# Artikel Terkait Rekayasa

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Rekayasa", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

Claude Code Gunting 80% Prompt, Opus 5 Malah Tambah Balik

Claude Code baru saja mengumumkan pemotongan drastis pada prompt sistemnya, namun kemudian pengguna menemukan bahwa Opus 5 malah menambahkannya kembali sebanyak 72% dibandingkan versi 4.8. Awalnya, Anthropic menghapus lebih dari 80% aturan mendetail dalam prompt untuk model generasi baru seperti Opus 5 dan Fable 5. Tujuannya adalah mengurangi konflik instruksi dan membebaskan model dari "buku pedoman karyawan" yang ketat, menggantinya dengan prinsip umum seperti menyesuaikan gaya kode yang ada. Namun, pengujian oleh pengembang @chenchengpro menunjukkan fakta menarik: sementara prompt Opus 4.7 (15.225 karakter) dipotong menjadi 4.467 karakter di versi 4.8, prompt Opus 5 justru bertambah menjadi 7.694 karakter. Penambahan sekitar 3.755 karakter ini terutama berisi aturan baru untuk mengatur kebiasaan Opus 5 yang lebih proaktif, seperti seberapa sering melaporkan progres, kapan harus memanggil sub-Agent, dan bagaimana mengontrol lingkup tugas serta panjang output. Jadi, Anthropic memang menghapus aturan lama yang terlalu detail, tetapi menambahkan panduan baru untuk mengarahkan kemampuan model yang lebih maju. Performa pemrograman Claude tetap terjaga meski promptnya disederhanakan. Bagi developer, saran utama adalah: fokus pada aturan proyek yang spesifik, pisahkan instruksi panjang menjadi "Skill", hindari duplikasi, dan berikan referensi yang dapat dieksekusi alih-alih deskripsi tekstual yang panjang.

marsbit2 hari yang lalu 11:40

Claude Code Gunting 80% Prompt, Opus 5 Malah Tambah Balik

marsbit2 hari yang lalu 11:40

Hanya 11 Hari, Claude Tulis Ulang 1 Juta Baris Kode, Proyek Epik AI Ini Malah Picu Kemarahan

Dalam waktu hanya 11 hari, proyek runtime JavaScript/TypeScript bernama Bun yang berkinerja tinggi telah menulis ulang 1 juta baris kodenya dari bahasa Zig ke Rust. Proses ini didukung oleh model AI Claude Fable 5 dari Anthropic, dengan biaya API sekitar $165,000, dan dipandang sebagai uji coba besar-besaran alur kerja agen AI. Keputusan untuk bermigrasi ke Rust terutama didorong oleh masalah stabilitas dan bug keamanan memori dalam kode Zig, yang dianggap lebih sulit ditangani. Selain itu, komunitas Zig memiliki kebijakan toleransi nol terhadap kode yang dihasilkan AI, yang menghambat pengembangan Bun yang sangat bergantung pada asisten AI. Pendiri Zig, Andrew Kelley, merespons dengan keras, mengkritik kebiasaan rekayasa dan kemampuan manajerial pendiri Bun, Jarred Sumner. Dia juga meragukan keandalan kode yang dihasilkan AI, meskipun memiliki suite pengujian. Proyek ini memicu perdebatan luas di komunitas teknologi mengenai biaya pengembangan AI, budaya open source, serta potensi masalah pemeliharaan di masa depan karena banyaknya kode `unsafe` yang tersisa. Hasil akhir dari eksperimen ambisius ini—apakah akan menjadi tonggak sejarah atau menimbulkan masalah teknis—masih harus ditunggu seiring waktu.

