# Artikel Terkait Harness

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

Claude Code Ternyata Seberapa Boros Token? Percobaan Perbandingan Datang: Tiga Kerangka Kerja Beda Hingga 30 Kali Lipat

Semua orang bilang Claude Code boros token, tapi seberapa boros? Eksperimen dari Composio menjawabnya. Mereka membandingkan tiga framework agent (harness) — Claude Code, Hermes, dan Kimi Code — dengan model yang sama (Kimi K3) pada 28 tugas identik. Hasilnya, tingkat keberhasilan tugas serupa: Kimi Code 22/28, Hermes 21/28, Claude Code 20/28. Namun, konsumsi token sangat berbeda. **Untuk tugas yang sama, penggunaan token antar harness bisa berbeda hingga 30 kali lipat.** Secara median, Kimi Code pakai ~61k token, Hermes ~67k token, sedangkan Claude Code melonjak ke ~340k token (sekitar 6x Kimi Code). Dengan harga Kimi K3 $3 per juta token input, biaya rata-rata per tugas: Kimi Code $0.22, Hermes $0.28, Claude Code $2. Kecepatan median: Hermes tercepat (179 detik), diikuti Kimi Code (297 detik), dan Claude Code (348 detik). Kesimpulan utama: **Untuk mengurangi biaya agent, pilih harness yang efisien bisa lebih berdampak daripada mengganti model.** Analisis Sebastian Raschka menunjukkan penyebabnya: Claude Code cenderung berulang kali memasukkan kembali lebih banyak konteks sejarah (pesan sebelumnya, panggilan alat, output) ke dalam prompt di setiap putaran interaksi, sehingga membengkakkan token input, bukan output. Tren ini menggarisbawahi pentingnya harness. Sebuah penelitian dari Writer menunjukkan, hanya dengan mengganti harness (model tetap), biaya tugas turun 41%, latensi turun 44%, dan konsumsi token turun 38%, dengan kualitas hasil yang tetap. Era kompetisi agent bergeser: dari "bisa melakukan" ke "melakukannya dengan lebih efisien", dan rahasia efisiensi terletak pada harness, bukan model.

marsbit07/31 12:28

Claude Code Ternyata Seberapa Boros Token? Percobaan Perbandingan Datang: Tiga Kerangka Kerja Beda Hingga 30 Kali Lipat

marsbit07/31 12:28

Blog Baru Wong Li Usulkan 'Evolusi Diri Mulai dari Harness', Cui Tianyi dari DeepSeek Setuju dan Membagikan

**Weng Li Usulkan: "Evolusi Diri AI Mungkin Dimulai dari Harness"** Dalam blog terbarunya, Weng Li, mantan Wakil Presiden Keamanan OpenAI, membahas konsep **RSI (Recursive Self-Improvement)** dengan pendekatan yang lebih teknis dan praktis. Ia berargumen bahwa evolusi diri AI dalam waktu dekat lebih mungkin terjadi pada lapisan **Harness**, sistem eksternal yang mengatur bagaimana model menggunakan alat, mengelola konteks, memecah tugas, dan memvalidasi hasil, daripada langsung memodifikasi bobot model itu sendiri. Ia menunjukkan tren yang berkembang dari **Context Engineering** (ACE, MCE) hingga **Workflow Design** (AI Scientist, ADAS, AFlow), di mana objek optimasi berkembang menjadi lebih abstrak. Puncaknya adalah konsep **Self-Improving Harness**, di mana model dapat menganalisis kegagalannya, mengusulkan modifikasi kecil dan terukur pada kode Harness, lalu memvalidasinya sebelum diterapkan. Contoh seperti **DGM (Darwin Gödel Machine)** menunjukkan kemajuan signifikan dalam benchmark seperti SWE-bench, hanya dengan mengoptimalkan Harness. Weng Li menekankan bahwa Harness dan model akan saling memperkuat, tetapi ada tantangan besar. **Sistem evaluasi** yang lemah, risiko **reward hacking**, **keruntuhan keragaman**, serta konflik antara **kesuksesan jangka pendek dan kesehatan jangka panjang** sistem menjadi hambatan utama. Peran manusia tetap krusial, bergeser ke posisi pengawasan pada level abstraksi yang tepat. DeepSeek Researcher **Cui Tianyi** juga merespons, menegaskan bahwa evolusi diri melalui **Harness** adalah arah yang sangat menjanjikan, setara dengan evolusi pada level model. Intinya, **Harness kini menjadi variabel kritis yang menentukan performa AI secara keseluruhan.**

marsbit07/08 10:29

Blog Baru Wong Li Usulkan 'Evolusi Diri Mulai dari Harness', Cui Tianyi dari DeepSeek Setuju dan Membagikan

