Walrus 🦭/acc Re-poster

Menempati posisi teratas di Walrus Session 8: Chatbots That Remember adalah Playbook, proyek inovatif yang dikembangkan oleh @inspikalu. Chatbot unik ini memiliki meja kerja simulasi terintegrasi yang dirancang untuk menangani jembatan, antrean, tenaga surya, dan lainnya.

Kemampuan Playbook yang paling menonjol adalah memorinya yang persisten. Setiap kali Anda kembali, sistem melanjutkan pekerjaan tepat dari bagian terakhir yang Anda kerjakan. Sistem ini berhasil mengingat batasan khusus Anda, pengaturan optimal Anda, serta pendekatan apa pun yang sudah pernah gagal.

Sang kreator merangkum nilai utama alat ini dengan sempurna melalui pemikiran berikut: “Bagian yang bermanfaat dari bantuan teknik bukanlah jawaban dari buku teks. Melainkan mengingat batasan Anda, hasil terbaik Anda, dan kegagalan Anda.”

Untuk mengetahui lebih lanjut tentang detail di balik penggunaan ini, Anda dapat membaca artikel lengkapnya di @Medium melalui https://medium.com/@inspikalu/playbook-my-use-case-62e1009e9d37

Anda juga dapat mencoba proyek ini secara langsung melalui demo yang dihosting di @vercel dengan mengunjungi http://playbook-nine-tau.vercel.app

Siklus hidup model pada akhirnya akan berakhir, tetapi memori agen Anda tidak harus ikut kedaluwarsa. Pada 23 Oktober, @OpenAI menghentikan beberapa model API lama, yaitu GPT-4, GPT-4 Turbo, o1, o3-mini, dan o4-mini. Ke depannya, GPT-4o dan GPT-4.1 juga dijadwalkan menyusul pada 14 Januari 2027.

Meski penghentian model ini merupakan hal yang lumrah di industri, hal tersebut menegaskan pentingnya menyimpan memori secara terpisah dari lapisan model. Dengan menyimpan konteks secara eksternal, tim pengembangan bebas berganti model kapan saja. Pendekatan ini mencegah ketergantungan pada vendor dan memastikan Anda tidak perlu menyusun ulang data yang telah terkumpul dari awal. Anda cukup meningkatkan versi model sambil tetap mempertahankan memori tanpa hambatan.

Walrus Memory menyediakan stabilitas seperti ini, dengan menjaga antarmuka Anda tetap konsisten sepenuhnya, apa pun runtime atau model yang akan Anda gunakan. Prosesnya tetap sederhana dan familier: gunakan remember() untuk menulis data dan recall() untuk membacanya.

Anda dapat melihat jadwal penghentian resmi di sini:
https://developers.openai.com/api/docs/deprecations

On October 23, @OpenAI discontinued a batch of its older API models, specifically o1, o3-mini, o4-mini, GPT-4, and GPT-4 Turbo. Furthermore, they plan to phase out GPT-4.1 and GPT-4o on January 14, 2027. Additional details regarding these updates can be found at https://developers.openai.com/api/docs/deprecations

Although it is completely natural for artificial intelligence models to go through lifecycles, your agent should never lose its memory just because a platform evolves. Separating your memory storage from the underlying model layer gives your team the freedom to switch between different AI providers seamlessly. You will never have to rebuild your accumulated context from the ground up or remain tethered to a single vendor.

You can comfortably transition to new models while retaining all your historical data. Walrus Memory makes this effortless by providing an unchanging interface regardless of the runtime or model you choose in the future. The process remains as simple as using remember() for a write operation and recall() for a read operation.

Jika Anda siap mengintegrasikan Walrus Memory ke dalam alur kerja, ada tiga metode berbeda yang dapat membantu Anda memulai.