marsbit07/11 08:15

Hanya 11 Hari, Claude Tulis Ulang 1 Juta Baris Kode, Proyek Epik AI Ini Malah Picu Kemarahan

marsbit07/11 08:15

Huang Renxun: Prompt Sudah Mati, Seluruh Dunia AI Gila-Gilaan Mengejar Loop

Prompt sudah mati, seluruh industri AI kini gila-gilaan mengejar "Loop". Konsep Loop Engineering, yang dinamai oleh Addy Osmani dari Google pada Juni 2026, kini menjadi fokus utama. Para tokoh seperti Jensen Huang (NVIDIA), Andrew Ng, Andrej Karpathy, dan insinyur dari Anthropic menyatakan bahwa pekerjaan masa depan bukan lagi menulis prompt, tetapi merancang dan menangani sistem loop yang mandiri. Inti dari Loop Engineering adalah menggeser peran manusia dari pengendali AI harian menjadi arsitek sistem. Alih-alih terus-menerus menulis prompt, manusia mendesain sebuah siklus otomatis di mana AI dapat secara mandiri menemukan tugas, mengeksekusi, memverifikasi (dengan agen penilai terpisah untuk objektivitas), mempertahankan memori, dan menjadwalkan ulang—berjalan 24/7. Sebuah "buku putih" 11 halaman dan panduan 14 langkah praktis tengah viral, merinci komponen kunci loop: penemuan, penyerahan tugas, verifikasi, persistensi, dan penjadwalan. Tantangan terbesarnya adalah menghindari "utang verifikasi" dan "penyerahan kognitif" di mana manusia berhenti memahami kode yang dihasilkan AI. Contoh dari Anthropic menunjukkan bahwa meski loop memakan waktu dan biaya lebih besar (6 jam/$200 vs 20 menit/$9), kualitas outputnya jauh lebih unggul. Paradigma ini menggeser leverage dari menulis kata-kata untuk AI menjadi merancang sistem yang secara otomatis memberi makan AI, menjadikan penilaian manusia sebagai sumber daya paling berharga.

marsbit06/29 08:41

Huang Renxun: Prompt Sudah Mati, Seluruh Dunia AI Gila-Gilaan Mengejar Loop

marsbit06/29 08:41

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

**Ringkasan:** **Prompt Sudah Ketinggalan Zaman, Loop adalah Paradigma Baru.** Menurut Huang Renxun (Jensen Huang), pendiri NVIDIA, tugas utama di era AI sekarang bukan lagi menulis perintah (prompt), tetapi **menulis dan mengelola loop (siklus).** **Apa itu Loop?** Loop adalah sistem di mana Anda mendefinisikan suatu tujuan, dan AI menjalankannya secara mandiri—memeriksa hasil, memperbaiki kesalahan, dan mengulangi proses tersebut hingga tugas selesai atau mencapai batas tertentu. Manusia beralih peran dari "pemberi perintah" menjadi **"perancang aturan" atau "arsitek sistem."** **Loop vs. Agent:** Agent adalah "pekerja" yang menjalankan tugas. Loop adalah **mekanisme pengelolaan** yang memungkinkan Agent bekerja terus-menerus tanpa pengawasan manusia. Agent dengan loop menjadi sistem yang dapat berjalan otomatis. **Contoh Penerapan:** Produk seperti Claude Code (dengan fitur /loop, /goal, /schedule) dan OpenAI Codex telah menerapkan konsep ini. Mereka membagi tugas kompleks ke beberapa Agent yang berjalan paralel di lingkungan terisolasi, dengan model terpisah untuk menulis kode dan memvalidasi hasil, memastikan objektivitas. **Bagaimana Memulai Loop?** 1. **Uji Kelayakan:** Pastikan tugas berulang, dapat divalidasi otomatis, dan anggaran token mencukupi. 2. **Mulai dari Loop Minimal:** Bangun sistem dengan pemicu otomatis, keterampilan (skill), file status (STATE.md), dan "gerbang" validasi (seperti pengujian). 3. **Pisahkan Pemeriksa dan Pelaksana:** Gunakan model atau Agent berbeda untuk menulis kode dan memeriksa/mengujinya. Ini kunci untuk kualitas. 4. **Hindari Jebakan Umum:** Tetapkan batas pengulangan dan token, simpan status, hindari tugas yang membutuhkan pertimbangan manusia, dan tetap tinjau perubahan kode (diff). 5. **Ukur Efektivitas:** Metrik utama adalah **biaya rata-rata per perubahan yang diterima.** **Evolusi Paradigma:** Perkembangan AI menunjukkan pergeseran berkelanjutan: 1. **Prompt Engineering** (2023-2024): Fokus pada cara menulis perintah. 2. **Context Engineering** (2024-2025): Fokus pada informasi dan latar belakang yang diberikan ke AI. 3. **Harness Engineering** (2025-2026): Fokus pada lingkungan eksekusi dimana AI dapat menggunakan alat dan sumber daya. 4. **Loop Engineering** (sekarang): Fokus pada merancang sistem siklus otomatis yang berjalan mandiri. Konsep loop memiliki akar akademis, seperti dalam framework **ReAct** (Reasoning + Acting) yang dikembangkan oleh Yao Shunyu dkk., yang menggabungkan penalaran dan tindakan dalam sebuah siklus. **Catatan Penting:** Meskipun menjanjikan, teknologi ini masih awal. Perlu kehati-hatian terhadap biaya token dan kompleksitas. Seperti dikutip Andrej Karpathy, **"Anda dapat mengalihdayakan pemikiran Anda, tetapi Anda tidak dapat mengalihdayakan pemahaman Anda."** Pemahaman mendalam tentang masalah tetap berada di tangan manusia.

