宝玉（Parody）

Hari ini saat menguji Manus, saya belajar satu teknik untuk membuat prompt: saat menggambar, jangan mengendalikan gaya/estetika dengan prompt secara detail, tetapi langsung berikan gambar referensi. Dan gambar referensi tersebut juga memuat contoh warna, font, serat kertas-xuan, tepi tinta, genangan air, pegunungan jauh, cap stempel, serta aturan ruang kosong, dan lain-lain.

Dengan cara ini, stabilitas hasil gambar akan lebih tinggi, dan prompt untuk konten juga bisa dibuat lebih sederhana.

Gambar 1: Gambar referensi

Gambar 2 content_prompt:
> Judul 'Teh dan hidup yang pelan', subjudul 'Sisihkan sedikit waktu, untuk secangkir teh'. Desain harus mengikuti gaya pada gambar referensi: tenang, terkendali, wabi-sabi; gunakan gaya minimalis tinta-air dan ruang kosong tinta-air; latar belakang berupa tekstur kertas-xuan. Teks harus berada di tengah, jelas.

Gambar 3 content_prompt:
> Judul 'Pelankan aktivitas harian'. Konten: 'Hangatkan cangkir: rasakan dulu suhu benda', 'Aromakan: perhatikan aroma teh dan air', 'Menikmati: minum sedikit-sedikit teh, singgahlah sebentar'. Desain harus mengikuti gaya halaman pertama dan gambar referensi: tenang, terkendali, gaya minimalis tinta-air; gunakan sedikit elemen tinta-air (misalnya pegunungan jauh, noda air pada peralatan teh, dll.) sebagai aksen di area ruang kosong; latar belakang berupa tekstur kertas-xuan. Tata letak teks harus menunjukkan tingkat/struktur dan memanfaatkan ruang kosong.

--- Prompt lengkap untuk Gambar 2 ---

Buat slide presentasi profesional dengan konten berikut:

Judul 'Teh dan hidup yang pelan', subjudul 'Sisihkan sedikit waktu, untuk secangkir teh'. Desain harus mengikuti gaya pada gambar referensi: tenang, terkendali, wabi-sabi; gunakan gaya minimalis tinta-air dan ruang kosong tinta-air; latar belakang berupa tekstur kertas-xuan. Teks harus berada di tengah, jelas.

Panduan Hierarki & Tata Letak:
- Utamakan elemen naratif paling penting (judul/headline/metric), lalu ikuti dengan naskah pendukung dalam bagian-bagian yang jelas
- Jika ada grafik, grafik harus mencerminkan data nyata yang disediakan di prompt konten dan tetap setia pada sumber yang dijelaskan
- Susun gambar dan teks agar penonton bisa membaca dari kiri ke kanan atau dari atas ke bawah; hindari tumpukan vertikal grafik/gambar

Arah Visual:
- Profesional dan bersih
- Ikuti gaya pada gambar slide sebelumnya (jika tersedia) untuk menjaga kesinambungan visual

Persyaratan:
- Tata letak presentasi profesional dengan hierarki visual yang jelas
- Teks harus mudah dibaca dengan kontras yang sesuai terhadap latar belakang
- Sertakan area judul dan area konten sesuai kebutuhan
- Pertahankan gaya yang konsisten untuk presentasi profesional
- Desain visual berkualitas tinggi, siap publikasi
- Semua teks harus tajam dan mudah dibaca
- Pastikan semua teks penting berada dengan nyaman di dalam bingkai; hindari menempatkan teks tepat di tepi
- Seimbangkan elemen visual dengan ruang kosong agar slide terasa bersih dan tidak berantakan

Buat ChatGPT mengklasifikasikan tokoh-tokoh AI dengan gaya matriks 9 grid yang netral dan beraturan namun juga kacau, lalu gambarkan ini untuk saya

Biar ChatGPT gunakan grid 9 kotak yang mengikuti aturan dan netral dengan sedikit kekacauan untuk mengelompokkan tokoh-tokoh AI, lalu gambari ini untukku

Opus 5.5 memberi Anda kebebasan untuk merancang App Icon

Saat dulu saya menggunakan Fable, saya sempat mencoba meminta Fable untuk membantu saya mendesain App Icon, tetapi hasilnya kurang memuaskan. Pada akhirnya saya tetap harus menggunakan ChatGPT untuk menggambar, namun gambar yang dihasilkan bukanlah vector.

