Kebocoran Kode Claude: Mengungkap Arsitektur Lima Lapis dan Filsafat Hidup AI Agent Teratas

marsbitDipublikasikan tanggal 2026-04-02Terakhir diperbarui pada 2026-04-02

Abstrak

Kebocoran kode sumber Claude Code milik Anthropic mengungkap arsitektur canggih dan filosofi operasional AI agent kelas atas. Kode yang terdiri dari 1.900 file TypeScript (512.000 baris) menampilkan sistem lima lapis: Entrypoints (rute multi-perangkat), Runtime (siklus TAOR: Think-Act-Observe-Repeat), Engine (perakitan prompt dinamis dengan 5.677 token aturan keamanan), Tools & Caps (40 alat dengan isolasi izin), dan Infrastructure (manajemen cache & "kill switch"). Fitur mencolok termasuk sistem memori tiga lapis (semantik, situasional, kerja) dan mekanisme "Auto-Dream" yang membersihkan noise data setiap 24 jam. Anthropic juga menerapkan kontrol ketat melalui "Undercover Mode" (menyembunyikan identitas AI), "ANTI_DISTILLATION" (menyuntikkan alat palsu untuk melindungi IP), dan autentikasi hardware-level. Kebocoran ini mengungkap rencana masa depan seperti mode "KAIROS" – agen latar belakang yang berjalan 24/7 untuk tindakan otonom. Meski kode telah dicabut, arsitektur ini menjadi referensi berharga bagi industri, sementara Anthropic menghadapi tantangan menyeimbangkan transparansi dan keamanan menuju IPO 2026.

Di dunia AI, efek kupu-kupu yang dipicu oleh kesalahan pengemasan sedang berubah menjadi pelajaran terbuka teratas di kalangan teknologi.

Menurut laporan media, karena kelalaian konfigurasi alat build Bun, 1.900 file TypeScript dari agen kecerdasan pemrograman Claude Code milik Anthropic, dengan total 512.000 baris kode sumber, secara tidak sengaja bocor. Kecelakaan ini tidak hanya memungkinkan dunia luar mengintip landasan teknis Agent teratas, tetapi juga mengungkap logika mendalam Anthropic dalam kontrol informasi dan evolusi produk.

Panorama Arsitektur Lima Lapis: Ini Bukan Hanya Antarmuka "Cangkang"

Kode yang bocor menunjukkan sistem tingkat produksi yang sangat kompleks, arsitekturnya jelas dibagi menjadi lima lapis:

Lapisan Entri (Entrypoints): Merutekan CLI, desktop, dan SDK secara terpadu, mencapai standardisasi input multi-perangkat.

Lapisan Runtime (Runtime): Intinya adalah siklus TAOR (Think-Act-Observe-Repeat), mempertahankan ritme perilaku Agent.

Lapisan Mesin (Engine): Jantung sistem, bertanggung jawab untuk perakitan prompt dinamis. Bergantung pada modenya, menyuntikkan ratusan fragmen prompt, hanya aturan keamanan saja mencapai 5.677 token.

Lapisan Alat & Kemampuan (Tools & Caps): Dilengkapi dengan sekitar 40 alat independen, setiap alat memiliki isolasi izin yang ketat.

Lapisan Infrastruktur (Infrastructure): Mengelola cache prompt dan kontrol jarak jauh, bahkan mencakup "kill switch" yang dapat dinonaktifkan dari jarak jauh.

Desain Bionik: Memori Berlapis dan Mekanisme "Tidur REM"

Sistem memori Claude Code sangat selaras dengan ilmu kognitif:

Memori Tiga Lapis: Dibagi menjadi memori semantik jangka panjang (retrieval RAG), memori episodik (urutan percakapan), dan memori kerja (konteks saat ini), inti pemikirannya adalah "ambil sesuai kebutuhan, jangan pernah penuh".

