Eight - はち

OpenAI bilang ChatGPT sekarang bisa "handle your most ambitious work": dan reaksinya langsung polarized. Ada yang ngerasa ini agent pertama yang beneran accessible, ada yang ngerasa ini cuma rebranding Codex buat non-developer. Yang jelas: ChatGPT Work (rilis 9 Juli bareng GPT-5.6) itu built di atas Codex technology. Artinya lo bisa delegasiin project berjam-jam: riset, analisis data, bikin spreadsheet, slides, bahkan web app: langsung dari ChatGPT. Dia bisa narik konteks dari 1.400+ integrasi: Google Drive, Slack, Teams, Gmail, Salesforce, GitHub, LinkedIn, Canva. Lo @-mention app-nya atau biarin ChatGPT suggest sendiri. Tapi ini yang penting buat lo yang masih nimbang: Di web dan mobile, Work baru buat Pro, Enterprise, Edu. Plus dan Business menyusul. Tapi di desktop app (macOS udah ada, Windows nyusul), SEMUA plan termasuk Free bisa akses: ini detail yang banyak kelewat. Model-nya juga beda tier: Sol (flagship), Terra (balanced), Luna (cost-efficient). Free dan Go cuma dapat Terra. Soal billing: usage-based, sharing consumption pool bareng Codex. Tapi belum ada harga per-task yang dipublish. Ini yang bikin skeptis: lo nggak tau persis seberapa mahal project panjang sebelum nyoba. The Decoder nulis: "From the announcement, it's hard to tell what's actually new. Many of the featured functions already exist in ChatGPT or Codex." Ini observasi yang fair. OpenAI juga sunsetting Atlas browser dan nge-absorb capability-nya ke ChatGPT built-in browser: jadi emang konsolidasi, bukan revolusi. Yang bikin ini menarik buat lo yang masih di level chat user: ini mungkin pertama kali lo bisa delegasiin kerjaan kompleks tanpa setup teknis, tanpa API, tanpa code. Cuma lewat app yang udah lo pake. Bedanya sama ChatGPT biasa? Work bisa stay di project lo selama berjam-jam, bukan cuma jawab pertanyaan satu-per-satu. Bukan berarti ini sempurna. Billing yang nggak transparan, fitur yang mostly sudah ada, dan rollout bertahap: semua ini valid concern. Tapi akses lewat desktop Free plan itu real, dan itu nggak banyak orang sadari. openai.com/index/chatgpt-…

AutoGen terakhir rilis September 2025. BabyAGI nggak ada commit substantif sejak akhir 2024. Tapi dua nama ini masih sering muncul di rekomendasi "framework AI agent yang wajib lo pelajari". Ini masalahnya kalau lo baru mulai: semua framework terdengar sama-sama relevan karena semua orang nyebut nama yang sama. Nggak ada yang bilang mana yang udah mati. Kondisi Juli 2026 dari repo masing-masing: - AutoGen (microsoft/autogen): maintenance mode. README-nya sendiri bilang nggak akan ada fitur baru, Microsoft arahkan migrasi ke Microsoft Agent Framework. - BabyAGI (yoheinakajima/babyagi): dorman. 22K stars tapi creator-nya udah pindah proyek lain. - CrewAI (crewAIInc/crewAI): aktif, 55.7K stars, v1.15.4 rilis kemarin 17 Juli. Masih dapat fitur baru. - DSPy (stanfordnlp/dspy): aktif, 36.2K stars, commit terakhir 16 Juli. Positioning-nya "programming: not prompting: language models". - Semantic Kernel (microsoft/semantic-kernel): aktif, 28.3K stars, .NET v1.78.0 dan Python v1.44.0 rilis Juli ini. Dan ada satu nama lagi yang perlu lo tau: Microsoft Agent Framework (microsoft/agent-framework). Ini penerus resmi AutoGen: 12.2K stars, Python release v1.11.0 tanggal 10 Juli, support A2A dan MCP. Satu filter yang bisa lo pake sendiri buat framework apa pun: buka repo GitHub-nya, cek empat hal: kapan commit terakhir, kapan rilis terakhir, apakah README ada banner maintenance/deprecation, dan berapa issue yang masih aktif. Ini semua publik, nggak perlu Twitter opinion. Pattern yang perlu lo perhatikan: framework yang mati biasanya nggak tiba-tiba hilang. Dia masuk maintenance mode, release-nya makin jarang, terus orang masih rekomendasiin karena inertia. Bedain hype dari substance cuma butuh satu kali klik ke tab "Releases".

