Ikhtisar ClawApp 🦅 ———————————————————————— Baru-baru ini, saya mengkaji @HeySorinAI dan melihat bagaimana cara kerjanya di balik layar. Hari ini, saya beralih fokus ke lingkungan di mana instruksi bahasa alami menjadi tugas nyata. Jika Anda tertarik pada VIBE CODING dan OTOMATISASI tanpa menulis kode kompleks . . . @Openclaw patut diperhatikan. → Saya akan mulai dari dasar-dasar, dimulai dari dashboard dan interaksi pertama dengan antarmuka. → Kemudian saya akan beralih ke lapisan Skills, tempat Anda menentukan kemampuan sebenarnya dari agen. → Akhirnya, kita akan menyaksikannya beraksi, ketika satu instruksi berubah menjadi alur kerja terstruktur dan multi-langkah. Mari kita uraikan!👇 Saat Anda membuka ClawApp, Anda akan sampai pada dashboard bersih dan modern yang dibagi menjadi dua area utama: → Panel navigasi kiri, → Ruang kerja tengah. ———————————————————————— Sidebar kiri adalah pusat kendali Anda. > New Chat memulai sesi baru. Setiap tugas berjalan di sesinya sendiri, membantu Anda menjaga alur kerja tetap terorganisir. > Connect Apps memungkinkan Anda menghubungkan layanan eksternal seperti email atau kalender Anda. Di sinilah agen menjadi aktif, berpindah dari percakapan ke eksekusi. > Skills menunjukkan kemampuan yang tersedia bagi agen. Anda dapat mengaktifkan atau menonaktifkannya, menjaga kendali atas apa yang dapat diakses atau dilakukan agen. > Balance menampilkan kredit yang tersedia (dalam USD). > History mencatat sesi sebelumnya, memungkinkan Anda untuk mengulas atau mengelola otomatisasi sebelumnya. Bersama-sama, elemen-elemen ini menempatkan ClawApp sebagai alat produktivitas terstruktur, bukan sekadar antarmuka obrolan. ———————————————————————— Panel utama menyambut pengguna dengan “Automate with ClawApp”, menekankan bahwa ini adalah antarmuka yang dirancang untuk menyederhanakan akses ke OpenClaw. Anda juga akan melihat kartu otomatisasi contoh, seperti: > Membuat catatan tugas (integrasi Apple Notes), > Memposting dan berinteraksi dalam ekosistem agen (Moltbook), > Menghasilkan laporan analisis teknis BTC (Crypto Insights). Contoh-contoh ini menunjukkan bahwa agen dapat melakukan tindakan sekaligus melakukan analisis, bukan hanya menghasilkan teks. ———————————————————————— Di bagian bawah, bidang input sederhana memungkinkan Anda untuk “Ketik pesan atau perintah...” Tidak perlu skrip atau konfigurasi. Alurnya sangat sederhana: ⏩ instruksi dalam bahasa alami → agen → tindakan di dalam aplikasi yang terhubung Layar ini menunjukkan ruang kerja Skills. Tempat di mana Anda mengelola apa yang sebenarnya bisa dilakukan oleh agen OpenClaw Anda. Jika layar utama adalah pusat kendali, ini adalah lapisan kemampuan. ———————————————————————— Di bagian atas, Anda dapat melihat jalur direktori skills lokal (misalnya, /openclaw/workspace/skills). Ini menunjukkan bahwa skills adalah komponen modular yang disimpan secara lokal. Anda dapat: → Menambahkan skills baru, → Menghapus yang sudah ada, → Memperluas fungsionalitas agen. Ada juga referensi ke Clawhub, tempat skills tambahan dapat ditemukan dan diunduh. Ini memperkuat gagasan bahwa ekosistem ini dapat dikembangkan dan didorong oleh komunitas. ———————————————————————— Bagian utama menampilkan skills yang terinstal sebagai kartu-kartu. Contoh yang terlihat di sini meliputi: ▫️ apple-notes, ▫️ himalaya, ▫️ shitty-email, ▫️ moltbook, ▫️ molt-registry, ▫️ Sorin Brain. Setiap skill mewakili domain operasional tertentu: catatan, email, interaksi sosial, identitas, analitik. ———————————————————————— Struktur ini membuat