Beberapa hari ini saya menggunakan Opus 5.5 untuk membuat video, dan hal itu memberi saya inspirasi. Jika Opus 5.5 bisa menggunakan JavaScript + Canvas untuk menggambar video frame demi frame, maka tidak ada masalah jika ia juga digunakan untuk menggambar Icon dengan JS + Canvas.

Saya pun mencoba. Hasil versi pertama ternyata jauh di luar ekspektasi: ringkas, indah, dan cukup bagus. Prompt-nya hanya satu kalimat:

> Tolong desain ulang App Icon untuk http://BaoCut.app, lebih sederhana, berwarna, menunjukkan pengeditan video, dan AI Agent
> Bisa langsung menggambar dengan js di canvas

Perhatikan poin pentingnya: “menggambar dengan js di canvas”, bukan SVG. SVG yang dihasilkan tidak akan memberikan hasil yang bagus seperti JS menggambar canvas.

Setelah itu tinggal seperti bekerja dengan klien—terus-menerus diminta melakukan revisi:
Misalnya saya merasa skema 3 sudah bagus, jadi saya minta agar disesuaikan berdasarkan skema 3. Setelah beberapa iterasi versi, akhirnya saya mendapatkan sebuah skema yang cukup memuaskan.

Rekomendasikan Kumpulan Video Prompt Awesome Opus 5.5 Open Source di GitHub

Opus 5.5 cukup awet, bahkan sampai tidak habis sebelum waktunya reset

Opus 5.5 masih agak sulit digunakan, ternyata tidak sempat selesai digunakan sebelum direset

Ada seseorang yang melakukan uji coba AI untuk bertarung dalam game "StarCraft" (Brood War Bench), membuat model-model bahasa besar arus utama saat ini saling bertarung dalam strategi waktu nyata. Hasilnya, level semua model tidak melebihi pemain pemula.

"StarCraft: Brood War" adalah game strategi waktu nyata klasik dari tahun 1998, juga sudah lama menjadi teman dekat dalam riset AI. Pada 2019, AlphaStar dari DeepMind pernah mengalahkan pemain profesional di game ini. Namun saat itu, itu adalah AI pembelajaran penguatan yang dilatih secara khusus. Kali ini berbeda: uji coba ini membuat model bahasa umum masuk langsung sebagai agen AI yang bisa mengoperasikan game, untuk melihat apakah mereka bisa membangun markas sendiri, memproduksi pasukan, dan berperang.

Penulis Ben Swerdlow awalnya hanya membuat versi StarCraft yang “hanya bisa dikendalikan lewat aksi-aksi agen”, untuk dimainkan bersama teman. Tak disangka, beberapa teman yang hampir tidak pernah bermain justru tampil cukup baik. Mereka bilang mereka hanya memberi perintah singkat, “Pergi menyerang”, dan agen itu sendiri membangun pasukan kecil lalu maju.

Hal itu membuatnya penasaran: kalau AI dibiarkan bermain sepenuhnya, sejauh apa levelnya?

Jawabannya: levelnya masih rendah, tapi sangat menarik.

Codex Astra yang meraih peringkat pertama menang 18 pertandingan berturut-turut. Tapi keahliannya bukan pertempuran frontal, melainkan “gangguan”: mengirim satu pekerja penambang (Probe) untuk menyusup dan mengacau di pangkalan lawan. Trik ini sangat efektif untuk lawan AI, karena ketika agen lawan melihat ada seorang pekerja datang, mereka akan menghabiskan puluhan detik berpikir apa yang harus dilakukan—selama waktu itu mereka tidak melakukan apa pun. Dalam hal pengembangan ekonomi yang serius dan perang skala besar, Codex justru relatif lemah: sering kali hanya membuat satu-dua unit lalu melemparkannya ke lawan, alih-alih mengumpulkan kekuatan dulu sebelum menyerang.

Claude Fable berada di peringkat ketiga, dengan tingkat kemenangan 83,3%, dan merupakan model yang paling “terlihat serius sedang bermain game” di antara semua peserta. Ia akan dengan patuh mengembangkan ekonomi, naik melalui pohon teknologi, bahkan dalam satu ronde ia berhasil membangun naga terbang (Mutalisk), sementara di ronde lain ia meneliti teknologi Ksatria Kuil (Templar) (seperti tech untuk Dark/High Templar). Meski kadang risetnya sudah dilakukan banyak tetapi pasukan belum mengikuti, setidaknya dalam upaya “memahami aturan permainan”, Fable jauh lebih serius daripada siapa pun.