@slowwilly20 akwokaowkw hello world anj

Hello World

Lagi rame dibahas: ada API gateway China yang kasih "200万 credits" gratis buat akses model frontier: DeepSeek V4, GLM-5.x, Kimi K2.6, MiniMax M2.7, KAT Coder Pro V2. Tapi sebelum hype, ada yang perlu lo tau dulu. Yang beneran: IAMHC API (api.iamhc.cn) itu layanan relay/proxy yang nge-agregat 30+ provider AI lewat satu endpoint OpenAI-compatible. Registrasi cuma butuh email + password, tanpa kartu kredit. Model-model yang tersedia itu real: GLM-5.2, KAT Coder Pro V2, DeepSeek V4 bisa lo akses lewat platform resmi mereka juga (Z.ai, OpenRouter, NVIDIA NIM). Yang misleading: klaim "$4,000 free credits" itu face value, bukan purchasing power sebenarnya. Karena ada rate multiplier 0.001x di tier gratis, nilai aktualnya sekitar $4 USD: cukup buat testing, bukan buat production workload. Quality check dari Veridrop.org (independent testing, 7 kali test dari Mei-Juli 2026): median score 75/100, tapi trend-nya turun (-8.2). Model consistency gagal 5 dari 7 test, integrity gagal 4 dari 7. DeepSeek V4 Flash cuma skor 35/100 di satu test. Tapi GLM-4.7 konsisten skor 85/100. Yang bisa lo lakuin sekarang: 1. Daftar di api.iamhc.cn/register (email doang) 2. Coba GLM-4.7/5.x: yang paling konsisten hasilnya 3. Pakai buat prototyping agent workflow, bukan production 4. Cek juga provider langsung (Z.ai, OpenRouter) kalau butuh reliability lebih TL;DR: Ada free credits beneran, model frontier-nya real, tapi hype $4,000 itu inflated. Treat sebagai sandbox testing, bukan production API. Sumber: api.iamhc.cn | Veridrop.org/api.iamhc.cn | bubblevv.github.io/ai-api-gongyi-… x.com/QCXINT_/status…

Scroll timeline, liat orang generate gambar lokal, clone suara, jalanin LLM di laptop sendiri. Lo pikir "gue juga mau": buka tutorial, langkah pertama: install Python. Langkah kedua: clone repo. Langkah ketiga: buka terminal. Tab ditutup. Balik ke ChatGPT. Padahal ada tool yang udah ngurus semua itu. Namanya Pinokio: desktop app yang bisa install dan jalanin open-source AI app tanpa lo perlu ngerti terminal, Python, atau GitHub. Cara kerjanya: Pinokio bundling runtime sendiri (Node.js, Python 3.10, Conda, FFmpeg) jadi lo nggak perlu install apa-apa lagi. Lo buka app directory-nya di pinokio.co, pilih app yang mau dicoba: image generation, voice cloning, text-to-speech, video generation, faceswap, ada banyak: klik install, selesai. Katalognya curated: pinokio.co Download app-nya: desktop.pinokio.co Source code (MIT license, 7.7K stars): github.com/pinokiocompute… Jalan di Windows, macOS (Apple Silicon & Intel), dan Linux. Satu hal yang perlu lo tau: kebanyakan AI app di situ butuh GPU dedicated: biasanya NVIDIA dengan minimal 6GB VRAM. Kalau laptop lo cuma punya integrated graphics, nggak semua app bisa jalan lancar. Tapi ada juga yang bisa di CPU only. Intinya bukan "lo harus jadi technical" buat coba AI lokal. Intinya lo tahu ada jalan yang udah disederhanakan, dan lo bisa mulai dari situ.

