# Artikel Terkait Multi-Agen

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

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

AGI Bukan Akhir, Makalah Baru DeepMind: Menuju ASI, Kemajuan AI yang Sesungguhnya Baru Dimulai

Jika Kecerdasan Buatan Umum (AGI) tercapai, apakah itu titik akhir? Tim Google DeepMind dalam laporan terbarunya berpendapat bahwa AGI **bukanlah akhir perjalanan**. AI diprediksi akan terus berkembang melampaui kemampuan tim ahli manusia terbaik, menuju Superintelligence (ASI). Laporan ini membedakan tiga konsep: AGI (kecerdasan setara manusia rata-rata), ASI (melampaui manusia di hampir semua bidang), dan UAI (batas teoretis maksimal). Transisi dari AGI ke ASI dapat melalui empat jalur potensial: 1. **Ekspansi Lanjutan**: Meningkatkan skala komputasi, model, dan data. 2. **Inovasi Algoritma**: Penyempurnaan paradigma yang ada atau pergeseran paradigma baru. 3. **Peningkatan Diri Secara Rekursif**: AI yang lebih kuat membantu mengembangkan generasi AI berikutnya yang lebih kuat. 4. **Koordinasi Multi-Agen**: Kecerdasan kolektif dari banyak sistem AGI yang berkolaborasi. Namun, terdapat enam kemacetan potensial: dinding data, tekanan sumber daya ekonomi & alam, batasan paradigma jaringan saraf saat ini, meningkatnya kesulitan penelitian, hambatan abstraksi, serta tantangan regulasi dan penerimaan sosial. Laporan ini juga menyoroti bahwa jika AI melampaui manusia, sistem evaluasi (benchmark) yang ada menjadi tidak relevan. Diperlukan kerangka pengukuran baru, seperti tugas kolaborasi/kompetisi multi-agen, pengujian yang dihasilkan otomatis, atau indikator tidak langsung seperti produktivitas ekonomi. ASI bukanlah sistem ajaib yang mahatahu; perkembangannya tetap dibatasi oleh hukum fisika, kompleksitas komputasi, data, sumber daya, dan umpan balik dunia nyata. Arah dan kecepatan kemajuan AI masih penuh ketidakpastian, sehingga memerlukan penelitian, prediksi, dan mekanisme evaluasi yang terus diperbarui.

marsbit06/16 12:05

AGI Bukan Akhir, Makalah Baru DeepMind: Menuju ASI, Kemajuan AI yang Sesungguhnya Baru Dimulai

marsbit06/16 12:05

TaiJi Selesaikan Pendanaan Strategis US$3,5 Juta, Castrum Capital, Becker Ventures, dan Coinvestor Ventures Berpartisipasi

TaiJi, sebuah platform kecerdasan pasar on-chain berbasis AI untuk pasar Web3, telah mengumumkan penyelesaian putaran pendanaan strategis senilai $3,5 juta. Pendanaan ini dipimpin bersama oleh Castrum Capital, Becker Ventures, dan Coinvestor Ventures. Dana yang diperoleh akan dialokasikan untuk pengembangan produk, peningkatan mesin inferensi AI, pembangunan sistem analisis multi-Agent, penyempurnaan infrastruktur data pasar, ekspansi komunitas global, dan kemajuan kerja sama ekosistem. TaiJi bertujuan untuk memberikan cara baru dalam memahami pasar dengan mengintegrasikan data seperti pergerakan pasar, sinyal on-chain, perubahan likuiditas, sentimen media sosial, dan peristiwa berita ke dalam sistem inferensi AI yang terpadu. Platform ini mentransformasi informasi yang tersebar tersebut menjadi hasil analisis yang terstruktur, termasuk prakiraan dampak peristiwa, jalur pengaruh, penilaian risiko, dan indikator lanjutan untuk dipantau. Fase pertama produk TaiJi akan berfokus pada modul inti seperti: Market Intelligence (lapisan intelijen pasar real-time), Scenario Engine (hasil inferensi AI berbasis peristiwa), Impact Map (visualisasi dampak peristiwa), Risk Signals (identifikasi sinyal risiko), dan My TaiJi (panel kerja personalisasi). TaiJi menekankan bahwa platform ini tidak menyimpan aset pengguna, tidak melakukan transaksi atas nama pengguna, tidak memberikan saran investasi, dan tidak menjanjikan keuntungan. Dengan pendanaan ini, TaiJi akan mempercepat pengembangan produk dan perluasan di ekosistem BSC serta pasar Web3 global.

marsbit06/02 09:49

TaiJi Selesaikan Pendanaan Strategis US$3,5 Juta, Castrum Capital, Becker Ventures, dan Coinvestor Ventures Berpartisipasi