Performa Grok paling buruk. Grok 4.6 mengeluarkan lebih dari 11000 token penalaran dalam satu pertandingan berdurasi 43 menit, tetapi hanya mengeluarkan 6 batch perintah operasi; sepanjang pertandingan tidak membuat satu pun unit tempur. Secara esensial, Grok memperlakukan strategi waktu nyata seperti permainan bergiliran: terus berpikir, lupa untuk bergerak.

Uji coba ini mengungkap masalah inti: model bahasa besar saat ini masih sangat kurang mampu untuk lingkungan strategi waktu nyata yang menuntut observasi berkelanjutan, pengambilan keputusan cepat, dan koordinasi multi-thread. Bahkan model terbaik sekalipun, seseorang pemula yang jago menjalankan build serangan kilat paling dasar seperti “photon cannon rush” bisa memenangkan semua pertandingan. Tapi sebaliknya, model-model ini sudah bisa memahami konsep dasar seperti membangun, menambang, dan menyerang—hanya saja kemampuan mereka dalam eksekusi ritme dan koordinasi tugas masih jauh tertinggal.

Kode uji coba dan platform pertandingannya sudah dibuka. Siapa pun bisa membawa agen mereka sendiri untuk bertarung dalam satu pertandingan. Alamatnya adalah http://bw.swerdlow.dev.

Anthropic diam-diam membangun sebuah laboratorium biologi

Menurut laporan eksklusif Reuters, Anthropic telah menyelesaikan pembangunan sebuah laboratorium basah (wet lab)—laboratorium fisik tempat eksperimen biokimia nyata dilakukan—di kawasan Teluk San Francisco. Langkah ini secara resmi memperluas jangkauan AI dari perangkat lunak ke pengembangan obat.

Eric Kauderer-Abrams, kepala urusan ilmu hayat di Anthropic, mengonfirmasi hal tersebut dalam sebuah wawancara. Menurutnya, dalam penelitian biologi, standar pengujian utama pada akhirnya tetaplah pekerjaan di laboratorium yang benar-benar nyata; simulasi komputer saja tidak cukup. Sebagian eksperimen mereka lakukan sendiri, sebagian lainnya dikerjakan bersama mitra eksternal—seperti yang dilakukan mayoritas perusahaan bioteknologi.

Ini bukan tindakan spontan. Dalam beberapa bulan terakhir, Anthropic bergerak sangat agresif: mengakuisisi saham senilai sekitar 400 juta dolar dari sebuah startup bernama Coefficient Bio, untuk membangun alat-alat pengembangan obat; merekrut CEO Novartis Vas Narasimhan ke dalam dewan direksi; meluncurkan perangkat lunak bernama Claude Science; dan pada bulan Juni secara terbuka di San Francisco mengumumkan rencana memulai proyek pengembangan obat. Di LinkedIn, perusahaan juga tengah mencari kepala perekrutan operasi, ahli dalam pencirian protein dan asam nukleat. Dalam lowongan tersebut, targetnya tertulis: "meningkatkan kecepatan kemajuan ilmu hayat hingga satu tingkat orde besarnya". Kauderer-Abrams mengatakan, ilmu hayat sudah menjadi salah satu arah terbesar Anthropic dari sisi investasi sumber daya dan tenaga kerja.

Anthropic menargetkan area yang menurut perusahaan farmasi tradisional termasuk kategori "undruggable"—yakni wilayah yang sulit ditangani karena target terlalu sulit dan imbal hasil bisnis rendah, sehingga sering diabaikan dalam pengembangan obat. Mereka berpendapat AI dapat mempercepat penemuan antibodi bispesifik bahkan trispezifik—obat-obatan molekul kompleks yang dapat menyerang beberapa target sekaligus. Tingkat kesulitan desainnya sangat tinggi, namun AI unggul dalam menangani kompleksitas seperti itu. CEO Dario Amodei merasakan dampaknya secara pribadi—ayahnya meninggal karena suatu penyakit, sementara terapi yang berhasil baru muncul beberapa tahun kemudian.

Namun, Anthropic saat ini menarik garis yang jelas: mereka hanya mengerjakan penelitian praklinis, tidak melakukan uji klinis, dan tidak merebut bisnis dari perusahaan farmasi. Ini juga bertujuan meredakan persoalan kepercayaan yang nyata—perusahaan farmasi raksasa yang menggunakan Claude (Genentech, Bristol Myers Squibb, dan Novo Nordisk semuanya termasuk) khawatir Anthropic akan mempelajari apa yang ada dalam data mereka.