agen bersifat modular, bukan monolitik. Alih-alih satu sistem serba kuat, Anda membangun kemampuan agen Anda seperti komponen dalam kotak peralatan. Setiap skill dapat diperiksa (melalui “More”) dan dikelola secara individual. Ini memperkuat tiga prinsip desain penting: → Modularitas, kemampuan dipisahkan menjadi unit-unit terdefinisi, → Ekstensibilitas, skills baru dapat ditambahkan seiring waktu, → Kendali, pengguna menentukan apa yang dapat diakses dan dieksekusi oleh agen. Tab Skills membuat jelas bahwa ClawApp adalah lingkungan agen yang dapat dikonfigurasi. Alih-alih bertanya 🚫 “Apa yang bisa dilakukan AI ini?” Pertanyaan yang lebih baik menjadi: ✅ “Apa yang ingin saya buat agen ini mampu lakukan?” Layar ini menunjukkan agen sedang beraksi. Di bagian atas, pengguna memasukkan perintah bahasa alami: ▶️ “Periksa rapat mendatang saya minggu ini di kalender dan kirim email... mengingatkannya untuk menyelesaikan file markdown data pasar prediksi.” ◀️ Instruksi tunggal ini menjadi titik awal tugas terstruktur. Alih-alih merespons dengan balasan teks generik, agen mulai mengeksekusi permintaan langkah demi langkah. Tindakan pertama yang terlihat adalah mengambil acara kalender mendatang untuk tujuh hari ke depan. Rapat-rapat tersebut tercantum dengan jelas: → Judul, → Tanggal dan waktu, → Akun kalender terkait. Ini menandai awal eksekusi tugas... agen mengumpulkan konteks sebelum melanjutkan ke langkah berikutnya (mengirim email pengingat). ———————————————————————— Yang penting di sini adalah alurnya: → Pengguna memberikan instruksi tingkat tinggi, → Agen memecahnya menjadi sub-tindakan, → Setiap langkah dieksekusi dan ditampilkan di antarmuka obrolan. Antarmuka membuat kemajuan tugas menjadi transparan, memungkinkan pengguna melihat bagaimana agen menafsirkan dan menjalankan permintaan. ———————————————————————— Layar ini mewakili titik awal sejati dari pekerjaan: ⏩ Bahasa alami → pembuatan tugas → pengambilan konteks → eksekusi tindakan Ini menunjukkan bahwa ClawApp dirancang untuk alur kerja operasional, di mana instruksi memicu interaksi nyata dengan sistem terhubung seperti kalender dan email. Setelah mengambil rapat mendatang, agen beralih ke fase eksekusi berikutnya. Perintah di bagian bawah obrolan kini telah sepenuhnya terwujud sebagai tugas terstruktur. Data kalender telah dikumpulkan, dan sistem sedang mempersiapkan tindakan lanjutan, menyusun dan mengirim email pengingat. ⏩ Yang kita lihat di sini adalah transisi dari pengumpulan konteks ke tindakan. Alur kerja berkembang langkah demi langkah: → Identifikasi rapat yang relevan, → Ekstraksi detail yang diperlukan, → Gunakan konteks itu untuk membuat pengingat, → Eksekusi tindakan email. Layar ini mewakili tugas yang sedang berlangsung, bukan balasan, tetapi operasi yang sedang dilakukan secara aktif di dalam sistem terhubung. Email pengingat tidak lagi sekadar ide dalam prompt. Ia sedang diproses sebagai alur kerja nyata yang dapat dieksekusi. ———————————————————————— Apa yang menarik perhatian saya? 👀 → Betapa jelasnya ClawApp menggeser AI dari “berobrol” ke benar-benar melakukan sesuatu. Anda tidak hanya memberi perintah pada model... Anda → Mengonfigurasi sebuah agen, → Memberinya akses ke alat-alat, → Mengamati eksekusi tugas terstruktur secara real time. Skills modular, alur tugas yang terlihat, dan struktur berbasis sesi membuatnya terasa lebih seperti sistem operasi untuk alur kerja AI daripada asisten sederhana. ———————————————————————— 🔗 Tautannya ada di komentar pertama 👇 ———————————————————————— Yo 🤟