marsbit07/08 10:29

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

Gemetarlah Manusia, AI Masih Berlari Kencang

Menggetarkan manusia, AI terus melaju dengan kecepatan penuh. Dalam acara BAAI Conference 2026, terlihat jelas bahwa seluruh industri, mulai dari model, perangkat lunak dan keras hingga produk, berupaya keras agar AI dapat "berlari" dari dunia digital ke dunia fisik. Di satu sisi, Scaling Law terus menunjukkan hasilnya, mendorong perkembangan model bahasa besar dan model multimodal. Industri AI telah memasuki tahap mengejar model dunia (world model), meskipun rute teknologi dan masalah data masih belum terselesaikan dan memerlukan eksplorasi setidaknya 3-5 tahun ke depan. Di sisi lain, terobosan dalam Agent mempercepat penerapan AI dalam skenario dunia nyata. Dengan Agent mencapai tahap yang dapat digunakan, industri sedang mempromosikan penerapannya dalam skenario seperti perawatan kesehatan dan rapat. Untuk membuat Agent dari "dapat digunakan" menjadi "mudah digunakan", kolaborasi perangkat lunak dan keras menjadi kunci. Pameran di konferensi ini didominasi oleh produsen chip AI terkemuka dari dalam negeri. Presiden BAAI Institute, Wang Zhongyuan, menyatakan bahwa AI sedang berevolusi secara mandiri. Dengan pematangan AI Coding dan percepatan penerapan Agent, AI telah meningkat dari menulis kode hingga menyelesaikan iterasi dan pembaruan produk secara mandiri. Model dunia telah menjadi medan pertempuran kunci berikutnya untuk model besar. Saat ini, belum ada konsensus teknis yang lengkap dalam industri, dan berbagai rute teknologi berkembang dengan caranya masing-masing. BAAI Institute mengklasifikasikan model dunia menjadi empat kategori dan sedang mengeksplorasi jalur kelima: integrasi pusat bahasa dan pusat representasi visual. Mereka juga memperkenalkan model dasar dunia universal yang sedang dalam pengembangan, "Wujie · Physis-v0.1", yang direncanakan akan open source setelah pelatihan selesai. Dari segi produk, Agent telah menjadi produk kunci bagi AI untuk memasuki kehidupan masyarakat. Tahun ini, Agent menjadi lebih proaktif dan mampu menangani tugas yang lebih kompleks. BAAI Institute meluncurkan empat Agent vertikal, termasuk asisten diagnosis untuk pencitraan resonansi magnetik jantung dan Agent pendengar rapat. Namun, untuk bergerak dari "dapat digunakan" ke "mudah digunakan", Agent masih menghadapi banyak tantangan teknis yang perlu dioptimalkan, seperti memori, orkestrasi, dan penyempurnaan kerangka kerja rekayasa (Harness) untuk meningkatkan kemampuan pemahaman dan eksekusi.

marsbit06/13 02:54

Gemetarlah Manusia, AI Masih Berlari Kencang

marsbit06/13 02:54

Anthropic Memprediksi secara Global, OpenAI Telah Melampaui "Ambang Keandalan": Akselerasi Mandiri AI Telah Dimulai

