Note

Gambaran Umum

Video ini merupakan episode pertama sesi Builder Story, yaitu forum berbagi pengalaman dari orang-orang yang membangun produk, workflow, atau solusi berbasis teknologi. Narasumber utama adalah Andre Tansil, seorang AI product specialist, mentor Growth Circle, serta salah satu pengurus AI Club.

Topik utama yang dibahas adalah pengalaman Andre membangun sistem untuk menghasilkan sekitar 3.000 gambar iklan per minggu bagi sebuah agensi digital internasional yang berbasis di Hong Kong.

Latar Belakang Proyek

Andre awalnya dihubungi oleh sebuah agensi digital yang menangani banyak brand. Agensi tersebut membutuhkan produksi gambar iklan dalam jumlah besar:

• Setiap brand dapat membutuhkan ratusan hingga sekitar 1.000 gambar.
• Total kebutuhan mencapai sekitar 3.000 gambar per minggu.
• Proses tersebut dikerjakan oleh kurang dari lima orang.
• Menambah jumlah tenaga kerja dianggap bukan solusi utama karena masalahnya terletak pada efisiensi proses dan struktur workflow.

Tools yang tersedia saat itu, seperti OpenArt, belum mampu memenuhi kebutuhan agensi, terutama dalam hal:

• Produksi gambar secara massal.
• Konsistensi produk dan identitas brand.
• Otomatisasi proses.
• Penghematan biaya dan waktu.

Karena itu, Andre dan klien memutuskan untuk membuat solusi khusus.

Prinsip Utama: Menjual Value, Bukan Sekadar AI

Andre menekankan bahwa meskipun teknologi AI berkembang sangat cepat, prinsip dasar dalam menjual jasa atau produk tetap sama: yang dibeli klien adalah nilai atau solusi.

Menurutnya, seseorang perlu memahami:

1. Keahlian yang dimiliki
2. Masalah atau pain point klien
3. Solusi yang dapat diberikan
4. Kebutuhan pengguna dari sudut pandang mereka

Ia juga menyoroti tiga kemampuan penting:

• Skill mengulik: kemampuan menggali masalah dan mencari solusi sampai selesai.
• Basic knowledge: pemahaman dasar agar dapat berkomunikasi secara efektif dengan AI dan teknologi.
• Empati: kemampuan melihat masalah dari perspektif pengguna, bukan hanya dari sudut pandang pembuat solusi.

Tahapan Pembangunan Produk

1. Membuat MVP

Pada tahap awal, Andre membuat Minimum Viable Product (MVP) untuk menguji apakah solusi tersebut sesuai dengan ekspektasi klien.

Teknologi yang digunakan saat itu antara lain:

• n8n untuk membangun logika workflow dan backend.
• Lovable untuk membuat antarmuka pengguna.

Kombinasi ini dipilih karena memungkinkan pembuatan prototipe dengan cepat, sekitar satu hingga dua hari. Tujuannya adalah mendapatkan masukan dari pengguna sebelum membangun sistem secara penuh.

2. Trial and Error

Tantangan terbesar bukan hanya menentukan ide, melainkan membuat workflow yang benar-benar dapat bekerja pada kondisi teknologi AI saat itu.

Pada awal 2025, model AI untuk pembuatan gambar masih memiliki banyak keterbatasan. Andre harus:

• Membaca dokumentasi.
• Mencari referensi di forum dan GitHub.
• Menguji berbagai pendekatan.
• Melakukan banyak penyesuaian.
• Menerima kegagalan sebagai bagian dari proses belajar.

Ia menekankan bahwa hasil dari AI tidak selalu benar, sehingga pengguna tidak boleh sepenuhnya bergantung pada AI tanpa melakukan verifikasi dan pengujian sendiri.

3. Beralih ke Sistem Hybrid

Setelah MVP berhasil, sistem dikembangkan menjadi platform yang lebih stabil dengan kombinasi:

• n8n untuk core logic pada versi awal.
• Golang untuk komponen pendukung dan efisiensi resource.
• React untuk frontend.

Golang digunakan karena dianggap lebih hemat resource dan membantu struktur sistem menjadi lebih jelas. Fungsi seperti login, upload file, dan download gambar ditangani oleh Golang, sedangkan logika utama pembuatan gambar pada awalnya tetap berada di n8n.

Pada versi yang lebih baru, workflow utama akhirnya dipindahkan seluruhnya ke Golang setelah sistem dianggap cukup stabil.

Cara Kerja Workflow Pembuatan Gambar

Sistem yang ditampilkan memiliki struktur berbasis brand dan produk. Beberapa komponen yang disimpan meliputi:

• Data brand.
• Produk.
• Referensi iklan kompetitor.
• Contoh iklan yang dianggap berhasil.
• Font brand.
• Brand brief.
• Copy atau teks iklan.
• Referensi gambar.
• Arahan khusus, seperti tema dan warna.

Secara umum, alurnya adalah:

1. Pengguna mengunggah produk dan referensi gambar.
2. Sistem menganalisis gambar menggunakan model bahasa atau vision model.
3. Sistem menyusun prompt berdasarkan brand brief, produk, font, referensi, dan arahan pengguna.
4. Prompt dipecah menjadi beberapa instruksi gambar.
5. Gambar dibuat menggunakan berbagai model image generation.
6. Beberapa gambar dibuat secara paralel agar proses lebih efisien.
7. Pengguna memilih hasil yang paling sesuai atau melakukan penyesuaian.

Sistem ini juga mendukung penggunaan file CSV berisi copy iklan agar teks yang dihasilkan tetap sesuai dengan materi yang telah disediakan brand.