Salah satu cara terbaik adalah menggunakan Vercel AI SDK. Dengan memanfaatkan middleware, Anda dapat dengan mudah menambahkan kemampuan memori persisten langsung ke proses streamText dan generateText. Untuk melakukannya, cukup sertakan pernyataan impor berikut dalam kode Anda:
import { withMemWal } from "@mysten-incubation/memwal/ai";

Sebagai alternatif, Anda mungkin lebih suka menggunakan plugin OpenClaw. Metode ini membekali agen OpenClaw Anda dengan fitur pengambilan dan pencatatan memori otomatis, sehingga semua informasi tetap dapat diakses sepenuhnya di berbagai sesi. Anda dapat menginstal plugin ini dengan mudah dengan menjalankan perintah berikut:
openclaw plugins install @mysten-incubation/oc-memwal

Terakhir, Anda dapat memilih jalur Core SDK. Opsi ini menyediakan cara menyeluruh untuk mengingat dan menyimpan memori, dengan fitur penyimpanan Walrus, enkripsi SEAL, dan penyematan otomatis. Untuk menambahkan paket ini ke proyek Anda, jalankan:
pnpm add @mysten-incubation/memwal

Untuk panduan instalasi lengkap dan kode sumber selengkapnya, silakan kunjungi @github di alamat berikut:
https://github.com/MystenLabs/MemWal

Kehilangan konteks kecerdasan buatan hanya karena berpindah ke tab lain adalah pengalaman yang seharusnya sudah ditinggalkan. Informasi yang dihasilkan dalam satu aplikasi semestinya mudah diakses untuk digunakan di aplikasi lain. Dalam video dan wawancara terbaru yang diproduksi oleh @AltCryptoGems, @Kenton membahas secara mendalam bagaimana Walrus Memory menyediakan solusi andal untuk konteks agen yang portabel. Ia menjelaskan bagaimana teknologi ini menjamin informasi Anda sepenuhnya tetap berada dalam kendali Anda, apa pun platform AI yang Anda pilih.

Walrus Memory baru-baru ini menjadi sorotan dalam artikel terbaru @Forbes.

Merefleksikan tantangan penting, @kostascrypto menyampaikan pemikiran berikut: "Pernah ada masa ketika kami tidak bisa mengakses Fable dan Mythos. Bayangkan, saat itu, apa yang harus saya lakukan?"

Dilema inilah yang menjelaskan mengapa para pengembang bersemangat beralih ke sistem memori portabel yang dikaitkan dengan pengguna. Setelah mencapai tonggak lebih dari 5.000+ agen dan lebih dari 4,5 juta+ pengambilan data, alasannya sudah sangat jelas. Dengan mengadopsi teknologi ini, para pengembang memastikan bahwa perpindahan antar-LLM tidak mengharuskan mereka memulai semuanya dari nol.

Anda dapat membaca artikel lengkap yang ditulis oleh @guneyyildiz di sini: https://www.forbes.com/sites/guneyyildiz/2026/10/21/ai-startups-are-betting-on-what-the-big-platforms-cannot-credibly-sell/

To introduce verifiability into its enterprise data suite, @PerceptronNTWK is currently moving the data that powers its 800,000-node network over to Walrus. This transition directly addresses a critical requirement for hedge funds and enterprise buyers who depend heavily on real-time data, as it is absolutely crucial to confirm that this information remains completely unaltered.

Discover all the details by reading the complete announcement at the following link: https://walrus.xyz/blog/perceptron-walrus-verifiable-data-provenance/

Tentu saja, perkembangan positif melihat platform data terbesar beralih ke solusi memori yang fleksibel terhadap model dan tidak bergantung pada kerangka kerja tertentu. Misalnya, @databricks meluncurkan memori agen dalam versi beta pada 12 Oktober, tak lama setelah @MongoDB memperkenalkan kemampuan tersebut ke Atlas bulan lalu.

Meski demikian, masih ada masalah besar. Meskipun memori ini dapat digunakan oleh berbagai model dan agen, sering kali memori tersebut tetap terikat pada satu platform data. Akibatnya, wawasan pelanggan berharga yang diperoleh agen Anda berubah menjadi aset lain yang terkunci dan tidak dapat Anda pindahkan.

