Panduan Penggunaan AI dari CEO Y-Combinator: Masa Depan Milik Mereka yang Membangun Sistem Berbunga Majemuk

marsbitDipublikasikan tanggal 2026-05-11Terakhir diperbarui pada 2026-05-11

Abstrak

Panduan Penggunaan AI dari CEO Y Combinator: Masa Depan Milik Mereka yang Membangun Sistem Majemuk Ketika banyak orang masih melihat AI sebagai alat obrolan yang lebih pintar, CEO Y Combinator Garry Tan telah mengubahnya menjadi sistem operasi pribadi. Inti produktivitas di era AI telah berubah: model hanyalah mesin, yang benar-benar menghasilkan pertumbuhan majemuk adalah sistem menyeluruh yang dibangun di sekitar pengetahuan, alur kerja, konteks, dan penilaian pribadi. Dalam sistem seperti ini, setiap pertemuan, buku, email, dan koneksi tidak lagi menjadi informasi terisolasi, melainkan terus dimasukkan ke dalam "otak kedua" yang terstruktur. Setiap tugas berulang tidak lagi bergantung pada prompt sementara, tetapi diabstraksi menjadi *skill* yang dapat digunakan kembali dan terus disempurnakan. AI tidak hanya membantu menyelesaikan tugas, tetapi membantu memproduktifkan, mensistemasi, dan menginfrastrukturkan cara kerja pribadi. Kompetisi masa depan mungkin bukan milik mereka yang hanya bisa menggunakan AI, tetapi milik mereka yang dapat melatih sistem AI majemuk di sekitar kehidupan dan pekerjaan nyata mereka. Sistem AI pribadi akan mengingat latar belakang Anda, memahami konteks Anda, mewarisi penilaian Anda, dan menjadi lebih kuat dengan setiap penggunaan. Nilai AI tidak terletak pada apa yang dihasilkan sekali, tetapi pada kemampuannya untuk menjadi sistem saraf yang terus mengakumulasi, menghubungkan, dan meningkatkan. Bagi individu, inilah awal sebenarnya dari "c...

Catatan Editor: Ketika kebanyakan orang masih menganggap AI sebagai jendela obrolan yang lebih pintar, CEO Y Combinator saat ini, Garry Tan, telah mencoba mengubahnya menjadi sistem operasi pribadi.

Struktur dasar produktivitas individu di era AI sedang berubah: model hanyalah mesin; yang benar-benar menghasilkan bunga majemuk adalah seluruh sistem yang dibangun di sekitar pengetahuan, alur kerja, konteks, dan penilaian pribadi.

Dalam sistem ini, setiap pertemuan, setiap buku, setiap email, setiap hubungan jaringan tidak lagi menjadi informasi yang terisolasi, melainkan akan terus ditulis ke dalam 'otak kedua' yang terstruktur; setiap tugas yang berulang tidak lagi bergantung pada prompt sementara, melainkan diabstraksikan menjadi skill yang dapat digunakan kembali dan terus diiterasi dalam pekerjaan selanjutnya. Dengan kata lain, AI tidak hanya membantu menyelesaikan tugas, tetapi membantu memproduktifikasi, mensistemkan, dan menginfrastrukturkan cara kerja pribadi seseorang.

Yang lebih patut diperhatikan adalah, penulis mengajukan jalur pribadi yang berbeda dari alat AI terpusat: daya saing di masa depan mungkin tidak hanya dimiliki oleh orang yang dapat menggunakan AI, tetapi oleh mereka yang dapat melatih sistem AI berbunga majemuk di sekitar kehidupan dan pekerjaan nyata mereka. Chatbot memberikan jawaban, mesin pencari menyediakan informasi, sedangkan sistem AI pribadi yang sebenarnya akan mengingat latar belakang Anda, memahami konteks Anda, mewarisi penilaian Anda, dan menjadi lebih kuat di setiap penggunaan.

Ini juga bagian paling inspiratif dari artikel ini: nilai AI tidak terletak pada apa yang dihasilkan sekali, tetapi pada kemampuannya menjadi sistem saraf yang terus terakumulasi, terhubung, dan membaik. Bagi individu, ini mungkin titik awal sebenarnya dari 'cara kerja asli AI'.

Berikut adalah teks aslinya:

Orang-orang selalu bertanya kepada saya, mengapa saya menghabiskan malam untuk menulis kode, sampai jam 2 pagi. Saya memiliki pekerjaan, dan itu pekerjaan yang berat—saya adalah CEO Y Combinator. Kami membantu ribuan pengusaha setiap tahun mewujudkan mimpi mereka: mendirikan perusahaan rintisan yang benar-benar menghasilkan pendapatan dan tumbuh dengan sangat cepat.

Dalam 5 bulan terakhir, AI telah mengembalikan saya menjadi seorang pembangun. Akhir tahun lalu, alat sudah cukup baik untuk membuat saya mulai membangun lagi. Bukan proyek mainan, tetapi sistem yang benar-benar dapat berkembang berbunga majemuk. Saya ingin memberi tahu Anda dengan contoh konkret, seperti apa sebenarnya ketika Anda tidak lagi menganggap AI pribadi sebagai jendela obrolan, melainkan sebagai sistem operasi. Saya membuka sumber semua hal ini dan menuliskannya dalam artikel seperti ini karena saya berharap Anda juga bisa ikut berakselerasi bersama saya.

Ini adalah bagian dari sebuah seri: 'Fat Skills, Fat Code, Thin Harness' memperkenalkan arsitektur inti; 'Resolvers' membahas tabel perutean yang cerdas; 'The LOC Controversy' mendiskusikan bagaimana setiap teknisi dapat memperbesar diri 100 hingga 1000 kali; 'Naked models are stupider' mengajukan bahwa model hanyalah mesin, bukan seluruh mobil; dan 'skillify manifesto' menjelaskan mengapa LangChain mengumpulkan $160 juta, tetapi memberi Anda rak squat dan dumbbell tanpa rencana latihan, sedangkan artikel ini memberikan rencana latihan yang benar-benar Anda butuhkan.

Buku yang 'Membaca Saya Secara Terbalik' Itu

Bulan lalu, saya sedang membaca buku Pema Chödrön, 'When Things Fall Apart'. Buku ini setebal 162 halaman, 22 bab, membahas sudut pandang Buddhisme tentang penderitaan, rasa tanpa akar, dan melepaskan. Seorang teman merekomendasikannya kepada saya ketika saya mengalami masa-masa sulit.

Saya meminta AI saya melakukan 'cermin buku' (book mirror).

Secara konkret, ini berarti: sistem mengekstrak semua 22 bab buku tersebut, kemudian untuk setiap bab menjalankan sub-agent, sekaligus menyelesaikan dua hal: merangkum pemikiran penulis, dan memetakan setiap poin ke kehidupan nyata saya.

Bukan ucapan kosong seperti 'ini juga berlaku untuk pemimpin', tetapi pemetaan yang sangat spesifik. Ia tahu latar belakang keluarga saya: orang tua imigran, ayah dari Hong Kong dan Singapura, ibu dari Myanmar. Ia tahu konteks profesional saya: saya mengelola YC, membangun alat open source, membimbing ribuan pendiri. Ia tahu apa yang baru-baru ini saya baca, apa yang saya pikirkan jam 2 pagi, masalah apa yang sedang saya tangani dengan terapis saya.

