Sial, saya berharap punya ini saat pertama kali mulai posting. Grok Bot sekarang menangani sisi admin konten saya, dan saya hanya butuh 5 prompt. Laporan pagi saya muncul sebelum saya membuka laptop, dan setiap balasan merek sudah siap sebagai draf. Berikut yang dilakukan 5 prompt ini untuk saya: langkah 1 → tempelkan prompt di bawah ini ke Grok Bot di Grok 4.7, mulai dengan laporan pagi langkah 2 → setiap hari kerja, laporan pagi saya melewati promosi dan hanya mencantumkan email yang membutuhkan perhatian saya, prioritas terlebih dahulu untuk kesepakatan merek langkah 3 → berakhir dengan 5 sebutan X yang layak dijawab, dibacakan dalam memo suara 2 menit langkah 4 → prompt merek memproses semua email sponsor saya dari minggu lalu dan memeriksa setiap merek secara online langkah 5 → ia membuat draf setiap balasan dengan daftar tarif saya, tetapi saya tetap membaca setiap satu sebelum mengirimnya langkah 6 → pukul 8 pagi ia menunjukkan apa yang sedang naik di niche saya, hanya yang baru sejak kemarin langkah 7 → setelah skrip selesai, ia memberikan draf kasar untuk thread, posting LinkedIn, dan bagian newsletter langkah 8 → saya menyimpannya sebagai keterampilan, jadi minggu depan satu baris saja sudah cukup untuk mendapatkan draf-draf itu lagi Kelima prompt tersebut ada di kartu di bawah. Kemudian baca artikel di bawah ini dan tambahkan 10 lagi di atasnya.

Anda dapat menjalankan AI sendiri di komputer Anda. Kebanyakan orang mengatur dengan salah dan mendapatkan chatbot yang lambat dan mudah lupa. Di GTC 2026, seorang manajer produk NVIDIA dan seorang insinyur Ollama menghabiskan 33 menit untuk melakukannya dengan benar. 07:38 - kuantisasi dan mengapa Q4_K_M adalah default 11:04 - memilih model: VRAM, benchmark, tes Anda sendiri 19:08 - Claude Code pada model lokal dengan Ollama Launch 24:20 - batas konteks saat menjalankan agen secara lokal 28:17 - output terstruktur untuk menarik data dari dokumen Saya telah melihat kursus senilai $500 yang mengajarkan lebih sedikit daripada ini. Tonton dulu, lalu baca panduan di bawah ini. Panduan ini membimbing Anda dari nol hingga memiliki AI yang berfungsi di komputer Anda dalam 10 langkah.

Co-founder LangChain, Harrison Chase: "There's a harness that orchestrates a model and some context." Dalam waktu kurang dari 24 menit, ia menjelaskan loop di balik penggunaan alat dan konteks. Ini membantu Anda memahami apa yang berubah ketika Anda mengganti runtime. Saya akan menempatkan pembicaraan gratis ini di atas banyak kursus berbayar tentang dasar-dasar agen. Tonton pembicaraannya, lalu baca artikelnya untuk membangun produk yang berfungsi dengan berbagai harness agen.

Co-penulis GPT-4, Diogo Almeida: "Kami melakukan hal ketiga yang dioptimalkan untuk pengambilan keputusan yang terkalibrasi." Dalam 18 menit, ia menjelaskan mengapa model yang dilatih untuk mendapatkan persetujuan manusia bisa menjadi terlalu percaya diri. Anda akan mendapatkan lebih banyak manfaat dari video ini daripada dari kursus senilai $700. Tonton presentasinya, lalu baca panduan di bawah ini untuk memahami kelebihan Jev dan cara menggunakannya.

Andrej Karpathy: "Bahasa pemrograman paling populer baru adalah Bahasa Inggris." Dalam waktu kurang dari 40 menit, ia menjelaskan bagaimana LLM telah merevolusi apa yang bisa kita lakukan di lingkungan digital dan cara menggunakannya secara efektif. Pembicaraan ini berisi informasi yang jauh lebih berguna daripada kursus senilai $500. Tonton pembicaraan lengkapnya, lalu baca artikel di bawah ini untuk menyiapkan kerangka kerja yang berfungsi untuk agen Anda.

Keputusan ya-atau-tidak yang sederhana di dalam agen bisa memakan biaya hingga 400 kali lebih mahal dari yang seharusnya Harrison Chase, CEO LangChain, menghabiskan 47 menit untuk melihat apa sebenarnya yang ada di dalam harness agen 08:27 - apa yang sebenarnya dianggap sebagai harness 18:14 - blok bangunan agen 29:51 - mengapa agen membutuhkan sandbox 32:37 - sandbox melawan prompt injection 41:51 - kekacauan dalam mengevaluasi agen Tonton ini terlebih dahulu, lalu baca artikel di bawah ini tentang model yang dibuat untuk menangani keputusan tersebut dengan harga sebagian kecil dari biaya tersebut

Keputusan ya atau tidak yang sederhana di dalam agen bisa memakan biaya hingga 400 kali lebih mahal dari yang seharusnya Harrison Chase, CEO LangChain, menghabiskan 47 menit untuk membahas apa sebenarnya yang ada di dalam harness agen 08:27 - apa yang sebenarnya dianggap sebagai harness 18:14 - blok bangunan agen 29:51 - mengapa agen membutuhkan sandbox 32:37 - sandbox melawan prompt injection 41:51 - kekacauan dalam mengevaluasi agen Tonton ini terlebih dahulu, lalu baca artikel di bawah ini tentang model yang dibangun untuk menangani keputusan tersebut dengan harga sebagian kecil dari biaya tersebut

Odyssey-3 benar-benar mengejutkan saya. Satu model dunia yang menggerakkan humanoid, mengendalikan lengan robot, mengemudikan mobil, menerbangkan drone, bermain game video, dan melatih AI lainnya. Tim di balik @odysseyml pernah membangun mobil otonom di Cruise dan Wayve, dan telah fokus pada world model sejak 2023. Jadi ketika mereka menyebut pelatihan robot task-by-task sebagai brute force, saya mendengarkan. Jawaban mereka adalah physics agent. Ia belajar bagaimana dunia bekerja dengan mengamati dunia: fisika, gerak, sebab-akibat, dan bagaimana manusia berperilaku. Sebuah mesin baru terhubung ke pengetahuan itu. Mereka mengatakan beberapa jam data miliknya sendiri sudah cukup untuk memulainya, dengan action head yang mengubah pemahaman model menjadi kontrol. Ini pada dasarnya seperti apa yang dilakukan LLM untuk pekerjaan berbasis pengetahuan: satu model luas di bawahnya, dan setiap peningkatan padanya membuat segala sesuatu yang dibangun di atasnya menjadi lebih baik. Yang paling membekas bagi saya: ia juga menghasilkan dunia tempat agen AI bisa berlatih, sehingga kesalahan mereka terjadi terlebih dahulu dalam simulasi. Mereka percaya world model akan akhirnya memahami fisika lebih baik daripada kita. Klaim besar. Saya ingin melihat apakah klaim ini bertahan ketika dirilis secara publik dalam beberapa minggu mendatang.

Saya memberikan prompt yang sama ke GLM 5.3 Flash, Kimi K3, dan DeepSeek v4 Pro, dan mendapatkan 3 aplikasi yang berfungsi. Membangun ketiganya di dalam @boltdotnew dan merilis yang terbaik ke tautan langsung. Dalam rencana normal, saya tidak akan pernah membuang prompt untuk perbandingan semacam itu. Forge adalah mode eksperimen di Bolt yang menjalankan model terbuka dengan penggunaan hingga 50x lebih banyak. Anda dapat membangun dan mengiterasi aplikasi web tanpa khawatir tentang batas penggunaan. Satu bar bulanan, tanpa batas harian. Buat 10 versi jika perlu, lalu beralih ke Standard atau Max saat waktunya untuk merilis. Pada benchmark build Bolt sendiri, model Forge mencapai 91% dari model berbayar teratas. Cukup dekat untuk tahap draf. Penawarannya: aktifkan, dan build Anda membantu melatih model terbuka. Sistem akan meminta konfirmasi setiap kali Anda mengaktifkannya. Pratinjau penelitian berjalan dari 14 September hingga 14 Oktober 2026. Forge gratis untuk paket Pro hingga 14 Oktober, dan ada paket akses awal $9/bulan, Bolt Lite, dengan daftar tunggu. Ini bersifat eksperimental, jadi salin proyek Anda sebelum membawa sesuatu yang serius. Tonton ketiga build tersebut, lalu coba Forge dengan tautan di bawah ini.

Berhentilah menghabiskan malam Anda memperbaiki kesalahan yang sama yang terus dilakukan agen AI Anda. Seorang insinyur LangChain menunjukkan cara membuat AI memeriksa pekerjaannya sendiri sebelum mengembalikannya kepada Anda. 08:06 - state, nodes, dan edges 10:47 - memeriksa dokumen dan jawaban yang dihasilkan 11:48 - mencoba ulang kode setelah tes gagal 37:12 - menghentikan loop dengan batas langkah 54:46 - melacak langkah-langkah yang diambil agen Mereka seharusnya tidak memberikan lokakarya ini secara gratis. Tonton ini terlebih dahulu, lalu baca panduan saya di bawah ini untuk membangun alur kerja penelitian yang memeriksa klaim.