalu mengeksekusi tindakannya. Pendekatan ini menawarkan beberapa keuntungan penting:

*   **Beroperasi di situs baru:** Skyvern AI dapat berfungsi di situs web yang belum pernah dilihat sebelumnya. Ia mampu memetakan elemen visual ke tindakan yang diperlukan untuk menyelesaikan alur kerja, tanpa perlu kode khusus.
*   **Tahan perubahan tata letak:** Sistem ini kebal terhadap perubahan tata letak situs web. Tidak ada XPath atau selektor pra-ditentukan yang dicari oleh sistem saat menavigasi.
*   **Satu alur kerja, banyak situs:** Skyvern AI dapat mengambil satu alur kerja dan menerapkannya ke banyak situs web. Ini karena kemampuannya untuk menalar interaksi yang diperlukan guna menyelesaikan alur kerja.

Kamu bisa menemukan laporan teknis yang lebih detail tentang kinerja dan cara kerjanya.

## Mulai dengan Skyvern AI

Ada beberapa cara untuk mulai menggunakan Skyvern AI, baik melalui versi *cloud* terkelola mereka atau menjalankannya secara lokal.

### Skyvern Cloud

**Skyvern Cloud** adalah versi terkelola yang memungkinkanmu menjalankan Skyvern tanpa perlu repot memikirkan infrastruktur. Kamu bisa menjalankan beberapa instance Skyvern secara paralel. Versi ini juga dilengkapi mekanisme anti-bot, jaringan proxy, dan pemecah CAPTCHA. Jika tertarik mencobanya, kamu bisa mendaftar di `app.skyvern.com`.

### Jalankan Secara Lokal (UI + Server)

Untuk instalasi lokal, kamu bisa memilih antara pengaturan berbasis pip (Python) atau Docker Compose. Secara *default*, Skyvern menggunakan database SQLite. Jika ingin memakai Postgres, kamu bisa menambah *flag* `--postgres` atau menggunakan Docker Compose.

**Opsi A: pip install (Direkomendasikan untuk pengaturan lokal yang dikelola Python)**

| Dependensi                                 | Keterangan                                                                |
| :----------------------------------------- | :------------------------------------------------------------------------ |
| Python                                     | Versi 3.11, 3.12, atau 3.13                                               |
| Rust (untuk Windows)                       | Diperlukan untuk instalasi di Windows                                     |
| VS Code dengan C++ dev tools & Windows SDK | Diperlukan untuk instalasi di Windows                                     |

Langkah-langkahnya:

1.  **Instal Skyvern:**
    ```bash
    pip install "skyvern[all]"
    ```
2.  **Jalankan Skyvern:**
    ```bash
    skyvern quickstart
    ```
    Untuk database Postgres lokal, tambahkan `--postgres`:
    ```bash
    skyvern quickstart --postgres
    ```

**Opsi B: Docker Compose**

Pilih opsi ini jika kamu ingin semuanya dalam *container* (Postgres, API, UI) dan tidak ingin menginstal Python/Node secara lokal.

1.  **Instal Docker Desktop.**
2.  **Clone repositori:**
    ```bash
    git clone https://github.com/skyvern-ai/skyvern.git
    cd skyvern
    ```
3.  **Konfigurasi penyedia LLM di `.env`:**
    ```bash
    cp .env.example .env
    # edit .env untuk menambahkan kunci API LLM Anda
    ```
4.  **Mulai semuanya:**
    ```bash
    docker compose up -d
    ```
    Setelah itu, buka `http://localhost:8080`.

Jika kamu mengalami masalah seperti `(sqlite3.OperationalError) table organizations already exists`, itu adalah *bug* di `skyvern==1.0.31`. Solusinya adalah menghapus file SQLite yang tersisa (`rm ~/.skyvern/data.db`) lalu *upgrade* Skyvern (`pip install --upgrade skyvern`).

## SDK Skyvern AI: Otomatisasi Playwright yang Diperkuat AI

Skyvern hadir sebagai ekstensi Playwright yang menambahkan otomatisasi browser bertenaga AI. Ini memberimu kekuatan penuh Playwright dengan kemampuan AI tambahan. Kamu bisa menggunakan *natural language prompts* untuk berinteraksi dengan elemen, mengekstrak data, dan mengotomatiskan alur kerja multi-langkah yang kompleks.

### Instalasi SDK

*   **Python SDK / Cloud API:**
    ```bash
    pip install skyvern
    ```
*   **Local server + UI terpaket:**
    ```bash
    pip install "skyvern[all]"
    skyvern quickstart
    ```
*   **TypeScript:**
    ```bash
    npm install @skyvern/client
    ```

### Perintah Halaman Berbasis AI

Skyvern menambahkan empat perintah AI inti langsung ke objek `page` Playwright:

| Perintah                      | Deskripsi                                                                      |
| :---------------------------- | :----------------------------------------------------------------------------- |
| `page.act(prompt)`            | Melakukan tindakan menggunakan bahasa alami (misalnya, "Klik tombol login")   |
| `page.extract(prompt, schema)`| Mengekstrak data terstruktur dari halaman dengan skema JSON opsional         |
| `page.validate(prompt)`       | Memvalidasi status halaman, mengembalikan `bool` (misalnya, "Periksa apakah pengguna sudah login") |
| `page.prompt(prompt, schema)` | Mengirimkan *prompt* arbitrer ke LLM dengan skema respons opsional            |

Selain itu, `page.agent` menyediakan perintah alur kerja tingkat tinggi:

| Perintah                          | Deskripsi                                                                               |
| :-------------------------------- | :-------------------------------------------------------------------------------------- |
| `page.agent.run_task(prompt)`     | Mengeksekusi tugas multi-langkah yang kompleks                                          |
| `page.agent.login(credential_type, credential_id)` | Mengautentikasi dengan kredensial yang tersimpan (Skyvern, Bitwarden, 1Password) |
| `page.agent.download_files(prompt)` | Menavigasi dan mengunduh file                                                           |
| `page.agent.run_workflow(workflow_id)` | Mengeksekusi alur kerja yang sudah dibuat sebelumnya                                    |

### Aksi Playwright yang Ditingkatkan AI

Semua tindakan Playwright standar mendukung parameter `prompt` opsional untuk lokasi elemen bertenaga AI. Ada tiga mode interaksi:

1.  **Playwright Tradisional:** Menggunakan selektor CSS/XPath.
    ```python
    await page.click("#submit-button")
    ```
2.  **Bertenaga AI:** Menggunakan bahasa alami.
    ```python
    await page.click(prompt="Click the green Submit button")
    ```
3.  **AI *Fallback*:** Mencoba selektor dulu, jatuh ke AI jika gagal.
    ```python
    await page.click("#submit-btn", prompt="Click the Submit button")
    ```

