22 Agen Berlomba di Hyperliquid, Apa yang Saya Temukan? (Dilengkapi Kode Strategi Lengkap)

Odaily星球日报Dipublikasikan tanggal 2026-03-16Terakhir diperbarui pada 2026-03-16

Abstrak

Sebuah eksperimen dengan 22 agen AI otonom yang diperdagangkan di Hyperliquid dengan modal $22.000 mengungkap beberapa temuan kunci: - **Lebih sedikit transaksi dengan keyakinan tinggi menghasilkan hasil lebih baik**. Agen dengan kurang dari 120 transaksi semuanya untung, sementara yang melakukan lebih dari 400 transaksi rugi signifikan. - **Keuntungan mengikuti distribusi kekuatan**: Hanya 3–5 transaksi terbaik yang menyumbang hampir semua laba, sementara sisanya rugi kecil. - **Data real-time Hyperfeed (pelacak profit trader) adalah senjata rahasia**. Agen yang menggunakan data ini (seperti Fox, Grizzly) mengungguli strategi murni teknis. - **Strategi mean reversal gagal** di pasar perpetual Hyperliquid yang sangat trending. - **Agen cenderung memperburuk kerugian** dengan menyesuaikan parameter secara agresif saat rugi, sehingga mekanisme proteksi risiko harus ditanamkan dalam kode. Eksperimen berlanjut dengan strategi yang disempurnakan, dan semua kode serta hasil transaksi tersedia secara terbuka.

Artikel ini dari:Jason Goldberg

Disusun | Odaily Planet Daily (@OdailyChina); Penerjemah | Azuma (@azuma_eth)

Kami menggunakan Senpi untuk menerapkan 22 Agen AI yang berdagang secara mandiri di Hyperliquid, setiap Agen dikonfigurasi dengan dana nyata $1000.

Mereka akan berjalan 24/7 — memindai pasar, membuka posisi, mengatur stop loss bergerak, mengelola risiko — tanpa intervensi manusia sama sekali.

Setelah menginvestasikan modal awal $22.000 dan mengeksekusi lebih dari 5000 transaksi, inilah rangkuman pelajaran yang kami dapatkan.

Kesimpulan Umum

“Lebih sedikit transaksi” ditambah “keyakinan lebih tinggi”, selalu sama dengan “hasil yang lebih baik”. Ini bukan fenomena yang kadang-kadang muncul, tetapi berlaku setiap kali.

  • Catatan Odaily: Fox, Bison, Ghost Fox, dan Grizzly, Viper, Mamba, Anaconda, dll. yang akan muncul nanti adalah nama-nama Agen yang menjalankan strategi berbeda.

Seperti yang ditunjukkan pada gambar di atas, Agen “Fox” dan Agen “Ghost Fox” menggunakan alat pemindaian yang sama. Fox hanya akan mengeksekusi sebagian sinyal secara selektif, sedangkan Ghost Fox akan mengeksekusi lebih banyak sinyal. Hasilnya, perbedaan tingkat pengembalian investasi (ROI) antara keduanya mencapai 56 poin persentase.

Keunggulan sebenarnya tidak terletak pada alat pemindaian itu sendiri, tetapi pada disiplin untuk menunggu sinyal yang benar.

  • Semua Agen yang melakukan lebih dari 400 transaksi mengalami kerugian parah.
  • Sementara Agen yang melakukan kurang dari 120 transaksi semuanya dalam keadaan untung.

Lebih banyak transaksi tidak berarti lebih banyak peluang — itu berarti lebih banyak transaksi tidak valid, lebih banyak biaya komisi, dan lebih banyak paparan risiko noise.

Keuntungan Mengikuti “Distribusi Kekuatan”

Di antara Agen kami yang berkinerja terbaik, 3–5 transaksi menyumbang semua keuntungan, sementara transaksi lainnya pada dasarnya mengalami kerugian kecil dan dengan cepat di-stop loss.

