Newsletter #30
The Open Source Agent Toolkit in 2026 #
— O’Reilly Radar
tl;dr: O’Reilly memetakan tujuh lapisan stack agent AI yang survive di production — dan open source pick untuk masing-masing. Dari model serving (vLLM, llama.cpp), orchestration (LangGraph, Mastra), agent frameworks (OpenAI Agents SDK, Anthropic MCP), hingga observability, vector stores, dan evaluation. Sebuah peta jalan yang komprehensif untuk siapa pun yang serius membangun agent di tahun 2026.
AIAgents AIEngineering LLMOrchestration OpenSource SoftwareArchitecture #
How Coding Agents Read Your Code (and How to Write for Them) #
— Modem Blog
tl;dr: Modem (99.9% kode-nya ditulis oleh AI agent) membagikan temuan tentang bagaimana agent benar-benar menavigasi codebase. Tiga tuas yang bisa kamu kendalikan: nama yang kamu pilih, tipe yang kamu definisikan, dan di mana kamu menaruh penjelasan. Agent menggunakan ripgrep untuk menemukan file, membaca definisi symbol, dan mengikuti tipe data. Semakin eksplisit dan terstruktur kode kamu, semakin efektif agent bekerja dengannya.
AICodingAgents CodeDiscoverability DeveloperProductivity SoftwareEngineering #
Agent Swarm Model Economics: Better Coordination, Lower Cost #
— Cursor Blog
tl;dr: Cursor membandingkan agent swarm lama dan baru yang membangun SQLite dari nol. Temuannya: koordinasi yang lebih baik (dengan shared context, routing cerdas, dan task decomposition) menghasilkan kualitas yang sama dengan biaya yang jauh lebih rendah. Bukan soal jumlah agent, tapi seberapa baik mereka berkomunikasi dan membagi kerja.
AgentSwarms AIResearch ModelEconomics MultiAgentSystems SoftwareEngineering #
Claude Code Sends 4.7x More Tokens Than OpenCode #
— Systima Blog
tl;dr: Pengukuran token overhead di API boundary. Claude Code mengirim 4.7x lebih banyak token daripada OpenCode sebelum membaca prompt kamu. Artikel ini membedah beban instruction file, MCP schema tax, subagent multipliers, dan perilaku cache-write. Data konkret untuk membantu kamu memilih tool agentic coding yang tepat.
AgenticAI ClaudeCode LLMEngineering OpenCode PromptCaching TokenOverhead #
Trail: Operation Database for Code Worktrees #
— crabbuild / GitHub
tl;dr: Trail adalah database operasi local-first berbasis prolly tree untuk worktree kode dan teks. Git mencatat snapshot yang di-commit; Trail mencatat semua yang terjadi di antaranya: save, patch, branch, agent edits, merge, dan line-level provenance. Cocok untuk era AI coding di mana agent menghasilkan banyak perubahan inkremental yang perlu dilacak.
AICoding DeveloperTools Git Rust VersionControl #
ClickHouse is Winning the Observability Wars #
— Mat Duggan
tl;dr: Setelah satu dekade bergulat dengan observability, penulis menyimpulkan bahwa ClickHouse adalah pemenang yang jelas untuk storage backend. Kecepatan query, kompresi data, dan ekosistem tooling yang matang (Grafana, OpenTelemetry, Vector) membuatnya menjadi pilihan dominan untuk observability di tahun 2026. Sebuah argumen berbasis data untuk migrasi stack observability kamu.
Database Observability ClickHouse Infrastructure #
Tracked Capabilities untuk Agen yang Lebih Aman #
— Martin Odersky / CAIS 2026 Best Paper
tl;dr: Martin Odersky (pencipta Scala) dan timnya memenangkan best paper award di CAIS 2026 dengan ide radikal: keamanan agen harus menjadi properti infrastruktur, bukan taruhan pada perilaku model. Mereka memperluas capture checking Scala untuk melacak capabilities secara statis — program agen tidak akan lolos type-check jika mencoba membocorkan data rahasia atau menggunakan tool yang tidak diberikan. Paper ini mendemonstrasikan zero leakage bahkan terhadap model yang sengaja diprompts untuk mencuri data. Sebuah lompatan sejati dalam keamanan agen.
AIAgents AgentSafety Capabilities Scala SecurityInfrastructure #
Mendesain API untuk Agen AI #
— Freestyle Blog
tl;dr: Kebanyakan API dirancang untuk manusia yang membaca dokumentasi. Tapi agen AI mengonsumsi API secara berbeda — mereka memindai, menguji endpoint, menyimpulkan perilaku dari skema. Artikel ini mendorong desain API agent-first: penamaan yang konsisten, respons error yang dapat diprediksi, spesifikasi OpenAPI yang kaya, dan idempotensi sebagai prioritas utama. Jika kamu membangun SaaS di tahun 2026, API kamu adalah antarmuka agen, suka atau tidak suka.
APIDesign AIAgents DeveloperExperience LLMEngineering #
📎 Notable Links #
-
[Telemetry-Driven Development] — Grafana Labs merilis gcx CLI dan Grafana MCP server, memberikan akses telemetri langsung ke coding agent. Biarkan agen-agenmu melihat bagaimana sistem benar-benar berjalan sebelum mereka menulis kode. (Dafydd Thomas, 28 Jul)
-
[Sesi yang Tak Bisa Kamu Bawa Pergi] — Earendil Engineering membedah bagaimana inference API bergerak menjauh dari transkrip portabel menuju state yang disegel oleh provider. Token reasoning sebagai blob terenkripsi, pencarian tersembunyi, dan percakapan yang tersimpan sebagai foreign key. Kritik tajam terhadap arah model closed-weights.
-
[Mengapa Open Source adalah Cheat Code untuk AI] — CIO Magazine mengungkap mengapa model dan tooling AI open source menjadi strategi kemenangan untuk enterprise. Penghematan biaya, kustomisasi, dan menghindari vendor lock-in di tahun 2026.
-
[Jalankan Harness di Luar Sandbox] — Nathan Flurry berargumen bahwa harness agen (tools, capabilities, permissions) harus bisa diuji di luar lingkungan sandbox. Sebuah pandangan praktis dalam perdebatan harness engineering.
-
[Software Factories Saja Tidak Cukup] — Dex Horthy (HumanLayer) tentang mengapa model “dark factory” — AI coding yang sepenuhnya otonom — berbahaya. Masalah reward biner (lulus/gagal tes) mengabaikan maintainability, menciptakan utang teknis massal. Solusinya: tetap pertahankan manusia dalam loop.