Perlu dicatat beberapa momen waktu penting: semuanya terjadi tepat sebelum Anthropic bersiap melakukan IPO dengan valuasi sekitar 2 triliun dolar AS, saat perdebatan mengenai keamanan AI juga sedang memuncak. Baru-baru ini, dalam dua minggu terakhir saja, peneliti internal Anthropic memperingatkan bahwa AI dapat menyebabkan kepunahan manusia. Selain itu, perusahaan juga menemukan risiko bahwa sistem mereka dapat digunakan untuk pengembangan senjata biologis. Seperti menginjak gas sambil menarik rem, ketegangan seperti inilah gambaran paling nyata tentang kondisi Anthropic saat ini.

Sebagai pembanding, Isomorphic Labs milik Google sudah bertahun-tahun mengerjakan penemuan obat berbasis AI. Awalnya, mereka merencanakan masuk ke tahap klinis pada akhir 2026, namun sebelumnya sudah pernah ditunda. Realitas pengembangan obat memang seperti itu: dari menemukan sebuah molekul hingga obat tersebut diluncurkan, biasanya memerlukan bertahun-tahun, dan sebagian besar obat gagal dalam uji klinis. Ambisi Anthropic besar, tetapi jalannya masih panjang.

Saya sekarang semakin sering menggunakan ChatGPT Pro, terutama karena saya sering memakainya untuk membantu saya menyusun rancangan teknis; hasilnya sangat bagus, dan juga tidak menghabiskan kuota Codex.

Setiap kali saya menggunakannya, saya langsung mengirimkan alamat GitHub ke sana, lalu ia menganalisis kode tersebut untuk merancang, menuliskan dokumen desain, bahkan sampai mengajukan PR. Setelah itu, saya mengunduh dokumen desain ke lokal untuk dieksekusi oleh Codex atau Claude Code.

Kadang juga saya memintanya untuk beradu (konsep perlombaan) dengan Fable. Untuk masalah yang sama, Fable dan GPT 6 Pro masing-masing membuat solusi, lalu saya mengambil kelebihan dari keduanya.

Perhatikan bahwa Anda perlu menghubungkan akun GitHub Anda di pengaturan agar bisa mengakses repositori kode pribadi dan mengirimkan PR.

Entah kenapa kuota Fable saya turun dari 97% menjadi 67%. Apakah batas 50% dihapus? Atau ini bug?

Pembaruan versi 0915 untuk Rilis Model Besar Doubao 2.1 Pro, API kini telah tersedia penuh di VolcEngine Ark. Kali ini peningkatannya terfokus pada empat arah: pengantaran tugas Agent, penulisan kode multimodal, pemahaman multimodal, serta biaya inferensi.

Peningkatan pada Agent

Pada skenario yang membutuhkan pemanggilan alat multi-putaran, penelusuran materi via internet lalu menyusun laporan, model ini memperkuat kemampuan pelacakan bukti dan verifikasi data, sehingga halusinasi berkurang secara nyata. Contoh yang diberikan pihak resmi adalah riset investasi dan perbankan: model mampu menguraikan kebutuhan riset secara mandiri, mengambil sumber data untuk membangun analisis dan pemodelan ulang; naskah awal yang dihasilkan mendekati level analis. Untuk memverifikasi pernyataan dalam laporan keuangan sebuah perusahaan otomotif, model mengoordinasikan lebih dari 500 sub-Agent, menelusuri lebih dari 1000 halaman web, serta melakukan perbandingan silang atas informasi multi-sumber seperti lintasan maritim dan citra satelit. Kemampuan seperti "tidak menerima begitu saja rilis sepihak, verifikasi silang dari berbagai sumber" ini memiliki nilai langsung bagi perusahaan dalam due diligence dan penyusunan laporan riset.

Coding Multimodal

Perubahan yang paling praktis kali ini mungkin adalah kemampuan menulis kode dari gambar. Model sekarang dapat langsung memahami rancangan desain, gambar teknik, bahkan rekaman layar operasi, lalu mengubah informasi visual menjadi kode front-end. Demo resmi memperlihatkan sebuah skenario: berikan model sebuah rekaman layar ditambah beberapa sketsa—lalu model mengembangkan halaman mobile untuk sistem ERP lama yang tidak memiliki dokumentasi. Model mampu membaca 280.000 baris kode Java dan langsung mengembalikan halaman mobile yang bisa dijalankan.

