Yang menurut saya menarik tentang @NEAR Protocol pendekatan ini adalah bahwa ia memperlakukan agen AI sebagai infrastruktur, bukan sekadar chatbot dengan lebih banyak alat.
Banyak sistem agen masih menjalankan penalaran, eksekusi, rahasia, dan akses internet melalui satu loop yang sama. Itu mungkin terlihat mengesankan dalam demo, tetapi pekerjaan di dunia nyata adalah cerita yang berbeda. Semakin banyak alat yang dapat diakses agen, semakin besar peluang terjadinya kesalahan.
IronClaw 1.0 mengambil pendekatan yang berbeda.
Agen membuat keputusan, sementara lapisan koordinasi terpisah yang disebut guard mengontrol bagaimana keputusan itu dijalankan. Setiap tindakan melewati lapisan itu, termasuk kemampuan baru yang ditambahkan kemudian.
Hasil benchmark menarik karena model dasarnya tetap sama: deepseek-v4-flash.
• PinchBench: 93,5% di 147 tugas dunia nyata
• ClawBench: 88,6% di 140+ situs web produksi
• OfficeQA: 76,4% dalam penalaran atas dokumen Treasury AS selama puluhan tahun
Model dasar yang sama. Runtime yang berbeda. IronClaw tampil lebih baik.
Tapi secara pribadi, saya pikir arsitektur lebih penting daripada angkanya.
IronClaw dibangun dengan beberapa perlindungan praktis:
Aman secara desain: Tindakan sensitif dapat memerlukan persetujuan eksplisit, sementara rahasia dapat diterbitkan saat diperlukan lalu dibersihkan.
Status persisten: Checkpoint berkelanjutan memungkinkan agen melanjutkan dari tempat terakhir ia berhenti tanpa kehilangan progresnya setelah terjadi gangguan.
Memori omnichannel: CLI, Web, Slack, dan Telegram bisa bekerja sebagai satu asisten sekaligus tetap menjalankan aturan dan konteks yang sama.
Isolasi tim: Organisasi dapat berbagi alat tanpa secara otomatis mengekspos workspace pribadi.
Lalu ada gambaran besar NEAR AI dan staking.
NEAR AI membangun infrastruktur untuk AI terdesentralisasi, dengan fokus pada hal-hal seperti inferensi yang bersifat rahasia, komputasi, dan agen AI. Dalam konteks itu, staking bukan hanya soal mendapatkan imbal hasil. Staking juga membantu mendukung dan mengamankan infrastruktur terdesentralisasi yang menjadi sandaran sistem-sistem ini.
Pengguna dapat melakukan staking NEAR dan menerima kredit komputasi berulang untuk inferensi yang bersifat rahasia serta hosting IronClaw, sementara pokoknya tetap dapat ditarik.
Ini menjadi semakin relevan ketika agen AI melampaui percakapan sederhana dan mulai berinteraksi dengan situs web, alat, data, dan sistem yang sensitif. Penempatan mendatang seperti OpenClaw adalah bagian dari arah yang lebih luas itu.
Inti pelajaran saya sederhana:
Agen AI tidak hanya butuh model yang lebih baik. Mereka butuh sistem yang lebih baik di sekitar model-model tersebut.
Jika keamanan hanya ada dalam dokumen kebijakan, ia mudah menjadi pemikiran belakangan.
Dengan IronClaw, idenya adalah menjadikan keamanan sebagai bagian dari runtime itu sendiri.
Dan jujur saja, bagian dari pendekatan AI NEAR itulah yang menurut saya paling menarik.
Saya juga membagikan rincian yang lebih dalam tentang IronClaw 1.0 dan staking NEAR AI di X dan LinkedIn jika Anda ingin menggali lebih jauh.
X: https://x.com/sheishelen914/status/2096210978027303108
LinkedIn:
https://www.linkedin.com/pulse/ironclaw-10-near-staking-why-agent-architecture-now-matters-essien-6xfse?utm_source=share&utm_medium=member_android&utm_campaign=share_via