Konsistensi Brand dan Font

Salah satu kebutuhan penting dalam proyek ini adalah menjaga konsistensi visual antar-gambar. Karena itu, sistem menyimpan berbagai elemen brand, termasuk font.

Andre menjelaskan bahwa model gambar tidak selalu memahami nama font hanya dari teks. Salah satu pendekatan yang digunakan adalah memberikan gambar atau screenshot font sebagai referensi visual. Dengan demikian, model dapat membedakan penggunaan font untuk:

• Judul.
• Subtitle.
• Elemen teks lainnya.

Pendekatan ini merupakan hasil eksperimen dan pengujian berulang.

Model AI yang Digunakan

Dalam perkembangannya, Andre mencoba beberapa model dan tools. Pada periode awal, ia menggunakan beberapa model gambar yang tersedia saat itu. Dalam versi terbaru, ia lebih banyak menggunakan GPT Image karena:

• Kualitas gambar baik.
• Teks dalam gambar lebih akurat.
• Posisi elemen dapat diarahkan dengan lebih baik.
• Biayanya relatif terjangkau jika dibandingkan dengan layanan lain.

Kekurangannya adalah waktu generasi yang lebih lama, sekitar satu hingga tiga menit per gambar. Untuk mengatasinya, sistem membuat beberapa gambar secara paralel, kemudian memilih hasil terbaik.

Penanganan Error dan Konten yang Ditolak

Workflow juga memiliki mekanisme fallback. Jika sebuah permintaan gambar gagal beberapa kali dengan error yang sama, sistem akan:

1. Mengidentifikasi kemungkinan masalah pada prompt.
2. Menggunakan template prompt alternatif yang lebih aman.
3. Mencoba membuat ulang gambar.
4. Menghentikan proses jika tetap gagal.

Andre menekankan bahwa sistem tidak langsung menggunakan prompt yang terlalu aman sejak awal karena dapat membatasi kreativitas dan menurunkan kualitas hasil.

Biaya dan Perkembangan Proyek

Andre menyebutkan bahwa:

• Versi pertama proyek bernilai sekitar US$1.000 dan dikerjakan dalam waktu sekitar satu bulan.
• Versi-versi berikutnya memiliki nilai sekitar US$2.000 per proyek.
• Sistem telah berkembang hingga sekitar versi kelima.
• Biaya penggunaan AI untuk proyek tersebut berada di kisaran US$600 per bulan, berdasarkan penjelasan dalam diskusi.
• Sistem telah menghasilkan sekitar 30.000 gambar dalam data yang ditampilkan.

Ia juga menjelaskan bahwa sistem menggunakan basis yang sama untuk pengembangan berulang, sehingga penambahan fitur berikutnya menjadi lebih efisien.

Pentingnya Hubungan dengan Klien

Menurut Andre, klien terus melakukan repeat order bukan hanya karena hasil teknis, tetapi juga karena adanya:

• Kepercayaan.
• Komunikasi terbuka.
• Diskusi bersama mengenai pengembangan produk.
• Kesamaan tujuan antara klien dan pembuat sistem.

Ia memosisikan klien sebagai bagian dari tim produk, sedangkan dirinya berperan sebagai engineer yang membangun mesin dan workflow.

Pengembangan ke Video dan 3D

Selain gambar, Andre juga mulai mengeksplorasi workflow untuk video. Ia menjelaskan bahwa workflow video lebih kompleks karena pada dasarnya perlu menggabungkan beberapa proses gambar.

Ia juga membahas penggunaan Three.js untuk:

• Augmented reality dan virtual reality.
• Visualisasi interaktif.
• Komponen partikel dan objek 3D.
• Pembuatan game atau pengalaman visual berbasis web.

Menurutnya, banyak use case baru dapat ditemukan jika seseorang mau terus bereksperimen dan mengulik teknologi.

Kesimpulan Utama

Pelajaran penting dari pengalaman Andre adalah:

1. Mulai dari masalah nyata, bukan sekadar mengikuti tren AI.
2. Bangun MVP dengan cepat untuk menguji kebutuhan pengguna.
3. Jangan takut trial and error karena workflow yang stabil biasanya lahir dari banyak kegagalan.
4. Pahami kemampuan dan keterbatasan setiap model AI.
5. Gunakan kombinasi teknologi yang sesuai, tidak harus selalu membangun semuanya dari nol.
6. Utamakan konsistensi dan usability, bukan hanya hasil yang terlihat menarik.
7. Bangun hubungan jangka panjang dengan klien melalui komunikasi dan kepercayaan.
8. Terus mengikuti perkembangan AI karena tools dan model berubah sangat cepat.

Video ditutup dengan ajakan untuk bergabung dengan AI Club dan mengikuti sesi Builder Story berikutnya.

Model Context Protocol (MCP) — standar protokol yang selama ini jadi andalan AI agent untuk pakai tools — mulai dipertanyakan. Perplexity secara internal sudah menurunkan prioritas MCP. Garry Tan (CEO YC) bahkan bikin pengganti CLI dalam 30 menit.

Tim Zilliz (pembuat Milvus) merangkum tiga masalah arsitektural utama MCP:

1. Boros konteks. Tiga server MCP bisa makan ~72% context window hanya untuk definisi tools — sebelum agent melakukan apa pun. Ini bikin performa turun dan biaya token membengkak.

2. Pasif dan datar. MCP tools cuma fungsi flat — nggak bisa encode alur kerja multi-langkah, penanganan error, atau SOP. CLI seperti git punya hierarki (commit, push, log) yang lebih natural buat agent.

3. Nggak bisa akses LLM agent. MCP jalan di proses terpisah. Kalau tool-nya perlu judgment (misalnya filter hasil pencarian), harus bikin model terpisah dengan API key sendiri. Skill bisa pakai LLM agent langsung.

Alternatifnya: CLI + Skills. CLI jadi execution layer (jalanin perintah), Skills jadi knowledge layer (panduan langkah demi langkah). Skill pakai progressive disclosure — cuma metadata ringan yang dimuat di awal, isi lengkap hanya saat dibutuhkan.

MCP nggak mati total. MCP via HTTP masih relevan untuk enterprise (OAuth terpusat, RBAC, audit log). Tapi MCP lokal (stdio) makin banyak digantikan CLI + Skills.

---

Intinya buat kamu yang mulai eksplor AI agent: arsitektur tooling itu sangat mempengaruhi biaya dan performa. Pola CLI + Skills lebih hemat konteks dan lebih fleksibel — cocok buat skala UKM yang nggak mau boros token.

Setiap teknologi baru selalu bikin panik: dulu Socrates takut tulisan bikin ingatan manusia lemah, lalu kalkulator dibilang bikin orang gak bisa ngitung, internet disebut bikin bodoh. Sekarang giliran AI.

Riset menunjukkan aktivitas otak memang paling rendah saat orang pakai AI — dibanding yang cuma googling atau mikir sendiri. Tapi ada twist: orang yang terbiasa mikir dulu sebelum pakai AI tetap punya performa otak bagus. Sebaliknya, yang langsung nyomot jawaban AI terus kehilangan akses AI — otaknya tetap lemah.

AI itu amplifier, bukan pengganti otak. Orang yang penasaran dan suka eksplorasi akan makin cerdas. Yang males mikir ya makin males.

Best practice: jadikan AI sebagai coach atau partner, bukan sopir. Polanya: kamu yang tentukan pertanyaan → AI kasih jawaban → kamu evaluasi → diskusi lagi → kamu sendiri yang ambil kesimpulan akhirnya.

Contoh konkret:

• Belajar: “Jangan kasih jawabannya, kasih saya petunjuk untuk menyelesaikannya.”
• Nulis: Bikin draft/outline dulu, minta AI kritisi dan kasih feedback — bukan minta AI tulis dari nol.
• Ngoding: Jabarin spesifikasi detail, minta plan eksekusi, review plan-nya dulu, baru minta AI eksekusi kode.

“You can outsource thinking, but you cannot outsource understanding.”

Kamu bisa delegasikan proses berpikir ke AI, tapi pemahaman tetap harus kamu bangun sendiri.

Kebanyakan orang langsung lompat ke RAG + vector database begitu AI lokalnya “lupa” tiap sesi. Padahal buat memori personal — siapa kamu, proyek apa yang lagi dikerjain, preferensi tools — RAG itu overkill. RAG bagus buat knowledge base statis skala terabyte, bukan buat konteks yang berubah tiap hari dan cuma beberapa megabyte.

Solusinya: LLM Wiki (konsep dari Andrej Karpathy) dipadukan dengan Google Open Knowledge Format (OKF) dan Model Context Protocol (MCP). Intinya, semua memori disimpan sebagai file Markdown biasa yang saling terhubung (bidirectional linking), bukan vector embedding yang harus di-re-index tiap ada perubahan. Ditambah satu agen “pustakawan” (librarian) yang bertugas membaca, menulis, dan merapikan memori — jadi model AI utama gak perlu mikirin struktur data. Semua jalan offline, file-nya bisa kamu baca sendiri, dan setiap AI agent di mesin kamu berbagi memori yang sama.

Proyek open-source Understory udah implementasi ini: ada web UI, graph visualizer, auto-linking antar konsep, deteksi kontradiksi, dan fitur “dreaming” buat reorganisasi memori saat idle. Cocok buat yang udah capek ngenalin diri ke AI tiap buka sesi baru.

Setelah instalasi Hermes Agent yang sukses, banyak pengguna bertanya, “Sekarang apa?” Kebingungan ini seringkali muncul karena agent AI, meskipun canggih, membutuhkan arahan yang tepat untuk bisa berkolaborasi secara efektif. Dua meta-prompt berikut ini telah terbukti sangat membantu dalam membangun fondasi tersebut, khususnya bagi para solopreneur, implementer AI, dan content creator.

Meta-Prompt #1: Konteks Diri dan Bisnis

Meta-prompt ini bertujuan untuk memberikan konteks yang kaya kepada Hermes Agent tentang siapa Anda, apa peran Anda, dan bagaimana rutinitas harian Anda. Semakin detail informasinya, semakin baik agent dapat menyesuaikan respons dan tindakannya.

Sebagai [peran Anda, contoh: solopreneur, implementer AI, content creator], rutinitas harian saya melibatkan [list rutinitas/aktivitas utama Anda, contoh: meneliti tren pasar, membuat konten, mengelola media sosial, membalas email, mengatur jadwal, menganalisis data keuangan, berinteraksi dengan tim virtual].

Tujuan utama saya adalah [tulis tujuan besar Anda, contoh: meningkatkan efisiensi operasional, menumbuhkan audiens, menghasilkan pendapatan pasif, mengotomatisasi tugas berulang].

Prioritas utama saya saat ini adalah [prioritas spesifik, contoh: menyelesaikan peluncuran produk X, menulis 10 artikel blog per minggu, mengoptimalkan kampanye iklan Facebook, mencari mitra baru].

Saya menggunakan berbagai tools dan platform seperti [list tools/platform yang Anda gunakan, contoh: Google Workspace (Sheets, Docs, Gmail), Telegram, GitHub, Notion, Trello, Zapier, WordPress, Canva, Xendit, Stripe, dll.].

Saya memiliki preferensi gaya komunikasi [gaya komunikasi Anda, contoh: singkat dan padat, formal, santai, banyak menggunakan emoji]. Saya juga lebih suka [format output, contoh: bullet points, tabel, ringkasan, kode blok].

Mengapa ini penting?

Dengan meta-prompt ini, Hermes Agent tidak perlu menebak-nebak siapa Anda atau apa yang sedang Anda coba capai. Ia memiliki kerangka kerja yang jelas untuk memahami permintaan Anda dan memberikan bantuan yang relevan dan personal. Ini mengubah agent dari sekadar alat menjadi partner kolaboratif yang proaktif.

Meta-Prompt #2: Inquiry Terbalik dari Agent

Prompt kedua ini adalah tentang memberikan “kebebasan” kepada Hermes Agent untuk menganalisis situasi Anda dan mengidentifikasi area di mana ia bisa memberikan nilai tambah. Ini adalah “inquiry terbalik” di mana agent yang bertanya kembali kepada Anda, daripada Anda terus-menerus memberinya perintah.

Dengan pemahaman tentang peran, tujuan, prioritas, dan tools yang saya gunakan (seperti yang sudah saya jelaskan di atas), analisis workflow saya dan identifikasi:

1.  **Bottleneck:** Area mana saja yang seringkali memperlambat proses atau menghabiskan banyak waktu saya?
2.  **Delegasi Potensial:** Tugas-tugas mana yang paling mungkin untuk didelegasikan kepada Hermes Agent agar saya bisa fokus pada pekerjaan yang bernilai lebih tinggi?
3.  **Efisiensi Alur Kerja:** Bagaimana Hermes Agent dapat mengoptimalkan alur kerja yang ada atau memperkenalkan alur kerja baru yang lebih efisien?
4.  **Data/Informasi yang Dibutuhkan:** Informasi atau akses apa yang Anda (Hermes Agent) butuhkan dari saya untuk mulai memberikan dampak di area-area tersebut?
5.  **Risiko/Tantangan:** Apa potensi risiko atau tantangan yang mungkin muncul saat mengimplementasikan otomatisasi atau delegasi ini, dan bagaimana kita bisa memitigasinya?

Berikan rekomendasi spesifik dalam format [format yang Anda inginkan, contoh: bullet points dengan contoh konkret, atau tabel perbandingan].

Mengapa ini penting?

Agent AI seringkali lebih baik dalam mengidentifikasi pola dan potensi optimasi yang mungkin terlewat oleh manusia. Dengan meta-prompt ini, Anda memberdayakan Hermes Agent untuk secara proaktif menyarankan solusi, bukan hanya menunggu perintah. Ini adalah langkah besar menuju otonomi agent yang lebih cerdas dan adaptif.

---

Dengan menggunakan dua meta-prompt ini, Anda tidak hanya memberikan instruksi, tetapi juga membangun sebuah “meta-model” di dalam Hermes Agent tentang diri Anda dan bisnis Anda. Hasilnya adalah kolaborasi yang jauh lebih mendalam, efisien, dan berdampak.

Hermes Agent itu bukan chatbot. Bukan co-pilot. Dan jelas bukan wrapper ChatGPT. Dibangun oleh Nous Research, Hermes adalah autonomous AI agent yang hidup di server dan berjalan 24/7. Kamu gak buka dashboard buat ngobrol — kamu chat aja lewat Telegram, Discord, Slack, atau WhatsApp.

CodeHead (seorang YouTuber) baru saja merilis video “Hermes Agent Explained In 5 Minutes”. Berikut tiga hal yang bikin Hermes Agent beda dari “AI agent peasants” lainnya:

1. Persistent Memory — Bukan Whiteboard, Tapi Notebook

Kebanyakan AI tools itu kayak whiteboard: tiap sesi baru, semua dihapus. Hermes sebaliknya — dia notebook yang gak pernah ditutup. Dia ingat semua proyek kamu, preferensi kamu, bahkan cara kamu suka masalah dijelaskan.

Hermes pakai sistem memori berlapis yang membangun model tentang kamu seiring waktu. Jadi tiap interaksi berikutnya makin personal dan relevan.

2. Self-Improving Skills Loop

Setiap kali Hermes menyelesaikan sesuatu yang kompleks, dia simpan solusinya sebagai skill yang bisa dipakai ulang. Dia gak perlu “belajar lagi dari nol” buat hal yang sama.

Gabungan memori + skills loop ini yang beneran menyelesaikan “masalah reset” — agent makin pintar makin lama dipakai.

3. Sub-Agents — Satu Perintah, Banyak Pekerja

Pernah minta satu sesi AI ngerjain 5 hal sekaligus dan lihat dia mulai lupa satu per satu? Hermes ngakalin ini dengan sub-agents: dia bikin isolated workers buat tiap tugas spesifik. Masing-masing punya konteks dan tool sendiri. Begitu selesai, hasilnya dikumpulin dan dirakit jadi satu.

Kamu minta satu hal — di belakang layar, seluruh proses berjalan paralel.

Untuk Siapa?

Jujur — gak semua orang butuh Hermes. Kalau kamu cuma butuh jawaban cepat, ChatGPT cukup. Tapi kalau kamu:

• Developer dengan workflow repetitif terstruktur
• Creator yang capek jelasin ulang proyek tiap sesi
• Siapa pun yang ngerjain hal serupa tiap hari dan pengen tool yang build on that, not reset it

…maka perbedaannya nyata. Hari pertama, agent yang capable. Enam bulan kemudian, dia udah lebih ngerti workflow kamu daripada tools yang udah kamu setup bertahun-tahun.

Bayangin Hermes Agent kayak rumah. Dia butuh banyak kunci buat buka pintu: OpenAI, GitHub, HuggingFace, Telegram, dan seterusnya. Tapi gak semua kunci disimpan di tempat yang sama. Ada tiga laci, masing-masing beda karakter dan aturan mainnya.

Lapis 1 — System Environment Variables (laci di udara)

Ini env yang ditanam langsung ke sistem operasi. Paling kuat, paling tinggi prioritasnya. Begitu di-export, semua child process langsung bisa lihat.

Tapi ada jebakan: gak persisten. Restart server → hilang. Dan yang lebih bahaya: cron job seringkali gak mewarisi system env dari dashboard VPS (Zeabur, Railway, dsb).

Lapis 2 — File .env (brankas di lantai)

File /opt/data/.env — dibaca Hermes saat startup. Persisten, selamat dari restart. Formatnya simpel: KEY=value.

Kelemahannya: child process (terminal tool, script) gak otomatis mewarisi isi .env. Harus di-export manual:

export $(grep -v '^#' /opt/data/.env | xargs)

Buat cron job, ini wajib — taro di baris paling atas setiap shell script.

Lapis 3 — config.yaml (panel kontrol di dinding)

Bukan tempat secret. Di sini settingan model, tools, gateway, timeout. Aturan emasnya: .env untuk secrets, config.yaml untuk settings.

Urutan prioritas:

1. System Env (paling kuat)
2. .env file (fallback)
3. config.yaml (settings only, bukan secret)

Cek cepat: “Token gue ada di mana?”

• printenv GITHUB_TOKEN → nemu tapi .env kosong → dari dashboard VPS
• printenv GITHUB_TOKEN → nemu, .env juga nemu → dua-duanya ada, system env yang dipake
• printenv GITHUB_TOKEN → kosong, tapi .env nemu → token dari .env tapi belum di-export
• grep nemu tapi depannya ada # → cuma placeholder, bukan token aktif

Pelajaran dari lapangan:

Cerita nyata di Zeabur. Token GITHUB_TOKEN jalan normal di chat (printenv nemu), tapi backup cron job gagal terus — token not provided.

Ternyata: token diinjeksi dashboard Zeabur ke system env (makanya printenv di chat nemu), tapi .env isinya cuma placeholder # GITHUB_TOKEN=. Cron job Hermes berjalan di environment terpisah yang gak dapat warisan dashboard itu.

Solusinya: tulis token ke .env + source dari .env di setiap cron script. printenv saat chat bukan jaminan token tersedia di cron.

Buat yang hosting Hermes di VPS (Zeabur, Railway, atau VPS manapun), ini checklist simpelnya:

• Token kritis selalu tulis ke .env — jangan cuma ngandelin inject-an dashboard
• Cron shell script wajib ada export $(grep -v '^#' /opt/data/.env | xargs) di baris pertama
• Jangan taruh API key di config.yaml
• Kalau udah edit .env, jangan lupa /restart Hermes

Google kini membagi layanannya menjadi tiga pilar spesifik untuk memaksimalkan produktivitas. Berikut adalah perbedaan dan fitur utama ketiganya:

Google Antigravity 2.0 (Orkestrasi AI)

Sebagai “otak” pusat untuk agentic workflow, layanan ini kini berfokus pada strategi dan manajemen agen dalam skala besar.

• Parallel Agentic Coding: Menjalankan banyak agen AI secara bersamaan.
• Multi-Brain Strategy: Pendelegasian tugas ke sub-agen khusus.
• Gemini 3.5 Flash Integration: Eksekusi cepat dan hemat biaya.

Google IDE (Pengembangan & Implementasi)

Lingkungan coding yang didedikasikan untuk implementasi fitur siap produksi.

• Production-Ready Apps: Coding fitur baru hingga siap rilis.
• Deep Integration: Debugging presisi di lingkungan lokal.
• Agent-Assisted Development: Coding selaras dengan arsitektur proyek.

Google CLI (Operasional Terminal)

Tangan kanan untuk eksekusi operasional langsung dari terminal kamu.

• Deployment & Ops: Pengelolaan infrastruktur dengan perintah cepat.
• Multi-Platform Gateway: Kontrol sistem via Telegram/platform pesan.
• Scheduled Tasks: Otomatisasi tugas rutin terjadwal.

---

Pemisahan ini membuat alur kerja kamu tidak lagi bercampur antara planning manajerial dan coding teknis, sehingga operasional bisnis jadi jauh lebih rapi.

Seringkali orang mengira keduanya sama, padahal “AI Biasa” itu seperti kalkulator, sedangkan “AI Agent” itu seperti asisten pribadi.

• AI Biasa (Chatbot): Kamu bertanya, dia menjawab. Kalau kamu tidak bertanya, dia diam. Dia fokus pada pengolahan teks atau data saja. Contoh: ChatGPT atau Claude saat kamu tanya “Buatkan caption Instagram”.
• AI Agent: Dia punya “tangan” untuk melakukan tindakan. Dia tidak cuma menjawab, tapi bisa mengeksekusi tugas. Dia bisa buka file, kirim email, update stok di marketplace, sampai memantau tren harga kompetitor secara mandiri.

Variasi AI Agent di Dunia Bisnis

Di kategori yang sama, ada beberapa variasi AI Agent tergantung fungsi dan “kecanggihannya”:

1. Task-Specific Agent (Agent Spesialis): Fokus pada satu bidang saja. Misalnya, Agent Customer Service yang tugasnya cuma membalas chat pelanggan 24/7 dan memberikan solusi berdasarkan database produkmu.

2. Orchestrator Agent (Agent Koordinator): Ini “bos”-nya para agent. Dia yang membagi tugas. Misalnya, saat ada orderan masuk, dia memerintahkan Agent Inventory untuk update stok, memerintahkan Agent Gudang untuk print label, dan Agent Marketing untuk kirim ucapan terima kasih ke pelanggan via WhatsApp.

3. Autonomous Researcher Agent (Agent Riset): Tugas utamanya adalah memantau pasar. Seperti yang kita bahas tadi, dia akan melakukan scanning kompetitor, mencari tren harga baru, atau riset supplier yang lebih murah secara otomatis setiap hari.

4. Self-Optimizing Agent (Agent Peningkat Diri): Agent yang punya kemampuan untuk memperbaiki alur kerjanya sendiri (seperti konsep Agentic Self-Optimization tadi). Dia tidak berhenti di “tugas selesai”, tapi selalu mencari cara “tugas selesai lebih cepat dan lebih baik”.

Simpelnya: AI Biasa membantumu menjawab pertanyaan, AI Agent membantumu menyelesaikan pekerjaan bisnis dari A sampai Z.

Kalau ngelihat pemarin di Threads itu secara strategi konten kebagi jadi dua : mengejar jangkauan (awareness) atau mengejar kualitas untuk mendapatkan konversi yang lebih tinggi.

Dua Pendekatan Utama

• Fokus Awareness: Membahas topik yang sedang tren atau viral. Tujuannya adalah mendapatkan view sebanyak mungkin tanpa memedulikan relevansi spesifik produk.
• Fokus Targeted: Mengutamakan kualitas dengan membahas pain (masalah) dan gain (harapan) dari target market. Meski views lebih kecil, tapi kualitas dari audiens lebih targeted sehingga kemungkinan konversi baik lead ataupun customer lebih tinggi.

Perilaku Algoritma

Aku pribadi lebih condong yang fokus targeted, namun terkadang mengkombinasikan keduanya dengan 80 (targeted) : 20 (awareness)

Aku punya keyakinan bahwa algoritma sosmed mempelajari perilaku dari follower dan views dari sebuah akun.

Mencampur konten yang gak relevan bisa membingungkan algoritma untuk menentukan siapa target audiens yang tepat.

Kalau kita lihat platform seperti Tiktok, ada banyak kreator memisahkan akun edukasi dengan affiliate, akun affiliate biasa dengan Go dll agar performa tetap optimal.

Analogi & Contoh

Bayangkan akun Awareness seperti memasang baliho di jalan raya utama; banyak yang melihat, namun sedikit yang benar-benar butuh produk Anda saat itu.

Sedangkan akun Targeted seperti membuka toko hobi di tengah komunitas hobi tersebut; pengunjungnya tidak sebanyak jalan raya, namun hampir semua yang masuk adalah pembeli potensial.

Intinya: Lebih spesifik konten Anda, lebih mudah algoritma bekerja untuk mencarikan pembeli yang tepat. Kuantitas view tidak selalu berbanding lurus dengan jumlah closing.

A personal knowledge base maintained by Claude Code. Based on Andrej Karpathy’s LLM Wiki pattern.

Purpose

This wiki is a structured, interlinked knowledge base for my second brain. Claude maintains the wiki. The human curates sources, asks questions, and guides the analysis.

Folder structure

raw/          -- source documents (immutable -- never modify these)
wiki/         -- markdown pages maintained by Claude
wiki/index.md -- table of contents for the entire wiki
wiki/log.md   -- append-only record of all operations

Ingest workflow

When the user adds a new source to raw/ and asks you to ingest it:

1. Read the full source document
2. Discuss key takeaways with the user before writing anything
3. Create a summary page in wiki/ named after the source
4. Create or update concept pages for each major idea or entity
5. Add wiki-links ([[page-name]]) to connect related pages
6. Update wiki/index.md with new pages and one-line descriptions
7. Append an entry to wiki/log.md with the date, source name, and what changed

A single source may touch 10-15 wiki pages. That is normal.

Page format

Every wiki page should follow this structure:

# Page Title


**Summary**: One to two sentences describing this page.


**Sources**: List of raw source files this page draws from.


**Last updated**: Date of most recent update.


---


Main content goes here. Use clear headings and short paragraphs.


Link to related concepts using [[wiki-links]] throughout the text.


## Related pages


- [[related-concept-1]]
- [[related-concept-2]]

Citation rules

• Every factual claim should reference its source file
• Use the format (source: filename.pdf) after the claim
• If two sources disagree, note the contradiction explicitly
• If a claim has no source, mark it as needing verification

Question answering

When the user asks a question:

1. Read wiki/index.md first to find relevant pages
2. Read those pages and synthesize an answer
3. Cite specific wiki pages in your response
4. If the answer is not in the wiki, say so clearly
5. If the answer is valuable, offer to save it as a new wiki page

Good answers should be filed back into the wiki so they compound over time.

Lint

When the user asks you to lint or audit the wiki:

• Check for contradictions between pages
• Find orphan pages (no inbound links from other pages)
• Identify concepts mentioned in pages that lack their own page
• Flag claims that may be outdated based on newer sources
• Check that all pages follow the page format above
• Report findings as a numbered list with suggested fixes

Rules

• Never modify anything in the raw/ folder
• Always update wiki/index.md and wiki/log.md after changes
• Keep page names lowercase with hyphens (e.g. machine-learning.md)
• Write in clear, plain language
• When uncertain about how to categorize something, ask the user

Sejak awal 2026 aku serius mendalami AI dan mencoba mengintegrasikannya ke workflow sehari-hari.

2,5 bulan pertama terasa seperti buang waktu karena fokus belajar vibe coding. Tapi masuk bulan ketiga, semuanya terasa jauh lebih ringan.

Kenapa? Jawaban AI: mental model.

Mindset adalah Operating System (OS) yang menentukan arah cara pandang kamu, sementara Mental Model adalah alat untuk memproses data dan mengambil keputusan.

Perbedaan Fundamental

Mindset: Bersifat umum dan emosional. Menentukan sikap kamu terhadap tantangan.

Cirinya Lebih luas dan abstrak.

contoh:

• Growth mindset: percaya kemampuan bisa berkembang lewat latihan.
• Fixed mindset: merasa kemampuan sudah tetap.

Pengaruhnya besar ke motivasi, konsistensi, dan cara menghadapi kegagalan.

Mindset menentukan apakah kamu mau mencoba atau menyerah.

Mental Model: Bersifat teknis dan logis. Kerangka berpikir untuk membedah masalah

Biasanya berupa konsep praktis yang bisa langsung dipakai.

• Opportunity cost → memilih berarti mengorbankan alternatif lain.
• 80/20 rule → sebagian kecil usaha memberi sebagian besar hasil.
• First principles thinking → memecah masalah sampai ke dasar.

Mental model menentukan bagaimana kamu menganalisis situasi.

Bagaimana Keduanya Berhubungan?

• Mindset sebagai Filter: OS yang buruk tidak akan mau menginstal aplikasi yang canggih. Kalau mindset kamu tertutup, mental model sehebat apa pun tidak akan berguna.
• Mental Model sebagai Eksekusi: Memiliki mindset positif saja tidak cukup. Kamu butuh mental model untuk mengubah niat menjadi aksi nyata yang efektif.

Analogi dan Contoh Praktis

Bayangkan kamu sedang menggunakan kacamata (Mindset). Kacamata menentukan seberapa jernih dunia yang kamu lihat.

Tetapi untuk melihat benda jauh dengan detail, kamu membutuhkan teropong (Mental Model). Kacamata membuat kamu siap melihat, teropong membuat kamu paham apa yang kamu lihat.

Contoh: Mindset “Belajar Terus” membuat kamu mencari ilmu. Tetapi Pareto Principle (Mental Model) membantu kamu tahu mana 20 persen ilmu yang paling penting untuk dipelajari.

Intinya: Mindset untuk “Kenapa”, Mental Model untuk “Bagaimana”. Gunakan OS (Mindset) yang kuat untuk menjalankan aplikasi (Mental Model) yang tepat.

Kenapa penting memahami lokasi implementasi skill:

Memahami di mana skill ditempatkan membantu kita membuat sistem yang:

• lebih rapi
• mudah dipelihara
• mudah dipindahkan ke LLM lain
• scalable ketika jumlah skill semakin banyak
• efisien dalam penggunaan context

Dengan struktur yang jelas, kita tidak perlu menulis ulang instruksi berulang kali dan lebih mudah mengontrol perilaku model.

1. System level (paling fundamental) Skill dimasukkan ke system instruction.

contoh isi:

• peran model
• aturan gaya bahasa
• format output
• daftar capability

dipakai karena:

• selalu aktif
• stabil
• mudah dikontrol

biasanya cocok untuk:

• persona
• writing style
• aturan berpikir
• format jawaban

contoh: You are a helpful assistant. When generating ideas:

• give at least 5 ideas
• use bullet points
• keep concise

2. Project / folder level (paling populer untuk workflow) Skill disimpan sebagai file terpisah lalu dipanggil sesuai kebutuhan.

contoh struktur: /project claude.md /skills thread_writer.md summarizer.md title_generator.md

dipakai karena:

• modular
• reusable
• mudah diorganisir
• cocok untuk banyak skill

umumnya digunakan pada:

• project AI
• prompt library
• workspace LLM
• repository prompt

3. Tool / function level (untuk automasi) Skill berupa function atau integrasi API.

contoh:

• ambil data cuaca
• kirim email
• query database
• generate image

dipakai ketika: instruksi teks saja tidak cukup.

biasanya digunakan untuk:

• integrasi sistem
• otomatisasi proses
• akses data eksternal
• workflow kompleks

Urutan prioritas paling umum

1. system prompt → fondasi perilaku model
2. project/folder → library skill
3. tools/function → kemampuan teknis tambahan

sebagian besar implementasi hanya menggunakan kombinasi 1 dan 2.

Catatan tambahan

Selain tiga tempat utama di atas, skill juga bisa ditempatkan melalui pendekatan lain, misalnya:

• runtime injection → skill dimasukkan hanya saat diperlukan
• RAG (knowledge retrieval) → skill disimpan sebagai dokumen lalu dicari saat relevan
• agent workflow → skill menjadi bagian dari proses multi-step
• tool registry → daftar capability terstruktur yang bisa dipanggil model

Artinya, lokasi penyimpanan skill sebenarnya fleksibel. Yang paling penting adalah bagaimana instruksi akhirnya masuk ke context model sehingga bisa digunakan saat menghasilkan jawaban.

Kemarin aku penasaran kenapa kok gak semua skill bisa lintas LLM. Misal : Skill yang aku buat di Gemini bisa jalan di ChatGPT, tapi gak bisa jalan di Claude.

Ternyata ada 2 jenis skills, yaitu:

1. Prompt-based skill
2. Tool-based skill (schema-based)

Perbedaan singkat:

• Prompt-based skill = kumpulan instruksi bahasa manusia untuk mengatur cara LLM berpikir, menjawab, dan memformat output
• Tool-based skill (schema-based) = skill yang menggunakan struktur data tertentu agar LLM bisa menjalankan fungsi atau terhubung ke sistem lain

Analoginya:

• Prompt-based skill → briefing ke manusia
• Tool-based skill → mengisi form dengan format yang sudah ditentukan

Contoh:

Prompt-based skill: Instruksi seperti:

• gunakan gaya bahasa santai
• jawab dalam bentuk bullet point
• berikan 5 ide
• jelaskan langkah demi langkah

Tool-based skill: Instruksi terstruktur seperti:

• format JSON untuk input data
• memanggil API cuaca
• mengambil data database
• menjalankan fungsi otomatis

Intinya:

prompt-based skill mengatur cara model berpikir dan menulis
tool-based skill mengatur cara model berinteraksi dengan sistem

Perbedaan singkat:

• Workflow = urutan alur kerja (langkah-langkah proses dari awal sampai selesai)
• SOP (Standard Operating Procedure) = panduan detail bagaimana setiap langkah dilakukan dengan benar

Analoginya:

• Workflow → peta perjalanan
• SOP → petunjuk cara mengemudi di setiap bagian jalan

Contoh:

Workflow: Terima order → proses pembayaran → kirim produk → follow up customer

SOP: Dokumen detail untuk tiap langkah:

• cara cek pembayaran valid
• cara input data customer
• format email follow up
• standar waktu respon

Intinya:

• Workflow menjelaskan alur
• SOP menjelaskan standar cara menjalankan alur

Symbolic Link (symlink) adalah file khusus yang berfungsi sebagai referensi transparan atau penunjuk ke file atau folder lain di sistem macOS pada level sistem.

Perbedaan Utama (vs Alias)

• Level Operasi: Symlink bekerja di level sistem dan terminal (CLI), sedangkan Alias lebih ditujukan untuk penggunaan di Finder (GUI).
• Mekanisme Referensi: Symlink merujuk pada path (jalur) file; jika file sumber dipindahkan, link akan rusak. Alias melacak file ID, sehingga tetap berfungsi meski file dipindahkan.
• Kompatibilitas: Aplikasi dan skrip menganggap symlink sebagai folder/file asli, bukan sekadar shortcut.

Analogi & Contoh Praktis

Analogi: Seperti papan petunjuk jalan yang mengarahkan Anda ke lokasi fisik tertentu, atau pintu portal yang menghubungkan dua titik secara instan.

Contoh Penggunaan:

• Hemat Ruang Disk: Memindahkan folder besar seperti ~/Library/Developer ke SSD eksternal dan membuat symlink di lokasi aslinya.
• Sinkronisasi Konfigurasi: Menghubungkan file konfigurasi (dotfiles) dari folder cloud (Dropbox/iCloud) ke direktori Home agar tersinkron otomatis antar perangkat.
• Manajemen Versi: Mengarahkan satu perintah (misalnya node) ke versi spesifik yang terinstal di sistem melalui symlink.

Intinya: Cara efisien untuk memanipulasi lokasi akses data di level sistem tanpa harus menduplikasi file fisik secara nyata.

Sebagai non-programmer, aku belum pakai semua struktur ini, namun aku belajar kalau logika ini sebenarnya bisa diimplementasikan di berbagai hal selain coding.

❮ ❯

close

sumber : leadgenman.com

Anthropic (dan ekosistem produk berbasis Claude) membagi alat bantu ini menjadi 3 kategori agar sesuai dengan alur kerja penggunanya:

1. Claude (Versi Chat Standard) Berupa antarmuka web/aplikasi (seperti ChatGPT). Sangat cocok untuk brainstorming, menulis artikel, riset umum, dan diskusi harian. 👉 Cocok untuk: Pelajar, Penulis, Content Creator, dan masyarakat umum (Non-teknis).

2. Claude Code Ini adalah Autonomous Agent yang berjalan langsung di Terminal (CLI) atau ekstensi VS Code. Ia mempunyai akses ke keseluruhan codebase di komputermu, bisa mengeksekusi script, refactor file massal, dan melakukan debugging tingkat lanjut. 👉 Cocok untuk: Software Engineer & Developer yang terbiasa dengan Terminal.

3. Claude Cowork Asisten desktop (GUI) yang sanggup melakukan otomatisasi di komputermu (mengatur folder, bulk-rename, ekstrak data) tanpa perlu paham koding. Seperti versi jinak dari Claude Code namun untuk urusan administratif. 👉 Cocok untuk: Knowledge Workers, tim Operasional, dan pekerja kantoran.

Intinya: Gunakan Claude untuk berpikir/menulis, Claude Code untuk eksekusi ngoding, dan Cowork untuk asisten otomatisasi pekerjaan repetitif!

Workflow = urutan proses yang terstruktur untuk menyelesaikan suatu pekerjaan dari awal sampai selesai.

ciri-ciri workflow:

• Ada tahapan berurutan
• Setiap langkah punya tujuan jelas
• Menghasilkan output akhir (konten yang dipublish)
• Bisa diulang secara konsisten

Contoh workflow content creation

1. Menentukan tujuan & tema
2. Riset ide & referensi
3. Menulis draft konten
4. Desain visual (Canva)
5. Review & revisi
6. Publish ke sosial media
7. (opsional) Evaluasi performa

Kenapa penting?

Karena dengan workflow:

• kerja jadi lebih cepat
• kualitas lebih konsisten
• mudah di-scale (kalau nanti bikin banyak konten)
• gampang didelegasikan ke tim

Kalau kamu serius bikin konten rutin, workflow seperti ini bagus sekali — tinggal diperjelas detail tiap tahap (misalnya checklist riset, template caption, template desain, dll).