marsbit06/25 14:31

Huang Renxun: Prompt Sudah Usang, Loop adalah Paradigma Baru

marsbit06/25 14:31

Kuda Hitam AI Jepang Muncul: Bagaimana Model Kecil 7B Ini Berani Menantang Fable dan Mythos?

Sakana AI merilis model baru bernama Fugu pada Juni 2026, memicu kehebohan di komunitas AI. Dengan hanya 7B parameter inti, model ini mencetak skor 73.7 pada SWE-Bench Pro dan 82.1 pada TerminalBench 2.1, melampaui model raksasa seperti GPT-5.5 dan Claude Opus 4.8, bahkan diklaim sebanding dengan model terdepan seperti Fable 5 dan Mythos Preview. Kunci keberhasilannya terletak pada arsitektur "multi-agen" yang tidak biasa. Fugu tidak bekerja sendiri. Intinya adalah model kecil 7B yang dilatih dengan pembelajaran penguatan (RL Conductor), bertindak sebagai "mandor" pintar. Saat pengguna memberikan tugas, RL Conductor menganalisis dan membaginya, lalu secara dinamis menugaskannya kepada model-model terbaik dunia seperti GPT-5, Gemini, atau Claude di dalam kumpulan agennya. Ia mengoordinasikan, memverifikasi, dan menyintesis output mereka untuk menghasilkan jawaban akhir yang andal. Pendekatan ini mengubah paradigma "parameter adalah segalanya". Daripada mengandalkan komputasi internal yang berat, Fugu mengalokasikan daya komputasi untuk penjadwalan, verifikasi, dan sintesis eksternal yang cerdas. Dalam pengujian beta, Fugu menunjukkan keunggulan dalam skenario nyata seperti tinjauan kode yang mendalam, stabilitas percakapan panjang, dan efisiensi token. Namun, arsitektur ini memiliki kelemahan. Fugu sangat bergantung pada API model dasar AS (GPT, Claude, Gemini), sehingga rentan terhadap perubahan harga, pembatasan, atau ketentuan. Penjadwalan multi-agen juga dapat menambah latensi, dan klaim kesetaraan dengan model seperti Fable didasarkan pada data laporan yang berbeda, bukan pengujian langsung. Bagi Jepang yang memiliki sumber daya komputasi dan data terbatas, serta menghadapi risiko pembatasan ekspor model AS, Fugu mewakili strategi "penembusan asimetris". Alih-alih bersaing langsung dalam pelatihan model raksasa, Sakana AI fokus pada pelatihan "mandor" cerdas yang dapat memanfaatkan model global terbaik, memberikan fleksibilitas dan ketahanan tertentu. Meski terobosan sistem ini mengesankan, batas kemampuan akhirnya tetap ditentukan oleh model dasar yang diaturnya.

marsbit06/22 11:21

Kuda Hitam AI Jepang Muncul: Bagaimana Model Kecil 7B Ini Berani Menantang Fable dan Mythos?

marsbit06/22 11:21

Di Luar Model adalah Harness: Deepseek Turun Langsung, Mengapa Medan Perang Utama Kompetisi AI Domestik Berubah?