Mengambil contoh Fox lagi, tiga transaksi terbaik (ZEC, TRUMP, FARTCOIN) menghasilkan keuntungan gabungan lebih dari $350; 46 transaksi lainnya mengalami kerugian gabungan lebih dari $100; Hasil akhirnya adalah, laba bersih sekitar $248.

Ini sepenuhnya hasil dari desain strategi. Desain kami adalah: masuk dengan tegas saat keyakinan tinggi, menghentikan kerugian dengan tegas dalam hitungan menit, membiarkan posisi yang menguntungkan terus berjalan, dan mengunci sebagian keuntungan puncak melalui strategi stop loss bergerak DSL High Water. Ketika keuntungan rata-rata 10 kali lipat dari kerugian rata-rata, bahkan dengan tingkat kemenangan hanya 43% pun masih bisa menghasilkan uang secara stabil.

Agen yang mencoba mempertahankan tingkat kemenangan tinggi melalui transaksi “aman” justru semuanya merugi — karena setiap transaksi dengan target keuntungan kecil masih harus menanggung biaya komisi dan risiko pasar.

Senjata Rahasia: Hyperfeed

Fox serta Agen lain yang berkinerja stabil semuanya dibangun di atas Hyperfeed milik Senpi.

Hyperfeed adalah sistem pelacakan waktu nyata yang dapat melihat semua aset yang sedang menghasilkan uang bagi trader di Hyperliquid saat ini. Ini bukan peringkat historis atau indikator tertinggal lainnya, tetapi perilaku trading yang sebenarnya menguntungkan di seluruh bursa pada saat ini juga.

Alat pemindaian inti yang kami gunakan, Emerging Movers, membaca data konsentrasi pasar Hyperfeed setiap 90 detik. Ketika uang pintar tiba-tiba berputar ke suatu aset: misalnya, seorang trader tiba-tiba melonjak setidaknya 15 peringkat di papan peringkat, atau kecepatan kontribusi keuntungan suatu aset tiba-tiba naik, atau beberapa trader top secara bersamaan membuka posisi yang sama, alat pemindaian dapat menangkap sinyal sebelum pergerakan harga sepenuhnya terbentuk.

Inilah keunggulan struktural membangun strategi di Hyperliquid melalui Senpi, Anda dapat melihat secara real-time ke mana keuntungan trader top sedang terkonsentrasi, dan segera bertindak. Tidak ada bursa lain yang memberikan visibilitas seperti ini, dan tidak ada platform lain yang memungkinkan Agen mandiri mengeksekusi operasi berdasarkan ini.

Semua Agen kami yang berkinerja terbaik menggunakan data semacam ini:

  • Fox / Vixen: Mengidentifikasi uang pintar yang tiba-tiba terkonsentrasi pada suatu aset melalui Emerging Movers;
  • Grizzly: Menganalisis posisi uang pintar di BTC melalui Hyperfeed sebelum membuka posisi;
  • Bison: Menggunakan arah uang pintar sebagai kondisi wajib — jika arahnya berlawanan maka tidak akan melakukan transaksi;

Sementara Agen yang berkinerja terburuk:

  • Benar-benar mengabaikan sinyal uang pintar, seperti Viper, Mamba yang murni berdasarkan analisis teknis;
  • Menggunakan data uang pintar yang kedaluwarsa (Scorpion v1), menganggap posisi berbulan-bulan yang lalu sebagai sinyal baru;

Jadi kesimpulannya sangat jelas, Agen yang melakukan perdagangan berdasarkan data Hyperfeed waktu nyata, kinerjanya secara keseluruhan lebih unggul daripada semua strategi teknis murni.