Output akhirnya adalah 'halaman otak' (brain page) sepanjang 30.000 kata. Setiap bab disajikan dalam dua kolom: satu kolom berisi apa yang dikatakan Pema, kolom lainnya berisi bagaimana konten tersebut terpetakan ke hal-hal yang benar-benar saya alami. Bab tentang 'rasa tanpa akar' terhubung dengan percakapan spesifik saya dengan seorang pendiri pekan sebelumnya; bab tentang 'ketakutan' dipetakan ke beberapa pola perilaku yang pernah ditunjukkan oleh terapis saya; bab tentang 'melepaskan' mengutip sesuatu yang saya tulis suatu malam—tentang kebebasan kreatif yang saya temukan tahun ini.

Seluruh proses memakan waktu sekitar 40 menit. Seorang terapis dengan tarif $300 per jam, bahkan jika membaca buku ini dan menerapkannya pada kehidupan saya, tidak mungkin melakukannya dalam 40 jam. Karena mereka tidak memiliki akses dan referensi silang penuh terhadap konteks profesional, riwayat bacaan, catatan rapat, dan jaringan hubungan pendiri saya.

Sejauh ini, saya telah memproses lebih dari 20 buku dengan cara ini: 'Amplified' (Dion Lim), 'Autobiografi Russell', 'Designing Your Life', 'The Drama of the Gifted Child', 'Finite and Infinite Games', 'Gift from the Sea' (Lindbergh), 'Siddhartha' (Hesse), 'Steppenwolf' (Hesse), 'The Art of Doing Science and Engineering' (Hamming), 'The Dream Machine', 'The Book on the Taboo Against Knowing Who You Are' (Alan Watts), 'What Do You Care What Other People Think?' (Feynman), 'When Things Fall Apart' (Pema Chödrön), 'A Brief History of Everything' (Ken Wilber), dan lainnya.

Setiap buku membuat 'otak' ini semakin kaya. Cermin kedua tahu konten pertama, cermin kedua puluh tahu semua konten sembilan belas sebelumnya.

Bagaimana Book-Mirror Menjadi Lebih Baik Melalui Iterasi

Pertama kali saya melakukan book mirror, hasilnya sangat buruk.

Pada versi pertama, ada tiga kesalahan fakta tentang keluarga saya. Ia mengatakan orang tua saya bercerai, padahal tidak; juga mengatakan saya besar di Hong Kong, padahal saya lahir di Kanada. Ini adalah kesalahan dasar yang dapat merusak kepercayaan jika saya membagikan hasilnya.

Jadi saya menambahkan langkah pemeriksaan fakta wajib. Sekarang, setiap mirror akan dievaluasi secara multimodal terhadap fakta yang diketahui di otak sebelum disampaikan. Opus 4.7 1M akan menangkap kesalahan akurasi; GPT-5.5 akan menemukan konteks yang hilang; DeepSeek V4-Pro akan menilai apakah suatu konten terdengar terlalu umum.

Kemudian, saya memutakhirkan menjadi pencarian mendalam berbasis panggilan alat GBrain. Versi awal pandai menyintesis, tetapi lemah dalam spesifisitas. Versi ketiga mulai melakukan pencarian otak per bagian. Setiap item di kolom kanan akan mengutip halaman otak yang benar-benar ada.

Ketika buku itu membahas cara menangani percakapan sulit, ia tidak hanya merangkum prinsip-prinsip umum. Ia akan mengeluarkan catatan rapat nyata saya dengan pendiri yang mengalami percakapan sulit dengan rekan pendirinya; atau sebuah ide yang muncul saat saya mengobrol santai dengan adik saya James suatu hari Kamis; atau catatan obrolan instan saya dengan teman sekamar kuliah saat berusia 19 tahun. Rasanya sangat aneh.

Inilah arti 'skillifikasi' (skillification, menggunakan /skillify di GBrain) dalam praktik. Saya menyaring upaya manual pertama menjadi pola yang dapat diulang, menulisnya menjadi file skill yang telah diuji, berisi kondisi pemicu dan kasus batas. Setelah itu, setiap perbaikan akan terus berbunga majemuk di semua book mirror di masa depan.

Skill yang Dapat Menciptakan Skill

Di sinilah letak rekursif yang sebenarnya, dan menurut saya ini juga wawasan terbesarnya.

Sistem yang mendukung kehidupan sehari-hari saya tidak muncul sebagai raksasa tunggal. Ia dirakit dari banyak skill. Dan skill-skill itu sendiri diciptakan oleh skill lain.

Skillify adalah 'meta-skill'—sebuah skill untuk menciptakan skill baru. Setiap kali saya menemukan alur kerja yang akan saya ulangi di masa depan, saya akan berkata: 'Skillify-kan ini.' Kemudian ia akan melihat kembali apa yang terjadi, mengekstrak pola yang dapat diulang, menuliskannya menjadi file skill yang telah diuji, berisi kondisi pemicu dan kasus batas, dan mendaftarkannya ke resolver.

Pipeline book-mirror yang disebutkan sebelumnya, di-skillify-kan dari pertama kali saya menyelesaikan proses ini secara manual. Begitu juga alur kerja meeting-prep: ketika saya menyadari saya melakukan langkah yang sama sebelum setiap panggilan, saya skillify-kan.

Skill dapat dikombinasikan. Book-mirror akan memanggil brain-ops untuk penyimpanan, memanggil enrich untuk menambah konteks, memanggil cross-modal-eval untuk evaluasi kualitas, memanggil pdf-generation untuk output hasil. Setiap skill hanya fokus pada satu hal, tetapi mereka dapat dirangkai menjadi alur kerja yang kompleks.

Ketika saya memperbaiki salah satu skill, semua alur kerja yang menggunakan skill itu otomatis menjadi lebih baik. Tidak ada lagi masalah 'saya lupa menyebutkan kasus batas ini di prompt'. Skill akan mengingatnya.

Rapat yang Mempersiapkan Diri Sendiri Itu

Demis Hassabis datang ke YC untuk bincang-bincang santai (fireside chat). Biografi tentang dia oleh Sebastian Mallaby baru saja diterbitkan.

Saya meminta sistem membantu saya mempersiapkan diri.

Kurang dari dua menit, ia menarik: halaman otak lengkap Demis—halaman ini telah terakumulasi terus-menerus selama berbulan-bulan dari artikel, transkrip podcast, dan catatan saya sendiri; pandangan yang dia ungkapkan secara terbuka tentang garis waktu AGI, seperti '50% scaling, 50% inovasi', dan pendapatnya bahwa AGI masih membutuhkan 5 hingga 10 tahun; poin-poin penting dari biografi Mallaby; prioritas penelitian yang secara eksplisit dia sebutkan, termasuk pembelajaran berkelanjutan, model dunia, dan memori jangka panjang; referensi silang antara pandangan AI yang saya dan dia bicarakan secara terbuka; tiga skrip demonstrasi untuk menunjukkan kemampuan penalaran multi-lompat otak ini dalam percakapan; serta serangkaian titik masuk percakapan yang dirancang berdasarkan kesamaan dan perbedaan pandangan dunia kami.

Ini bukan sekadar pencarian Google yang lebih baik. Ini adalah persiapan berbasis konteks: sistem tidak hanya menggunakan informasi tentang Demis yang telah lama saya kumpulkan, tetapi juga menggabungkan posisi saya sendiri, serta tujuan strategis percakapan ini.

Yang dipersiapkan bukan hanya fakta, tetapi sudut pandang.

