Empat lapisan sistem agen adalah loop, graph, harness, dan meta-harness. Ketika agen menghabiskan token, menyatakan tugas selesai, dan kemudian gagal dalam pengujian, itu biasanya masalah arsitektur, bukan masalah prompting. Loop memverifikasi pekerjaan terhadap bukti eksternal. Graph memutuskan ke mana eksekusi harus pergi selanjutnya. Harness adalah lingkungan operasi model — alat, izin, memori, konteks, pencatatan. Meta-harness mengatur banyak harness sehingga konteks dan kebijakan dapat bergerak di antara agen. Mercury Core dibangun sebagai harness dan meta-harness. Loop ini bukan Mercury Loop, layanan terkelola.
Arsitektur agen, loop verifikasi, graph alur kerja, agen harness, tata kelola meta-harness, sistem operasi agen-manusia, batasan rekayasa prompt, Mercury Core, Booster Packs, memori OpenClaw
Mercury Technology Solutions, Mercury Core, Mercury Flux, Mercury Loop, OpenClaw, Booster Pack, Unified Bus, infrastruktur agen-native
[ SYS: MERCURY_CORE // FIELD_NOTES ]
Catatan lapangan tentang sistem agenEmpat Lapisan dari
Sistem Agen
Agen menghabiskan token, menyatakan tugas selesai, dan kemudian gagal dalam pengujian. Itu biasanya masalah arsitektur, bukan masalah prompting. Berikut adalah tumpukan — dan cara menemukan lapisan mana yang gagal.
Empat lapisan runtime. Bangun dari loop ke atas.
Apa empat lapisan sistem agen
- Agen AI biasanya gagal karena arsitektur, bukan karena prompt: prompt yang lebih baik tidak dapat menciptakan alat, gerbang, rute, atau kebijakan yang hilang.
- Empat lapisan runtime adalah loop (verifikasi pekerjaan), graph (merute pekerjaan), harness (memaparkan kapabilitas), dan meta-harness (mengatur banyak harness).
- Loop yang andal berhenti berdasarkan bukti eksternal — tes yang lulus, build hijau, output yang tervalidasi — tidak pernah berdasarkan penilaian diri model.
- Mercury Core adalah sistem operasi yang dibangun sebagai harness dan meta-harness: satu memori, satu antarmuka, satu lapisan kebijakan.
- Loop di halaman ini adalah pola runtime. Mercury Loop adalah produk yang berbeda: layanan terkelola yang mencegah OS menyimpang.
Empat lapisan dalam sekilas pandang
| Lapisan | Pekerjaan | Kegagalan | Perbaiki terlebih dahulu |
|---|---|---|---|
| Loop | Verifikasi pekerjaan sampai bukti mengatakan berhenti | Agen “menyelesaikan” tanpa tes, build, atau gerbang validasi | Tambahkan kondisi berhenti yang terukur |
| Graph | Memutuskan ke mana eksekusi akan pergi selanjutnya | Rute yang salah, tanpa fallback, serah terima yang dibuat-buat | Buat cabang, percobaan ulang, dan spesialis secara eksplisit |
| Harness | Mengekspos tools, memory, permissions, context, logging | Model memahami tugas tetapi tidak dapat mengakses apa yang dibutuhkan | Ekspos kapabilitas yang hilang — Booster Pack pada Mercury Core |
| Meta-harness | Mengatur banyak harness; memindahkan konteks di bawah satu kebijakan | Claude Code, Codex, dan agen internal sebagai silo yang tidak terkoordinasi | Kebijakan bersama, isolasi, dan konteks portabel — substrat Core |
Apa itu agent loop?
Agent loop adalah unit agensi terkecil: bertindak, memeriksa hasilnya, lalu berhenti atau mencoba lagi.
Agen yang andal tidak pernah berhenti karena model menganggap pekerjaan terlihat benar. Agen berhenti pada bukti eksternal — tes yang lulus, build hijau, output yang tervalidasi.
Act → check → (fix) → done
Saksikan agen mencoba tugas sebanyak dua kali. Lolos pertama terasa selesai — pemeriksaan tidak setuju. Hanya lintasan kedua yang melewati gerbang.
Loop diam. Jalankan untuk melihat pemeriksaan gagal, lalu gerbang yang lulus.
Aturan
Berhenti pada kondisi terukur: tes lulus, build berhasil, output validasi — tidak pernah pada penilaian diri model.
Tanpa verifikasi, agen dengan percaya diri menyatakan keberhasilan padahal tugas masih belum selesai.
Apa itu agent graph?
Sebuah agent graph memutuskan ke mana eksekusi akan pergi selanjutnya: cabang, percobaan ulang, handoff spesialis, jalur fallback, dan keadaan bersama.
Sebuah loop memutuskan apakah eksekusi berlanjut. Sebuah graph memutuskan ke mana ia pergi. Setelah alur kerja memiliki beberapa rute, graph membuatnya eksplisit, dapat diperiksa, dan dapat dikontrol.
Graph idle. Rute tugas untuk melihat jalur standar gagal beralih ke spesialis.
Apa itu agent harness?
Agent harness adalah lingkungan operasional model — tools, APIs, file, memory, permissions, context, dan logging.
Model menyediakan penalaran; harness menentukan apa yang sebenarnya dapat dilakukan oleh penalaran tersebut. Kemampuan model dan kemampuan agent bukanlah hal yang sama.
Model mungkin memahami persis cara menyelesaikan tugas. Tetapi jika tool, sumber data, atau izin yang diperlukan tidak diekspos melalui harness, agent tetap tidak dapat menyelesaikannya.
Lima kapabilitas membuat model operasional. Satu celah membuat seluruh proses gagal — tidak peduli seberapa bagus prompt-nya.
Apa itu meta-harness?
Meta-harness adalah lapisan umum di atas beberapa agent harness: orkestrasi, tata kelola, isolasi, kebijakan bersama, dan konteks portabel.
Tim nyata menjalankan Claude Code, Codex, agen internal, dan spesialis domain berdampingan — masing-masing dengan alat, sesi, kebijakan, dan lingkungan eksekusi sendiri. Tanpa meta-harness, manusia menjadi lapisan copy-paste di antara taman berpagar.
Poin yang bergerak adalah konteks: hasil yang tervalidasi atau keadaan bersama yang melintasi dari satu harness ke harness lain di bawah satu lapisan kebijakan — alih-alih di-copy-paste di antara taman berpagar.
Diagnosis satu baris
Prompt yang lebih baik tidak dapat mengganti untuk kemampuan yang hilang.
— heuristik triase, arsitektur agen
Heuristiknya adalah tentang urutan, bukan penolakan. Rekayasa prompt itu nyata dan berharga — itu membentuk seberapa baik model menggunakan apa yang diekspos oleh harness. Itu hanya tidak dapat menciptakan apa yang tidak pernah diekspos oleh harness.
Urutan yang tepat: perbaiki lapisannya terlebih dahulu (tambahkan alat, gerbang, rute, kebijakan), kemudian sesuaikan prompt untuk menggunakan kapabilitas tersebut dengan baik. Memberikan prompt di atas tumpukan yang rusak hanyalah polesan pada fondasi yang retak.
Empat pertanyaan sebelum Anda menulis ulang prompt
Kegagalan Loop
Kegagalan Graph
Kegagalan Harness
Kegagalan Meta-harness
Diagnosis. Kemudian substratnya.
Keempat lapisan runtime ini adalah alasan mengapa prompt yang lebih baik masih gagal ketika harness hilang. Mercury Core adalah sistem operasi yang dibangun sebagai harness itu sendiri dan meta-harness di atasnya — satu memori, satu antarmuka, satu lapisan kebijakan.
Lima lapisan memori di Core adalah cara OS menyimpan kebenaran. OpenClaw adalah kain itu.Keempat lapisan di halaman ini adalah cara kerja diizinkan untuk berjalan.
A Booster Pack adalah cara Core mengekspos sebuah tool, sebuah view, dan sebuah memory schema bersama — harness, yang dipasang.
Loop di halaman ini adalah gerbang runtime: bertindak, memeriksa, berhenti berdasarkan bukti. Mercury Loop produk adalah hal yang berbeda: layanan terkelola yang mencegah OS menyimpang dari bisnis.
Ketika gerbang adalah model pass, Mercury Flux merutekan model mampu termurah dan berhenti pada pengujian sebelum apa pun dikirimkan.
Langkah selanjutnya
Pasang lapisannya. Jangan poles prompt-nya.
Jika kegagalannya adalah kurangnya tools, shared memory, atau fleet policy, halaman berikutnya adalah sistem operasi — bukan paket prompt lainnya.
FAQ arsitektur Agent
Apa empat lapisan dari sistem agent?
- Loop, graph, harness, dan meta-harness. Loop memverifikasi pekerjaan terhadap bukti eksternal. Graph memutuskan ke mana eksekusi harus pergi selanjutnya. Harness adalah lingkungan operasi model — tools, izin, memory, konteks, logging. Meta-harness mengatur banyak harness sehingga konteks dan kebijakan dapat berpindah antar agent alih-alih disalin-tempel.
Mengapa agent AI gagal bahkan dengan prompt yang bagus?
- Karena prompting tidak dapat menciptakan apa yang tidak pernah diekspos oleh harness. Jika kondisi berhenti, rute, tool, atau kebijakan bersama hilang, model masih dapat bernalar dengan benar dan eksekusi tetap gagal. Diagnosis lapisan terlebih dahulu, kemudian sesuaikan prompt-nya.
Apakah agent loop sama dengan Mercury Loop?
- Tidak. Agent loop adalah pola runtime: bertindak, memeriksa, berhenti berdasarkan bukti. Mercury Loop adalah layanan terkelola yang menerapkan agent Entry, Analyst, dan Implementer untuk menemukan dan menutup penyimpangan infrastruktur. Kata yang sama, produk yang berbeda.
Bagaimana ini berhubungan dengan Mercury Core dan OpenClaw?
- OpenClaw adalah memori hierarkis lima lapis dari Mercury Core — cara OS menyimpan kebenaran. Keempat lapisan runtime ini adalah cara kerja diizinkan berjalan. Core dibangun sebagai harness dan meta-harness: manusia dan agent berbagi memori, antarmuka, dan kebijakan. Booster Pack memasukkan alat, dasbor, dan skema memori ke dalam harness tersebut.
Mengapa prompt yang lebih baik tidak dapat memperbaiki alat yang hilang?
- Prompting membentuk seberapa baik model menggunakan apa yang diekspos oleh harness. Itu tidak dapat membuat alat, izin, sumber data, atau kebijakan yang tidak pernah ditawarkan oleh lingkungan. Perbaiki lapisannya terlebih dahulu, kemudian sesuaikan prompt-nya.
Apa itu meta-harness?
- Lapisan umum di atas beberapa lingkungan agent. Tim sudah menjalankan Claude Code, Codex, agent internal, dan spesialis berdampingan. Tanpa meta-harness, masing-masing adalah taman tertutup. Dengan yang satu, mereka berbagi kebijakan, isolasi, dan konteks portabel. Itulah tesis Mercury Core: berhenti menggunakan manusia sebagai lapisan integrasi.
Bagaimana cara mendiagnosis lapisan agent mana yang gagal?
- Ajukan empat pertanyaan sebelum menulis ulang prompt. Loop: apakah ada tes yang membatasi penyelesaian? Graph: apakah cabang dan serah terima eksplisit? Harness: apakah lingkungan mengekspos alat, data, atau izin yang dibutuhkan tugas? Meta-harness: bisakah agent berbagi kebijakan dan konteks, atau mereka adalah silo yang tidak terkoordinasi?
Istilah arsitektur Agent yang digunakan di halaman ini
- Agent loop
- Bertindak, memeriksa, berhenti berdasarkan bukti eksternal. Bukan Mercury Loop, layanan terkelola.
- Agent graph
- Rute eksplisit, percobaan ulang, serah terima spesialis, fallback, dan keadaan bersama.
- Agent harness
- Lingkungan operasional model: tools, permissions, memory, context, logging.
- Meta-harness
- Tata kelola di banyak harness — kebijakan bersama dan konteks portabel. Tugas Mercury Core.
Published 2 September 2026. Concept distilled from public discussion on agent architecture (Rishi, @RishiUvaach). Frame and implementation: Mercury Technology Solutions.
Related insights
The Thinking Forge: Penggunaan AI yang Saya Kagumi Secara Pribadi
Jelajahi bagaimana AI dapat mengubah pola pikir Anda, bergerak melampaui jawaban sederhana menuju pemahaman yang lebih dalam dan keterlibatan kognitif.
GEOMasalah Klik 1%: Mengapa GEO Tidak Lagi Tentang Lalu Lintas
Sebuah studi baru mengungkapkan bahwa tautan sitasi AI Overview hanya diklik ~1% dari waktu. Inilah mengapa itu mengubah segalanya tentang Optimisasi AI Generatif — dan apa yang harus diukur sebagai gantinya.
Digital MarketingPerubahan Superuser: Mengapa Anggaran SEO Anda Sekarang Menjadi Pajak AI
Studi ATLAS Google mengungkapkan 21% orang Hong Kong adalah superuser AI. Mereka tidak lagi mencari—mereka mendelegasikan. Inilah yang berarti bagi anggaran pemasaran Anda.