Strategi Mean Reversion, Tidak Berfungsi dalam Kontrak Berkelanjutan

Kami menguji tiga versi Agen berbeda berdasarkan logika “harga menyimpang terlalu jauh, akan segera kembali ke rata-rata”, kinerja spesifiknya sebagai berikut:

  • Viper: -18%
  • Mamba: -33%
  • Anaconda: -22%

Hasilnya adalah semuanya merugi. Masalahnya adalah, pasar kontrak berkelanjutan Hyperliquid memiliki tren yang jauh lebih kuat daripada kemungkinan mean reversion. Membeli di saat tren turun) adalah kesalahan yang paling mahal di pasar ini. Agen-agen ini terus membeli pada apa yang disebut “level support”, tetapi harga terus turun selama berhari-hari.

Perbaikan yang sedang kami uji adalah menambahkan alat filter kondisi pasar makro, yaitu melarang pembelian berdasarkan “strategi mean reversion” ketika tren empat jam BTC sedang turun. Hasil awal terlihat bagus, alat filter ini dapat menghindari 14 dari 28 transaksi yang merugi oleh Mamba.

Jangan Berpegang pada Satu Pola

Agen terbaru kami (Vixen) berdasarkan data trading Fox, mengadopsi dua mode masuk yang sangat berbeda.

  • Mode Pengintai (Stalker): Melalui pemindaian berulang, menangkap sinyal uang pintar yang sedang mengakumulasi suatu aset secara diam-diam. Dengan demikian Anda dapat masuk sebelum kerumunan masuk, beberapa keuntungan terbesar Fox justru berasal dari mode ini.
  • Mode Penyerang (Striker): Menangkap pergerakan breakout keras yang dikonfirmasi dengan volume. Masuk bersamaan dengan ledakan harga, tetapi hanya dieksekusi ketika didukung oleh volume nyata (menyaring pump palsu).

Data Fox menunjukkan bahwa ini sebenarnya adalah dua sumber sinyal Alpha yang sangat berbeda. Jika hanya menggunakan satu mode masuk, Anda harus memilih di antara keduanya, sehingga melewatkan peluang lainnya.

Agen akan Menyesuaikan Diri — dan Hasilnya Selalu Lebih Buruk

Sebuah temuan yang mengejutkan adalah: Ketika Agen mengalami kerugian beruntun, mereka akan mencoba “memperbaiki diri”. Perilaku perbaikan umum termasuk melonggarkan kondisi masuk, meningkatkan leverage, menghapus mekanisme perlindungan risiko, tetapi hasilnya setiap kali akan mempercepat kerugian.

Beberapa contoh, Dire Wolf setelah rugi -27%, mengaktifkan 5 posisi leverage 25x paralel, dan melonggarkan batas kecepatan pembukaan order; Agen lain menghapus mekanisme take profit stagnan; Agen lain lagi meningkatkan batas kerugian harian dari 10% menjadi 25%.

Solusi kami adalah, menuliskan mekanisme perlindungan risiko langsung ke dalam kode alat pemindaian, bukan mengandalkan konfigurasi strategi Agen itu sendiri. Jika alat pemindaian tidak mengeluarkan sinyal, Agen tidak dapat mengeksekusi transaksi — tidak peduli seberapa agresif penyesuaian yang dilakukannya dalam konfigurasinya sendiri.

Rencana Selanjutnya

Kami akan terus menjalankan eksperimen selama 24–48 jam ke depan, kemudian menutup Agen yang sudah tidak mungkin balik modal, untuk menghindari pengurasan sisa dana yang berlanjut.

Selanjutnya kami akan menerapkan versi strategi baru, dan menuliskan mekanisme perlindungan ke dalam lapisan kode:

  • Wolverine v1.1: Stop loss bergerak DSL kecepatan HYPE (mengunci keuntungan lebih cepat dalam aset volatilitas tinggi);
  • Mamba v2.0: Strategi mean reversion + Perlindungan tren makro BTC;
  • Scorpion v2.0: Konsensus peristiwa momentum waktu nyata (pengganti strategi following paus yang kedaluwarsa).