Seperti Apa Otak 100.000 Halaman Itu

Saya menjaga basis pengetahuan terstruktur sekitar 100.000 halaman.

Setiap orang yang saya temui memiliki halaman, berisi garis waktu, bilah status—yaitu situasi nyata saat ini, benang merah yang belum selesai, serta skor. Setiap rapat akan memiliki transkrip, ringkasan terstruktur, dan proses yang saya sebut 'penyebaran entitas' (entity propagation): setelah setiap rapat, sistem akan menelusuri setiap orang dan perusahaan yang disebutkan, dan memperbarui halaman otak mereka dengan konten diskusi tersebut.

Setiap buku yang saya baca akan mendapatkan cermin buku per bab. Setiap artikel, episode podcast, video yang saya akses akan diambil, diberi tag, dan diberi referensi silang.

Skemanya sederhana. Setiap halaman memiliki tiga bagian: paling atas adalah 'kebenaran yang dikompilasi'—pemahaman terbaik saat ini; di bawah adalah garis waktu yang hanya ditambahkan tidak diubah, mencatat peristiwa secara kronologis; di samping adalah sidecar data mentah, untuk menyimpan bahan sumber.

Anda dapat membayangkannya seperti Wikipedia versi pribadi. Setiap halaman terus diperbarui oleh AI yang menghadiri rapat, membaca email, menonton pidato, dan mencerna PDF.

Berikut contoh bagaimana sistem seperti ini berbunga majemuk.

Saya bertemu seorang pendiri dalam jam kerja. Sistem akan membuat atau memperbarui halaman pribadinya, halaman perusahaannya, referensi silang catatan rapat, memeriksa apakah sebelumnya saya pernah bertemu dengannya—jika ya, munculkan apa yang kita bicarakan terakhir kali; ia akan memeriksa aplikasinya, menarik metrik terbaru, dan mengidentifikasi apakah di portofolio perusahaan atau kontak saya, ada yang dapat membantu masalah yang sedang dia tangani.

Saat saya masuk ke rapat dengannya berikutnya, sistem sudah menyiapkan paket konteks lengkap.

Inilah perbedaan antara 'lemari arsip' dan 'sistem saraf'. Lemari arsip hanya menyimpan; sistem saraf akan menghubungkannya, menandai apa yang berubah, dan memunculkan informasi yang paling relevan pada saat itu.

Arsitektur

Begini cara kerjanya. Menurut saya, ini adalah jalur yang benar untuk membangun AI pribadi, jadi saya membuka sumber seluruhnya, Anda juga dapat membangunnya sendiri.

Harness-nya tipis. OpenClaw adalah runtime. Ia menerima pesan saya, menilai skill mana yang berlaku, kemudian mendistribusikannya. Hanya ribuan baris logika perutean. Ia tidak memahami buku, rapat, atau pendiri, ia hanya bertanggung jawab atas perutean.

Skills-nya tebal. Sekarang sudah ada lebih dari 100 skill, masing-masing adalah file markdown mandiri yang berisi instruksi rinci untuk tugas tertentu. Anda telah melihat book-mirror dan meeting-prep. Berikut beberapa skill lain yang disertakan di GBrain:

meeting-ingestion: Setelah setiap rapat, ia menarik transkrip, menghasilkan ringkasan terstruktur, kemudian menelusuri setiap orang dan perusahaan yang disebutkan dalam rapat, memperbarui halaman otak mereka dengan konten diskusi. Halaman rapat itu sendiri bukan produk akhir, nilai sebenarnya terletak pada menyebarkan informasi ini kembali ke halaman setiap orang dan perusahaan.

enrich: Berikan nama seseorang. Ia akan menarik informasi dari lima sumber berbeda, menggabungkan semua konten menjadi satu halaman otak, termasuk lintasan karir, informasi kontak, riwayat rapat, dan konteks hubungan. Setiap penilaian memiliki kutipan sumber.

media-ingest: Memproses video, audio, PDF, tangkapan layar, dan repo GitHub. Ia akan mentranskrip konten, mengekstrak entitas, dan mengarsipkan bahan ke lokasi otak yang benar. Saya sering menggunakannya untuk video YouTube, podcast, dan memo suara.

perplexity-research: Ini adalah penelitian web dengan kemampuan augmentasi otak. Ia mencari web melalui Perplexity, tetapi sebelum menyintesis, ia akan memeriksa apa yang sudah diketahui di otak, sehingga memberi tahu Anda informasi mana yang benar-benar baru, mana yang sudah Anda tangkap.

Saya juga membangun puluhan skill untuk pekerjaan saya sendiri, yang kemungkinan besar juga akan saya buka sumbernya: email-triage, investor-update-ingest—yang dapat mengidentifikasi pembaruan portofolio di kotak masuk saya dan mengekstrak metrik ke halaman perusahaan; calendar-check—untuk mendeteksi konflik jadwal dan perjalanan yang mustahil; serta seluruh tumpukan penelitian berita yang saya gunakan untuk pekerjaan urusan publik.

Setiap skill mengkodekan pengetahuan operasional yang, jika diberikan kepada asisten manusia baru, mungkin memerlukan beberapa bulan untuk dipelajari. Ada yang bertanya bagaimana saya 'memberi prompt' AI saya. Jawabannya: Saya tidak memberi prompt. Skill itu sendiri adalah prompt.

Datanya tebal. Repo otak memiliki 100.000 halaman pengetahuan terstruktur. Setiap orang, perusahaan, rapat, buku, artikel, ide yang pernah saya akses, semuanya terhubung, dapat dicari, dan tumbuh setiap hari.

Kodenya juga tebal. Kode yang memberinya bahan juga penting: skrip untuk transkripsi, OCR, pengarsipan media sosial, sinkronisasi kalender, integrasi API. Tetapi tempat di mana nilai bunga majemuk benar-benar mengendap, adalah data.

Saya menjalankan lebih dari 100 cron job setiap hari, memeriksa semua yang saya pantau: media sosial, Slack, email, dan informasi lain yang akan saya perhatikan. OpenClaw/Hermes Agents saya juga melihat hal-hal ini untuk saya.

Model dapat diganti. Untuk akurasi, saya menggunakan Opus 4.7 1M; untuk recall dan ekstraksi menyeluruh, saya menggunakan GPT-5.5; untuk pekerjaan kreatif dan perspektif ketiga, saya menggunakan DeepSeek V4-Pro; untuk kecepatan, saya menggunakan Groq dengan Llama. Skill yang menentukan tugas mana memanggil model mana. Harness tidak peduli.

Ketika seseorang bertanya 'model AI mana yang terbaik', jawabannya adalah: Anda menanyakan pertanyaan yang salah. Model hanyalah mesin, semua bagian lainnya adalah mobilnya.

Pembangun Jam 2 Pagi, dan Sistem yang Terus Berbunga Majemuk

Orang-orang bertanya kepada saya tentang produktivitas. Tetapi saya tidak berpikir seperti itu.

Saya berpikir tentang bunga majemuk.

Setiap rapat yang saya hadiri akan menambah konten ke otak ini. Setiap buku yang saya baca akan memperkaya konteks untuk buku berikutnya. Setiap skill yang saya bangun akan membuat alur kerja berikutnya lebih cepat. Setiap halaman orang yang saya perbarui akan membuat persiapan rapat berikutnya lebih tajam.

Sistem hari ini sudah 10 kali lipat dari dua bulan lalu. Dua bulan lagi, ia akan menjadi 10 kali lipat dari sekarang.