Contoh SDK Python:

```python
from skyvern import Skyvern

# Mode Lokal
skyvern = Skyvern.local()

# Atau terhubung ke Skyvern Cloud
# skyvern = Skyvern(api_key="your-api-key")

# Luncurkan browser dan dapatkan halaman
browser = await skyvern.launch_cloud_browser()
page = await browser.get_working_page()

# Gabungkan Playwright dengan aksi bertenaga AI
await page.goto("https://example.com")
await page.click("#login-button") # Playwright tradisional

await page.agent.login(credential_type="skyvern", credential_id="cred_123") # Login AI

await page.click(prompt="Add first item to cart") # Klik yang ditingkatkan AI

await page.agent.run_task("Complete checkout with: John Snow, 12345") # Tugas AI
```

## Fitur Unggulan Skyvern AI

Skyvern AI bukan cuma tentang otomatisasi dasar, ia menawarkan berbagai fitur canggih yang membuatnya sangat powerful:

*   **Skyvern Tasks:** Ini adalah blok bangunan dasar di Skyvern, sebuah permintaan tunggal yang menginstruksikan Skyvern untuk menavigasi situs web dan mencapai tujuan tertentu. Kamu bisa menyertakan *URL*, *prompt*, skema data opsional, dan kode *error*.
*   **Skyvern Workflows:** Cara untuk merangkai beberapa *task* menjadi satu unit kerja yang kohesif. Misalnya, kamu bisa membuat alur kerja untuk mengunduh semua faktur yang lebih baru dari tanggal tertentu, atau mengotomatiskan proses pembelian produk di toko *e-commerce*. Fitur *workflow* mencakup Browser Task, Browser Action, Data Extraction, Validation, For Loops, File parsing, Sending emails, Text Prompts, HTTP Request Block, Custom Code Block, dan Uploading files to block storage. Kondisional akan segera hadir.
*   **Livestreaming:** Skyvern memungkinkanmu melihat *viewport* browser secara *real-time* ke mesin lokalmu. Ini berguna untuk *debugging* dan memahami bagaimana Skyvern berinteraksi dengan situs web, serta melakukan intervensi jika diperlukan.
*   **Form Filling:** Skyvern secara *native* mampu mengisi input formulir di situs web. Cukup berikan informasi melalui `navigation_goal` dan Skyvern akan mengisi formulir yang sesuai.
*   **Data Extraction:** Kemampuan untuk mengekstrak data dari situs web. Kamu bisa menentukan `data_extraction_schema` langsung di *prompt* utama untuk mendapatkan *output* terstruktur dalam format JSON.
*   **File Downloading:** Skyvern juga dapat mengunduh file dari situs web. Semua file yang diunduh secara otomatis diunggah ke *block storage* (jika dikonfigurasi) dan dapat diakses melalui UI.
*   **Authentication:** Mendukung berbagai metode autentikasi untuk mempermudah otomatisasi tugas di balik login, termasuk dukungan 2FA (TOTP, berbasis QR, email, SMS).
*   **Password Manager Integrations:** Skyvern terintegrasi dengan pengelola kata sandi populer seperti Bitwarden, 1Password, LastPass, dan juga Custom Credential Service (HTTP API).
*   **Model Context Protocol (MCP):** Skyvern mendukung MCP, yang memungkinkanmu menggunakan LLM apa pun yang mendukung protokol ini.
*   **Integrasi Zapier / Make.com / N8N:** Hubungkan alur kerja Skyvernmu ke aplikasi lain melalui integrasi ini.

### LLM yang Didukung

Skyvern AI dirancang untuk bekerja dengan berbagai LLM populer:

| Penyedia           | Model yang Didukung                                                                   |
| :----------------- | :------------------------------------------------------------------------------------ |
| OpenAI             | GPT-5.5, GPT-5.4, GPT-5, GPT-4.1, o3, o4-mini                                         |
| Anthropic          | Claude 4.7 Opus, Claude 4.6 (Sonnet, Opus), Claude 4.5 (Haiku, Sonnet, Opus)           |
| Azure OpenAI       | Semua model GPT yang di-deploy ke langganan Azuremu                                    |
| AWS Bedrock        | Claude 4.7, Claude 4.6 (Sonnet, Opus), Claude 4.5 (Sonnet, Opus)                       |
| Gemini             | Gemini 3.1 Pro, Gemini 3 Flash, Gemini 2.5 Pro/Flash                                  |
| Ollama             | Jalankan model yang di-host secara lokal melalui Ollama                               |
| OpenRouter         | Akses model melalui OpenRouter                                                        |
| OpenAI-compatible  | Setiap *endpoint* API kustom yang mengikuti format API OpenAI (via `liteLLM`)         |

## Contoh Nyata Penggunaan Skyvern AI

Orang-orang sudah mulai menggunakan Skyvern AI untuk berbagai otomatisasi di dunia nyata:

*   Mengunduh faktur dari berbagai situs web.
*   Mengotomatiskan proses lamaran pekerjaan.
*   Otomatisasi pengadaan material untuk perusahaan manufaktur.
*   Menavigasi situs web pemerintah untuk mendaftar akun atau mengisi formulir.
*   Mengisi formulir "hubungi kami" secara otomatis.
*   Mengambil penawaran asuransi dari berbagai penyedia dalam bahasa apa pun.

Skyvern AI juga melakukan *benchmark* dengan sangat baik. Mereka mencatat kinerja *State-of-the-Art* di *benchmark* WebBench dengan akurasi 64.4%, dan merupakan agen dengan kinerja terbaik untuk tugas WRITE (seperti mengisi formulir, *login*, mengunduh file) yang sangat relevan untuk *Robotic Process Automation* (RPA).

Skyvern AI adalah alat yang kuat untuk siapa pun yang ingin mengotomatiskan interaksi browser. Dengan pendekatan inovatif menggunakan LLM dan visi komputer, ia mengatasi kelemahan solusi otomatisasi tradisional, membuatnya lebih tangguh dan serbaguna. Baik kamu seorang developer yang mencari SDK canggih atau pengguna non-teknis yang butuh *workflow builder* *no-code*, Skyvern AI menawarkan solusi yang menarik.

## Referensi
https://github.com/skyvern-ai/skyvern

Pelajari bagaimana Skyvern AI merevolusi otomatisasi browser dengan LLM dan komputer vision, mengatasi masalah script tradisional yang mudah rusak, serta menawarkan SDK Playwright yang diperkaya AI.

Skyvern AI: Mengotomatiskan Alur Kerja Browser dengan Kekuatan LLM dan Visi Komputer

Dunia **pentesting** (penetrasi testing) dulunya sangat bergantung pada keahlian manusia. Para spesialis menghabiskan berhari-hari menjelajahi jaringan atau aplikasi web secara manual, proses yang memakan waktu berminggu-minggu dan biaya konsultan yang mencapai ribuan dolar setiap harinya. Hasilnya pun bervariasi, tergantung pada siapa pentester-nya. Namun, hadirnya otomatisasi berjanji akan menjembatani kesenjangan ini.