Mekanisme Auto-Dream: Lapisan infrastruktur memiliki proses latar bernama "bermimpi". Setiap 24 jam atau setelah 5 sesi, sistem akan menjalankan sub-agen untuk mengintegrasikan memori, membersihkan noise, dan memadatkan ekspresi samar menjadi pengetahuan yang pasti.

Tiga Alat Kontrol Informasi: Mode Penyamaran dan Anti-Distilasi

"Pertahanan" yang terpapar dalam kode sumber mencerminkan pemikiran kontrol informasi Anthropic yang ketat:

Mode Undercover: Diaktifkan secara otomatis saat beroperasi di repositori non-internal, mencabut semua identifikasi AI, menerapkan "kontribusi diam-diam".

Mekanisme Anti-Distilasi (ANTI_DISTILLATION): Saat diaktifkan akan menyuntikkan definisi alat palsu ke dalam prompt, mencegah pesaing melatih model mereka sendiri melalui lalu lintas API.

Autentikasi Asli: Menggunakan autentikasi tingkat perangkat keras lapisan Bun/Zig, mencegah pihak ketiga memalsukan atau memodifikasi klien resmi.

Peta Jalan Masa Depan: Mode KAIROS dan Asisten yang "Tidak Pernah Tidur"

Feature Flag yang bocor mengisyaratkan fungsi generasi berikutnya: mode KAIROS. Ini adalah agen latar yang berjalan terus-menerus, mendukung langganan GitHub Webhook dan pembaruan terjadwal Cron. Ini berarti AI akan berubah dari alat "digerakkan dulu baru bergerak" menjadi mitra yang online 24 jam, dapat mengamati secara mandiri dan bertindak aktif.

Penutup: Kode yang Bocor, Akumulasi yang Tidak Dapat Disalin

Meskipun Anthropic telah menurunkan versi terkait dengan darurat dan mengirim pemberitahuan DMCA, pemikiran arsitektur Claude Code telah tumbuh subur di komunitas. Bagi industri, ini mungkin adalah "praktik terbaik" pertama yang divalidasi produksi skala besar di bidang Agent; bagi Anthropic, bagaimana menemukan kembali keseimbangan antara transparansi tinggi dan keamanan, akan menjadi tantangan penting dalam perjalanan IPO mereka di tahun 2026.

Kripto yang Sedang Tren

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

ZRX（0X）ZRX

PancakeSwapCAKE

Pertanyaan Terkait

QApa yang menyebabkan kode sumber Claude Code bocor ke publik?

AKode sumber Claude Code bocor karena kesalahan konfigurasi pada alat build Bun, yang menyebabkan 1.900 file TypeScript (total 512.000 baris kode) tidak sengaja terekspos.

QBagaimana arsitektur Claude Code dijelaskan dalam lima lapisan?

AArsitektur Claude Code terdiri dari lima lapisan: Entrypoints (rute input multidevice), Runtime (siklus TAOR: Think-Act-Observe-Repeat), Engine (perakitan prompt dinamis), Tools & Caps (40+ alat dengan isolasi izin), dan Infrastructure (manajemen cache dan remote control).

QApa itu mekanisme 'Auto-Dream' yang dimiliki Claude Code?

AMekanisme 'Auto-Dream' adalah proses latar tempat yang dijalankan setiap 24 jam atau setelah 5 sesi, di mana sub-agen membersihkan noise memori, mengonsolidasi pengetahuan, dan mengubah ucapan samar menjadi pengetahuan yang pasti.

QBagaimana Anthropic mengontrol informasi dan mencegah penyalahgunaan melalui Claude Code?

AAnthropic menggunakan tiga mekanisme: Undercover Mode (menyembunyikan identitas AI di repositori eksternal), Anti-Distillation (menyuntikkan definisi alat palsu untuk mencegah pelatihan model saingan), dan autentikasi hardware-level melalui Bun/Zig.