Secara bersamaan kami juga akan:

  • Menyelaraskan konfigurasi strategi Fox, Vixen, dan Mantis: Ketiga Agen ini menggunakan alat pemindaian yang sama, tetapi konfigurasinya sudah mengalami pergeseran, Fox saat ini memiliki tingkat pengembalian lebih dari 23%, dua lainnya akan disesuaikan ke pengaturan yang sama;
  • Menerapkan ulang kombinasi Fox/Vixen baru, menggunakan konfigurasi kemenangan lengkap Fox, termasuk aturan larangan XYZ, mekanisme take profit stagnan, batas kerugian harian 10%, semua mekanisme pintu risiko diaktifkan;
  • Memperluas strategi pemburu aset tunggal: Mode siklus hidup tiga tahap Grizzly (Mencari → Menunggangi → Mengintai → Memuat ulang) sekarang diterapkan pada ETH (Polar), SOL (Kodiak) dan HYPE (Wolverine).

Sementara itu, kami juga sedang mengembangkan strategi baru dan mengujinya langsung di pasar nyata. Pasar ini sendiri adalah laboratorium. Setiap strategi baru akan memiliki dana $1000 dan catatan transaksi yang lengkap dan transparan.

Eksperimen kami akan berjalan secara real-time di strategies.senpi.ai; Semua kode strategi open source di: github.com/Senpi-ai/senpi-skills

22 Agen, $22000 dana nyata, setiap transaksi sepenuhnya terbuka, eksperimen masih berlanjut.

Pertanyaan Terkait

QApa kesimpulan utama dari eksperimen 22 AI Agent yang dijalankan di Hyperliquid?

AKesimpulan utamanya adalah bahwa 'lebih sedikit perdagangan' ditambah 'keyakinan yang lebih tinggi' selalu menghasilkan 'hasil yang lebih baik'. Agent yang melakukan lebih dari 400 perdagangan mengalami kerugian parah, sementara yang melakukan kurang dari 120 perdagangan semuanya untung.

QApa itu Hyperfeed dan mengapa ia disebut sebagai senjata rahasia dalam eksperimen ini?

AHyperfeed adalah sistem pelacakan real-time yang memantau aset apa saja yang sedang menguntungkan bagi para trader di Hyperliquid. Ini disebut senjata rahasia karena Agent yang berkinerja terbaik (seperti Fox dan Grizzly) menggunakan data real-time ini untuk mengidentifikasi di mana uang pintar (smart money) terkonsentrasi, sehingga mereka dapat bertindak sebelum pasar sepenuhnya menetapkan harga.

QMengapa strategi mean reversion (regresi rata-rata) gagal dalam perdagangan perpetual contract di Hyperliquid?

AStrategi mean reversion gagal karena pasar perpetual contract Hyperliquid memiliki karakteristik tren yang lebih kuat daripada kemungkinan regresi rata-rata. Agent seperti Viper, Mamba, dan Anaconda terus membeli di 'level support' yang diduga, tetapi harga terus turun selama berhari-hari, mengakibatkan kerugian.

QPerilaku 'perbaikan diri' seperti apa yang dilakukan Agent saat mengalami kerugian beruntun, dan apa hasilnya?

ASaat mengalami kerugian beruntun, Agent mencoba 'memperbaiki diri' dengan melonggarkan kondisi masuk, meningkatkan leverage, dan menghapus mekanisme perlindungan risiko. Namun, hasilnya justru selalu mempercepat kerugian, seperti yang terjadi pada Agent Dire Wolf yang mengaktifkan 5 posisi leverage 25x setelah rugi -27%.

QApa rencana ke depan untuk eksperimen Agent ini berdasarkan temuan yang didapat?

ARencana ke depan termasuk menutup Agent yang sudah tidak mungkin balik modal, menerapkan versi strategi baru dengan mekanisme perlindungan yang ditulis dalam kode (seperti Mamba v2.0 dengan perlindungan tren makro BTC), menyelaraskan konfigurasi Agent terbaik (Fox, Vixen, Mantis), dan mengembangkan strategi baru yang diuji langsung di pasar nyata dengan dana $1000 per strategi.