Ketika saya masih menulis kode jam 2 pagi—dan saya memang sering melakukannya, karena AI membuat saya menemukan kembali kegembiraan membangun—saya tidak hanya menulis perangkat lunak. Saya menambah kemampuan pada sistem yang menjadi lebih baik setiap jam.

100 cronjob berjalan sepanjang waktu. Pemasukan rapat berjalan otomatis. Pemilahan email berjalan setiap 10 menit. Grafik pengetahuan memperkaya diri dari setiap percakapan. Sistem memproses transkrip harian dan mengekstrak pola yang tidak saya perhatikan secara real-time.

Ini bukan alat menulis, bukan mesin pencari, juga bukan chatbot.

Ini adalah otak kedua yang benar-benar dapat dijalankan. Ini bukan metafora, melainkan sistem yang sedang berjalan: 100.000 halaman konten, lebih dari 100 skill, 15 cron job, dan konteks yang terakumulasi dari setiap hubungan profesional, rapat, buku, dan ide yang pernah saya ikuti dalam setahun terakhir.

Saya membuka sumber seluruh tumpukan teknologi ini. GStack adalah kerangka kerja skill pengkodean, sudah memiliki lebih dari 87.000 star, saya menggunakannya untuk membangun sistem ini. Ketika agent perlu menulis kode, saya masih menggunakannya sebagai skill di OpenClaw/Hermes Agent saya. Ada juga browser yang dapat diprogram dengan baik, mendukung mode headed dan headless.

GBrain adalah infrastruktur pengetahuan. OpenClaw dan Hermes Agent adalah harness, Anda dapat memilih salah satu, tetapi saya biasanya menggunakan keduanya. Repo data juga ada di GitHub.

Penilaian intinya sederhana: masa depan milik individu yang dapat membangun sistem AI berbunga majemuk, bukan mereka yang hanya menggunakan alat AI terpusat yang dimiliki perusahaan.

Perbedaan di antara keduanya seperti menulis buku harian dan memiliki sistem saraf.

Bagaimana Memulai

Jika Anda juga ingin membangun sistem seperti ini:

Pertama, pilih harness. Anda dapat menggunakan OpenClaw, Hermes Agent, atau membangun dari nol berdasarkan Pi. Kuncinya adalah menjaga agar tetap ringan. Harness hanyalah router. Anda dapat men-deploy-nya di komputer rumahan yang tidak terpakai, diakses dengan Tailscale; atau meletakkannya di layanan cloud seperti Render atau Railway.

Kemudian, bangun 'otak' dengan GBrain. Awalnya saya terinspirasi oleh LLM Wiki Karpathy, mengimplementasikannya di OpenClaw, lalu mengembangkannya menjadi GBrain. Ini adalah sistem pengambilan (retrieval) terbaik yang pernah saya uji: mencapai 97,6% recall pada LongMemEval, mengungguli MemPalace tanpa memanggil LLM di tahap retrieval. Ia dilengkapi dengan 39 skill yang dapat diinstal, termasuk semua yang disebutkan di artikel ini. Hanya perlu satu perintah untuk menginstal. Anda akan mendapatkan repo git di mana setiap orang, rapat, artikel, ide memiliki halamannya sendiri.

Selanjutnya, lakukan sesuatu yang benar-benar menarik. Jangan merencanakan arsitektur skill Anda dari awal. Selesaikan satu tugas konkret terlebih dahulu: tulis laporan, teliti seseorang, unduh skor NBA satu musim dan buat model prediksi untuk taruhan olahraga Anda, analisis portofolio Anda, atau lakukan apa pun yang benar-benar Anda pedulikan. Gunakan agent Anda untuk melakukannya, iterasi terus sampai hasilnya cukup baik, kemudian jalankan Skillify—meta-skill yang disebutkan sebelumnya—untuk mengekstrak pola di dalamnya menjadi skill yang dapat digunakan kembali. Kemudian jalankan check_resolvable, konfirmasi bahwa skill baru ini telah terhubung ke resolver. Siklus ini akan mengubah pekerjaan satu kali menjadi infrastruktur yang dapat terus berbunga majemuk.

Terus gunakan dan periksa output-nya dengan cermat. Skill ini pasti akan sangat biasa di awal. Itulah intinya. Gunakan, baca konten yang dihasilkannya, ketika Anda menemukan kesalahan, jalankan cross-modal eval: serahkan output ke beberapa model, minta mereka saling memberi skor berdasarkan dimensi yang Anda pedulikan. Ini cara saya menemukan kesalahan fakta book-mirror dulu. Perbaikan ditulis ke dalam skill, dan sejak itu, setiap mirror menjadi lebih bersih.

Enam bulan kemudian, Anda akan memiliki sesuatu yang tidak dapat direplikasi oleh chatbot mana pun. Karena nilai sebenarnya tidak terletak pada model itu sendiri, tetapi pada Anda yang telah mengajarkan sistem ini memahami kehidupan, pekerjaan, dan cara penilaian spesifik Anda.

Hal pertama yang saya buat dengan sistem ini sangat buruk. Pada yang keseratus, ia sudah menjadi sistem yang saya percayakan dengan kalender, kotak masuk, persiapan rapat, dan daftar bacaan saya. Sistem sedang belajar, saya juga sedang belajar. Kurva bunga majemuk itu nyata.

Skill tebal, kode tebal, harness tipis. LLM itu sendiri hanyalah sebuah mesin. Anda benar-benar dapat membangun mobil Anda sendiri.

Semua yang saya gambarkan di sini—semua skill, pipeline book mirror, kerangka cross-modal eval, siklus skillify, arsitektur resolver, serta lebih dari 30 skillpack yang dapat diinstal—semuanya telah dibuka sumber dan tersedia gratis di GitHub.

Mulai membangun.

Pertanyaan Terkait

QMenurut Garry Tan, apa perbedaan mendasar antara menggunakan AI sebagai 'chat window' dan sebagai 'sistem operasi pribadi'?

AMenggunakan AI sebagai 'chat window' hanya menghasilkan jawaban sekali pakai, sementara sebagai 'sistem operasi pribadi', AI menjadi sistem saraf kedua yang terstruktur yang terus mengakumulasi pengetahuan, konteks, dan penilaian pribadi pengguna. Sistem ini menghasilkan efek berbunga (compounding) karena setiap interaksi (rapat, buku, email) memperkaya sistem dan membuatnya lebih kuat untuk digunakan di masa depan.

QApa yang dimaksud dengan 'skillify' atau 'skillifikasi' dalam konteks sistem AI Garry Tan, dan mengapa hal ini penting?

A'Skillify' atau 'skillifikasi' adalah proses mengabstraksi alur kerja atau tugas berulang menjadi sebuah 'skill' (keahlian) yang dapat digunakan kembali, terdokumentasi, dan dapat diuji. Ini penting karena mengubah pekerjaan satu kali menjadi infrastruktur yang dapat menghasilkan bunga. Skill ini dapat digabungkan dan ditingkatkan, dan setiap perbaikannya akan menguntungkan semua alur kerja yang menggunakannya di masa depan.

QBagaimana proses 'book mirror' (cermin buku) bekerja dalam sistem GBrain, dan apa manfaatnya?