Sekarang, semakin banyak proyek menyerahkan pekerjaan ini kepada agen AI yang mampu merencanakan dan mengeksekusi sendiri. Salah satu proyek yang menonjol dalam kelompok ini adalah **DarkMoon Open Source AI Pentesting Platform**. DarkMoon menjalankan penilaian keamanan secara menyeluruh dan menyediakan laporan berbasis bukti setelah selesai.

## Bagaimana DarkMoon Bekerja? Arsitektur yang Cerdas

DarkMoon dirancang dengan memisahkan model yang "berpikir" dari alat yang "bertindak". Ini adalah fondasi penting untuk keamanan dan akurasi.

Sebuah orkestrator bernama **OpenCode** berkomunikasi dengan model bahasa besar (LLM), merencanakan setiap langkah, lalu mendelegasikan tindakan nyata ke lapisan kontrol yang dibangun di atas **Model Context Protocol (MCP)**. Lapisan MCP ini mengekspos daftar alat yang diizinkan (allow-list) dan menjalankan alat-alat tersebut di dalam kontainer Docker yang terisolasi. Kontainer ini sudah dilengkapi dengan lebih dari lima puluh utilitas keamanan, termasuk **Nuclei**, **sqlmap**, **BloodHound**, dan **NetExec**. Selain itu, DarkMoon juga memiliki sub-agen khusus yang mencakup aplikasi web, Active Directory, Kubernetes, dan protokol jaringan.

### Alur Penilaian Otomatis

Penilaian di DarkMoon mengikuti urutan yang teratur. Pertama, platform ini akan menemukan port dan layanan yang terbuka, lalu melakukan *fingerprinting* terhadap *technology stack*. Setelah itu, ia memodelkan *attack surface* dan mengirimkan sub-agen yang cocok dengan apa yang ditemukan.

Sistem umpan balik reaktif memastikan hasil setiap langkah dikembalikan ke orkestrator. Misalnya, jika situs WordPress terdeteksi di awal, agen CMS akan dipicu. Jika *endpoint* GraphQL ditemukan kemudian, agen GraphQL akan ditarik masuk. Cakupan penilaian ini selaras dengan metodologi yang sudah mapan, seperti ISO 27001 dan NIST SP 800-115.

### Prioritas Keamanan dan Batasan Lingkup

Salah satu kekhawatiran terbesar dalam otomatisasi AI adalah otonomi yang tak terbatas. DarkMoon menangani ini dengan serius. Boutayeb, pemimpin pemeliharaan DarkMoon, menjelaskan bahwa **LLM tidak pernah mengeksekusi perintah arbitrer secara langsung**. Setiap tindakan melewati server MCP, yang hanya mengekspos daftar alat dan alur kerja yang secara eksplisit diizinkan.

Lingkup penilaian ditentukan oleh pengguna di awal setiap eksekusi, misalnya sebagai target, domain, rentang IP, atau aplikasi. Orkestrator hanya membangun gambaran dari aset yang ditemukan di dalam batas yang diotorisasi tersebut dan menyerahkan eksekusi ke metodologi yang disetujui. Alat baru tidak akan tersedia sampai seseorang menginstalnya, mendaftarkannya di server MCP, dan mengeksposnya ke lapisan orkestrasi. Tujuan desain ini adalah "membuat eksekusi deterministik, dapat diaudit, dan terbatas daripada membiarkan perilaku otonom yang tidak terbatas," kata Boutayeb.

## Pilihan Model LLM dan Pertimbangan Biaya

Pertanyaan tentang biaya selalu muncul. Untuk penilaian aplikasi web standar menggunakan model *frontier*, biayanya sekitar sepuluh dolar dalam biaya API. Tentu saja, keterlibatan yang lebih besar seperti Active Directory atau infrastruktur multi-host akan memakan lebih banyak biaya, karena model terus melakukan penalaran berdasarkan bukti baru, merencanakan langkah-langkah, dan jalur serangan.

DarkMoon mendukung berbagai model LLM, termasuk OpenAI, Anthropic, OpenRouter, dan model lokal melalui Ollama atau llama.cpp. Boutayeb merekomendasikan **Claude** karena keseimbangan antara kualitas penalaran, stabilitas perencanaan, dan kinerja konteks panjangnya.

Namun, ada sedikit catatan terkait sistem keamanan vendor. Model Anthropic terbaru memiliki klasifikasi yang dapat menginterupsi, menolak, atau diam-diam menurunkan tugas keamanan ofensif, bahkan dalam keterlibatan yang diizinkan. Dalam pengujian DarkMoon, Claude Opus 4.8 mencapai batas-batas tersebut di tengah penilaian, sementara Claude Opus 4.6 menjalankan penilaian hingga selesai tanpa interupsi. Proyek ini menyarankan operator menggunakan **Opus 4.6** sebagai pilihan yang paling stabil, dan menyebutkan Program Verifikasi Siber Anthropic sebagai jalur opsional bagi organisasi yang disetujui. Model kecil dalam rentang parameter yang lebih rendah tetap tidak didukung untuk menjalankan tugas otonom ini.

Singkatnya, "Ini bisa sepenuhnya gratis untuk dijalankan jika Anda tetap di lokal, atau beberapa dolar per penilaian jika Anda menginginkan kualitas penalaran tambahan dari model *frontier*. Setiap pengguna memilih keseimbangan mereka sendiri antara biaya dan kemampuan," kata Boutayeb.

## Laporan Berbasis Bukti: Akurasi dan Transparansi

DarkMoon hanya mempromosikan temuan jika ada bukti yang mendukungnya. Sinyal lemah seperti respons HTTP 200 generik, *payload* yang terefleksi, dan indikator yang ambigu akan diturunkan peringkatnya dan diberi label **Unconfirmed**.

Temuan yang dikonfirmasi dilengkapi dengan perintah yang dieksekusi, keluaran mentah, pasangan permintaan dan respons HTTP, serta jejak eksekusi yang mendukungnya. Boutayeb menegaskan, "LLM tidak pernah diperlakukan sebagai sumber kebenaran. Bukti yang dikumpulkan dari lingkungan target tetap menjadi sumber kebenaran." Dia menambahkan bahwa tujuan ini menjaga validasi analis, mengurangi *triage* manual, dan memastikan setiap kesimpulan dapat dilacak dan direproduksi.

DarkMoon tersedia secara gratis di GitHub, memberikan kesempatan bagi siapa saja untuk meningkatkan postur keamanan mereka dengan otomatisasi AI.

## Referensi
https://www.helpnetsecurity.com/2026/06/29/darkmoon-open-source-ai-pentesting-platform/

DarkMoon adalah platform pentesting AI open-source yang mengotomatisasi penilaian keamanan. Pelajari bagaimana DarkMoon memisahkan logika dari eksekusi, menggunakan agen khusus, dan memberikan laporan berbasis bukti untuk menjaga sistem Anda tetap aman.

