ai-agent

Spec 199 baris buat skill init-rules: layered pack universal + per-stack, CLAUDE.md jadi indeks, re-run idempoten ala konvensi Go dan Copier.

TL;DR: Awalnya kirain cukup taruh semua aturan di satu file gede di root, ternyata bikin ribet dan susah di-maintain. Akhirnya dibikin sistem layered, file root jadi indeks aja dan aturan dipisah per path plus per stack biar kepake seperlunya. Generatornya juga dibikin idempoten ala Go biar rerun nggak nimpa perubahan lokal sembarangan.

Skor 70/0/0 bikin saya yakin pipeline agen sudah deterministik. Ternyata temperature 0 pun nggak menjamin apa-apa; satu-satunya saksi cuma diff golden.

TL;DR: Awalnya sempat senyum karena skor 70/0/0, kira pipeline udah deterministik padahal nggak. Skor itu cuma bukti runner verifikasinya bekerja, soalnya temp 0 pun model masih bisa ngeluarin output beda gara-gara batch invariance. Jadi verdict mesti diambil dari diff artefak lawan golden file, bukan dari omongan si agen.

CLI OpenHands resmi deprecated pada 2026. Kenali penerusnya Agent Canvas, cara memakainya dengan benar, dan pola integrasinya dengan Hermes Agent.

TL;DR: Paket pip install openhands sudah deprecated; OpenHands berubah jadi platform Agent Canvas yang kini jadi antarmuka utamanya. Instalasi sekarang lewat npm global atau Docker, dengan mode Docker sebagai sandbox sejati karena akses agent dikunci ke folder PROJECTS_PATH. OpenHands berposisi sebagai outer loop untuk tugas berat berujung pull request, jadi pelengkap Hermes Agent, bukan pesaingnya.

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.