Dalam pemahaman repositori kode, model juga melakukan pengujian perbaikan mandiri pada game open-source Luanti (sekitar 387.000 baris kode); 83% tugas mencapai standar yang dapat digabung (merge). Angka ini layak diperhatikan oleh developer yang sering harus melokalisasi masalah dalam proyek besar dan men-debug lintas file.

Peningkatan lainnya

Pada pemahaman multimodal, kemampuan inferensi video meningkat—dapat menemukan bukti di dalam video dan mengintegrasikan informasi lintas frame; pemahaman gambar juga meningkat secara jelas pada pengenalan objek 3D (komponen CAD, elemen mesin game) serta parsing teks-gambar yang padat (gambar teknik, tabel laporan keuangan).

Dari sisi biaya, konsumsi Token untuk inferensi gambar dan video berkurang lebih dari 30% dibanding generasi sebelumnya.

Dalam penggunaan API, ada dua pintu masuk: memanggil Doubao-Seed-2.1-pro-0915 untuk mengunci versi; memanggil Doubao-Seed-Evolving akan otomatis mengikuti versi terbaru tanpa perlu mengganti Model ID. Pekerjaan Doubao dan TRAE juga telah disinkronkan untuk terhubung.

Artikel resmi: https://mp.weixin.qq.com/s/Fp_mgF6wxMk0bkUVBqOKqA

Seorang insinyur Anthropic mengajarkan kursus pengantar FDE
https://www.youtube.com/watch?v=KwhgfwOSToQ

Kevin Bai saat ini berada di tim Applied AI di Anthropic. Sebelumnya, ia merupakan anggota pendiri tim FDE di Rippling, dan sebelum itu ia bekerja selama beberapa tahun di Palantir. Belakangan ini, ia membuat presentasi tentang FDE 101, menjelaskan dengan sangat jelas peran sebagai engineer yang dikerahkan ke lini depan. Ini layak dirangkum.

Pertama, lihat satu data: di perusahaan SaaS yang sudah go public, jika diurutkan berdasarkan nilai kontrak rata-rata, Palantir berada di angka 4 juta dolar AS, ServiceNow 1,2 juta, Workday 600 ribu, dan tidak ada perusahaan lain yang bisa melewati 500 ribu. Palantir berhasil mencapai nilai per pelanggan setinggi itu hanya dengan beberapa ribu orang—yang mana tidak bisa dilakukan oleh perusahaan lain yang memiliki puluhan ribu karyawan. Kuncinya adalah model FDE.

Lalu, FDE sebenarnya menyelesaikan masalah apa?

Produk Palantir, Foundry, adalah platform untuk membangun aplikasi—ambang teknologinya tinggi. Namun, pembelinya adalah eksekutif non-teknis dari industri seperti minyak bumi dan barang konsumsi. Anda tidak bisa begitu saja melempar platform teknologi yang rumit kepada orang yang tidak bisa menulis kode, lalu mengharapkan ia bisa memahami sendiri cara menggunakannya.

Maka pendekatan Palantir adalah: yang dibeli klien bukanlah produk perangkat lunak maupun layanan konsultasi, melainkan sebuah “hasil”. Anda mengirim engineer ke lokasi, benar-benar memahami konteks bisnis klien, lalu membangun “sesuatu” di atas platform tersebut. Yang klien pedulikan adalah berapa banyak produk yang bertambah di rak, atau seberapa efisien lini produksi meningkat. Mereka tidak peduli—dan memang tidak seharusnya peduli—bagaimana data diorganisasikan.

Apa bedanya FDE dengan pengembangan berbasis outsourcing?

Kevin menekankan satu hal khusus: jika engineer Anda setiap kali menulis kode kustom dari nol untuk klien, maka itu bukan FDE—melainkan outsourcing development. Agar model FDE bisa berjalan, prasyaratnya adalah Anda memiliki platform yang dapat digunakan ulang. Engineer merakit dan menyesuaikan berdasarkan kemampuan dasar yang sudah ada di platform, bukan menciptakan roda dari awal setiap kali. Tanpa platform, biaya pemeliharaan akan menghabiskan semua profit, dan engineer juga akan kabur karena harus memelihara puluhan basis kode yang sama sekali tidak saling terkait.

Perlu atau tidak melakukan FDE? Dua pertanyaan ini bisa menjawab.