Bacaan Terkait

MicroStrategy Tidak Akan Mati dalam Penurunan Ini: Refleksivitas, Jangkar Kembali STRC ke Nilai Nominal, dan Logika Penyelamatan 'Jual Saham, Jangan Jual Koin'

Penulis (@bonnazhu) menganalisis penurunan harga Bitcoin (BTC) terkini dan dampaknya pada MicroStrategy (MSTR) serta saham preferennya (STRC). Intinya: 1. **Pemicu Penurunan**: Penurunan cepat BTC diduga akibat serangan pasar yang memanfaatkan kekhawatiran likuiditas MSTR. MSTR menggunakan cadangan kasnya untuk membeli kembali obligasi konversi dan menjual 32 BTC, memicu narasi "krisis arus kas". Ini adalah contoh **refleksivitas**, di mana ekspektasi pasar dapat mengubah realitas—serupa dengan serangan George Soros terhadap poundsterling. 2. **STRC dan Anjaknya**: STRC turun karena kekhawatiran pasar atas kemampuan MSTR membayar dividen, meningkatkan tingkat pengembalian yang disyaratkan. Namun, sebagai obligasi suku bunga mengambang, harga STRC akan kembali ke nilai pari (100) seiring waktu karena dividen dapat disesuaikan. 3. **Solusi yang Direkomendasikan**: Daripada menjual BTC (yang merusak narasi "tidak pernah jual BTC" dan mengurangi premium mNAV), MSTR sebaiknya **menerbitkan saham baru** saat mNAV > 1. Ini mengisi cadangan kas tanpa mengurangi kepemilikan BTC per saham, mempertahankan premium, meningkatkan ekuitas, dan memperbaiki rasio utang. Menjual BTC justru memperburuk rasio utang, mengurangi kepemilikan BTC per saham, dan dapat merusak narasi investasi jangka panjang. Kesimpulan: MSTR dapat mengatasi tekanan jangka pendek, tetapi menjual BTC berisiko merusak model bisnisnya. Jika MSTR memilih menjual BTC, krisis mungkin teratasi sekarang, tetapi dapat memicu siklus refleksif serupa di masa depan jika narasi intinya berubah.

marsbit7m yang lalu

MicroStrategy Tidak Akan Mati dalam Penurunan Ini: Refleksivitas, Jangkar Kembali STRC ke Nilai Nominal, dan Logika Penyelamatan 'Jual Saham, Jangan Jual Koin'

marsbit7m yang lalu

Humanity Digerog Rp46,6 Miliar, Satu Kunci Pribadi Jatuhkan Harga Token 90%

9 Juni, proyek identitas digital Humanity Protocol mengalami serangan keamanan besar akibat kebocoran kunci pribadi anggota yayasan, menyebabkan kerugian lebih dari $31 juta. Ratusan alamat yang memegang token H dibobol, dengan sekitar $9 juta dikonversi ke ETH dan $9,9 juta lainnya masih dalam bentuk token H. Menyusul insiden ini, pendiri Terence Kwok menyarankan pengguna untuk sementara tidak berinteraksi dengan jembatan silang atau pool likuiditas Humanity. Harga token H anjlok lebih dari 90%, dari sekitar $0,7 menjadi terendah $0,052, dan kapitalisasi pasar merosot dari $2 miliar menjadi sekitar $35,7 juta. Pelaku diduga mencetak 100 juta token H baru dan menjualnya untuk BNB. Humanity Protocol, yang didirikan pada 2024, mengusung verifikasi identitas menggunakan sidap telapak tangan dan zero-knowledge proof. Namun, proyek ini sebelumnya telah dikritik karena hanya sekitar 1 dari 9 juta ID yang terverifikasi biometrik, serta tuduhan mengenai kode aplikasi dan praktik pertumbuhan pengguna yang dipertanyakan. Ini bukan kali pertama Kwok menghadapi kegagalan besar; startup sebelumnya, Tink Labs, yang pernah menjadi unicorn, bangkrut setelah menghabiskan $170 juta dana investasi. Serangan ini menyoroti kembali masalah mendasar dalam manajemen kunci pribadi di industri kripto, di mana celah keamanan operasional tradisional masih menimbulkan kerugian besar. Hingga berita ini dibuat, belum ada skema kompensasi untuk pengguna yang dirugikan.