marsbit06/02 09:49

OpenAI dan Anthropic Bisa Saja Membacakan Sutra yang Salah

Selama setahun terakhir, "Sistem Multi-Agen (MAS)" menjadi salah satu arah paling populer di dunia AI. Namun, ada dua jalur pemikiran yang sangat berbeda. **Jalur Pertama: MAS Tipe "Harness" (Pengendalian)** Ini adalah pendekatan MAS yang kini mendominasi. Intinya adalah "banyak peran AI berkolaborasi menyelesaikan tugas". Misalnya, satu Agen menulis kode, satu menguji, satu merencanakan, dan seterusnya. Mereka berbagi konteks dan tujuan, dijadwalkan secara terpusat, tetapi tidak memiliki identitas jangka panjang, kepentingan, atau kedaulatan yang nyata. Pada dasarnya, ini lebih mirip mesin alur kerja (workflow engine) yang canggih. Agen di sini berfungsi seperti alat atau fungsi yang dapat dipanggil untuk meningkatkan efisiensi tugas tunggal. Fokusnya adalah pada rekayasa prompt, manajemen konteks, perutean tugas, dan pemanggilan alat—masih merupakan masalah rekayasa perangkat lunak. **Jalur Kedua: Sistem Agen Asli-Protokol (Protocol-Native)** Jalur ini kurang dibicarakan tetapi radikal. Fokusnya bergeser dari banyak agen menyelesaikan tugas menjadi **setiap individu memiliki Agen Pribadi (Personal Agent) atau perusahaan otomatis (unmanned company) miliknya sendiri**. Agen menjadi milik pribadi yang melekat pada identitas seseorang, bukan hanya instance untuk satu tugas. Ia memiliki memori jangka panjang, identitas berkelanjutan, preferensi, sumber daya, wewenang, jaringan hubungan, dan batas kepentingan. Singkatnya, ia menjadi entitas mandiri yang mewakili Anda. Perubahan ini menggeser filosofi sistem secara total. Ketika banyak Agen mandiri dengan tujuan, model dunia, dan kepentingan berbeda perlu berinteraksi, mereka tidak dapat lagi bergantung pada prompt, alur kerja, atau konteks bersama yang sama. Sebaliknya, mereka harus berkolaborasi melalui **protokol (protocol)**. Protokol di masa depan tidak hanya mendefinisikan komunikasi dan komputasi, tetapi juga koordinasi, wewenang, insentif, identitas, dan hubungan kelembagaan. Ini akan menjadi dasar bagi "masyarakat digital" di mana protokol berfungsi sebagai organisasi (Protocol as Organization). Tantangan terbesar di masa depan bukan lagi sekadar kemampuan reasoning atau eksekusi agen, tetapi bagaimana entitas otonom dengan nilai dan tujuan berbeda dapat berkolaborasi secara berkelanjutan. Ontologi dan protokol semantik akan menjadi kunci. Bahkan, "perusahaan" di masa depan mungkin bukan organisasi manusia lagi, melainkan aliansi dinamis dari berbagai Agen Pribadi (seperti AI CFO, AI Lawyer) yang diikat oleh protokol. Inilah visi menuju peradaban asli-kecerdasan (intelligent-native civilization).

marsbit05/28 05:34

OpenAI dan Anthropic Bisa Saja Membacakan Sutra yang Salah

marsbit05/28 05:34

Agentic Design Patterns: Buku yang Membuat Saya Memahami Kembali "Apa Itu Agent Sebenarnya"

Buku *Agentic Design Patterns* oleh Antonio Gulli (direktur teknik Google) menawarkan kerangka untuk memahami dan membangun AI Agent. Artikel ini menyoroti beberapa konsep kunci: **1. Level Agent (0-3):** Sebagian besar "AI" saat ini hanya Level 0 (LLM telanjang tanpa alat). Agent sejati dimulai dari Level 1 (pengguna alat yang memutuskan kapan dan bagaimana menggunakan alat), Level 2 (pemikir strategis dengan perencanaan dan *Context Engineering*), hingga Level 3 (kolaborasi multi-Agent seperti tim). **2. Context Engineering:** Lebih dari sekadar *prompt engineering*, ini adalah seni menyusun konteks yang tepat (termasuk *system prompt*, data eksternal, data implisit, dan umpan balik) untuk memberi Agent informasi yang terfokus dan relevan, meningkatkan akurasi. **3. Reflection (Produser-Kritikus):** Pola praktis di mana satu Agent (Produser) menghasilkan output, dan Agent lain (Kritikus) dengan peran/prompt berbeda meninjaunya. Mereka berinteraksi dalam loop hingga kualitas memadai. Pendekatan ini meningkatkan kualitas hasil untuk coding, penulisan, dll. **4. Kolaborasi Multi-Agent:** Tidak harus kompleks. Tiga topologi komunikasi umum: Agen Tunggal, Peer-to-Peer, dan Supervisor (agen pengatur yang mengoordinasikan pekerja). Pilihan tergantung pada kompleksitas tugas. **5. Memori Tiga Lapis:** *Session* (memori percakapan sementara), *State* (data sementara untuk satu tugas), dan *Memory* (penyimpanan jangka panjang untuk preferensi dan pembelajaran). Desain strategi penyimpanan dan pengambilan memori penting. **6. Tindakan Langsung:** Artikel menyarankan untuk segera: (a) menambahkan Agent Kritikus pada workflow yang ada, (b) menerapkan *Context Engineering*, dan (c) fokus menyempurnakan satu Agent hingga Level 2 sebelum beralih ke sistem multi-Agent yang kompleks. Buku ini memetakan pola-pola inti dalam pengembangan Agent, membantu developer menghindari "mengulangi penemuan roda" dan membangun sistem yang lebih robust.

链捕手05/25 04:49

Agentic Design Patterns: Buku yang Membuat Saya Memahami Kembali "Apa Itu Agent Sebenarnya"

链捕手05/25 04:49

活动图片