Pada akhir Mei 2026, Deepseek membentuk tim "Harness" baru yang berfokus pada produk agen cerdas kode, dengan target internal menyaingi Claude Code dari Anthropic. Tim ini merekrut insinyur kuantitatif ternama, Cui Tianyi. Strategi ini merefleksikan pergeseran fokus persaingan AI di Tiongkok dari sekadar mengembangkan model dasar besar menuju pembangunan rantai alat dan aplikasi produktivitas. "Harness" didefinisikan sebagai infrastruktur runtime yang mengubah model bahasa besar menjadi agen yang dapat berinteraksi dengan dunia nyata, bertanggung jawab untuk mengatur eksekusi, mengelola alat, konteks, dan pemulihan kesalahan. Deepseek terjun langsung untuk mengontrol desain antarmuka dan mendapatkan data pelatihan berbasis aplikasi nyata, mencegahnya sekadar menjadi penyedia model. Perusahaan teknologi besar lain juga mengejar strategi berbeda. Tencent meluncurkan WorkBuddy, fokus pada konektor untuk kolaborasi organisasi dalam ekosistem perusahaan. Alibaba merilis framework PageAgent sumber terbuka, memungkinkan otomatisasi berbasis GUI di web. Pergeseran ini menunjukkan bahwa solusi vertikal yang dirancang khusus lebih dihargai daripada agen umum. Kesuksesan Viktor, perusahaan otomatisasi kantor dari Polandia, dengan pendapatan tahunan $20 juta ARR, membuktikan kesediaan perusahaan membayar untuk AI yang dapat mengeksekusi tugas kompleks secara mandiri, bukan hanya alat pembantu. Tantangan utama meliputi ledakan token yang meningkatkan biaya dan kegagalan tugas, sehingga kemampuan manajemen konteks "Harness" menjadi krusial. Kerangka kerja yang "tebal" dengan fitur seperti isolasi sandbox dan kontrol izin granular dibutuhkan untuk stabilitas tingkat perusahaan. Pembatasan akses terhadap produk luar negeri seperti Claude Code juga menciptakan peluang pasar bagi solusi domestik. Intinya, fase kompetisi baru menuntut perusahaan dan pengembang untuk mengevaluasi kemampuan rekayasa, kompatibilitas ekosistem, dan kedalaman runtime yang ditawarkan platform AI, bukan sekadar performa model.

marsbit06/22 06:09

Di Luar Model adalah Harness: Deepseek Turun Langsung, Mengapa Medan Perang Utama Kompetisi AI Domestik Berubah?

marsbit06/22 06:09

Siapa Saja yang Sebenarnya Direkrut oleh Anthropic? 1.680 CV Memberikan Jawabannya

Analisis terhadap 1.680 riwayat hidup insinyur di Anthropic mengungkap gambaran tak terduga: perusahaan ini lebih mengutamakan "pembangun" (builder) berpengalaman daripada "peneliti" murni. Berdasarkan data LinkedIn, tim teknik Anthropic berkembang pesat dalam 18 bulan terakhir, dengan lebih dari separuh insinyurnya baru bergabung kurang dari setahun. Rekrutan baru umumnya sangat senior, dengan pengalaman kerja rata-rata 12,2 tahun, dan banyak berasal dari perusahaan dengan reputasi teknik kuat seperti Google, Meta, Amazon, Microsoft, Stripe, Databricks, Snowflake, dan Palantir. Latar belakang insinyur cenderung pada infrastruktur, sistem backend, sistem terdistribusi, database, dan keamanan. Hanya 13,7% yang bergelar PhD. Sumber rekrutan terbesar adalah Google, bukan laboratorium AI pesaing. Untuk kandidat awal karir (kurang dari 6 tahun pengalaman), jalan masuk biasanya melalui magang di perusahaan top, prestasi kompetisi, publikasi makalah, atau pengalaman di proyek keselamatan/alignment AI. Intinya, Anthropic beroperasi lebih seperti perusahaan infrastruktur yang sangat terengineering. Saran bagi pelamar: soroti pengalaman membangun dan mengembangkan sistem berskala besar, bukan hanya keahlian riset.