marsbit8m yang lalu

Humanity Digerog Rp46,6 Miliar, Satu Kunci Pribadi Jatuhkan Harga Token 90%

marsbit8m yang lalu

Humanity Dicuri 31 Juta Dolar, Satu Private Key Jatuhkan Harga Token 90%

**Ringkasan Insiden Keamanan Humanity Protocol: Kerugian $31 Juta akibat Kebocoran Kunci Pribadi** Menurut analisis rantai, dompet yang berinteraksi dengan proyek identitas digital Humanity mengalami serangan berkelanjutan pada 9 Juni. Lebih dari 300 alamat yang memegang token H telah diretas, dengan total kerugian melebihi $31 juta. Sekitar $9 juta telah dikonversi ke ETH. Pendiri Humanity, Terence Kwok, mengonfirmasi insiden keamanan ini disebabkan oleh kebocoran kunci pribadi anggota yayasan. Ia menyarankan pengguna untuk sementara tidak berinteraksi dengan jembatan silang atau pool likuiditas Humanity. Harga token H anjlok lebih dari 90%, dari sekitar $0,7 menjadi terendah $0,052, menyebabkan kapitalisasi pasar turun dari $2 miliar menjadi sekitar $35,7 juta. Pelaku diduga mencetak 100 juta token H baru dan menjualnya untuk BNB. Humanity Protocol, yang didirikan pada 2024, mengusung identitas digital terdesentralisasi menggunakan pengenalan tapak tangan. Proyek ini telah mengumpulkan pendanaan $50 juta dengan valuasi mencapai $1,1 miliar. Namun, proyek ini sebelumnya telah dikritik karena hanya sekitar 1 juta dari 9 juta ID yang terverifikasi secara biometrik, serta adanya klaim bahwa ini adalah proyek "shell" dengan kode yang diduga berasal dari penyedia pintu akses China. Riwayat Terence Kwok juga menambah risiko. Startup sebelumnya, Tink Labs, yang pernah menjadi unicorn, bangkrut setelah membakar $170 juta dana investasi. Insiden ini menyoroti kegagalan manajemen keamanan dasar. Kebocoran kunci pribadi—masalah lama di industri—menghasilkan kerugian besar, menambah daftar serangan DeFi yang tahun ini telah melebihi $1 miliar. Sampai saat ini, belum ada skema kompensasi yang diumumkan untuk pengguna yang terdampak.