**Peringatan Global dari Anthropic: OpenAI Telah Melampaui 'Ambang Keandalan', Memicu Akselerasi Mandiri AI** Anthropic mengeluarkan peringatan mendesak untuk memperlambat atau menghentikan penelitian AI, karena data internal mereka menunjukkan bahwa AI kini mempercepat pengembangan AI itu sendiri, berpotensi mendekati titik kritis perbaikan diri yang rekursif atau "membuat dirinya sendiri." Di sisi lain, Yann Dubois dari tim pasca-pelatihan OpenAI memberikan perspektif mikro: pertumbuhan kemampuan AI sebenarnya linier dan berkelanjutan, tetapi pengguna merasakan "kebergunaan" yang melompat secara diskrit. Ini karena adanya **"ambang keandalan"**. Sebelum mencapai ambang ini, AI hanyalah alat cerdas yang tidak dapat diandalkan sepenuhnya. Setelah melampauinya (sekitar Desember tahun lalu menurut Dubois), AI menjadi seperti karyawan yang dapat dipercaya untuk menangani pekerjaan nyata dan mulai mempercepat perkembangannya sendiri. **Akselerasi Mandiri dan Siklus Penguatan:** Ketika model menjadi cukup andal (misalnya, dalam pemrograman), mereka dapat digunakan untuk membantu peneliti mengembangkan alat dan bahkan melatih generasi model AI berikutnya, menciptakan loop akselerasi yang semakin cepat. Data Anthropic menunjukkan produktivitas kode per insinyur meningkat 8x pada Q2 2026 dibandingkan Q1 2024. **AI sebagai "Kerajinan" (Craft):** Dubois menegaskan bahwa membangun sistem AI yang andal lebih menyerupai kerajinan atau bahkan "alkimia" yang mengandalkan intuisi dan trial-and-error, daripada ilmu pengetahuan murni yang sistematis. Peningkatan keandalan seringkali dicapai dengan menekan "tingkat kesalahan per interval waktu" dalam sistem agen AI. **"Harness" Vertikal dan "Mil Terakhir":** Dubois berpendapat bahwa jika model saat ini "dibekukan" dan fokus dialihkan ke pengembangan *harness* (sistem orkestrasi) yang matang untuk domain spesifik, banyak bidang sudah dapat merasakan fungsi seperti AGI (Kecerdasan Buatan Umum). **Tantangan sebenarnya bukan pada kecerdasan model, tetapi pada "mil terakhir"**—yaitu mengintegrasikan AI dengan sistem yang ada, mengatur izin akses, konektor data, dan alur kerja bisnis tertentu. Inilah peluang besar bagi pengembang dan startup. **Tantangan Masa Depan: Pembelajaran Berkelanjutan (Continual Learning):** Meski memiliki titik awal yang tinggi, model AI saat ini kesulitan untuk terus belajar dan beradaptasi dari pengalaman spesifik di lingkungan barunya seperti manusia. Membentuk kurva pembelajaran AI yang terus naik, bukan mendatar, adalah salah satu masalah terpenting berikutnya.

marsbit06/06 23:27

Anthropic Memprediksi secara Global, OpenAI Telah Melampaui "Ambang Keandalan": Akselerasi Mandiri AI Telah Dimulai

marsbit06/06 23:27

Sumber Dalam: DeepSeek Sedang Membentuk Tim Harness, Menyaingi Claude Code

**DeepSeek Bentuk Tim 'Harness' untuk Hadapi Claude Code** Menurut informasi dari sumber dalam, DeepSeek sedang membentuk tim **Harness** baru yang difokuskan pada pengembangan produk agen kode pintar, dengan target internal menyaingi **Claude Code** dari Anthropic. Hal ini dikonfirmasi oleh peneliti senior DeepSeek, Chen Deli, melalui media sosial. DeepSeek membuka dua posisi kunci: **Manajer Produk Harness** dan **Insinyur Pengembangan Harness**, berpusat di Beijing. Inti dari inisiatif ini tercermin dalam rumus: **Model + Harness = Agent**. Perspektif ini menekankan bahwa model hanyalah fondasi, sementara kemampuan manajemen konteks, pemanggilan alat, perencanaan tugas, pembacaan/penulisan file, modifikasi kode, eksekusi terminal, dan penilaian umpan balik adalah kunci agar agen dapat benar-benar terintegrasi ke dalam alur kerja. DeepSeek, yang sudah lama berinvestasi dalam model kode seperti DeepSeek-Coder, kini berupaya melengkapi "lapisan tengah" yang menghubungkan model dengan alur kerja nyata. Kompetisi di bidang *AI Coding* telah bergeser dari sekadar kemampuan model menjadi perebutan pintu masuk ke alur kerja pengembang. Kehadiran proyek komunitas seperti **DeepSeek-TUI**—agen coding terminal sumber terbuka yang populer—membuktikan bahwa ada permintaan kuat untuk produk semacam Claude Code yang berbasis DeepSeek. Namun, proyek komunitas memiliki keterbatasan dalam hal sinkronisasi dengan evolusi model dan penciptaan umpan balik data pelatihan yang sistematis. Dengan membangun Harness resmi, DeepSeek bertujuan memanfaatkan keunggulannya dalam kolaborasi tim model, desain antarmuka, siklus data pelatihan, dan operasi ekosistem pengembang untuk menciptakan produk inti yang kompetitif. Langkah ini menandai peralihan DeepSeek dari fokus pada "otak" (model) ke penyediaan "tangan" (Harness) yang memungkinkan modelnya bertindak dalam tugas dunia nyata, memulai babak baru dalam persaingan agen AI.