marsbit06/15 03:30

Siapa Saja yang Sebenarnya Direkrut oleh Anthropic? 1.680 CV Memberikan Jawabannya

marsbit06/15 03:30

Menulis Prompt Sudah Ketinggalan Zaman? Pemrograman AI Sedang Beralih ke Loop Engineering

Ringkasan: Loop Engineering (Rekayasa Lingkaran) menggantikan peran manusia sebagai penulis prompt dengan merancang sistem yang secara otomatis menjalankan agen AI. Loop ini terdiri dari lima komponen utama: **Automations** (menemukan dan mengalokasikan tugas), **Worktrees** (lingkungan pengembangan paralel yang terisolasi), **Skills** (menyimpan pengetahuan proyek), **Plugins/Connectors** (terhubung ke alat seperti GitHub dan Slack), dan **Sub-agents** (memisahkan pembuat dan pemeriksa). Ditambah lapisan **memori eksternal** (seperti file Markdown) untuk melacak kemajuan. Loop ini memungkinkan sistem berjalan secara mandiri, meningkatkan produktivitas dengan signifikan. Namun, Loop Engineering tidak menghilangkan kebutuhan akan validasi, pemahaman, dan penilaian manusia. Risiko utamanya adalah ketika loop digunakan untuk menghindari pemahaman kode dan sistem. Kemampuan kunci di masa depan bukan lagi menulis prompt yang baik, tetapi merancang alur kerja agen yang andal, dapat diverifikasi, dan berkelanjutan. Loop Engineering adalah pergeseran titik ungkit, bukan pengganti peran insinyur.

marsbit06/10 18:00

Menulis Prompt Sudah Ketinggalan Zaman? Pemrograman AI Sedang Beralih ke Loop Engineering

marsbit06/10 18:00

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

**Ringkasan:** Xiaomi MiMo memotong harga API MiMo-V2.5 hingga **99%**, memicu spekulasi tentang perang harga atau strategi merugi. Luo Fuli, kepala MiMo, merespons dengan mempublikasikan blog teknis 5000 kata yang merinci **enam pilar teknikal** di balik potongan harga besar ini. Intinya, diskon 99% terutama untuk **Input (Cache Hit)** – bagian dimana pengguna membaca ulang konteks historis dalam percakapan panjang. Ini menjadi mungkin karena serangkaian optimasi teknikal yang mengubah biaya komputasi untuk bagian tersebut mendekati nol. **Enam Pilar Teknikal:** 1. **Arsitektur Hybrid SWA:** Menggunakan Sliding Window Attention di sebagian besar lapisan model, mengurangi volume **KVCache** (memori jangka pendek model) hingga **1/7**. 2. **Manajemen KVCache Dua Kolam:** Mengalokasikan memori secara terpisah untuk lapisan SWA dan Full Attention, benar-benar mewujudkan penghematan teoretis 1/7 dan meningkatkan jumlah pengguna yang dapat dilayani secara bersamaan. 3. **Prefix Cache yang Dioptimalkan:** Meningkatkan aturan pencocokan cache untuk arsitektur SWA, menghasilkan **tingkat keberhasilan cache 93-95%** untuk pembacaan ulang. Artinya, sebagian besar permintaan "baca ulang" tidak memerlukan komputasi GPU baru. 4. **Sistem Cache Terdistribusi GCache:** Menyimpan data cache di **SSD bawaan mesin GPU**, menghilangkan biaya penyimpanan cluster khusus dan memperpanjang masa hidup cache. 5. **Sistem Penjadwalan LLM-Router:** Mengarahkan permintaan secara cerdas berdasarkan kesamaan prefix dan panjang konteks, memprioritaskan permintaan yang menggunakan cache, meningkatkan efisiensi dan mengurangi latensi. 6. **Multi-Token Prediction (MTP):** Mengoptimalkan proses generasi output model, mempercepat pembuatan respons dan melengkapi pengurangan biaya di sisi input. **Kesimpulan:** Penurunan harga 99% bukanlah gimmick pemasaran atau strategi merugi, tetapi hasil dari **efisiensi sistemik rekayasa AI** yang telah divalidasi di lingkungan produksi. Rantai optimasi ini secara kumulatif mengurangi biaya komputasi per permintaan hingga lebih dari 95%, memungkinkan penurunan harga ekstrem sambil mempertahankan profitabilitas. Luo Fuli menekankan bahwa ini adalah masalah teknikal yang terwujud, bukan sekadar perang harga.