AProses 'book mirror' mengekstrak seluruh isi buku, lalu untuk setiap bab, sebuah agen AI meringkas pemikiran penulis dan memetakannya secara spesifik ke dalam konteks kehidupan nyata pengguna (latar belakang keluarga, pekerjaan, catatan terapi, dll.). Hasilnya adalah 'halaman otak' yang menghubungkan ide buku dengan pengalaman pribadi. Manfaatnya adalah pemahaman yang sangat dalam dan personal terhadap buku, yang dapat diperkaya secara terus menerus dengan setiap buku baru yang diproses.

QApa peran 'harness' (kekang) dalam arsitektur sistem AI pribadi yang dijelaskan Garry Tan?

A'Harness' (seperti OpenClaw atau Hermes Agent) berperan sebagai router atau runtime yang sangat ringan. Tugasnya hanya menerima pesan pengguna, menentukan 'skill' mana yang sesuai untuk menangani permintaan tersebut, lalu meneruskannya. Harness tidak memahami konten (buku, rapat), itu adalah tanggung jawab 'skill' yang tebal. Filosofinya adalah 'tebal pada skill dan data, tipis pada harness'.

QMenurut artikel, mengapa masa depan bukan hanya tentang siapa yang bisa *menggunakan* AI, tetapi siapa yang bisa *membangun* sistem AI berbunga?

AKarena nilai sebenarnya dari AI tidak terletak pada model generatif sekali pakai, tetapi pada kemampuan membangun sistem yang terus belajar dan beradaptasi dengan konteks kehidupan, pekerjaan, dan penilaian spesifik individu. Sistem seperti ini (seperti 'otak' pribadi dengan pengetahuan terstruktur dan skill yang dapat dikomposisi) menciptakan efek berbunga yang tidak dapat ditiru oleh alat AI terpusat. Kompetitif di masa depan akan dimiliki oleh individu yang memiliki 'sistem saraf' AI pribadi ini, bukan hanya pengguna alat.

Bacaan Terkait

Peretas yang Menargetkan Crypto Anda Kini Dapat Peningkatan AI — Laporan Google Adalah Panggilan Bangun

Laporan terbaru dari Google's Threat Intelligence Group (GTIG) memperingatkan bahwa kecerdasan buatan (AI) kini digunakan secara besar-besaran oleh peretas yang didukung negara dan aktor ancaman kriminal. AI dimanfaatkan untuk membuat malware otonom, eksploit zero-day yang dihasilkan AI, dan operasi pencurian kredensial, yang menjadi ancaman langsung bagi pengguna aset kripto. Laporan tersebut mengungkap kasus pertama di mana aktor ancaman kriminal diduga menggunakan eksploit zero-day yang dikembangkan dengan bantuan AI. Selain itu, malware polimorfik (yang dapat mengubah strukturnya sendiri) yang dipercepat pengembangannya oleh AI juga telah teridentifikasi. Ancaman paling langsung bagi pengguna kripto adalah malware bernama PROMPTSPY, yang mampu menginterpretasi keadaan sistem secara dinamis dan menghasilkan perintah secara real-time untuk mencuri kredensial, bahkan berpotensi mengalahkan sistem autentikasi dua faktor (2FA) berbasis SMS atau aplikasi. GTIG menyimpulkan bahwa praktik keamanan standar yang memadai beberapa tahun lalu kini tidak lagi memadai. Langkah-langkah perlindungan yang lebih kuat, seperti kunci keamanan perangkat keras, perangkat penandatanganan terisolasi (air-gapped), dan arsitektur dompet multi-signature, kini menjadi sangat penting.

bitcoinist9m yang lalu

Peretas yang Menargetkan Crypto Anda Kini Dapat Peningkatan AI — Laporan Google Adalah Panggilan Bangun

bitcoinist9m yang lalu

Inti dari PHK AI: Mengapa Semakin AI Menyebar, Perusahaan Semakin Cemas?

Dalam artikel ini, penulis, seorang karyawan yang menunggu keputusan PHK, menganalisis gelombang PHK terkait AI di perusahaan-perusahaan teknologi. Meskipun penggunaan AI (seperti Claude) telah meledak dan produktivitas teknis (seperti jumlah kode) meningkat 2-5 kali lipat, hasil bisnis (pendapatan) tidak mengikuti. Ini karena kode hanyalah "input", bukan "output" (fitur) apalagi "outcome" (nilai yang dibayar pengguna). AI membuat produksi kode murah dan cepat, tetapi justru memperburuk dua masalah mendasar: 1. **Kualitas Ide**: Banyak ide dari manajemen sebenarnya buruk. Dulu, keterbatasan sumber daya memaksa seleksi ketat. Kini, semua ide mudah diwujudkan, termasuk yang tidak bernilai. 2. **"Pajak Penyelarasan" (Alignment Tax)**: Menyelaraskan banyak tim dalam organisasi besar itu lambat dan sulit. Dengan AI, tiap tim bisa cepat membuat produk versi sendiri berdasarkan asumsi berbeda, menciptakan duplikasi dan konflik. PHK terjadi bukan karena AI secara langsung menggantikan manusia, tetapi untuk: 1. **Mengimbangi Biaya AI**: Pengeluaran besar untuk token AI harus diimbangi dengan memotong biaya gaji agar keuangan perusahaan stabil. 2. **Mengurangi Kompleksitas Organisasi**: Memotong karyawan mengurangi jumlah tim yang perlu diselaraskan, menghilangkan "penyumbatan" dan membuat keputusan lebih cepat dalam jangka pendek. Penulis menyimpulkan bahwa PHK ini adalah akibat dari kegagalan mengubah "input" AI yang melimpah menjadi "outcome" bisnis yang nyata, dan ketidakmampuan organisasi beradaptasi dengan kecepatan baru. Siklus ini akan terus berlanjut sampai perusahaan belajar memanfaatkan AI secara efektif untuk pertumbuhan, bukan hanya efisiensi semu.

marsbit1j yang lalu

Inti dari PHK AI: Mengapa Semakin AI Menyebar, Perusahaan Semakin Cemas?

marsbit1j yang lalu

Solana Foundation Bermitra dengan Google Luncurkan Pay.sh, Dapatkah Membuka Jalan Pembayaran antara Web2 dan Web3 dalam Ekonomi Agen Cerdas?

Solana Foundation bermitra dengan Google Cloud meluncurkan Pay.sh, sebuah "gerbang pembayaran antara agen AI dan layanan perusahaan," yang bertujuan menghubungkan sistem pembayaran Web2 dan Web3 untuk ekonomi agen. Pay.sh memungkinkan agen AI menggunakan dompet Solana (yang dapat diisi dengan kartu kredit atau stablecoin) sebagai identitas dan agen pembayaran tunggal untuk mengakses layanan API seperti Google Cloud tanpa perlu pendaftaran akun manual. Ini bekerja dengan memanfaatkan kode status HTTP 402 dan kompatibel dengan protokol pembayaran x402 dan MPP, secara otomatis memilih metode pembayaran satu kali atau berbasis sesi yang sesuai. Layanan ini juga memudahkan penyedia layanan dengan menyediakan gateway yang mudah diintegrasikan, mendukung skema pembayaran bertingkat dan pembagian pembayaran otomatis ke beberapa alamat. Dengan memanfaatkan infrastruktur Google Cloud untuk kepatuhan dan log, Pay.sh bertujuan menciptakan lingkungan yang lebih aman dan terpercaya bagi agen untuk menemukan dan menggunakan layanan, sekaligus melengkapi protokol komunikasi agen lainnya dari Google. Inisiatif ini berpotensi membawa lebih banyak arus pembayaran Web2 ke ekosistem Solana dan meningkatkan utilitas dompetnya. Namun, tantangan tetap ada, termasuk risiko layanan tiruan di direktori penyedia, ketergantungan pada keamanan protokol pembayaran dasar, dan persyaratan kepatuhan regional yang berpotensi menghambat adopsi oleh penyedia layanan. Meski demikian, Pay.sh menandai langkah signifikan menuju integrasi infrastruktur pembayaran untuk ekonomi agen yang menghubungkan dunia Web2 dan Web3.

marsbit1j yang lalu

Solana Foundation Bermitra dengan Google Luncurkan Pay.sh, Dapatkah Membuka Jalan Pembayaran antara Web2 dan Web3 dalam Ekonomi Agen Cerdas?

marsbit1j yang lalu

Indikator Siklus Bull-Bear Bitcoin Berbalik Positif untuk Pertama Kalinya dalam 7 Bulan, Apakah Bear Market Sudah Berakhir atau Hanya False Breakout?