DarkMoon: Platform Pentesting AI Open-Source untuk Otomatisasi Penilaian Keamanan

`pentest-ai` muncul sebagai nama yang menarik dalam **Pentest AI** dan bidang keamanan siber, menjanjikan pendekatan baru untuk pengujian penetrasi. Ini bukan sekadar pemindai kerentanan lainnya. `ptai`, sebutan akrabnya, adalah alat pentest berbasis AI yang tidak hanya menemukan, tetapi juga membuktikan setiap temuannya. Ia menjamin kamu tidak perlu lagi menebak-nebak hasil pemindaian yang seringkali penuh dengan *false positive*.

## Apa itu pentest-ai? Verifikasi Adalah Kunci

Di jantung `pentest-ai` terletak janji verifikasi. Ketika banyak alat keamanan hanya melaporkan potensi kerentanan, `ptai` mengambil langkah lebih jauh. Ia secara otomatis menjalankan kembali setiap *exploit* untuk mengonfirmasi temuannya. Sebuah kerentanan dianggap sebagai "kandidat" sampai "oracle mesin" berhasil mereproduksinya secara konsisten N dari N kali. Hanya setelah itu ia layak mendapatkan lencana **VERIFIED**.

`ptai` melakukan langkah-langkah seperti *reconnaissance*, *login*, dan bahkan merangkai temuan menjadi jalur serangan multi-langkah. Namun, ia tidak meminta kamu untuk mempercayai hasilnya begitu saja. Mirip dengan bagaimana TruffleHog mengonfirmasi rahasia yang bocor dengan mencoba *login* menggunakan informasi tersebut, `ptai` memvalidasi temuan web-nya dengan menjalankan ulang *exploit*. Bahkan *output* dari *scanner* pihak ketiga seperti Nuclei, Nikto, atau ZAP akan disaring dan disembunyikan sampai oracle `ptai` berhasil membuktikannya. Pendekatan ini secara drastis mengurangi "kebisingan" dari *scanner* yang sering membuat tim mengabaikan alat mereka. Laporan yang dihasilkan hanya berisi apa yang bisa `ptai` buktikan, dengan setiap temuan **VERIFIED** dilengkapi *proof capsule* portabel yang bisa kamu putar ulang sendiri.

## Honest Numbers: Bukti Tanpa Omong Kosong

Bagaimana `ptai` membuktikan klaimnya? Ia menyertakan *honeypot harness* dan *clean-app zero-FP gate* di repositori, memungkinkan siapa saja untuk mereproduksi klaimnya. Misalnya, dalam satu uji coba terhadap *honeypot* pribadi dengan 20 *bug*, `ptai` berhasil menangkap 19 di antaranya dengan **presisi 100%** dan nol *false positive*. Empat kelas *bug* juga berhasil diverifikasi oleh *oracle* mesin. Penting untuk dicatat, angka 19/20 ini berasal dari satu uji coba khusus dan bukan tingkat *false positive* di lapangan. Gerbang *oracle* memang meningkatkan presisi tanpa mengorbankan *recall*, dengan secara aktif menghilangkan *false positive*.

Berikut perbandingan `ptai` dengan beberapa *tool* populer lainnya dalam pengujian OWASP Juice Shop:

| Tool             | Temuan | Critical+High | OWASP Top 10 Buckets | Tingkat FP |
| :--------------- | :----- | :------------ | :------------------- | :--------- |
| ptai 0.13.0      | 88     | 46            | 5                    | 0%         |
| ZAP 2.17.0       | 593    | 0             | 1                    | 47%        |
| Nuclei 3.8.0     | 1      | 0             | 1                    | 0%         |
| HexStrike v6.0   | 11     | 0             | 1                    | -          |

Dari tabel ini terlihat, `ptai` jauh lebih efektif dalam *web pentest* SPA dengan *probe* yang dikurasi. Meskipun Juice Shop adalah target yang banyak dipelajari, yang memberi LLM dan penulis *probe* keuntungan awal, `ptai` juga mengukur *coverage* terhadap *bug* kustom di *honeypot* pribadi dengan tingkat tangkapan 10/10.

## Bagaimana pentest-ai Bekerja? Arsitektur Agen yang Komprehensif

`ptai` beroperasi melalui serangkaian **agen** dan **fase** yang terstruktur, memungkinkan pendekatan pentest yang menyeluruh. Entah kamu mengatur kunci API LLM atau tidak, alur fase kerjanya tetap sama.

Berikut fase-fase utama dan agen yang terlibat:

| Agen             | Fase              | Tugas                                                               |
| :--------------- | :---------------- | :------------------------------------------------------------------ |
| recon            | 1                 | Pemindaian *port*, *enum* DNS dan *subdomain*, *fingerprinting* layanan |
| web              | 2                 | Pengujian OWASP Testing Guide v4 terautentikasi                     |
| api_security     | 2                 | Analisis permukaan OpenAPI/GraphQL/REST, OWASP API Top 10           |
| browser          | 2                 | Analisis DOM berbasis Playwright, penangkapan XHR, penilaian *header* keamanan |
| ad               | 3                 | *Enum* AD, *Kerberoasting*, *pathfinding* BloodHound                |
| cloud            | 4                 | AWS, Azure, GCP IAM, *misconfig*, K8s RBAC, *serverless*            |
| credential_tester| 4                 | *Password spraying*, *credential stuffing*, pemeriksaan *bypass* MFA |
| privesc          | 5                 | Saran *privilege-escalation* lokal dan lateral                      |
| vuln_scanner     | 5                 | Agregasi *vuln* *cross-cutting* terhadap *Findings DB*              |
| exploit_chain    | 6                 | Korelasi temuan ke jalur serangan multi-langkah                     |
| poc_validator    | 7                 | *Proof of concept* non-destruktif per temuan                        |
| detection        | 8                 | Aturan Sigma, SPL, KQL untuk tim *blue team*                        |
| report           | 9                 | Laporan Markdown, HTML, PDF, SARIF, JUnit, peta kepatuhan         |
| llm_redteam      | Opsional          | *Probe* OWASP LLM Top 10                                            |
| social_engineer  | Opsional          | *Phishing corpus* dan *pretext generation*                        |
| mobile           | Opsional          | Pemeriksaan statis + dinamis Android/iOS                            |
| wireless         | Opsional          | *Reconnaissance* nirkabel dan penangkapan *handshake*               |

Setiap temuan **VERIFIED** berasal dari *oracle* mesin yang dinamai, tidak pernah dari asersi LLM. Saat ini, `ptai` dilengkapi delapan *oracle* mesin yang mampu mengonfirmasi: *reflection*, *open-redirect*, IDOR/BOLA, *error-disclosure*, *MCP-exposure*, SQLi (boolean dan blind), dan *out-of-band* (OAST) untuk *blind* SSRF/XXE melalui kolaborator yang di-hosting sendiri.

## Lebih dari Sekadar Pemindai Biasa: Fitur Unggulan pentest-ai

`ptai` hadir dengan beberapa keunggulan yang membedakannya dari alat *pentest* lain:

*   **LLM-Coordinated, Bukan LLM-Dependent**: LLM menjalankan *loop* fase dan mempertimbangkan hasil, tetapi deteksi *bug* dilakukan oleh *probe library* deterministik yang dikurasi. Tanpa kunci API LLM pun, *probe* yang sama tetap berjalan.
*   **Tanpa Kunci API di Jalur MCP**: Jika kamu pengguna Claude Code, Cursor, atau Codex, `ptai` dapat kamu kendalikan melalui MCP menggunakan langganan yang sudah ada. Alat dan *probe* yang terbungkus dapat dipanggil LLM tanpa kunci Anthropic.
*   **Mampu Login**: Kebanyakan *scanner* akan mati di halaman *login*. `ptai` dapat mempertahankan sesi, menyegarkan kredensial, dan setiap alat hilir akan mewarisi *cookie*. Profil autentikasi menyimpan referensi (variabel *env*, *op://*, jalur Vault), bukan nilai aslinya.
*   **Setiap Temuan Terbukti**: *Proof of Concept* (PoC) non-destruktif dijalankan terhadap target. Tidak ada lagi kebutuhan untuk menyaring puluhan potensi temuan dari *scanner* yang bising.
*   **CI-Native**: Integrasi mudah dengan *workflow* CI/CD, mendukung GitHub Actions, *severity gates*, *output* SARIF, dan komentar PR.
*   **Berjalan di Laptop Kamu**: Berlisensi MIT, tanpa panggilan *cloud*, berjalan *offline* dengan Ollama. Semua temuan tetap tersimpan di *disk* lokalmu.
*   **Playbook YAML**: Mendefinisikan metodologi pentest-mu sebagai *file* YAML yang dapat dibagikan dengan tim.

## Integrasi dan Fleksibilitas Tinggi

Menginstal `ptai` sangatlah mudah: `pip install ptai`. Kamu memiliki beberapa jalur instalasi dan penggunaan:

```bash
pip install ptai
```

### 1. Melalui Claude Code (jalur MCP)

Jika kamu sudah berlangganan Claude Pro/Max/Team, tambahkan `ptai` sebagai server MCP:

```bash
claude mcp add pentest-ai -- ptai mcp
```

Setelah itu, kamu bisa meminta Claude Code untuk menjalankan *pentest* menggunakan bahasa alami. Alat dan *probe* `ptai` akan dieksekusi secara lokal, sementara *prompt* dan *output* akan melalui API Anthropic.

### 2. Klien MCP Lain

Untuk Cursor, VS Code Copilot, Codex, atau Claude Desktop, cukup jalankan `ptai setup --mcp` untuk konfigurasi otomatis.

### 3. CLI Mandiri (tanpa klien MCP)

Ideal untuk *pipeline* CI/CD atau terminal *air-gapped*. Kamu bisa membawa LLM sendiri melalui variabel lingkungan, seperti Anthropic, OpenAI, atau Ollama yang berjalan lokal:

```bash
# Menggunakan Claude
export ANTHROPIC_API_KEY=sk-ant-...
ptai start https://your-target.com

# Menggunakan Ollama secara lokal
export PENTEST_AI_LLM_PROVIDER=ollama
ptai start https://your-target.com
```

Untuk jalur CLI mandiri, `ptai` memiliki batas pengeluaran LLM default $10 USD per *engagement* untuk mencegah *loop* yang tidak terkontrol, yang dapat diubah melalui `PTAI_PRICE_LIMIT`.

### Pemasangan Alat Keamanan

`ptai` membungkus lebih dari 200 alat eksternal. Kamu bisa menginstalnya secara otomatis saat dibutuhkan, dalam *batch* (*tier core*, *recommended*, *full*), atau secara spesifik berdasarkan nama.

```bash
# Instalasi otomatis saat engagement dimulai (direkomendasikan)
ptai start https://target.example.com

# Instalasi batch
ptai setup --tier core      # Sekitar 6 alat esensial, ~30 detik
ptai setup --tier recommended # Tambahan fuzzer, crawler, alat password, ~5 menit
ptai setup --tier full      # Semua alat, ~30 menit

# Instalasi alat spesifik
ptai setup --per-tool wpscan,dalfox,paramspider
ptai setup --wizard         # Pilih interaktif
```

### Out-of-Band Callbacks (OAST)

`ptai` mendeteksi kelas kerentanan *blind* (blind SSRF, blind SQLi, blind XXE, blind stored XSS, SSTI, Log4Shell) dengan memancarkan *payload* yang, jika terpicu di sisi *server*, akan memanggil kolaborator *out-of-band*. Secara *default*, ini menggunakan infrastruktur publik `oast.fun` ProjectDiscovery. Penting untuk diketahui, *payload* dienkripsi dengan *keypair* lokalmu, sehingga hanya proses `ptai` lokalmu yang dapat mendekripsinya. Namun, *metadata* seperti fakta interaksi, IP sumber, *timestamp*, dan protokol tetap terlihat oleh pengelola kolaborator. Untuk keamanan lebih, kamu bisa *self-host* server Interactsh atau menonaktifkan OAST sepenuhnya dengan `--no-oast`.

## Siapa yang Membutuhkan pentest-ai?

`ptai` dirancang untuk berbagai profesional keamanan:

*   **Tim AppSec**: Mengintegrasikan `ptai` ke CI/CD untuk pemindaian terautentikasi pada setiap PR, dengan *build* yang gagal pada temuan *high-severity*.
*   **Konsultan**: Mengotomatiskan bagian rutin dari *engagement* agar bisa fokus pada analisis manusiawi dan interaksi klien. Laporan yang dibutuhkan juga dapat ditulis sendiri.
*   **Pemburu Bug Bounty**: Mendapatkan daftar temuan yang tervalidasi dengan PoC siap pakai untuk diajukan.
*   **Red Teamers**: Mengodekan metodologi AD mereka sebagai *playbook* YAML yang dapat digunakan berulang kali dan dibagikan dalam tim.
*   **Pengguna Claude Code/Cursor/Codex**: Menggunakan asisten AI mereka untuk menggerakkan `ptai` dengan bahasa alami.
*   **Pengembang Fitur AI**: Mengaktifkan `--enable-llm-redteam` untuk mendapatkan laporan OWASP LLM Top 10 dalam hitungan menit.

## Penggunaan yang Bertanggung Jawab

`pentest-ai` adalah alat keamanan ofensif yang menjalankan operasi jaringan dan *host* nyata terhadap target yang kamu tentukan. **Kamu bertanggung jawab penuh untuk memastikan memiliki otorisasi tertulis yang eksplisit untuk menguji setiap target.** Dengan menginstal atau menjalankan `ptai`, kamu menyetujui Kebijakan Penggunaan yang Dapat Diterima dan Persyaratan Layanan. Pengujian sistem yang tidak kamu miliki tanpa otorisasi tertulis dapat melanggar berbagai undang-undang.

`ptai` memiliki fitur seperti *scope file* untuk menolak *host* di luar cakupan, PoC non-destruktif secara *default*, dan *rate limit* otomatis dalam mode *stealth*. Selalu gunakan alat ini secara etis dan legal.

## Kesimpulan

`pentest-ai` bukan sekadar *pentest tool* dengan embel-embel AI. Ia adalah sebuah ekosistem yang dirancang untuk presisi, verifikasi, dan efisiensi. Dengan kemampuannya untuk membuktikan setiap temuan, berintegrasi dengan *workflow* modern, dan beroperasi dengan transparansi, `ptai` memberikan pendekatan yang lebih terpercaya dan terotomatisasi untuk menjaga keamanan sistem kita.

## Referensi
https://github.com/0xSteph/pentest-ai

Temukan bagaimana pentest-ai, alat pentest berbasis AI, membuktikan setiap temuan kerentanan dengan PoC yang dapat direproduksi, bukan sekadar janji. Tingkatkan presisi pentestmu.

Pentest AI: Otomatisasi Penetrasi yang Tidak Perlu Kamu Percayai Begitu Saja

Perkembangan teknologi kecerdasan buatan terus membawa kita ke fase baru, jauh melampaui kemampuan chatbot yang sekadar menyusun kata. Kali ini, sebuah sistem AI telah berhasil mengambil alih kursor, mengetik di keyboard, menulis skrip, bahkan menutup jendela aplikasi di layar monitor, persis seperti seorang profesional manusia. Fakta ini bukan lagi fiksi ilmiah, melainkan kenyataan yang hadir melalui proyek open-source Simular AI dengan rilis **Agent S3**. Ini adalah sebuah lompatan besar dalam **Analisis Teknologi** di mana interaksi AI dengan komputer mencapai tingkat otonomi yang baru.

Pada pembaruan di pertengahan Desember 2025, Agent S3 berhasil mencetak sejarah. Ia menjadi AI pertama yang secara resmi mengalahkan skor rata-rata manusia dalam mengendalikan komputer. Tentu, hal ini memicu berbagai diskusi dan kekhawatiran tentang potensi AI menggantikan pekerjaan manusia dalam berbagai bidang.

## Mengungguli Performa Manusia dalam OSWorld

Untuk mengukur kemampuan sebuah AI dalam menggunakan komputer, para peneliti mengandalkan standar pengujian yang disebut **OSWorld**. Skor rata-rata manusia saat menghadapi berbagai tugas kompleks di OSWorld berada di kisaran 72%. Selama bertahun-tahun, berbagai model AI terbaik kesulitan melewati angka 65%.

Namun, Agent S3 mengubah standar tersebut. Dengan memanfaatkan metode tambahan **Behavior Best-of-N (bBoN)**, agen ini berhasil mencatatkan skor 72.60%. Ini melampaui batas yang selama ini dipegang oleh manusia. Kemampuan adaptasi instan atau **zero-shot generalization** Agent S3 juga teruji di berbagai platform lain, menunjukkan fleksibilitasnya.

Berikut adalah perbandingan performa di beberapa tolok ukur:

| Tolok Ukur         | Skor Rata-rata Manusia | Skor AI Terbaik Sebelumnya | Skor Agent S3 |
| :---------------- | :--------------------- | :------------------------- | :------------ |
| OSWorld           | ~72%                   | <65%                       | 72.60%        |
| WindowsAgentArena | N/A                    | N/A                        | 56.6%         |
| AndroidWorld      | N/A                    | N/A                        | 71.6%         |

## Kemampuan Coding Otonom yang Mengerikan

Daya tarik utama Agent S3 tidak hanya terletak pada kemampuannya menavigasi antarmuka grafis atau GUI. Bagi para pengembang perangkat lunak atau administrator sistem, fitur **Local Coding Environment** yang dibawanya merupakan terobosan signifikan.

Agent S3 dapat berjalan mulus di ekosistem macOS, Linux, dan Windows. AI ini mampu mengeksekusi kode Python dan skrip Bash secara otonom langsung di mesin lokal. Ini berarti ada potensi untuk mengotomatisasi berbagai tugas teknis, bahkan yang memerlukan interaksi dengan *command line*.

Misalnya, Agent S3 bisa diperintah untuk:

*   **Otomatisasi Sistem**: Mengkonfigurasi server, mengelola basis data, atau menulis skrip otomatisasi.
*   **Pemrosesan Data**: Memanipulasi file CSV yang rumit atau mengekstrak data dari berbagai dokumen.
*   **Manajemen Aplikasi**: Mengontrol lingkungan pengembangan atau berinteraksi dengan editor kode seperti VS Code untuk memperbaiki *bug*.

Semua kemampuan ini dilakukan melalui **Agent-Computer Interface (ACI)**, sebuah antarmuka yang menerjemahkan niat AI menjadi perintah komputasi nyata.

## Arsitektur di Balik Kecanggihan Agent S3

Bagaimana Agent S3 bisa memiliki kemampuan ini? Rahasianya ada pada arsitektur hibrida yang digunakannya. Model ini merekomendasikan penggunaan otak utama generasi terbaru, seperti **GPT-5-2025-08-07** dari OpenAI, untuk menangani logika dan penalaran tingkat tinggi.

Untuk "melihat" layar monitor Anda, Agent S3 mengandalkan model *grounding* khusus, seperti **UI-TARS-1.5-7B**. Model *grounding* ini bertugas menerjemahkan niat logis AI menjadi koordinat piksel absolut beresolusi tinggi, misalnya 1920x1080. Ini yang memungkinkan kursor mouse bergerak dengan presisi.

Contoh sederhana interaksi Agent S3 dengan lingkungan coding mungkin terlihat seperti ini di belakang layar:

```bash
# Contoh perintah Bash yang bisa dijalankan Agent S3
sudo apt update && sudo apt upgrade -y
python3 -c "import pandas as pd; df = pd.read_csv('data.csv'); print(df.head())"
```

## Waspada! Peringatan Keamanan dari Simular AI

Dengan kemampuannya mengeksekusi kode arbitrari (kode bebas apa pun) di komputer lokal, Simular AI memberikan peringatan tegas. Agent S3 beroperasi dengan tingkat izin yang sama persis dengan pengguna yang menjalankannya.

Ini berarti, jika agen ini salah menginterpretasikan perintah atau mengalami "halusinasi" saat menjalankan skrip Bash tingkat sistem, ada potensi besar untuk mengubah konfigurasi penting di dalam perangkat. Oleh karena itu, penggunaan di dalam **sandbox** atau lingkungan terisolasi sangat disarankan sebelum Anda membiarkan AI ini berinteraksi bebas di mesin kerja utama Anda.

Di masa ketika AI mulai bisa mengendalikan komputer secara otonom, pertanyaan pentingnya bukan lagi kapan AI akan mengambil alih rutinitas komputasi harian kita. Pertanyaan yang lebih mendesak adalah, sudah siapkah infrastruktur dan keamanan digital kita untuk menyambut kemampuan baru ini?

## Referensi
https://github.com/simular-ai/Agent-S

Simular AI meluncurkan Agent S3, sebuah sistem AI yang berhasil mengalahkan skor rata-rata manusia dalam mengendalikan komputer. Ini menunjukkan kemampuan AI untuk mengotomatisasi tugas kompleks hingga menulis kode secara mandiri.

Agent S3: Ketika AI Melampaui Manusia dalam Mengendalikan Komputer

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

Industri keuangan terus mencari cara untuk meningkatkan efisiensi dan akurasi. Anthropic, salah satu pemain utama di bidang AI, membawa inovasi ke sektor ini melalui "Claude for Financial Services". Paket ini menawarkan seperangkat agen, skill, dan konektor data yang dirancang khusus untuk alur kerja keuangan, mengikuti **Anthropic Financial Services AI Guidelines** yang menekankan pada dukungan dan tinjauan manusia.

Claude for Financial Services bertujuan untuk membantu berbagai alur kerja keuangan, termasuk perbankan investasi, riset ekuitas, ekuitas swasta, dan manajemen kekayaan. Kamu bisa menginstalnya sebagai plugin Claude Cowork atau menerapkannya melalui API Claude Managed Agents di balik *workflow engine* milikmu. Menariknya, sistem ini menawarkan *system prompt* dan *skill* yang sama, jadi kamu bebas memilih lingkungan tempat menjalankannya.

### Bukan Pengambil Keputusan, Tapi Asisten Berkemampuan Tinggi

Penting untuk diingat, alat ini bukan pengganti profesional keuangan. Agen-agen ini dirancang untuk menyusun *analyst work product* seperti model, memo, catatan penelitian, dan rekonsiliasi. Semua hasil ini perlu ditinjau oleh profesional yang berkualitas. Claude tidak akan membuat rekomendasi investasi, mengeksekusi transaksi, mengikat risiko, mencatat ke buku besar, atau menyetujui *onboarding*. Setiap output akan dipersiapkan untuk disetujui manusia. Kamu tetap bertanggung jawab memverifikasi semua output dan mematuhi hukum serta peraturan yang berlaku di perusahaanmu.

### Agen-Agen Canggih untuk Berbagai Alur Kerja

Repo Claude for Financial Services berisi agen-agen bernama yang menangani alur kerja *end-to-end*. Setiap agen adalah *starting point*, yang bisa kamu sesuaikan *prompt*, *skill*, dan *konektornya* agar sesuai dengan cara kerja perusahaanmu. Agen-agen ini mandiri, mereka sudah menggabungkan *skill* yang dibutuhkan.

Berikut adalah beberapa agen utama dan fungsinya:

| Fungsi | Agen | Apa yang Dilakukan |
| :---------------------- | :------------------ | :------------------------------------------------------------------------------------------------------------------------------------- |
| **Cakupan & Penasihat** | Pitch Agent | Menyusun perbandingan, preseden, LBO, hingga menjadi *pitch deck* bermerek. |
| | Meeting Prep Agent | Menyiapkan paket *briefing* sebelum setiap pertemuan klien. |
| **Riset & Pemodelan** | Market Researcher | Menghasilkan gambaran umum industri, lanskap kompetitif, perbandingan *peer*, dan daftar ide. |
| | Earnings Reviewer | Memperbarui model dan menyusun draf catatan dari laporan laba rugi dan pengajuan. |
| | Model Builder | Membangun model DCF, LBO, dan tiga laporan keuangan secara langsung di Excel. |
| **Administrasi Dana & Operasional Keuangan** | Valuation Reviewer | Menerima paket GP, menjalankan templat valuasi, mempersiapkan pelaporan LP. |
| | GL Reconciler | Menemukan perbedaan, melacak penyebabnya, dan mengarahkan untuk persetujuan. |
| | Month-End Closer | Menangani akrual, *roll-forward*, dan komentar variansi. |
| | Statement Auditor | Mengaudit laporan LP sebelum didistribusikan. |
| **Operasional & Onboarding** | KYC Screener | Menganalisis dokumen *onboarding*, menjalankan mesin aturan, dan menandai kekurangan. |

### Memahami Struktur Repositori

Repositori ini tersusun secara logis, membuatnya mudah untuk dinavigasi dan disesuaikan:

| Apa itu | Di mana letaknya |
| :---------------------- | :------------------------------------------------ |
| **Agen** | Plugin mandiri yang mengelola alur kerja *end-to-end*. Baik Cowork maupun Managed Agent mengambil dari direktori yang sama. |
| | `plugins/agent-plugins/<slug>/` |
| **Skill** | Keahlian domain, konvensi, dan metode langkah demi langkah yang digunakan Claude secara otomatis. Dibuat satu kali di *verticals*, setiap agen menggabungkan salinan yang disinkronkan. |
| | `plugins/vertical-plugins/<vertical>/skills/` (sumber) |
| | `plugins/agent-plugins/<slug>/skills/` (digabungkan) |
| **Perintah (Commands)** | Tindakan *slash* yang kamu picu secara eksplisit, misalnya `/comps`, `/earnings`. |
| | `plugins/vertical-plugins/<vertical>/commands/` |
| **Konektor** | Server MCP yang menghubungkan Claude ke datamu, seperti terminal, platform penelitian, dan penyimpanan dokumen. |
| | `plugins/vertical-plugins/financial-analysis/.mcp.json` |
| **Managed-agent wrappers** | `agent.yaml` + *subagent* level 1 + contoh *steering* untuk penerapan tanpa kepala. |
| | `managed-agent-cookbooks/<slug>/` |

Semua komponen berbasis file, menggunakan Markdown dan JSON, tanpa perlu langkah *build*.

### Instalasi dan Penerapan

Memulai dengan Claude for Financial Services cukup mudah, baik kamu pengguna Cowork, Claude Code, atau ingin melakukan *deployment headless* dengan Managed Agents.

**Untuk Cowork:**
Buka Pengaturan → Plugin → Tambahkan plugin, lalu masukkan URL repo ini atau unggah file zip.

**Untuk Claude Code:**
Tambahkan *marketplace* dan instal plugin yang kamu inginkan:

```bash
# Tambahkan marketplace
claude plugin marketplace add anthropics/claude-for-financial-services

# Skill inti + konektor (instal terlebih dahulu)
claude plugin install financial-analysis@claude-for-financial-services

# Agen bernama, pilih yang kamu inginkan
claude plugin install pitch-agent@claude-for-financial-services
claude plugin install gl-reconciler@claude-for-financial-services
claude plugin install market-researcher@claude-for-financial-services

# Bundel skill vertikal
claude plugin install investment-banking@claude-for-financial-services
claude plugin install equity-research@claude-for-financial-services
```

Setelah terinstal, agen akan muncul di *dispatch* Cowork, *skill* akan otomatis aktif saat relevan, dan perintah *slash* tersedia di sesimu.

**Untuk Claude Managed Agents:**
Kamu bisa menerapkan agen melalui skrip, setelah mengatur kunci API:

```bash
export ANTHROPIC_API_KEY=sk-ant-...
scripts/deploy-managed-agent.sh gl-reconciler
```

### Ekosistem Plugin Vertikal

Plugin vertikal adalah inti dari keahlian domain Claude. Mulai dengan `financial-analysis` karena berisi *skill* pemodelan bersama dan semua konektor data. Setelah itu, tambahkan plugin vertikal sesuai dengan alur kerja yang kamu butuhkan.

| Plugin | Apa yang Ditambahkan |
| :-------------------------- | :-------------------------------------------------------------------------------------------- |
| **financial-analysis** (inti) | Perbandingan, DCF, LBO, 3 laporan keuangan, QC *deck*, audit Excel. Semua 11 konektor data. |
| **investment-banking** | CIM, *teaser*, surat proses, daftar pembeli, model merger, pelacakan kesepakatan. |
| **equity-research** | Catatan laporan laba rugi, inisiasi, pembaruan model, pelacakan tesis dan katalis. |
| **private-equity** | Sumber, penyaringan, daftar periksa uji tuntas, memo IC, pemantauan portofolio. |
| **wealth-management** | Tinjauan klien, rencana keuangan, penyeimbangan ulang, pelaporan, TLH. |
| **fund-admin** | Rekonsiliasi GL, pelacakan perbedaan, akrual, *roll-forward*, komentar variansi, *tie-out* NAV. |
| **operations** | Analisis dokumen KYC dan evaluasi *rules-grid*. |
| **lseg** (mitra) | RV obligasi, kurva *swap*, *carry* FX, *vol* opsi, pemantauan tingkat makro pada data LSEG. |
| **sp-global** (mitra) | *Tear sheet*, *preview* laporan laba rugi, *funding digest* pada S&P Capital IQ. |

### Integrasi Data dengan MCP

Semua konektor data terpusat dalam plugin inti `financial-analysis` dan dibagikan di seluruh sistem. Integrasi ini memungkinkan Claude untuk terhubung ke berbagai platform data eksternal.

| Penyedia | URL |
| :-------------- | :-------------------------------------------- |
| Daloopa | `https://mcp.daloopa.com/server/mcp` |
| Morningstar | `https://mcp.morningstar.com/mcp` |
| S&P Global | `https://kfinance.kensho.com/integrations/mcp` |
| FactSet | `https://mcp.factset.com/mcp` |
| Moody's | `https://api.moodys.com/genai-ready-data/m1/mcp` |
| MT Newswires | `https://vast-mcp.blueskyapi.com/mtnewswires` |
| Aiera | `https://mcp-pub.aiera.com` |
| LSEG | `https://api.analytics.lseg.com/lfa/mcp` |
| PitchBook | `https://premium.mcp.pitchbook.com/mcp` |
| Chronograph | `https://ai.chronograph.pe/mcp` |
| Egnyte | `https://mcp-server.egnyte.com/mcp` |

Akses MCP mungkin memerlukan langganan atau kunci API dari penyedia.

### Claude untuk Microsoft 365, Perangkat Instalasi

Terpisah dari agen dan plugin vertikal, terdapat *tooling* instalasi untuk Claude di Microsoft 365. Jika perusahaanmu menjalankan Claude di Excel, PowerPoint, Word, dan Outlook melalui *add-in* Microsoft 365, `claude-for-msft-365-install/` adalah alat bantu admin untuk menyediakannya terhadap *cloud* milikmu sendiri, seperti Vertex AI, Bedrock, atau *gateway* LLM internal, alih-alih API Anthropic.

Ini adalah plugin Claude Code, bukan plugin Cowork, yang memandu admin IT dalam menghasilkan *manifest add-in* yang disesuaikan, memberikan persetujuan admin Azure, dan menulis konfigurasi *routing* per pengguna melalui Microsoft Graph. Instal dengan perintah:

```bash
claude plugin install claude-for-msft-365-install@claude-for-financial-services
/claude-for-msft-365-install:setup
```

Alat ini adalah jalur awal untuk menerapkan *add-in* di *tenant*, setelah itu agen dan *skill* yang ada di repositori inilah yang akan berjalan di dalamnya.

### Kustomisasi Sesuai Kebutuhan Perusahaanmu

Templat referensi ini akan menjadi lebih baik jika kamu menyesuaikannya dengan cara kerja perusahaanmu. Kamu bisa menukar konektor dengan mengarahkan `.mcp.json` ke penyedia datamu atau sistem internal. Tambahkan konteks perusahaan seperti terminologi, proses, dan standar format ke dalam file *skill*. Kamu juga bisa membawa templatmu sendiri, misalnya `/ppt-template` untuk mengajarkan Claude tata letak PowerPoint bermerek perusahaanmu. Sesuaikan ruang lingkup agen dengan mengedit `agents/<slug>.md` agar sesuai dengan cara timmu menjalankan alur kerja. Bahkan, kamu bisa menambahkan alur kerja barumu sendiri dengan menyalin struktur yang ada.

### Kontribusi

Semua yang ada di repositori ini adalah Markdown dan YAML. Kamu bisa melakukan *fork*, mengedit, dan membuat *pull request*. Jika kamu membuat *skill* baru, tambahkan di bawah `plugins/vertical-plugins/<vertical>/skills/`, lalu jalankan `python3 scripts/sync-agent-skills.py` untuk menyebarkannya ke agen mana pun yang menggabungkannya. Untuk agen baru, buat di `plugins/agent-plugins/<slug>/` (dengan `agents/<slug>.md` + `skills/`) dan `managed-agent-cookbooks/<slug>/` yang sesuai. Pastikan untuk menjalankan `python3 scripts/check.py` sebelum mendorong perubahan.

### Lisensi

Kode ini dilisensikan di bawah Apache License 2.0.

## Referensi
https://github.com/anthropics/financial-services/blob/main/README.md

Pelajari bagaimana Claude untuk Layanan Keuangan dari Anthropic menyediakan agen, skill, dan konektor data untuk alur kerja keuangan, didesain untuk tinjauan profesional.

Berdayakan Analis Keuangan: Mengintip Claude untuk Layanan Keuangan

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.

#otomatisasi

Getting Lastest Post..

Populer Bulan Ini