链捕手05/22 02:19

Sumber Dalam: DeepSeek Sedang Membentuk Tim Harness, Menyaingi Claude Code

链捕手05/22 02:19

Lima Bentuk Inti AI Agent Menurut Pandangan YC

Penyunting: AI Agent telah berkembang dari prompt sekali pakai ke dalam alur kerja yang lebih kompleks. Pertanyaan penting sekarang bukanlah "apakah model bisa menyelesaikan tugas?", tetapi "bisakah kemampuan AI dijadikan aset proses yang dapat digunakan ulang dan terakumulasi?". Berikut adalah lima bentuk inti yang muncul: 1. **Skills:** Bukan SOP kaku, melainkan lebih seperti "pemanggilan metode". Satu alur kerja (Skill) yang sama dapat digunakan untuk banyak kasus dengan mengganti parameternya (misal, target, pertanyaan, dataset). 2. **Thin Harness:** Kerangka kerja eksekusi ringan (~200 baris kode) yang menjadi "tangan dan kaki" bagi model. Fungsinya menjalankan loop, membaca/menulis file, dan mengelola konteks. 3. **Resolvers:** Tabel perutean yang memetakan jenis tugas ke Skill spesifik. Ini mencegah "korupsi konteks" saat jumlah Skill sangat banyak, sehingga memastikan panggilan yang tepat. 4. **Latent vs. Deterministic:** Pisahkan tugas. Serahkan penilaian, sintesis, dan pemahaman kontekstual ke LLM. Gunakan kode deterministik (yang dapat ditulis model) untuk hal-hal yang memerlukan kepastian dan konsistensi, seperti perhitungan. 5. **Memory:** Lapisan memori untuk akumulasi pengetahuan jangka panjang. Contoh: folder markdown dengan satu halaman per entitas (orang/perusahaan/konsep), berisi kesimpulan terkini dan garis waktu yang terus bertambah. Kombinasi ini membentuk **"kemampuan proses" (process power)** – keunggulan kompetitif yang berkelanjutan di era AI. Ini mengubah pengalaman menjadi alur kerja yang terdokumentasi, tugas menjadi parameter, aturan stabil menjadi kode, dan pembelajaran menjadi memori yang terakumulasi. Sistem semacam ini, meski tampak sederhana (seperti folder markdown), sulit ditiru karena dibangun melalui iterasi dan disiplin yang terus-menerus, berbeda dengan aplikasi hasil "vibe coding" yang harga ekuilibrinya akan turun hingga ke biaya token.

marsbit05/20 07:50

Lima Bentuk Inti AI Agent Menurut Pandangan YC

marsbit05/20 07:50

Memanfaatkan Periode Arbitrase, Menyelamatkan DeFi dari Tepi SaaS

Era arbitrase Harness: Menyelamatkan DeFi dari Tepi SaaS Artikel ini mengeksplorasi konvergensi AI dan DeFi, menyoroti bagaimana kemampuan AI yang terukur mengancam model SaaS tradisional sekaligus menawarkan peluang revitalisasi untuk DeFi. Token AI yang semakin murah mendemokratisasikan akses ke kemampuan yang sebelumnya dikuasai perusahaan besar, memungkinkan individu dan bisnis kecil memanfaatkan Agent untuk tugas-tugas khusus. DeFi, yang telah menjadi seperti SaaS dengan model berbasis biaya transaksi, dapat diubah oleh AI melalui peningkatan keamanan kontrak cerdas (seperti melalui Claude), optimalisasi efisiensi modal, dan penataan ulang ekonomi token. Masa depan mungkin melihat token sebagai sertifikat tingkat pengembalian modal yang dapat diandalkan dan terverifikasi secara real-time, dengan Agent yang secara bertahap mengambil alih tugas manusia yang berulang. Intinya, AI menurunkan biaya produksi data dan konten mendekati nol, membuka pintu bagi partisipasi keuangan yang lebih luas, sementara DeFi berpotensi menjadi tempat uji coba untuk evolusi sistem keuangan yang digerakkan oleh AI.

marsbit04/19 01:27

Memanfaatkan Periode Arbitrase, Menyelamatkan DeFi dari Tepi SaaS

marsbit04/19 01:27

Agent Telah Memasuki Era yang Didorong oleh Harness

Kebocoran kode sumber Claude Code milik Anthropic mengungkap praktik terdepan dalam rekayasa Harness untuk sistem AI. Harness adalah rangkaian arsitektur teknik yang mendorong model AI untuk memaksimalkan kemampuan, bukan hanya menghasilkan token. Claude Code mengadopsi enam komponen inti: System Prompt bertingkat, Tool Schema, Tool Call Loop, Context Manager, Sub Agent, dan Verification Hooks. Pendekatan ini memungkinkan integrasi pelatihan dan inferensi, mengurangi halusinasi model, dan meningkatkan akurasi eksekusi tugas panjang. Era ini menuntut talenta gabungan yang memahami AI, teknik backend, dan infrastruktur, serta mendorong implementasi Agent yang lebih terjamin, terprivasi, dan terukur.

marsbit04/15 10:16

Agent Telah Memasuki Era yang Didorong oleh Harness

marsbit04/15 10:16

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow