Topik hari ini adalah sesuatu yang hampir semua orang pernah dengar, namun hanya sedikit yang bisa menjelaskannya AI Agent Harness. Anda mungkin pernah melihatnya di postingan blog atau pembicaraan di konferensi, tapi apa artinya sebenarnya? Ini masalahnya. Kebanyakan orang mengira membangun agen AI adalah tentang menulis perintah yang sempurna. Satu instruksi ajaib yang membuat model melakukan persis seperti yang Anda inginkan. Tapi itu seperti menganggap mobil hanyalah sebuah mesin? Tentu, mesin itu penting. Tetapi tanpa roda, setir, rem, dan sasis, Anda tidak akan pergi kemana-mana. Di akhir episode ini, Anda akan memahami apa itu Agent Harness, mengapa ini adalah evolusi berikutnya di luar rekayasa perintah Prompt Engineering, dan bagaimana Microsoft AI Foundry mewujudkannya bagi bisnis nyata. Ambil kopi Anda, dan mari kita mulai. Mengapa perintah Prompting tidak lagi? Mari kita kembali ke masa-masa. Sekitar tahun 2002 hingga 2024, pekerja dengan AI itu sederhana. Anda mendapatkan jawaban. Butuh dev email? Lulis perintahnya. Butuh ringkasan artikel? Lulis perintahnya. Untuk tugas sederhana sekali jalan, itu bekerja dengan sangat. Anda bisa meminta sesuatu, dan model akan memberikan respons yang masuk ak. Namun, kondoran orang menjadi ambisius. Mereka mulai meminta model-model ini untuk melakukan pekerjaannya. Meneliti topik dan menulis laporan, menganalisis basis kode dan memperbaiki bug, atau menangani percakapan dukungan pelanggan multilangkah dari awal sampai akhir. Dan tiba-tiba satu perintah tidak bisa menangani. Inilah yang terjadi. Jendela konteks model penuh, iya, melupakan instruksi sebelumnya, dan mulai mengarang fakta atau memberikan hasil yang tidak lengkap. Semakin lama tugas berlangsung, semakin tidak dapat diandalkan keluarannya. Anda mungkin pernah mengalaminya sendiri. Anda meminta AI melakukan sesuatu yang kompleks, dan pada akhirnya ia lupa apa yang Anda minta sejak awal. Bayangkan meminta satu orang membangun seluruh rumah dari awal, dalam sekali duduk, tanpa pernah memeriksa pekerjaannya. Itulah yang kita minta pada model ini untuk dilakukan. Hasilnya persis seperti yang Anda duga. Rumah setengah jadi dengan dinding yang hilang dan pintu yang tidak bisa dibuka. Solusinya bukalah perintah yang lebih baik. Anda bisa menghabiskan waktu berjam-jam, mengubah kata-kata, menambahkan contoh, dan memperbaiki instruksi, namun itu akan tetap gagal pada tugas yang panjang dan kompleks karena masalah mendasarnya bukanlah perintah tersebut. Itu adalah kurangnya sistem di sekitarnya. Yang dibutuhkan model bukanlah kata-kata yang lebih baik. Disitulah evolusi dari rekayasa perintah menuju rekayasa konteks dimulai. Tiga fase evolusi AI. Jadi beginilah cara saya melihat evolusi AI. Tiga fase masing-masing mengalirkan fokus bagi para insinyur. Fase satu adalah rekayasa prom. Itu berlangsung dari sekitar tahun 2024. Pertanyaan besarnya sederhana. Apa yang harus saya katakan kepada model? Anda menulis satu instruksi, mendapatkan satu jawaban, dan selesai. Seluruh keahliannya ada pada pemilihan keatangan. Untuk tugas dasar itu sudah cukup. Fase dua menyusul rekayasa konteks dari tahun 2024 hingga 2025. Pertanyaan berubah dari apa yang harus saya katakan menjadi apa yang harus dilihat model. Para insinyur menemukan bahwa apa yang Anda berikan ke model lebih penting daripada cara Anda bertanya. Jadi mereka membangun sistem seperti pemanggilan alat RAG dan model konteks protokol MCP. Ini memungkinkan model mengambil informasi yang tepat secara langsung. Daripada memasukkan semua yang ke satu prom, model bisa mengambil apa yang dibutuhkan saat diperlukan. Fase tiga adalah tempat kita sekarang. Rekayasa Harness. Mulai sekitar tahun 2026, pertanyaannya adalah sistem apa yang perlu saya bangun di sekitar model? Disinilah hal itu. Menjadi menarik karena reliability, memori, orkestrasi, dan guardrail tidak berasal dari model itu sendiri melainkan dari sistem yang Anda bangun di sekitarnya. Ini dia cara paling sederhana untuk memikirkan. Sebuah agen sama dengan model ditambah Harness. Harness adalah segala sesuatu yang lainnya. Model melakukan pemikiran, Harness melakukan sisanya. Dan Harness itu adalah bumbu rahasia yang membuat semuanya bekerja. Bayangkan seperti ini model adalah pekerja terampil. Sangat berbakat namun terbatas. Harness adalah bengkel, peralatan, daftar periksa, supervisor, dan remnya. Tanpa bengkel, pekerja tidak punya tempat untuk bekerja. Tanpa peralatan, mereka tidak bisa membangun apapun. Tambah daftar periksa, mereka melupakan langkah-langkah. Tanpa supervisor, mereka membuat kesalahan. Dan tanparan, mereka akan kelelahan. Harness menyediakan semua struktur itu. Jadi apa sebenarnya isi dari Harness ini? Mari kita buka. Apa yang sebenarnya terkandung dalam Harness? Jadi apa saja yang masuk ke dalam Harness? Mari kita bahas bagian-bagiannya satu per satu. Pertama, Loop Agen. Ini adalah siklus yang menjaga agen tetap berjalan. Model berpikir lalu memutuskan untuk memanggil alat. Alat dijalankan dan mengirimkan kembali hasil. Model melihat hal itu, berpikir lagi, dan mengingat memanggil alat lain. Loop terus berjalan sampai agen mencapai tujuannya. Tanpa Loop ini, Anda hanya mendapatkan satu pertanyaan dan satu jawaban. Dengan ini, Anda memiliki sistem yang menyelesaikan masalah langkah demi langkah. Selanjutnya, main konteks. Ini sangat penting karena model memiliki rentang perhatian yang terbatas. Jendela konteksnya hanya dapat menampung sedikit sebelum meluat. Di sinilah Harness berperan. Harness memadatkan percakapan, meringkas semua pesan, dan memprioritaskan apa yang penting. Bayangkan ini sebagai sistem pengarsipan untuk percakapan. Harness mengaturnya agar model hanya melihat apa yang relevant. Tanpa ini, sesi panjang akan berantakan karena model kehilangan jejak. Lalu ada alat dan keterampilan. Ini adalah tangan dari agen tersebut. Model dengan sendirinya hanya dapat menghasilkan teks. Ia tidak bisa membaca file menjelajahi web, menjalankan kode, atau meminta data dari basis data. Harness memberikannya kemampuan kemampuan tersebut. Akses file, penelusuran web, eksekusi kode, query basis data, semua alat yang disediakan, Harness. Model memutuskan kapan menggunakannya, dan Harness membuat semuanya berfungsi. Memori dan persistensi sesi adalah bagian besar lainnya. Harness mengingat sesi-sesi sebelumnya. Jadi saat Anda kembali ke agen besok, ia tidak mulai dari no. Ia mengingat referensi Anda, konteks proyek Anda, dan keputusan yang Anda buat. Agen belajar seiring waktu karena Harness menyimpan riwayat tersebut. Gak adalah lapisan keamanan, batasan yang Anda tetapkan pada perilaku agen. Anggap saja ini sebagai buku peraturan agen. Langkah maksimum sebelum berhenti, tindakan yang tidak boleh diambil. Gerbang persetujuan manusia untuk langkah berisi kotinggi seperti melulis file atau mengirim email. Tanpa guardrail, agen bisa berjalan selamanya atau melakukan sesuatu yang tidak Anda inginkan. Harness menjaganya tetap terkenal. Terakhir, orkestrasi. Harness dapat menjalankan sub-agen khusus untuk tugas yang berbeda. Satu menangani riset, yang lain menangani penulisan, yang ketiga menangani verifikasi. Mereka bekerja bersama seperti tim spesialis di lokasi konstruksi. Masing-masing melakukan yang terbaik, dan Harness memastikan mereka tidak saling menghalangi. Sekarang komponen-komponen ini bukan sekadar teot. Microsoft telah membangun platform lengkap yang praktekan semua ini. Perkenalkan Microsoft AI Foundry Harness untuk perusahaan. Platform itu adalah Microsoft AI Foundry. Anggap ini sebagai bengkel lengkap untuk membangun dan menjalankan agen AI dalam skala besar. Dan saat saya katakan skala, masalah saya skala nyata bukan eksperimen laboratorium. Foundry melayani lebih dari 70 ribu pelanggan hari ini, dan kuartal lalu saja ia memproses 100 triliun token. Itu 100 triliun, bukan salah ketik. Setiap hari, ia mendukung 2 miliar query pencarian perusahaan. Ini adalah platform produksi yang menangani beberapa beban kerja terbesar di dunia. Apa yang sebenarnya dilakukan Foundry adalah memberi Anda Harness sebagai layanan terkolah. Anda tidak perlu membangun manajemen kontak, memori, guardrail, dan koordinasi dari nol karena semuanya sudah tersedia. Anda membawa agen Anda dan Foundry menyediakan tempat kerjanya. Karena kita bicara tentang keteritas. Ini adalah hal yang sangat penting. Setiap agen di Foundry mendapatkan ID agen entranya sendiri. Singkatnya sebuah identitas digital. Bayangkan seperti kartu karyawan yang dikeluarkan oleh meja resepsionis. Agen dapat masuk ke layanan, mengakses data, dan bertindak atas nama organisasi seperti layaknya, karyawan manusia. Dan karena setiap tindakan terikat pada identitas tersebut, semuanya dapat diaudit sepenuhi. Mengapa itu penting? Dalam perusahaan Anda perlu tahu siapa yang melakukan. Setiap tindakan dicatat dan dapat dilacak. Foundry terhubung ke lebih dari seri 400 sumber data perusahaan, mulai dari SharePoint dan Dynamics 365 hingga Salesforce dan Basis Data Khusus. Jika perusahaan Anda menggunakannya, Foundry kemungkinan besar memiliki konek. Jadi agen tersebut tidak menebak-nebak atau mengerang hal. Agen mengambil data nyata dari sistem nyata. Yang berarti jawabannya didasarkan pada data bisnis Anda yang sebenarnya. Kemudian ada memori. Foundry mencakup tipe memori bawaan. Memori prosedural membantu agen belajar dari tugas-tugas sebelumnya. Agen menjadi lebih baik seiring waktu, seperti pelatihan sambil bekerja. Persistensi sesi berarti agen mengingat percakapan sebelumnya, jadi tidak mulai dari nol setiap kali Anda berbicara dengan. Hal itu membuat interaksi terasa berkelanjutan dan cerdas. Jadi bagaimana cara kerjanya? Mari kita bedah komponen yang disediakan Microsoft untuk membangun wadah khusus. Kerangka kerja agen, membangun wadah khusus. Jadi bagaimana cara Anda membangun wadah? SDK khusus yang disebut Microsoft Agent Framework yang mungkin Anda kenal dengan nama sebelumnya, Semantic Kernel. Inilah dibangun kembali, tetapi idenya tetap sama. Ini memungkinkan pengembang-membangun wadah agen khusus dalam Python dan CISAR. Kerangka kerja ini memiliki tiga lapisan. Di bagian bawah adalah putaran agen, siklus penawaran inti di mana model berpikir, menggil alat, mendapatkan hasil, dan berpikir lain. Di atasnya terdapat alur kerja, pola koordinasi yang mengelola beberapa agen. Dan yang membungkus semuanya adalah lapisan wadah itu sendiri, cangkang yang menyatukan semuanya. Microsoft menyertakan lima pola koordinasi bawaan. Sequential menjalankan agen satu demi satu dalam urutan yang ditutupkan. Concurrent menjalankan semuanya secara paralah. Handoff mengalihkan kendali dari satu agen ke agen lain berdasarkan kebutuhan. Group chat memungkinkan beberapa agen berbicara dalam percakapan bersama. Dan kemudian ada magentik, pengelola dari Microsoft Research. Di sini, agen pengawas membuat rencana, lalu mendelegasikan pekerjaan ke subagen khusus seperti manager proyek yang menugaskan tugas kepada anggota tim setiap pola menangani masalah koordinasi yang berbeda. Inilah bagian terbaik. Kerangka kerja ini dapat diperluas. Anda bisa menggunakan model apapun yang diinginkan, mulai dari OpenAI, Anthropic, dan Google Gemini, hingga Amazon Bedrock, bahkan model lokal di olamah. Begitu pelik. Anda bisa terhubung melalui OpenAI Protokol Konteks Model atau kode langsung. Beberapa orang khawatir menggunakan kerangka kerja Microsoft akan mengunci Anda ke dalam ekosistem mereka. Itu tidak benar. Kerangka kerja ini dapat bekerja dengan tumpukan teknologi apapun yang sudah Anda gunakan. Lapisan harness menambahkan kemampuan seperti akses file, eksekusi kode, midower perencanaan, dan telemetry. Jadi, membangun agen dengan kerangka kerja ini berarti membangun sistem lengkap yang membaca file, menulis kode, menencanakan tugas multilangkah, dan mencatat semultilangkah, dan mencatat semuanya untuk dibagi. Ini berdari sekadar antar muka obrolan. Beginilah bentuknya. Payankan sebuah ujian pengkodean ke atas kerangka kerja ini. Anda memberinya tugas. Katakanlah, menambahkan fitur baru ke basis kode yang sudah ada. Agen tersebut mulai dengan menelusuri dokumentasi untuk memahami API-nya. Lalu ia menulis kodenya. Kemudian ia menjalankan pengujian untuk memastikan tidak. Jika pengujian gagal, ia membaca kesalahannya, memperbaiki bug, dan menjalankan pengujian lagi semua dalam harness yang sama, mengulang siklus berpikir bertindak periksa sampai tugas selesai. Tanpa harness, Anda harus memasukkan setiap langkah secara manuk. Dengan harness, agen menangani seluruh alur kerja dengan sendiri. Salah satu contoh populer harness yang sedang beraksi adalah pola cloud. Microsoft telah menyediakannya di Foundry, dan itu adalah demonstrasi hebat tentang bagaimana bagian ini bersatu. Agen bergaya cloud dan hermas. Mari kita bicara tentang agen bergaya cloud. Nama itu berasal dari proyek sumber terbuka seperti open cloud. Agen-agen ini tinggal di mesin Anda, menunggu instruksi, lalu menjalankan tugas-tugas panjang dengan sendirinya. Mereka selalu ada siap membantu saat Anda membutuhkannya. Anggaplah mereka sebagai asisten pribadi yang tidak pernah libur. Versi Microsoft disebut Hermes. Ini berjalan di dalam sandbox Eigen and Hosting Foundry, dan dilengkapi dengan beberapa kemampuan yang mengesankan. Hermes memiliki sistem file sendiri, memori sendiri, dan kumpulan alatnya sendiri. Ia dapat mengatur rutinitas pemeliharaannya sendiri, membersihkan file lama, dan mengatur ruang kerjanya. Dan jika ia menyadari membutuhkan keterampilan berubah yang belum diikinya, ia bisa membangunnya secara langsung. Inilah hal tentang agen cloud. Arsiteklot menyebutnya sebagai hewan peliharaan, bukan ternak. Hewan peliharaan itu unik. Anda menamai mereka, merawat mereka, dan tidak bisa menggantinya namun. Pernah bisa sayang dipertukar. Jadi jika satu mati, Anda tinggal mencari gantinya. Agen cloud sudah pasti adalah hewan peliharaan. Masih memiliki status riwayat dan perilaku yang dipelajari sendiri. Keunikan itu membuatnya canggih, namun juga menyulitkan pemulihan dan persekalaan. Jika terjadi kesalahan, Anda tidak bisa begitu saja membuang instans dan memulai dari awal karena Anda akan kehilangan semua pengetah terkumpul. Solusi dari Microsoft adalah sesuatu yang disebut rutinitas. Ini adalah tugas terjadwal yang memungkinkan agen untuk bangun, melakukan pemeliharaan, lalu kembali tidur. Alih-alih membiarkan sandbox berjalan 2 per 7 yang memakan biaya, agen akan berhenti setelah periode tidak aktif. Sistem rutinitas membangunkannya saat tiba waktunya untuk melakukan sesuatu, seperti membersihkan keterampilan lama, menjalankan cadangan, atau meliksa tugas baru. Kemudian ia kembali tidur. Hal ini menghemat biaya sekaligus menjaga agen tetap tersedia saat Anda membutuhkan. Sandbox mengisolasi setiap sesi. File, memori, dan konfigurasi agen Anda semuanya tetap berada dalam lingkungannya sendiri. Dan Harness menangani pengelolaan status tersebut di seluruh sesi, sehingga Anda tidak perlu khawatir data satu agen motor ke agen lain. Membangun Harness sendiri dari awal memang bisa dilakukan, namun sebagian besar bisnis tidak perlu melakukannya. Foundry memberi Anda platform siap pakai dengan semua kemampuan ini di dalamnya. Pertanyaan sebenarnya, apa yang ingin Anda lakukan dengan agen Anda? Penerbitan dan kolaborasi di mana Harness bertemu dengan musik. Jadi Anda telah membangun agen Anda memberinya alat, memori, orkestrasi, dan sandbox. Sekarang bagaimana orang benar-benar menggunakan? Di sinilah Foundry membuat segala yang jadinya. Setelah agen Anda dibuat dan diterapkan, Anda dapat menerbitkannya ke Microsoft 365 Copilot di Microsoft Teams dengan satu klik. Bukan 10 klik, bukan jalur penerapan tiga hari, hanya satu klik. Dan agen Anda muncul tepat di tempat orang bekerja, di email obrolan, dan dokumen mereka. Foundry mendukung dua mode penerapan. Pertama, agen pendamuk. Mereka bekerja atas nama Anda, menyusun email, menjadwalkan rapat, atau membuka dokumen. Mereka bertindak sebagai perpanjangan tangan Anda, seperti memiliki asisten yang sangat cepat yang melakukan apa yang ingat. Kedua, agen autopilot. Ini lebih baru dan lebih menarik. Mereka bertindak atas nama mereka sendiri dengan alamat email dan identitas mereka sendiri. Mereka tidak perlu Anda beri perintah setiap saat. Mereka beri inisiatif. Agen autopilot memiliki akun pengguna penuh. Anda bisa menambahkannya ke obrolan grup tim, seperti Anda menambahkan rekan kerja manusia. Mereka mengikuti percakapan dan turun tangan saat bisa membantu, melacak poin yang belum selesai, menjawab pertanyaan tentang apa yang sedang dikerjakan tim, bahkan melakukan orientasi anggota tim baru dengan mengirimkan dokumen yang tepat dan memperkenalkan mereka kepada orang yang tepat. Ini contoh konkretnya. Katakanlah Anda meliki agen manajer alur kerja, Anda menambahkannya ke obrolan grup tim. Seseorang berkata, Hei, saya butuh laporan ketika selesai di Jumat. Agen tersebut menyadari ini adalah sebuah dilakukan. Agen itu membuat tugas, menugaskannya ke orang yang tepat, dan menambahkan pengingat untuk hari Kamis guna periksa progresnya. Tidak ada yang menyuruhnya melakukan itu. Ia hanya melihat saat tim baru dikerjakan dan langsung melakukan itu. Harness menangani semua izin di balik layar. Hanya pengguna resmi yang dapat berinteraksi dengan agen di obrolan grup. Agen hanya melihat pesan yang diizinkan untuk dilihat dan mengabaikan sisanya. Agen tersebut mematuhi kontrol akses yang sama dengan anggota tim manusia Anda. Inilah mengapa rekaya seharness benar-benar membuatkan sel. Agen tersebut tidak lagi sekadar chatbot yang Anda buka di tab browser. Ia menjadi anggota tim yang produktif. Ia ada di tempat Anda bekerja mengikuti cara kerja tim Anda. Dan ia melakukan semua itu karena harness, sistem di sekitar modal tersebut, menangani identitas, izin, penerapan, dan integrasi. Tanpa harness, Anda hanya akan memiliki jendela obrolan lain untuk diperiksa. Namun alat yang hebat tentu memerlukan penggemar. Mari kita bicara tentang batasan yang membuat semua ini aman. AI yang bertanggung jawab dan tata kelami harness. Ini masalahnya. Rekai seharness bukan hanya tentang membuat agen lebih mampu. Ini tentang membuat mereka aman dan dapat dipercaya. Agen yang bisa mengirim email, mengubah file, dan bertindak di obrolan grup memang canggih. Tetapi kekuatan itu memerlukan kendali. Anggap saja seperti memberikan kunci gedung kepada karyawan. Anda ingin mereka melakukan tugasnya. Tetapi Anda juga menetapkan aturan tentang apa yang bisa mereka aksesnya. Pendekatan Microsoft dibangun di atas standar AI yang bertanggung jawab. Enam prinsip memandu segalanya. Keadilan, keandalan, dan keselamatan, privasi dan keamanan, inklusivitas, transparansi, serta akuntabilitas. Ini bukan sekadar ide bagus yang tertulis di poster. Ini adalah fondasi nyata bagi bagaimana seluruh platform dirancang dari dasar. Harness adalah tempat di mana prinsip-prinsip ini menjadi kode nyata. Batasan guardrails membatasi apa yang dapatnya. Hook siklus hidup memungkinkan Anda menerapkan kebijakan di setiap langkah eksekusi agen. Sebelum agen berjalan, setelah berjalan, sebelum memanggil alat, setelah mendapatkan hasil, dan Anda bisa menyisipkan pemeriksaan Anda sendiri di titik manapun. Ingin memblokir agen agar tidak mengakses basis data tentu? Anda bisa mahu, kan? Ingin mewajibkan perseduan manusia sebelum agen memil? Anda juga bisa mahu. Keduanya sangat mudah untuk diatur. Well-Architected from work Azure mencakup panduan khusus untuk beban kerja AI. Ini mencakup segalanya mulai dari angripsi data hingga responsinsip. Gagasannya adalah bahwa membangun sistem AI pada dasarnya tidak berbeda dengan membangun sistem perusahaan lainnya. Anda tetap menurutkan keamanan, keandalan, dan keunggulan operasi. Well-Architected framework memberikan cara terstruktur untuk memikirkan semua itu tanpa tersesat. Di luar itu ada Cloud Adoption Framework. Framework ini menyediakan proses empat tahap untuk data kalau Anda. Pertama, identifikasi risiko. Kedua, ukur dampaknya. Berapa bulu dampaknya, net? Ketiga, mitigasi dengan kontrol. Apa yang bisa diterapkan untuk mencegahnya? Keempat, operasikan pemontauan. Bagaimana cara mendeteksi masalah itu terjadi? Ini adalah pendekatan praktis langkah demi langkah yang mengubah kekhawatiran abstrak menjadi tindakan nyata. Untuk agent harness secara khusus, ini berarti beberapa hal utama. Batas langkah maksimum agar agen tidak berjalan selamanya. Pembatasan alat agar hanya dapat mengakses apa yang seharusnya. Gerbang persetujuan manusia untuk tindakan berisikotik. Jejak audit agar setiap keputusan tercatat dan dapat ditinjau. Filter keamanan konten yang menangkap output bermasalah sebelum dilihat siapapun. Setiap bagian bekerja bersama untuk menjaga agen Anda tetap dalam kena. Microsoft menyediakan keamanan konten bawaan dan evaluator di dalam foundry. Anda dapat menguji agen Anda terhadap serangka yang kriteria sebelum menerapkan. Apakah ia tetap bertopik? Apakah ia menangani data sensitif dengan menurut? Apakah ia menolak permintaan yang tidak seharusnya dipenuhi? Anda dapat menjalankan evaluasi ini secara otomatis dan mendapatkan skor sebelum memublikasikan agen kepada tim Anda. Dengan begitu, Anda menangani masalah lebih awal bukan setelah terjadi kesalahan. Ini adalah gambaran lengkap dari prom sederhana hingga agen otonom yang aman dan siap produksi. Model melakukan pemikiran, harness melakukan sisanya, koordinasi batasan tata kelola, semua yang membuatnya terpercaya. Jadi mari kita rangkum transformasinya. Kita mulai dengan one-shot prompting. Tulis prom dapatkan jawaban. Berhasil untuk tugas-tugas sudah. Lalu kita beralih ke rekayasa konteks. Kelola apa yang dilihat model, membuat informasi yang tepat pada waktu yang tepat. Itu berhasil untuk tugas yang lebih komplek. Dan sekarang kita telah tiba di rekayasa harness penuh. Bangun sistem lengkap di sekitar model dengan memori, alat koordinasi batasan, dan tata kelola. Ini adalah poin pentingnya. Agen hanya seandal sistem yang melingkupinya. Model memang penting, tetapi harness adalah penentu keberhasilan produksi. Anda bisa memiliki model terbaik di dunia. Namun tanpa harness yang baik, ia akan gagal dalam tugas nyata. Dan Anda bisa memiliki model yang layak dengan harness yang sangat baik. Dan ia akan melampaui ekspektasi setiap saatnya tantangan untuk Anda. Dalam proyek AI Anda berikutnya, berpikirlah melampaui prompt. Jangan tanya apa yang harus saya katakan pada model. Tanyakan sistem apa yang perlu saya bangun di sekelilingnya. Perubahan pola pikir itulah yang membedakan demo dari sistem produksi. Di episode berikutnya, kita akan membahas lebih dalam salah satu komponen pendukung, yaitu memori. Bagaimana agen belajar seiring waktu, bagaimana mereka mengingat apa yang telah dilakukan, dan bagaimana hal itu mengubah apa yang bisa mereka capai. Berlangganan-langganan Anda tidak ketinggalan.