Lo sadar nggak, kapan terakhir lo beneran ngeliat pola penggunaan AI lo sendiri: bukan sekadar ngerasa produktif, tapi punya datanya? Anthropic baru rilis Reflect (9 Juli), fitur beta yang ngegambarin cara lo pake Claude: topik apa yang paling sering lo bahas, kapan lo paling aktif, tipe task apa yang lo seringin. Lo bisa lookback 1, 3, 6, atau 12 bulan: dan dashboardnya jujur, nggak nge-judge. Caranya: Settings > Reflect (web atau desktop app). Ini tersedia buat Free, Pro, dan Max user: tapi memory harus nyala dulu. Yang bikin menarik bukan cuma datanya. Reflect juga punya fitur wellbeing: lo bisa set quiet hours, atau nyalain nudge yang ngingetin lo buat istirahat setelah tertentu lama. Plus, sesekali muncul pertanyaan reflektif: salah satunya: "What's one thing you want to keep doing yourself, even if Claude could do it faster?" Pertanyaan itu bikin gw berhenti sebentar. Soalnya selama ini gw cenderung automate semua tanpa mikir mana yang sebenernya pengin gw handle sendiri. Oiya, soal privasi: percakapan sensitif cuma muncul di level abstrak, dan yang terkait health integration di-exclude total dari insights. Data nggak dipake buat tujuan lain. Belum ada view waktu yang lo habisin di Claude: tapi Anthropic bilang itu coming soon. Begitu rilis, lo basically punya full picture: kapan, apa, dan berapa lama lo pake AI. Reflect bukan tentang lo harus pake AI lebih banyak. Tapi tentang lo tau kapan lo pake AI secara sadar: dan kapan lo cuma autopilot. anthropic.com/news/reflect-w…

Lo install Claude Code, mulai project, semangat. Besok buka lagi: agent nggak inget apa-apa. Stack lo, aturan lo, preference lo, hilang semua. Tiap session mulai dari nol. Ini masalahnya: coding agent secara default nggak punya memory project lo. Setiap session dia mulai blank, kayak karyawan baru yang nggak pernah di-onboard. Solusinya satu file: CLAUDE.md. CLAUDE.md itu semacam employee handbook buat agent lo. Lo tulis sekali, taruh di root project, dan setiap kali agent mulai session dia baca file itu duluan. Isinya bisa apa aja yang bikin agent ngerti project lo: stack yang dipakai, aturan coding, cara run test, preference lo soal struktur kode, bahkan "jangan pernah hapus file ini". Pattern ini udah mainstream. Repo andrej-karpathy-skills di GitHub tembus 192K+ stars: isinya satu file CLAUDE.md dengan 4 prinsip coding dari Karpathy. Anthropic sendiri dokumentasiin CLAUDE.md sebagai primary memory mechanism di Claude Code docs (code.claude.com/docs/en/memory). Komunitas juga udah settle: guide step-by-step dari nathanonn.com bahkan pakai metafora "employee handbook" persis. Mulai dari sini: 1. Buat file CLAUDE.md di root project lo 2. Tulis stack utama: bahasa, framework, database, deploy target 3. Tambahin 2-3 aturan yang paling sering lo ulang ke agent: "pakai TypeScript strict", "test pakai vitest", "jangan ubah schema tanpa migrasi" 4. Commit, selesai. Agent akan baca otomatis tiap session. Satu file, ~30 baris, dan lo nggak pernah jelasin ulang context project lo lagi. github.com/multica-ai/and… code.claude.com/docs/en/memory nathanonn.com

Coding agent lo bisa generate halaman full dalam detik. Tapi coba perhatiin: gradient yang sama, font pairing yang aman, layout yang keliatan kayak template. Karena emang itu yang dilakuin — agent nge-match pattern dari training data, bukan nge-desain dari brief lo. Hallmark (github.com/Nutlope/hallma…) dibikin sama Together AI buat ngasih masalah itu. Ini skill yang bisa lo install ke Claude Code, Cursor, atau Codex, dan cara kerjanya beda dari tool desain kebanyakan: bukan nge-generate layout, tapi nge-gate output agent lo lewat 57 slop-test sebelum apa pun yang lo minta di-emit. Gimana cara kerjanya? Lo minta agent bikin landing page. Sebelum output dikasih ke lo, Hallmark ngecek: apakah ini cuma color-swap dari template? Apakah spacing-nya generic? Apakah warnanya cuma gradient standar? Kalau gagal, agent di-rewrite ulang sampai lolos. Plus ada pre-emit self-critique yang nge-review hasilnya satu kali lagi. Yang bikin Hallmark bukan sekedar filter: • 20 themes dengan variasi struktur yang beneran beda — bukan palette swap • 4 verbs: build (bikin baru), audit (skorin desain yang udah ada), redesign (ubah fingerprint tanpa ganti copy), study (ekstrak DNA desain dari referensi) • Custom mode: kalau nggak ada theme yang cocok, Hallmark bikin palette, typography, dan layout dari nol — tetap lewat 57 gates yang sama Install-nya satu command: npx skills add nutlope/hallmark Buat lo yang udah punya website tapi ragu kualitas desainnya, coba verb “audit” — agent lo bakal ngasih skor dan rekomendasi spesifik. Atau “study” buat nge-clone DNA visual dari desain yang lo suka. Limitasi: Hallmark fokus ke UI design, bukan code quality atau performance. Gate-nya juga nggak menjamin hasilnya “akan disukai user” — cuma menjamin nggak keliatan AI-generated. Dua hal yang beda. Demo live ada di usehallmark.com.

Kalau lo pakai Claude Code atau Codex dengan akses ke terminal, aturan seperti "jangan sentuh file ini" belum benar-benar mengisolasi agent. Gue baru sadar ini waktu nge-hardening pipeline AI agent. Di level workflow, semuanya sudah ketat: agent cuma boleh menghasilkan candidate, lalu script lain yang memvalidasi dan memindahkan state. Masalahnya, aturan itu cuma mengamankan alur kerja. Kalau agent masih punya akses luas ke filesystem, shell, atau network, dia tetap bisa menyentuh hal-hal di luar pipeline. Salah satu tool yang mencoba menyelesaikan masalah ini adalah h5i: github.com/h5i-dev/h5i h5i menjalankan setiap coding agent di worktree yang terisolasi. Perubahan agent tidak langsung masuk ke branch utama. Lo bisa memeriksa hasilnya dulu, baru memutuskan apakah perubahan itu mau dipakai. Flow dasarnya: h5i init h5i env create claude-env --profile agent-claude h5i env shell claude-env Setelah agent selesai: h5i env diff claude-env h5i env propose claude-env h5i env apply claude-env Urutannya simpel: 1. Buat environment terisolasi. 2. Jalankan agent di dalamnya. 3. Periksa semua perubahan. 4. Merge hanya kalau hasilnya aman. Kalau lo cuma memakai AI untuk chatting, ini mungkin berlebihan. Tapi kalau agent sudah boleh menjalankan command dan mengubah project lo, jangan hanya mengandalkan prompt atau application guard. Batasi juga tempat agent itu bekerja.

Lo bayar Cursor $20/bulan? Ada alternatif gratis. 100% local. LibreCode. 7.3K stars GitHub. Open source AI code editor yang jalan di mesin lo sendiri — code lo nggak pernah ke cloud. Yang dia punya: — AI assistant: 4 mode (Ask, Agent, Plan, Debug). Semua jalan lewat Ollama — model lokal di GPU lo sendiri. — Code editor native: syntax highlighting 25+ bahasa, autocomplete, multi-tab. Bukan Electron. Dibikin pake .NET 10 + Avalonia UI. — Built-in terminal, model marketplace (browse Ollama models dari editor), dan reversing toolkit buat .NET, WASM, dan ELF binaries. Yang bikin beda dari Cursor/Copilot: — Data lo nggak ke cloud. Zero. Nggak ada API call ke server manapun. — Nggak perlu akun, nggak ada telemetry, nggak ada subscription. — Lo pilih model lo sendiri lewat Ollama — mau Llama, Qwen, DeepSeek, terserah. Trade-off jujur: — Setup butuh Ollama install + model download dulu. Bukan buka browser langsung jalan. — 7.3K stars = masih muda. Jangan expect polish level Cursor. — License-nya custom — boleh dipake, tapi nggak boleh fork dan distribute. Tapi kalau lo udah capek bayar bulanan buat AI coding dan peduli sama privacy, ini opsi yang worth dicoba. github.com/re4/LibreCode

Lo suruh coding agent bikin date picker. Dia install flatpickr, bikin wrapper, nambah stylesheet, mulai ngomong soal timezone. Tanpa ponytail: 404 lines. Dengan ponytail: . 23 lines. ponytail (81K stars di GitHub) itu plugin yang bikin agent lo nanya satu pertanyaan sebelum nulis kode: "Ini perlu ada?" 6 rung YAGNI ladder. Stop di rung pertama yang hold. Benchmark (Haiku 4.5, 12 tasks, n=4): → 54% less code → 20% lebih murah → 27% lebih cepat → 100% safety tetap jalan Catatan jujur: benchmark ini di FastAPI + React. Bukan klaim universal. Install: satu command. Works di Claude Code, Cursor, Codex, dan 17 agent lain. Repo: github.com/DietrichGebert…

Gue baru sadar masalah coding agent gue bukan modelnya doang — tapi context-nya ambyar. Repo gede. Docs numpuk. Screenshot. Note acak. Agent disuruh "paham dulu" → token gila, jawaban tetap nge-blank di bagian penting. Gue nemu repo ini: Graphify. Ide-nya: ubah folder lo (code, PDF, markdown, bahkan screenshot) jadi knowledge graph yang bisa di-query. Agent nggak harus nge-dump semua file mentah tiap kali. Gue cek GitHub API barusan: ~82K stars. Repo: github.com/Graphify-Labs/… Yang gue ambil buat use case praktis: → Install skill ke Claude Code → Jalanin /graphify di folder project → Dapet graph + report (god nodes, koneksi aneh, suggested questions) → Query ulang tanpa baca ulang semua file Setup (dari README resmi): 1. pip install graphifyy 2. graphify install 3. Buka Claude Code di project → ketik /graphify . Catatan kecil: package PyPI-nya sementara namanya graphifyy (dobel y), CLI-nya tetap graphify. Buat lo yang pake coding agent di repo besar: ini ngejar pain "context mahal + agent lupa struktur", bukan hype stars doang. Kalau lo cuma main di folder kecil 5 file, skip dulu. Kalau vault/repo lo udah berantakan — ini worth coba.

Lo pernah nggak tau kenapa coding agent lo tiba-tiba edit file yang nggak lo suruh? Session log ada, tapi isinya JSONL ratusan baris. Siapa yang baca. mindwalk — repo baru, 331 stars, 4 hari umurnya. github.com/cosmtrek/mindw… Dia ambil session log Claude Code / Codex lo, terus render jadi peta 3D. File yang agent lo sentuh → menyala. Yang nggak → gelap. Yang bisa lo lihat: — warna hijau: file yang cuma di-scan — putih: file yang dibaca — amber: file yang diedit — gelap: nggak disentuh sama sekali Ada playback. Lo bisa scrub timeline buat lihat urutan agent lo explore → edit → verify. Termasuk kapan context compaction terjadi dan kapan subagent diluncurkan. Satu command install. Go binary. Fully local — nggak ada data yang keluar. Bukan debugging tool. Ini observability — lo lihat pola, bukan fix error. Cocok buat: lo yang daily-drive Claude Code/Codex dan mau understand scope agent. github.com/cosmtrek/mindw…