QApa yang diungkapkan oleh fitur 'KAIROS' dalam roadmap masa depan Claude Code?

AFitur KAIROS mengindikasikan masa depan di mana AI akan menjadi agen latar belakang yang berjalan terus-menerus, mendukung GitHub Webhook dan Cron jobs, sehingga dapat bertindak secara proaktif sebagai asisten 24/7.

Bacaan Terkait

WEEX API Fast Connect: Jadikan Setiap Masuk Jadi Trader Langsung dalam Kurang dari 10 Detik

WEEX meluncurkan API Fast Connect, sistem otorisasi OAuth satu klik yang memungkinkan pengguna menghubungkan akun WEEX mereka tanpa harus menangani kunci API secara manual. Solusi ini dirancang untuk mitra WEEX Broker, menggantikan proses onboarding teknis tradisional dengan pengalaman satu ketuk yang lancar, bertujuan untuk meningkatkan konversi pengguna yang lebih cepat dan retensi jangka panjang yang lebih kuat di platform mitra. Dengan Fast Connect, pengguna dapat mengotorisasi dan mulai trading langsung dalam waktu di bawah 10 detik. Sistem ini menghilangkan hambatan utama dalam konversi: proses manual pembuatan dan konfigurasi kunci API yang sering menyebabkan pengguna berhenti. Alih-alhi meninggalkan platform, pengguna cukup klik "Masuk dengan WEEX", meninjau cakupan izin di halaman verifikasi resmi WEEX, dan koneksi langsung terbentuk. Kunci API dihasilkan dan dienkripsi di backend, sehingga tidak pernah dilihat atau dikelola oleh pengguna, meningkatkan keamanan. Fitur ini cocok untuk platform sinyal AI, alat quant, bot trading, dan layanan copy trading, serta untuk pengguna pemula yang ingin bertindak cepat berdasarkan sinyal tanpa beban teknis. Dengan mengurangi gesekan, Fast Connect menawarkan konversi tanpa hambatan, tingkat retensi yang lebih tinggi, dan pertumbuhan volume trading yang lebih cepat bagi mitra WEEX Broker.

TheNewsCrypto7m yang lalu

WEEX API Fast Connect: Jadikan Setiap Masuk Jadi Trader Langsung dalam Kurang dari 10 Detik

TheNewsCrypto7m yang lalu

Rilis XRP Ledger v3.3.0 Menyorot Lima Amandemen

Rilis xrpld v3.3.0 XRP Ledger yang dijadwalkan pada awal Agustus memfokuskan pada lima amandemen baru: Confidential MPT, Batch, Permission Delegation, Sponsored Fees and Reserves, dan Dynamic MPT. Perubahan ini bertujuan meningkatkan fungsionalitas ledger untuk aset tokenisasi, pengalaman pengguna, serta fleksibilitas operasional. Aktivasi fitur-fitur ini memerlukan konsensus dari 80% validator, sehingga tidak langsung live setelah rilis. Amandemen tersebut berfokus pada infrastruktur untuk kasus penggunaan lanjutan. Sponsored Fees dapat mengurangi gesekan onboarding dengan memungkinkan pihak lain membayar biaya jaringan. Confidential dan Dynamic MPT menawarkan lebih banyak kontrol dan fleksibilitas bagi penerbit aset token, sementara Batch dan Permission Delegation meningkatkan efisiensi operasional aplikasi. Peningkatan ini memperkuat fondasi XRP Ledger untuk pembayaran institusional dan tokenisasi aset, namun dampak praktisnya bergantung pada adopsi validator dan bagaimana pengembang memanfaatkan fitur baru ini.

bitcoinist22m yang lalu

Rilis XRP Ledger v3.3.0 Menyorot Lima Amandemen

bitcoinist22m yang lalu

Laporan Pagi Wall Street: V-reversal di Akhir Bulan, Tapi Indeks Nasdaq Rekam Performa Terburuk Juli dalam 12 Tahun, Modal Terkonsentrasi ke Raksasa Cloud

