ai-agent

Hermes Agent bisa mendelegasikan pekerjaan koding ke agent CLI eksternal lewat sistem skill-nya. Ada tiga skill coding agent yang paling menonjol:…

TL;DR: Hermes Agent bisa mendelegasikan tugas koding ke tiga agent CLI dengan keunggulan berbeda: claude-code unggul di kontrol biaya dan tool per-run, opencode fleksibel ganti provider per-run, dan openhands menjalankan agent secara otonom di sandbox Docker. Pola amannya konsisten: prompt lengkap dikirim via file, kerja diarahkan ke workdir terpisah. Hermes tetap memverifikasi diff dan melakukan commit sendiri, bukan percaya klaim agent.

Agent disuruh mencari "nano banana"? Tanpa query rewriting, hasil pencarian bisa dua dunia. Ini 5 pola rewrite yang saya pasang di agent.

TL;DR: Query ambigu seperti "nano banana" bisa mengacaukan riset otomatis sejak awal, jadi penulis mewajibkan lima variasi: literal, disambiguasi konteks, Inggris, sinonim industri, dan pertanyaan penuh. Semua dieksekusi lalu hasilnya digabung, dan karena agent sendiri yang menulis ulang, biayanya nyaris nol. Aturan ini sudah dipakai di chat dan cron riset sebagai jejak audit, meski efeknya belum ada benchmark.

Lane C di cron saya: sintesis chat AI buat nyari sudut yang kelewat, verifikasi tetap ke halaman primer yang dibuka sendiri.

TL;DR: Chat AI kepakai sebagai detektor sudut riset, bukan penentu kebenaran; satu sudut baru lolos cek manual, satu klaim Stanford HAI dibuang karena halaman primernya nggak bisa dibuka. Lane C cuma nambah sintesis tanpa menggantikan Lane A, yang tetap jadi ground truth lewat sumber primer dan sitasi terverifikasi. Sitasi itu jejak buat diverifikasi manusia, bukan stempel kebenaran.

Cron mingguan no-agent membaca digest pesan tujuh hari lalu mengusulkan kandidat pembaruan memory: kandidat dulu, ratifikasi kemudian, tanpa auto-write.

TL;DR: Sistem memory kebanyakan cuma bisa nambah, entri usang tak pernah ditandai—OpenAI sendiri mengakuinya. Penulis membangun skrip sintesis mingguan berbasis cron yang membaca riwayat chat, lalu menghasilkan laporan kandidat: entri baru, kontradiksi, dan yang tak perlu dicatat. Masih report-only dengan ratifikasi manual, karena auto-write dinilai jebakan selama tingkat salahnya belum nol.

Query KB cuma keluar path plus skor? Saya curi pola ringkasan L0 OpenViking: satu kalimat per dossier, tanpa instalasi baru.

TL;DR: Setiap query ke knowledge base dulu cuma mengeluarkan path dan skor, jadi saya terpaksa membuka satu per satu dossier untuk menilai relevansi. Dari OpenViking saya curi polanya tanpa memasangnya: 40 baris Python yang menambahkan ringkasan satu kalimat wajib di tiap dossier dan menampilkannya di hasil query. Sekarang saya bisa langsung memutuskan buka atau tidak tanpa membuka file penuh.

Memory ChatGPT bukan rangkuman semua sesi secara real-time. Saya bongkar mekanisme sebenarnya: sintesis berkala, injeksi system prompt, dan risiko privasinya.

TL;DR: Memori ChatGPT ternyata bukan pencarian real-time atas seluruh riwayat chat, melainkan profil sintesis yang diperbarui berkala lalu disuntikkan ke system prompt tiap sesi baru. Konsekuensinya, hapus satu obrolan belum cukup; wawasan yang terserap harus dibersihkan dari semua sumbernya. Pola serupa bisa diterapkan sendiri lewat proyek open source seperti Letta atau Mem0.

Repo dengan banyak coding agent butuh lebih dari satu file instruksi: AGENTS.md untuk prosedur, memory user untuk preferensi, fact store untuk fakta.

TL;DR: AGENTS.md itu file instruksi sederhana di root repo yang dibaca berbagai coding agent lintas tool, jadi aturan nggak perlu diduplikat per vendor. Pelajaran utamanya: file instruksi yang kepanjangan justru diabaikan, jadi isi cuma hal yang kalau dihapus bikin salah. Sisanya pecah tiga lapis: prosedur project di AGENTS.md, preferensi developer di memory user, fakta referensi diambil on-demand.

Bedah istilah AI agent dari sumber primernya: workflow vs agent, skills dan progressive disclosure, tiga jenis memory, RAG, sampai pipeline dan guardrail.

TL;DR: Agent, workflow, skill, dan memory itu beda: workflow pegang kendali lewat kode, agent memutuskan sendiri langkahnya. Skill itu SOP yang dimuat saat perlu, memory menyimpan interaksi lama, dan semuanya berebut context window terbatas. Pipeline plus gate, watchdog, dan observability bikin otomasi bisa dipercaya, karena rem lebih penting dari gas.

Pipeline artikel otomatis dari riset sampai publish, dan empat gerbang pengaman yang membuatnya layak dipercaya.

TL;DR: Blog ini jalan penuh otomatis lewat cron 2 jam, tapi disebut workflow, bukan agen liar, supaya determinis. Rem-nya dibangun lebih kuat dari gas: kepercayaan diberikan bertahap, verifikasi yang bisa menolak dengan rollback otomatis, dan riset wajib minimal tiga sumber resmi. Tugas mekanis diserahkan ke mesin, sedangkan selera, fakta baru, dan keputusan editorial tetap di tangan manusia.