Pertama, apakah Anda benar-benar harus menjual sesuatu yang kompleks secara teknis kepada pembeli yang non-teknis? Jika pelanggan Anda sendiri adalah engineer—misalnya jika Anda menjual GitHub atau Datadog—maka tidak perlu FDE. Jika produk Anda memang “siap pakai” seperti Slack atau Jira, juga tidak perlu. FDE baru perlu jika produk Anda sangat kompleks, sementara pelanggan tidak paham teknis.

Kedua, apakah Anda punya platform yang bisa digunakan ulang? Atau apakah Anda bersedia menginvestasikan waktu dan biaya untuk membangunnya? Tanpa komponen dasar yang bisa dibagi bersama, FDE tidak akan berkelanjutan.

Perubahan apa yang terjadi di tahun 2026?

Penilaian Kevin sangat menarik: cara industri perangkat lunak dalam berbisnis juga berubah. AI membuat pembuatan software jadi sangat mudah, sehingga hampir semua platform bergerak menuju model Agent. Artinya, hampir semua platform menjadi sangat bisa dikustomisasi. Konsekuensinya adalah makin banyak pelanggan yang tidak bisa memahami dengan jelas apa yang sebenarnya bisa dilakukan produk Anda. Memberikan keberhasilan produk kepada pelanggan untuk “menemukannya sendiri” di era Agent akan semakin sulit.

Ini membuat FDE yang sebelumnya hanya “gaya” khas dan niche milik Palantir, kini menjadi hal yang perlu dipertimbangkan serius oleh lebih banyak perusahaan software.

Pertanyaan terakhir: tipe orang seperti apa yang cocok untuk menjalankan FDE?

Jawaban Kevin sangat singkat: FDE adalah sebuah bentuk di mana Anda mempercayai seorang engineer sedemikian rupa hingga ia bisa langsung berhadapan dengan klien. Kemampuan teknis adalah basisnya, tetapi Anda juga harus merasa nyaman agar ia bisa mewakili perusahaan saat berinteraksi dengan klien.

Baru-baru ini vibe coding lagi banyak, terutama saat limit akan di-reset. Biasanya aku lempar banyak tugas ke Agent. Ada beberapa tugas yang terlihat sudah selesai jadi aku biarkan saja, tapi keesokan harinya pas testing ternyata tugasnya belum selesai. Aku balik cek, ternyata ada worktree yang dibuat—dan itu dimodifikasi bukan di main. Intinya tidak pernah di-merge.

Lalu aku minta Agent bantu cek dan mengelompokkan lebih fokus juga. Ternyata masih ada banyak worktree seperti itu, jadi dia bersihin.

Terakhir aku minta dia menambahkan aturan di Agents.md: bukan berarti tidak boleh membuat worktree, tapi jangan sampai ada yang tertinggal di sana.

--- Referensi: prompt untuk review worktree ---

Tolong cek worktree mana yang belum tersinkron ke main. Yang sudah tersinkron, langsung hapus. Yang belum, tampilkan: cabang (branch), ringkasan perubahan (termasuk beberapa commit terakhir), dan sesi session yang terkait

--- Referensi: prompt untuk membersihkan worktree ---
Tolong lihat isi worktree-worktree ini, identifikasi mana yang layak untuk di-merge. Bantu merge dan bersihkan worktree-nya. Yang tidak yakin, minta konfirmasi ke aku, tapi harus kasih saran yang jelas

--- Referensi: aturan di AGENTS.md ---

- worktree tidak boleh tertinggal: tugas yang dikerjakan di dalam worktree harus dihapus worktree tersebut beserta branch-nya saat tugas selesai. Sebelum dihapus, pilih salah satu dari dua opsi: merge ke `main`; atau jika tidak di-merge, commit dulu perubahan yang belum tercommit ke branch itu, beri tag `archive/<worktree 名>` untuk arsip, lalu `git worktree remove` + `git branch -D` . Sesi subagent yang diorkestrasi bertanggung jawab untuk merapikan worktree yang diturunkannya. Yang memang harus dipertahankan (menunggu keputusan user, atau ada konflik yang belum diselesaikan) wajib disebutkan di balasan akhir beserta path dan alasannya—tidak boleh dibiarkan secara diam-diam.

Akhirnya ingat nama CEO baru Apple: John Ternus (Zhang Tieniu)
😂
(Sumber gambar: Panda Jenius Kecil, versi lengkap: https://weibo.com/1563926367/RhqQVsEDA)