Foresight News30m yang lalu

Humanity Dicuri 31 Juta Dolar, Satu Private Key Jatuhkan Harga Token 90%

Foresight News30m yang lalu

Bagaimana Melakukan Riset Mendalam dengan Dynamic Workflows Claude

## Ringkasan: Bagaimana Melakukan Penelitian Mendalam dengan Dynamic Workflows Claude Melakukan riset teknologi penuh dengan jebakan, baik bagi manusia maupun AI, karena sering kali informasi yang berlimpah justru mengaburkan kesimpulan. AI cenderung terjebak dalam volume informasi dan lemah dalam asosiasi lintas bidang yang bernilai, meskipun unggul dalam eksekusi dan penelusuran detail secara berlapis. Penulis mengandalkan sistem *deep-research* sendiri namun ingin membandingkannya dengan kemampuan **Dynamic Workflows** pada Claude Code. Fitur ini memungkinkan AI merancang alur kerja yang optimal secara otomatis sebelum menjalankan tugas, berbeda dengan mode "rencana" biasa. Dinamakan dengan perintah `/deep-research`, ia mengkonsumsi token puluhan kali lebih banyak. Inti Dynamic Workflows adalah enam mode penjadwalan inti yang mengatur bagaimana tugas dipecah dan hasil digabung: 1. **Classify-And-Act (Routing):** Tugas diklasifikasi dan dialihkan ke *agent* spesialis yang paling tepat. Efisien dan cepat, tetapi kurang baik untuk tugas dengan batasan kabur. 2. **Fan-out & Merge (Pecah dan Gabung):** Tugas dipecah menjadi sub-tugas independen yang dijalankan paralel, lalu hasilnya digabung. Cepat dan terisolasi, tetapi boros token dan tantangannya ada pada penggabungan. 3. **Adversarial Verification (Verifikasi Adu Argumen):** Satu *agent* menghasilkan kesimpulan, beberapa *agent* lain menantangnya. Hasil diterima jika lolos verifikasi. Mengurangi bias konfirmasi, tetapi perlu batasan yang jelas. 4. **Generate & Filter (Hasilkan dan Saring):** Beberapa *agent* menghasilkan banyak kandidat jawaban untuk tugas yang sama, lalu disaring berdasarkan kriteria (rubrik) ketat. Bagus untuk diversitas, tetapi sangat bergantung pada kualitas rubrik. 5. **Tournament (Turnamen):** Beberapa *agent* bersaing menyelesaikan tugas yang sama, dinilai secara berpasangan (pairwise) hingga ditemukan pemenang terbaik. Stabil untuk penilaian relatif. 6. **Loop (Berulang):** *Agent* mencoba tugas berulang kali, belajar dari kesalahan, hingga kondisi berhenti terpenuhi. Satu-satunya mode untuk tugas dengan batasan tidak pasti, tetapi berisiko loop tak terbatas. **Pertarungan: Skill Penulis vs. Dynamic Workflows Bawaan** Skill penelitian penulis sebelumnya melibatkan pencarian, kompresi, analisis oleh multi-*agent*, dan deduplikasi. Namun, ia memiliki kelemahan mendasar: **kurang konvergensi berorientasi tujuan**, sering menghasilkan laporan panjang tanpa rekomendasi tindakan yang jelas. Dynamic Workflows Claude menambahkan lapisan krusial: * **Dekomposisi Masalah:** Memecah pertanyaan awal menjadi sub-pertanyaan yang tepat sebelum bertindak. * **Penilaian Kredibilitas:** Mengevaluasi keandalan setiap informasi berdasarkan sumbernya. * **Penghapusan Silang (Cross-Deletion):** Menghapus kesimpulan yang tidak mendapat suara cukup dari multi-*agent*, bukan sekadar menggabungkan rata-rata. * **Keluaran Berorientasi Target:** Laporan akhir dirancang untuk memberikan penilaian dan saran yang relevan dengan tujuan awal pengguna. Mekanisme ini mengatasi masalah umum AI: *goal drift* (pergeseran tujuan), *early stopping* (berhenti prematur), polusi konteks, dan bias output. **Kesimpulan** Dynamic Workflows merupakan terobosan dengan menstandarkan **proses penelitian itu sendiri**. Ia mengotomatiskan penjadwalan *agent*, validasi silang, dan deduplikasi, sehingga mengompresi riset yang biasanya butuh belasan percakapan menjadi hanya 3-4 kali interaksi (meski dengan konsumsi token jauh lebih tinggi). Namun, masih diperlukan beberapa iterasi karena tantangan seperti: 1) Kebutuhan verifikasi faktual yang sangat ketat (melebihi ketergantungan pada dokumen resmi), 2) Pemikiran mendalam lintas disiplin yang sangat baru, 3) Desain dan validasi solusi yang mempertimbangkan biaya dan implementasi, serta 4) Kemampuan kondensasi informasi ekstrem yang disesuaikan dengan audiens.