**Laporan Pagi Wall Street: Rebound di Akhir Bulan, Tapi Nasdaq Catat Performa Terburuk Juli dalam 12 Tahun, Modal Terakselerasi ke Raksasa Cloud** Pasar saham AS mengalami rebound berbentuk V pada Jumat lalu, dengan tiga indeks utama menguat. Namun, ini tidak menutupi performa buruk sepanjang Juli: Indeks S&P 500 hampir datar, mencatat kinerja Juli terburuk sejak 2014, sementara **Indeks Nasdaq turun 3,2%, merupakan kinerja Juli terburuk sejak 2004.** **Pergerakan Komoditas & Makro:** * **Minyak:** Harga minyak mentah WTI anjlok >8% setelah Presiden Trump membatalkan serangan militer terhadap Iran dan OPEC+ menyetujui peningkatan kuota produksi. * **Emas:** Harga emas naik tipis 0,91% pada Juli, berayun di sekitar $4050/oz. Analis melihat periode konsolidasi dengan kisaran perkiraan $3800-$4500 untuk tahun ini. * **Obligasi & Mata Uang:** Yield obligasi AS 10 tahun melonjak di bulan Juli. AS dan Jepang melakukan intervensi bersama untuk mendukung Yen, mendorong USD/JPY turun di bawah level 156. **Fokus Pasar: Percepatan Aliran Modal ke Raksasa Cloud** Tekanan deleveraging membayangi saham teknologi sepanjang Juli, namun **modal bergerak cepat ke perusahaan cloud besar.** Saham cloud meroket setelah laporan kinerja kuartalan yang kuat, dengan **kapitalisasi pasar gabungan raksasa cloud bertambah hampir $1,5 triliun** dalam seminggu (Microsoft, Amazon, Google). Ini menunjukkan pergeseran modal dari sektor hardware/semikonduktor yang padat menuju perusahaan cloud dengan arus kas yang kuat. **Kilasan Performa Saham Penting:** * **Amazon:** Melonjak 15,32% setelah kinerja AWS yang sangat kuat. * **Microsoft & Google:** Terus menguat dengan prospek bisnis cloud/AI yang solid. * **Meta:** Naik 3,28%, mengakhiri 11 hari penurunan beruntun. * **Apple:** Anjlok 7,35% karena kekhawatiran pasokan dan panduan yang lemah. * **Saham Memori (seperti Micron, Sandisk):** Terkoreksi tajam pada bulan Juli. * **SpaceX:** Akan merilis laporan kinerja pertama pasca-IPO pada 5 Agustus, diikuti masa pelepasan saham terbatas besar-besaran pada 6 Agustus. **Yang Perlu Diperhatikan Minggu Ini:** * **Laporan Kinerja Perusahaan:** Berkshire Hathaway, Palantir, AMD, SpaceX, Disney, Sandisk, Western Digital, dan lainnya. * **Konferensi:** Ai4 2026 dan Flash Memory Summit (FMS). * **Data Makro Kunci:** Laporan Penggajian Non-Pertanian AS (7 Agustus), data ekspor-impor & CPI China.

marsbit45m yang lalu

Laporan Pagi Wall Street: V-reversal di Akhir Bulan, Tapi Indeks Nasdaq Rekam Performa Terburuk Juli dalam 12 Tahun, Modal Terkonsentrasi ke Raksasa Cloud