Walrus Memory memastikan bahwa data Anda sepenuhnya tetap milik Anda. Layanan ini berfungsi sebagai lapisan memori independen yang menyertai agen Anda ke mana pun. Karena tidak dibatasi pada platform tertentu, layanan ini dapat diakses dari runtime atau model apa pun. Menyimpan fakta semudah menggunakan remember(), dan mengambilnya kembali cukup dengan recall().

https://docs.databricks.com/aws/en/release-notes/product/2026/october

We warmly invite you to a special builder AMA on @discord where we will discuss how to eliminate the guesswork involved in locating information across decentralized sites and blobs. On October 21, 2026 at 12:00 p.m. UTC, @OmuraHQ co-founders Aditya Berry and Sourabh Chawla will be joining us to provide a comprehensive overview of the search infrastructure and real-time indexing developed for Walrus. We look forward to seeing you there, so please come prepared with your inquiries and access the event using the following link: https://discord.com/invite/walrusprotocol

Dalam perbincangan menarik tentang cara memaksimalkan performa GPU, perwakilan @AMD @AnushElangovan baru-baru ini berbincang dengan @ConorBronsdon. Bersama-sama, mereka membahas kemampuan ROCm 10 dan mendiskusikan penerapan inovatif kawanan agen. Agen-agen ini digunakan untuk menjelajahi ruang pencarian secara efektif, sehingga ribuan model dapat dioptimalkan secara otomatis. Simak perbincangan menarik ini di Season 4 podcast @chain_ofthought, yang dengan bangga disponsori oleh Walrus Memory. Dengarkan episode lengkapnya di tautan berikut: https://chainofthought.show/podcast/72-tuning-gpu-performance-with-ai-agents-amds-anush-elangovan-on-rocm-10/?utm_source=sponsor-share&utm_medium=referral&utm_campaign=ep72

Kami sangat bangga menjadi sponsor musim keempat @chain_ofthought. Dalam episode terbaru, @ConorBronsdon berbincang dengan Jaime DeLanghe, CPO @SlackHQ, dalam obrolan menarik tentang konteks agen. Bersama-sama, mereka membahas alasan kanal menjadi model konteks yang alami bagi agen. Keduanya juga membahas dinamika yang terjadi ketika seluruh tim bekerja sama mengarahkan satu agen, dibandingkan dengan para karyawan yang bekerja dalam silo terpisah. Dengarkan episode lengkapnya melalui tautan di bawah ini.

https://chainofthought.show/podcast/71-slack-wants-to-be-the-context-harness-for-code-cpo-jaime-delanghe/?utm_source=sponsor-share&utm_medium=referral&utm_campaign=ep71

Memberikan konteks kepada agen dan menyediakan data untuk aplikasi Anda merupakan langkah penting. Walrus Console dirancang untuk memenuhi kedua kebutuhan ini dengan mudah. Untuk membantu Anda memulai, kami menyediakan panduan singkat yang menjelaskan cara menghubungkan Walrus Console ke Cursor menggunakan MCP. Integrasi ini memungkinkan agen Anda membaca dan menulis file dengan mudah sebagai bagian alami dari alur kerja Anda. Jelajahi Walrus Console sekarang melalui tautan berikut: https://walrus.xyz/products/walrus-console/?utm_source=twitter&utm_medium=social&utm_campaign=walrus_console

Apakah Anda sedang mengembangkan agen kecerdasan buatan? Kini Anda dapat membekalinya dengan kemampuan untuk menyimpan informasi jauh setelah sesi aktif berakhir. Bagi para pengembang yang frustrasi karena data menghilang di antara eksekusi atau harus terus-menerus memberikan konteks latar belakang, Walrus Memory menawarkan solusi yang sangat efektif untuk menjaga kesinambungan.