**Indikator Siklus Bull-Bear Bitcoin Tembus Positif untuk Pertama Kalinya dalam 7 Bulan: Akhir Bear Market atau False Breakout?** Analisis CryptoQuant menunjukkan indikator siklus pasar bull-bear Bitcoin (Bull-Bear Market Cycle Indicator) telah berubah menjadi positif untuk pertama kalinya sejak Oktober 2025. Indikator ini, yang menganalisis jarak antara Indeks P&L (yang menggabungkan MVRV, NUPL, dan SOPR) dengan rata-ratanya selama 365 hari, merupakan sinyal awal pemulihan dari fase bearish. Perbaikan ini terjadi setelah indikator tersebut menyentuh level terendah yang setara dengan masa pandemi Maret 2020 pada Februari lalu. Sinyal ini didukung oleh indikator inti lainnya, Bull Score Index, yang naik ke level netral 50 pada akhir April—juga yang pertama kalinya sejak puncak Desember 2025. Peningkatan ini didukung oleh rebound harga Bitcoin sebesar lebih dari 35% dari titik terendah sekitar $60.000 pada Februari ke level sekitar $81.000, dengan catatan tiga bulan berturut-turut menghasilkan return positif. Namun, kehati-hatian tetap diperlukan. Sejarah mencatat pada Maret 2022, Bull Score Index juga sempat mencapai level 50 tetapi hanya bertahan seminggu sebelum harga melanjutkan penurunan yang dalam akibat krisis Terra/LUNA dan FTX. Perbedaan utama siklus saat ini adalah adanya permintaan institusional melalui ETF spot Bitcoin, yang mencatat arus masuk bersih kuat pada April. Selain itu, data menunjukkan peningkatan akumulasi oleh alamat "paus". Beberapa analis mengingatkan bahwa jika pola siklus empat tahun (halving) tetap berlaku, dasar pasar yang berkelanjutan mungkin baru terbentuk sekitar kuartal keempat 2026. Oleh karena itu, meskipun fase kepanikan terburuk mungkin telah berlalu, pasar membutuhkan konfirmasi lebih lanjut, seperti penembusan berkelanjutan di atas resistance rata-rata bergerak 200-hari di sekitar $82.000, untuk secara meyakinkan menyatakan awal tren bull baru.

marsbit1j yang lalu

Indikator Siklus Bull-Bear Bitcoin Berbalik Positif untuk Pertama Kalinya dalam 7 Bulan, Apakah Bear Market Sudah Berakhir atau Hanya False Breakout?

marsbit1j yang lalu

Strategy Menambah 535 Bitcoin Lagi Saat Kepemilikan Mendekati 820.000 BTC

Strategy telah kembali melakukan akumulasi Bitcoin dengan pembelian baru senilai $43 juta, menambahkan 535 BTC ke dalam portofolionya. Pembelian ini, yang didanai terutama melalui penjualan saham MSTR, membawa total kepemilikan perusahaan mendekati tonggak 820.000 BTC, yaitu menjadi 818.869 BTC. Biaya rata-rata per koinnya adalah $75.540, dan dengan pemulihan harga baru-baru ini, posisi Strategy kembali menguntungkan. Perusahaan, yang dipimpin oleh Michael Saylor, melewatkan pembelian rutin pekan sebelumnya dan baru-baru ini mengisyaratkan kemungkinan penjualan sebagian BTC untuk mendanai dividen, meskipun hal itu belum terjadi. Strategy tetap menjadi pemegang korporat Bitcoin terbesar di dunia. Sementara itu, perusahaan aset digital lain, Bitmine, yang juga dikenal dengan akumulasi agresif, memutuskan untuk memperlambat pembelian Ethereum karena telah melampaui target awalnya. Harga Ethereum sendiri saat ini berada di sekitar $2.300.