marsbit45m yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Laporan terbaru dari SemiAnalysis mengungkapkan bahwa NVIDIA telah merevisi spesifikasi Rubin Ultra, varian flagship dari arsitektur Rubin yang diumumkan di GTC 2026. Alih-alih peningkatan besar pada memori dan daya komputasi, fokus utama kini beralih ke kemampuan interkoneksi skala sistem. Spesifikasi kunci yang diungkapkan menunjukkan Rubin Ultra akan mempertahankan puncak komputasi teoretis yang sama dengan Rubin standar, yaitu 35 PFLOPs. Namun, terjadi pengurangan signifikan pada kapasitas memori, turun menjadi 192GB dengan konfigurasi 8-Hi, lebih rendah dari Rubin standar yang 288GB (12-Hi). Peningkatan bandwidth memori juga minimal, hanya 1 TB/s, dan daya chip bahkan sedikit lebih tinggi. Peningkatan utama justru pada "skala interkoneksi" (*scale-up world size*), yang melonjak dari 72 GPU menjadi 576 GPU. Ini memungkinkan ratusan GPU Rubin Ultra terhubung via NVLink membentuk satu "super GPU" logis yang sangat besar. Analisis SemiAnalysis mengaitkan perubahan desain ini dengan lonjakan harga HBM (High Bandwidth Memory) yang drastis. Biaya material (BOM) untuk rak server Rubin Ultra sempat melonjak menjadi sekitar $8 juta karena harga HBM, tetapi dengan spesifikasi baru, biaya turun ke sekitar $6.4 juta. NVIDIA diduga mengalihkan biaya dari komponen HBM yang mahal (yang pangsa biayanya turun dari ~40% menjadi 28%) ke peningkatan interkoneksi jaringan (naik dari 4% menjadi 12%). Berita ini memicu kekhawatiran pasar tentang permintaan HBM. Saham produsen HBM seperti SK Hynix dan Samsung anjlok sekitar 8%, mencerminkan kekhawatiran bahwa pembeli utama seperti NVIDIA mungkin mulai mengurangi ketergantungan pada HBM berkapasitas tinggi untuk mengontrol biaya sistem AI secara keseluruhan.

Odaily星球日报1j yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Odaily星球日报1j yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit2j yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit2j yang lalu

Trading

Spot

Artikel Populer

Cara Membeli LAYER

Selamat datang di HTX.com! Kami telah membuat pembelian Solayer (LAYER) menjadi mudah dan nyaman. Ikuti panduan langkah demi langkah kami untuk memulai perjalanan kripto Anda.Langkah 1: Buat Akun HTX AndaGunakan alamat email atau nomor ponsel Anda untuk mendaftar akun gratis di HTX. Rasakan perjalanan pendaftaran yang mudah dan buka semua fitur.Dapatkan Akun SayaLangkah 2: Buka Beli Kripto, lalu Pilih Metode Pembayaran AndaKartu Kredit/Debit: Gunakan Visa atau Mastercard Anda untuk membeli Solayer (LAYER) secara instan.Saldo: Gunakan dana dari saldo akun HTX Anda untuk melakukan trading dengan lancar.Pihak Ketiga: Kami telah menambahkan metode pembayaran populer seperti Google Pay dan Apple Pay untuk meningkatkan kenyamanan.P2P: Lakukan trading langsung dengan pengguna lain di HTX.Over-the-Counter (OTC): Kami menawarkan layanan yang dibuat khusus dan kurs yang kompetitif bagi para trader.Langkah 3: Simpan Solayer (LAYER) AndaSetelah melakukan pembelian, simpan Solayer (LAYER) di akun HTX Anda. Selain itu, Anda dapat mengirimkannya ke tempat lain melalui transfer blockchain atau menggunakannya untuk memperdagangkan mata uang kripto lainnya.Langkah 4: Lakukan trading Solayer (LAYER)Lakukan trading Solayer (LAYER) dengan mudah di pasar spot HTX. Cukup akses akun Anda, pilih pasangan perdagangan, jalankan trading, lalu pantau secara real-time. Kami menawarkan pengalaman yang ramah pengguna baik untuk pemula maupun trader berpengalaman.

1.1k Total TayanganDipublikasikan pada 2025.02.11Diperbarui pada 2026.06.02

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga LAYER (LAYER) disajikan di bawah ini.