Untuk membantu Anda memulai, berikut gambaran umum tentang sumber daya yang tersedia dan cara kerjanya.

Plugin OpenClaw, mysten-incubation/oc-memwal, membekali agen OpenClaw dengan kemampuan untuk secara otomatis menyimpan dan mengingat informasi. Ini memastikan bahwa memori tetap dapat diakses sepenuhnya di berbagai sesi. Anda dapat menemukan alat ini di https://github.com/MystenLabs/MemWal/tree/dev/packages/openclaw-memory-memwal

Sebagai fondasinya, terdapat SDK inti, mysten-incubation/memwal, yang menangani penyimpanan aman memori terenkripsi secara langsung di Walrus. Komponen ini memastikan integritas data Anda dapat diverifikasi secara independen kapan saja. SDK tersebut tersedia di https://github.com/MystenLabs/MemWal/tree/dev/packages/sdk

Selain itu, proyek ini menyediakan dokumentasi yang ramah AI. Petunjuk integrasi langkah demi langkah tersedia dalam file SKILL.md, bersama dengan referensi dokumentasi yang sangat terstruktur dan dirancang khusus untuk alat AI dalam file llms.txt. Tinjau materi tersebut di sini: https://github.com/MystenLabs/MemWal/blob/dev/SKILL.md

Pada akhirnya, alat-alat ini memberi Anda kendali penuh atas memori persisten yang berfungsi dengan lancar di berbagai alur kerja, alat, dan sesi pengguna. Untuk melihat kode sumber dan mengakses panduan mulai cepat, silakan kunjungi repositori utama di https://github.com/MystenLabs/MemWal

Saat kita menatap masa depan, gelombang kecerdasan buatan berikutnya akan sangat bergantung pada data yang dihasilkan manusia. Karena perubahan ini, penetapan asal-usul informasi yang jelas kini menjadi persyaratan ketat dalam pengadaan. Untungnya, @SuiNetwork dan Walrus bekerja sama untuk memastikan asal-usul data ini sepenuhnya dapat diverifikasi.

Untuk mendukung proses penting ini, Walrus dengan cepat menjadi fondasi penyimpanan utama bagi @datafdn dan Trace, registri onchain yang didedikasikan untuk data pelatihan AI yang hak penggunaannya telah dipastikan. Dalam ekosistem ini, Trace bertanggung jawab mendokumentasikan secara tepat siapa pemilik informasi dan dari mana asalnya. Sementara itu, Walrus menyimpan berkas asli dengan aman, memastikan berkas tersebut sepenuhnya terlindung dari manipulasi dan hanya dapat diakses oleh pembeli yang memiliki lisensi yang sesuai.

Besarnya aktivitas di platform ini menunjukkan dampaknya yang terus berkembang. Aplikasi yang menyediakan data berlisensi kepada laboratorium AI terdepan secara aktif menggunakan sistem ini. Hasilnya, Trace telah mendokumentasikan lebih dari 250 juta kontribusi secara keseluruhan dan terus memproses lebih dari 3 juta tanda terima baru setiap hari.

Untuk informasi selengkapnya, silakan lihat pengumuman resmi di sini: https://www.sui.io/blog/data-network-joins-sui-walrus

Waktu kami di Sui Basecamp resmi berakhir setelah dua hari yang sangat produktif. Selama acara, kami dengan bangga memperkenalkan Walrus Console kepada komunitas. Kami juga memanfaatkan kesempatan ini untuk menyoroti pengumuman bersama yang menarik dari @Mysten_Labs dan @googlecloud tentang Verifiable Agent Arbiter, sebuah proyek yang berfokus pada penambatan bukti agen ke Walrus dan Sui. Selain itu, kami senang dapat menyoroti para mitra hebat kami, @astros_ag, @AlliumLabs, dan @matterhornso. Terakhir, kami melengkapi pengalaman ini dengan memandu lokakarya menarik yang berfokus pada memori agen persisten.