marsbit39m yang lalu

Bagaimana Melakukan Riset Mendalam dengan Dynamic Workflows Claude

marsbit39m yang lalu

Ketika LP Mengajari Saya Berinvestasi Menggunakan Doubao: Sebuah Pengakuan Peralihan Karier dari GP Perusahaan Sekuritas Swasta

**Ringkasan: Ketika LP Menggunakan Doubao untuk Mengajari Saya Berinvestasi: Kisah Seorang GP Hedge Fund yang Beralih Profesi** Dengan semakin populernya AI, hubungan antara Limited Partner (LP) dan General Partner (GP) di industri hedge fund swasta (terutama yang berukuran kecil) mengalami ketegangan baru. Artikel ini menceritakan pengalaman "Er Gou", seorang mantan GP di sebuah hedge fund dolar AS lepas pantai berskala kecil yang berfokus pada saham AS, yang akhirnya beralih ke perusahaan startup AI. Er Gou mengungkapkan bahwa fund-nya, meski memiliki kinerja yang baik, kesulitan mendapatkan pendanaan dari LP institusional. Fund kecil seperti ini seringkali terjebak dalam struktur Cayman Islands yang "tradisional", kurang menarik bagi investor Asia yang lebih memercayai struktur di Hong Kong atau Singapura. Selain itu, fund yang menggunakan strategi subjektif (mengandalkan penilaian manusia) seperti miliknya semakin kalah bersaing dengan fund kuantitatif (yang menggunakan model algoritma) dalam hal menarik minat LP, terutama setelah AI membuat strategi kuantitatif terlihat lebih meyakinkan. Dampak utama AI adalah "meratakan" akses informasi dan kemampuan analisis. LP kini dapat menggunakan asisten AI seperti Doubao untuk meringkas laporan investasi, menganalisis pasar, bahkan mempertanyakan keputusan GP. Hal ini meningkatkan friksi. Er Gou mencontohkan seorang LP yang terus-menerus mempertanyakan strateginya berdasarkan kesimpulan dari AI, hingga akhirnya harus di-"clear". LP, yang sering kali merupakan orang sukses di bidangnya sendiri, kini merasa lebih berwenang dalam berinvestasi berkat bantuan AI. Masalahnya, banyak LP menggunakan AI "pendamping" yang lebih fokus pada nilai emosional dan bisa menghasilkan "halusinasi" atau kesimpulan yang tampak logis tetapi tidak selalu akurat. Mereka mencari konfirmasi, bukan analisis mendalam. Dalam pasar bull (seperti saham AI AS tahun ini), di mana investor retail bisa mendapat untung besar dengan fokus pada saham tren, LP mungkin merasa bisa berinvestasi sendiri dan mempertanyakan nilai tambah GP. Kesimpulannya, AI tidak serta-merta akan menggantikan GP. Manajemen aset pada dasarnya tetap merupakan layanan yang dibangun atas kepercayaan. Namun, AI telah mengubah dinamika. GP strategi subjektif menghadapi tekanan lebih besar untuk membuktikan nilai pakar mereka di luar apa yang bisa diberikan AI secara umum. Di sisi lain, fund kuantitatif justru bisa diperkuat oleh AI untuk pengembangan strategi yang lebih cepat. Tantangan sebenarnya adalah bagaimana GP dan LP menggunakan AI dengan tepat—bukan sebagai alat untuk sekadar memvalidasi pendapat, tetapi sebagai pengungkit untuk pengambilan keputusan yang lebih cerdas. Er Gou memandang, di masa depan, "hedge fund manusia" juga perlu belajar dari AI dalam hal memberikan nilai emosional dan membangun hubungan kepercayaan yang lebih kuat dengan LP.

Odaily星球日报1j yang lalu

Ketika LP Mengajari Saya Berinvestasi Menggunakan Doubao: Sebuah Pengakuan Peralihan Karier dari GP Perusahaan Sekuritas Swasta

Odaily星球日报1j yang lalu

Trading

Spot
Futures
活动图片