bitcoinist1j yang lalu

Strategy Menambah 535 Bitcoin Lagi Saat Kepemilikan Mendekati 820.000 BTC

bitcoinist1j yang lalu

Trading

Spot
Futures

Artikel Populer

Apa Itu $S$

Memahami SPERO: Tinjauan Komprehensif Pengenalan SPERO Seiring dengan perkembangan lanskap inovasi, munculnya teknologi web3 dan proyek cryptocurrency memainkan peran penting dalam membentuk masa depan digital. Salah satu proyek yang telah menarik perhatian di bidang dinamis ini adalah SPERO, yang dilambangkan sebagai SPERO,$$s$. Artikel ini bertujuan untuk mengumpulkan dan menyajikan informasi terperinci tentang SPERO, untuk membantu para penggemar dan investor memahami dasar-dasar, tujuan, dan inovasi dalam domain web3 dan crypto. Apa itu SPERO,$$s$? SPERO,$$s$ adalah proyek unik dalam ruang crypto yang berusaha memanfaatkan prinsip desentralisasi dan teknologi blockchain untuk menciptakan ekosistem yang mendorong keterlibatan, utilitas, dan inklusi finansial. Proyek ini dirancang untuk memfasilitasi interaksi peer-to-peer dengan cara baru, memberikan pengguna solusi dan layanan keuangan yang inovatif. Pada intinya, SPERO,$$s$ bertujuan untuk memberdayakan individu dengan menyediakan alat dan platform yang meningkatkan pengalaman pengguna dalam ruang cryptocurrency. Ini termasuk memungkinkan metode transaksi yang lebih fleksibel, mendorong inisiatif yang dipimpin komunitas, dan menciptakan jalur untuk peluang finansial melalui aplikasi terdesentralisasi (dApps). Visi mendasar dari SPERO,$$s$ berputar di sekitar inklusivitas, bertujuan untuk menjembatani kesenjangan dalam keuangan tradisional sambil memanfaatkan manfaat teknologi blockchain. Siapa Pencipta SPERO,$$s$? Identitas pencipta SPERO,$$s$ tetap agak samar, karena ada sumber daya publik yang terbatas yang memberikan informasi latar belakang terperinci tentang pendiriannya. Kurangnya transparansi ini dapat berasal dari komitmen proyek terhadap desentralisasi—sebuah etos yang banyak proyek web3 bagi, memprioritaskan kontribusi kolektif di atas pengakuan individu. Dengan memusatkan diskusi di sekitar komunitas dan tujuan kolektifnya, SPERO,$$s$ mewujudkan esensi pemberdayaan tanpa menonjolkan individu tertentu. Dengan demikian, memahami etos dan misi SPERO tetap lebih penting daripada mengidentifikasi pencipta tunggal. Siapa Investor SPERO,$$s$? SPERO,$$s$ didukung oleh beragam investor mulai dari modal ventura hingga investor malaikat yang berdedikasi untuk mendorong inovasi di sektor crypto. Fokus investor ini umumnya sejalan dengan misi SPERO—memprioritaskan proyek yang menjanjikan kemajuan teknologi sosial, inklusivitas finansial, dan tata kelola terdesentralisasi. Fondasi investor ini biasanya tertarik pada proyek yang tidak hanya menawarkan produk inovatif tetapi juga memberikan kontribusi positif kepada komunitas blockchain dan ekosistemnya. Dukungan dari investor ini memperkuat SPERO,$$s$ sebagai pesaing yang patut diperhitungkan di domain proyek crypto yang berkembang pesat. Bagaimana SPERO,$$s$ Bekerja? SPERO,$$s$ menerapkan kerangka kerja multi-faceted yang membedakannya dari proyek cryptocurrency konvensional. Berikut adalah beberapa fitur kunci yang menekankan keunikan dan inovasinya: Tata Kelola Terdesentralisasi: SPERO,$$s$ mengintegrasikan model tata kelola terdesentralisasi, memberdayakan pengguna untuk berpartisipasi aktif dalam proses pengambilan keputusan mengenai masa depan proyek. Pendekatan ini mendorong rasa kepemilikan dan akuntabilitas di antara anggota komunitas. Utilitas Token: SPERO,$$s$ memanfaatkan token cryptocurrency-nya sendiri, yang dirancang untuk melayani berbagai fungsi dalam ekosistem. Token ini memungkinkan transaksi, hadiah, dan fasilitasi layanan yang ditawarkan di platform, meningkatkan keterlibatan dan utilitas secara keseluruhan. Arsitektur Berlapis: Arsitektur teknis SPERO,$$s$ mendukung modularitas dan skalabilitas, memungkinkan integrasi fitur dan aplikasi tambahan secara mulus seiring dengan perkembangan proyek. Kemampuan beradaptasi ini sangat penting untuk mempertahankan relevansi di lanskap crypto yang selalu berubah. Keterlibatan Komunitas: Proyek ini menekankan inisiatif yang dipimpin komunitas, menggunakan mekanisme yang memberikan insentif untuk kolaborasi dan umpan balik. Dengan memelihara komunitas yang kuat, SPERO,$$s$ dapat lebih baik memenuhi kebutuhan pengguna dan beradaptasi dengan tren pasar. Fokus pada Inklusi: Dengan menawarkan biaya transaksi yang rendah dan antarmuka yang ramah pengguna, SPERO,$$s$ bertujuan untuk menarik basis pengguna yang beragam, termasuk individu yang mungkin sebelumnya tidak terlibat dalam ruang crypto. Komitmen ini terhadap inklusi sejalan dengan misi utamanya untuk memberdayakan melalui aksesibilitas. Garis Waktu SPERO,$$s$ Memahami sejarah proyek memberikan wawasan penting tentang trajektori dan tonggak perkembangannya. Berikut adalah garis waktu yang disarankan yang memetakan peristiwa signifikan dalam evolusi SPERO,$$s$: Fase Konseptualisasi dan Ideasi: Ide awal yang membentuk dasar SPERO,$$s$ dikembangkan, sangat selaras dengan prinsip desentralisasi dan fokus komunitas dalam industri blockchain. Peluncuran Whitepaper Proyek: Setelah fase konseptual, whitepaper komprehensif yang merinci visi, tujuan, dan infrastruktur teknologi SPERO,$$s$ dirilis untuk menarik minat dan umpan balik komunitas. Pembangunan Komunitas dan Keterlibatan Awal: Upaya jangkauan aktif dilakukan untuk membangun komunitas pengguna awal dan investor potensial, memfasilitasi diskusi seputar tujuan proyek dan mendapatkan dukungan. Acara Generasi Token: SPERO,$$s$ melakukan acara generasi token (TGE) untuk mendistribusikan token asli kepada pendukung awal dan membangun likuiditas awal dalam ekosistem. Peluncuran dApp Awal: Aplikasi terdesentralisasi (dApp) pertama yang terkait dengan SPERO,$$s$ diluncurkan, memungkinkan pengguna untuk terlibat dengan fungsionalitas inti platform. Pengembangan Berkelanjutan dan Kemitraan: Pembaruan dan peningkatan berkelanjutan terhadap penawaran proyek, termasuk kemitraan strategis dengan pemain lain di ruang blockchain, telah membentuk SPERO,$$s$ menjadi pemain yang kompetitif dan berkembang di pasar crypto. Kesimpulan SPERO,$$s$ berdiri sebagai bukti potensi web3 dan cryptocurrency untuk merevolusi sistem keuangan dan memberdayakan individu. Dengan komitmen terhadap tata kelola terdesentralisasi, keterlibatan komunitas, dan fungsionalitas yang dirancang secara inovatif, ia membuka jalan menuju lanskap keuangan yang lebih inklusif. Seperti halnya investasi di ruang crypto yang berkembang pesat, calon investor dan pengguna dianjurkan untuk melakukan riset secara menyeluruh dan terlibat dengan perkembangan yang sedang berlangsung dalam SPERO,$$s$. Proyek ini menunjukkan semangat inovatif industri crypto, mengundang eksplorasi lebih lanjut ke dalam berbagai kemungkinan yang ada. Meskipun perjalanan SPERO,$$s$ masih berlangsung, prinsip-prinsip dasarnya mungkin benar-benar mempengaruhi masa depan cara kita berinteraksi dengan teknologi, keuangan, dan satu sama lain dalam ekosistem digital yang saling terhubung.

75 Total TayanganDipublikasikan pada 2024.12.17Diperbarui pada 2024.12.17

Apa Itu $S$

Apa Itu AGENT S

Agent S: Masa Depan Interaksi Otonom di Web3 Pendahuluan Dalam lanskap Web3 dan cryptocurrency yang terus berkembang, inovasi secara konstan mendefinisikan ulang cara individu berinteraksi dengan platform digital. Salah satu proyek perintis, Agent S, menjanjikan untuk merevolusi interaksi manusia-komputer melalui kerangka agen terbuka. Dengan membuka jalan untuk interaksi otonom, Agent S bertujuan untuk menyederhanakan tugas-tugas kompleks, menawarkan aplikasi transformasional dalam kecerdasan buatan (AI). Eksplorasi mendetail ini akan menyelami seluk-beluk proyek, fitur uniknya, dan implikasinya untuk domain cryptocurrency. Apa itu Agent S? Agent S berdiri sebagai kerangka agen terbuka yang inovatif, dirancang khusus untuk mengatasi tiga tantangan mendasar dalam otomatisasi tugas komputer: Memperoleh Pengetahuan Spesifik Domain: Kerangka ini secara cerdas belajar dari berbagai sumber pengetahuan eksternal dan pengalaman internal. Pendekatan ganda ini memberdayakannya untuk membangun repositori pengetahuan spesifik domain yang kaya, meningkatkan kinerjanya dalam pelaksanaan tugas. Perencanaan Selama Rentang Tugas yang Panjang: Agent S menggunakan perencanaan hierarkis yang ditingkatkan pengalaman, pendekatan strategis yang memfasilitasi pemecahan dan pelaksanaan tugas-tugas rumit dengan efisien. Fitur ini secara signifikan meningkatkan kemampuannya untuk mengelola beberapa subtugas dengan efisien dan efektif. Menangani Antarmuka Dinamis dan Tidak Seragam: Proyek ini memperkenalkan Antarmuka Agen-Komputer (ACI), solusi inovatif yang meningkatkan interaksi antara agen dan pengguna. Dengan memanfaatkan Model Bahasa Besar Multimodal (MLLM), Agent S dapat menavigasi dan memanipulasi berbagai antarmuka pengguna grafis dengan mulus. Melalui fitur-fitur perintis ini, Agent S menyediakan kerangka kerja yang kuat yang mengatasi kompleksitas yang terlibat dalam mengotomatisasi interaksi manusia dengan mesin, membuka jalan untuk berbagai aplikasi dalam AI dan seterusnya. Siapa Pencipta Agent S? Meskipun konsep Agent S secara fundamental inovatif, informasi spesifik tentang penciptanya tetap samar. Pencipta saat ini tidak diketahui, yang menyoroti baik tahap awal proyek atau pilihan strategis untuk menjaga anggota pendiri tetap tersembunyi. Terlepas dari anonimitas, fokus tetap pada kemampuan dan potensi kerangka kerja. Siapa Investor Agent S? Karena Agent S relatif baru dalam ekosistem kriptografi, informasi terperinci mengenai investor dan pendukung keuangannya tidak secara eksplisit didokumentasikan. Kurangnya wawasan yang tersedia untuk umum mengenai fondasi investasi atau organisasi yang mendukung proyek ini menimbulkan pertanyaan tentang struktur pendanaannya dan peta jalan pengembangannya. Memahami dukungan sangat penting untuk mengukur keberlanjutan proyek dan potensi dampak pasar. Bagaimana Cara Kerja Agent S? Di inti Agent S terletak teknologi mutakhir yang memungkinkannya berfungsi secara efektif dalam berbagai pengaturan. Model operasionalnya dibangun di sekitar beberapa fitur kunci: Interaksi Komputer yang Mirip Manusia: Kerangka ini menawarkan perencanaan AI yang canggih, berusaha untuk membuat interaksi dengan komputer lebih intuitif. Dengan meniru perilaku manusia dalam pelaksanaan tugas, ia menjanjikan untuk meningkatkan pengalaman pengguna. Memori Naratif: Digunakan untuk memanfaatkan pengalaman tingkat tinggi, Agent S memanfaatkan memori naratif untuk melacak sejarah tugas, sehingga meningkatkan proses pengambilan keputusannya. Memori Episodik: Fitur ini memberikan panduan langkah demi langkah kepada pengguna, memungkinkan kerangka untuk menawarkan dukungan kontekstual saat tugas berlangsung. Dukungan untuk OpenACI: Dengan kemampuan untuk berjalan secara lokal, Agent S memungkinkan pengguna untuk mempertahankan kontrol atas interaksi dan alur kerja mereka, sejalan dengan etos terdesentralisasi Web3. Integrasi Mudah dengan API Eksternal: Versatilitas dan kompatibilitasnya dengan berbagai platform AI memastikan bahwa Agent S dapat dengan mulus masuk ke dalam ekosistem teknologi yang ada, menjadikannya pilihan menarik bagi pengembang dan organisasi. Fungsionalitas ini secara kolektif berkontribusi pada posisi unik Agent S dalam ruang kripto, saat ia mengotomatisasi tugas-tugas kompleks yang melibatkan banyak langkah dengan intervensi manusia yang minimal. Seiring proyek ini berkembang, aplikasi potensialnya di Web3 dapat mendefinisikan ulang bagaimana interaksi digital berlangsung. Garis Waktu Agent S Pengembangan dan tonggak Agent S dapat dirangkum dalam garis waktu yang menyoroti peristiwa pentingnya: 27 September 2024: Konsep Agent S diluncurkan dalam sebuah makalah penelitian komprehensif berjudul “Sebuah Kerangka Agen Terbuka yang Menggunakan Komputer Seperti Manusia,” yang menunjukkan dasar untuk proyek ini. 10 Oktober 2024: Makalah penelitian tersebut dipublikasikan secara terbuka di arXiv, menawarkan eksplorasi mendalam tentang kerangka kerja dan evaluasi kinerjanya berdasarkan tolok ukur OSWorld. 12 Oktober 2024: Sebuah presentasi video dirilis, memberikan wawasan visual tentang kemampuan dan fitur Agent S, lebih lanjut melibatkan pengguna dan investor potensial. Tanda-tanda dalam garis waktu ini tidak hanya menggambarkan kemajuan Agent S tetapi juga menunjukkan komitmennya terhadap transparansi dan keterlibatan komunitas. Poin Kunci Tentang Agent S Seiring kerangka Agent S terus berkembang, beberapa atribut kunci menonjol, menekankan sifat inovatif dan potensinya: Kerangka Inovatif: Dirancang untuk memberikan penggunaan komputer yang intuitif seperti interaksi manusia, Agent S membawa pendekatan baru untuk otomatisasi tugas. Interaksi Otonom: Kemampuan untuk berinteraksi secara otonom dengan komputer melalui GUI menandakan lompatan menuju solusi komputasi yang lebih cerdas dan efisien. Otomatisasi Tugas Kompleks: Dengan metodologinya yang kuat, ia dapat mengotomatisasi tugas-tugas kompleks yang melibatkan banyak langkah, membuat proses lebih cepat dan kurang rentan terhadap kesalahan. Perbaikan Berkelanjutan: Mekanisme pembelajaran memungkinkan Agent S untuk belajar dari pengalaman masa lalu, terus meningkatkan kinerja dan efektivitasnya. Versatilitas: Adaptabilitasnya di berbagai lingkungan operasi seperti OSWorld dan WindowsAgentArena memastikan bahwa ia dapat melayani berbagai aplikasi. Saat Agent S memposisikan dirinya di lanskap Web3 dan kripto, potensinya untuk meningkatkan kemampuan interaksi dan mengotomatisasi proses menandakan kemajuan signifikan dalam teknologi AI. Melalui kerangka inovatifnya, Agent S mencerminkan masa depan interaksi digital, menjanjikan pengalaman yang lebih mulus dan efisien bagi pengguna di berbagai industri. Kesimpulan Agent S mewakili lompatan berani ke depan dalam pernikahan AI dan Web3, dengan kapasitas untuk mendefinisikan ulang cara kita berinteraksi dengan teknologi. Meskipun masih dalam tahap awal, kemungkinan aplikasinya sangat luas dan menarik. Melalui kerangka komprehensifnya yang mengatasi tantangan kritis, Agent S bertujuan untuk membawa interaksi otonom ke garis depan pengalaman digital. Saat kita melangkah lebih dalam ke dalam ranah cryptocurrency dan desentralisasi, proyek-proyek seperti Agent S pasti akan memainkan peran penting dalam membentuk masa depan teknologi dan kolaborasi manusia-komputer.

845 Total TayanganDipublikasikan pada 2025.01.14Diperbarui pada 2025.01.14

Apa Itu AGENT S

Cara Membeli S

Selamat datang di HTX.com! Kami telah membuat pembelian Sonic (S) 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 Sonic (S) 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 Sonic (S) AndaSetelah melakukan pembelian, simpan Sonic (S) 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 Sonic (S)Lakukan trading Sonic (S) 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.

1.2k Total TayanganDipublikasikan pada 2025.01.15Diperbarui pada 2025.03.21

Cara Membeli S

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 S (S) disajikan di bawah ini.

活动图片

Kategori Populerright-arrow

Tag Populerright-arrow