marsbit05/31 10:40

Diskon 99% untuk MiMo Bukan Hanya Pemasaran! Luo Fuli Membantah Para Pengecam di X

marsbit05/31 10:40

Era Auto Research: 47 Tugas Tanpa Jawaban Baku Jadi Daftar Wajib Uji Kemampuan Agent

Di era Auto Research, 47 tugas tanpa jawaban standar kini menjadi patokan wajib untuk mengukur kemampuan Agent AI. Biasanya, AI Agent tampak serba bisa, namun sebenarnya banyak yang hanya mengandalkan pengetahuan dalam basis data yang sudah ada. Dunia rekayasa nyata lebih keras: stabilitas robot bawah air, batas litium pada baterai, pengendalian kebisingan sirkuit kuantum — masalah-masalah ini tidak memiliki "jawaban sempurna", hanya "optimisasi yang mendekati batas maksimal". Baru-baru ini, Frontier-Eng Bench dari Einsia AI's Navers lab menghadirkan perubahan paradigma. Alih-alih menguji AI dengan soal pemrograman lama, benchmark ini memberikan sistem "loop rekayasa" yang lengkap: mengusulkan solusi, terhubung ke simulator, menerima umpan balik dan error, memperbaiki parameter, dan menjalankannya kembali. Dalam 47 tugas lintas disiplin yang menantang, AI harus bertindak seperti insinyur berpengalaman, mencari solusi optimal di antara tiga kendala yang sulit: daya, keamanan, dan kinerja. Ini bukan sekadar kumpulan tes, melainkan gambaran evolusi Agent. Hasil pengujian menunjukkan bahwa model seperti GPT-5.4 berkinerja cukup stabil, tetapi masih jauh dari menyelesaikan seluruh benchmark. Penelitian ini mengungkap pola penting: peningkatan kinerja AI mengikuti hukum pangkat (power law), di mana kemajuan awal cepat tetapi semakin sulit dan kecil seiring waktu. Selain itu, kedalaman eksplorasi (depth) lebih krusial daripada sekadar menjalankan banyak percobaan paralel (width) untuk mencapai terobosan. Implikasi jangka panjangnya adalah potensi lahirnya "AI Engineer". Di masa depan, manusia mungkin fokus pada penentuan tujuan dan arahan, sementara AI akan bekerja tanpa lelah untuk mengoptimalkan solusi — menjalankan simulasi, menganalisis hasil, dan melakukan iterasi terus-menerus menuju target yang ditetapkan. Frontier-Eng Bench menandai langkah menuju sistem AI yang dapat berevolusi secara mandiri dalam loop umpan balik jangka panjang, membawa kita lebih dekat ke era penelitian otomatis (Auto Research) di mana AI aktif berkontribusi dalam memecahkan masalah rekayasa dunia nyata yang kompleks.

marsbit05/13 07:29

Era Auto Research: 47 Tugas Tanpa Jawaban Baku Jadi Daftar Wajib Uji Kemampuan Agent

marsbit05/13 07:29

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow