# EvoX Sistem Evolusi Cerdas dan Praktik Riset Ilmiah AI Native — Materi Kuliah

Durasi: 1 · Halaman materi: 16

## Navigasi Bacaan

- [Pelajaran 6｜Topik: Evolusi Berkelanjutan Tingkat Sistem: Genesis dan Akumulasi Dunia Perangkat Lunak](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## Pelajaran 6｜Topik: Evolusi Berkelanjutan Tingkat Sistem: Genesis dan Akumulasi Dunia Perangkat Lunak

<a id="lecture-page-1"></a>

### Evolusi Berkelanjutan Tingkat Sistem: Genesis dan Akumulasi Dunia Perangkat Lunak

*Halaman 1*

> **Tujuan Halaman:** Mempelajari bagaimana Genesis melalui kolaborasi multi-Agent dan mekanisme verifikasi yang ketat memungkinkan kode proyek terus terakumulasi dan berevolusi melintasi siklus hidup.

> **Tujuan Halaman**
>
> Bagaimana sebuah proyek tidak hanya menyelesaikan pengkodean satu kali, tetapi membuat kode terus terakumulasi dan berevolusi sepanjang seluruh siklus hidupnya. Ada dua benang merah inti: pertama, pola rekayasa yang dibentuk oleh kolaborasi multi-Agent dan dekomposisi tugas rekursif; kedua, mekanisme di mana kompilasi, pengujian, dan penerimaan mengendapkan modifikasi yang valid menjadi riwayat proyek.

**Poin Pengajaran**

- 1. Pertama-tama tunjukkan makna "evolusi berkelanjutan". Perangkat lunak bukanlah produk yang selesai begitu ditulis, melainkan entitas yang terus dimodifikasi, dilengkapi, dan direfaktor seiring waktu. Posisi Genesis justru menyediakan cara organisasi yang dapat dijalankan untuk evolusi jangka panjang semacam ini, bukan teknik menghasilkan kode sekali jalan. 2. Kolaborasi multi-Agent menyelesaikan "siapa yang membagi pekerjaan". Menghadapi proyek nyata, skala tugas sering melampaui kemampuan pemrosesan satu kali, sehingga diperlukan pembagian peran dan alur kolaborasi agar tanggung jawab setiap tahap jelas dan dapat dilacak. 3. Dekomposisi tugas rekursif menyelesaikan "bagaimana memulainya". Memecah tujuan yang lebih besar lapis demi lapis menjadi tugas-tugas kecil yang dapat dieksekusi, hingga setiap subtugas cukup spesifik, dapat diselesaikan dan diverifikasi secara mandiri. Ini menurunkan tingkat kesulitan setiap langkah sekaligus membuat hasil setiap langkah dapat dievaluasi secara terpisah. 4. Verifikasi ketat menyelesaikan "atas dasar apa dianggap sah". Lulus kompilasi, lulus pengujian, lulus penerimaan — tiga gerbang yang semakin ketat lapis demi lapis. Hanya modifikasi yang melewati gerbang-gerbang ini yang berhak ditulis ke dalam riwayat proyek
- modifikasi yang tidak lulus akan dibuang atau dikerjakan ulang. Kolaborasi dan dekomposisi menghasilkan banyak modifikasi kandidat, verifikasi bertanggung jawab menyaring, hasil saringan diendapkan menjadi riwayat proyek, dan riwayat proyek menjadi titik awal evolusi putaran berikutnya. Inilah sirkuit lengkap "evolusi berkelanjutan tingkat sistem".

**Pemeriksaan Pemahaman**

Minta siswa menyatakan dengan kata-kata sendiri hubungan urutan "dekomposisi—verifikasi—pengendapan", dan menjawab: jika suatu modifikasi lulus kompilasi tetapi tidak lulus pengujian, dalam mekanisme yang dijelaskan di halaman ini ia berada dalam status apa? Guru berdasarkan ini memastikan apakah siswa benar-benar memahami peran gerbang verifikasi, bukan hanya menghafal istilah.

> **Petunjuk Transisi**
>
> Halaman ini membangun kerangka keseluruhan, konten selanjutnya akan masuk ke cara dan contoh yang lebih konkret. Setelah memastikan siswa dapat menceritakan kembali sirkuit ini, lanjutkan memperdalam ke tahap-tahap spesifik.

<a id="lecture-page-2"></a>

### Batas Kemampuan Model Besar dan Keniscayaan Evolusi Tingkat Sistem

*Halaman 2*

> **Tujuan Halaman:** Memahami batas kemampuan model besar saat ini dalam pengembangan sistem kompleks serta keniscayaan membangun sistem yang berkembang berkelanjutan.

> **Tujuan Halaman**
>
> Memahami batas kemampuan model besar dalam pengembangan sistem kompleks, dan mengapa komponen cerdas harus disematkan ke dalam sirkuit sistem yang dapat berevolusi berkelanjutan melintasi siklus hidup.

> **Urutan Penjelasan**
>
> Model besar adalah komponen cerdas yang kuat, tetapi bukan sistem yang dapat memelihara dirinya sendiri. Ia sudah memiliki kemampuan yang dapat digunakan dalam pemahaman, generasi, penalaran, dan pemanggilan alat, dapat berperan sebagai pengusul hipotesis berkualitas tinggi dan produsen kode; tetapi ia kekurangan keadaan, tujuan, dan mekanisme umpan balik yang diperlukan untuk evolusi berkelanjutan melintasi siklus hidup.
>
> Pemahaman, generasi, penalaran, pemanggilan alat, akhirnya menghasilkan snapshot statis, status direset ke nol saat sesi berakhir. Sisi kanan adalah menyematkan model besar sebagai modul kecil ke dalam sirkuit evolusi tingkat sistem: mengusulkan, mengevaluasi, memilih, mengendapkan. Model besar bertanggung jawab mengusulkan; model proxy digunakan untuk menurunkan biaya evaluasi; tahap pemilihan menangani pertimbangan multi-tujuan; pengendapan membentuk memori lintas sesi; kecerdasan kelompok mempertahankan keragaman kandidat, dan kembali ke putaran pengusulan berikutnya.
>
> Batas keadaan — jendela konteks terbatas, kekurangan memori persisten lintas sesi, proyek jangka panjang tidak dapat mandiri; batas tujuan — masalah nyata sering melibatkan konflik multi-tujuan dan pertimbangan preferensi, model sulit secara mandiri memberikan standar trade-off yang dapat dipertahankan; batas umpan balik — kekurangan mekanisme evaluasi, pemilihan, dan eliminasi yang dapat dieksekusi, solusi yang dihasilkan tidak dapat diverifikasi secara objektif dan dipertahankan melalui iterasi.
>
> Peningkatan kemampuan model tidak sama dengan peningkatan kemampuan sistem. Kemampuan adalah snapshot, lingkungan adalah proses. Hanya dengan menyematkan model besar ke dalam sirkuit evolusi "generasi—evaluasi—pemilihan—pengendapan", mempertahankan keragaman dengan kecerdasan kelompok, memampatkan biaya evaluasi dengan model proxy, menyimpan pengalaman valid dengan pemilihan dan pengendapan, kecerdasan baru dapat mempertahankan adaptasi dalam lingkungan dinamis. Inilah juga titik pijak EvoX.

**Poin Pengajaran**

- Model besar memiliki kemampuan pemahaman dan generasi yang kuat, tetapi tidak dapat berevolusi secara mandiri sebagai sistem. Sistem kompleks di dunia nyata memerlukan kemampuan evolusi berkelanjutan melintasi siklus hidup, snapshot statis tidak cukup untuk menghadapi perubahan lingkungan. Komponen cerdas perlu dilengkapi mekanisme evolusi untuk beradaptasi dengan lingkungan dinamis, mekanisme kunci meliputi sirkuit evolusi, kecerdasan kelompok, dan model proxy. Batas keadaan, batas tujuan, batas umpan balik.

**Penanganan Latihan**

Soal konsep inti harus memilih "memahami batas kemampuan model besar saat ini dalam pengembangan sistem kompleks serta keniscayaan membangun sistem yang berkembang berkelanjutan".

Soal benar-salah lainnya harus memprioritaskan pilihan "dapat dijelaskan dengan bukti atau contoh"; hanya mengandalkan perasaan, melewati hafalan materi, atau mengubah semua faktor sekaligus untuk membandingkan, semuanya tidak memenuhi persyaratan halaman ini.

Saat jawaban benar, dapat mengapresiasi kemampuannya menghubungkan konsep halaman ini dan menjelaskan dasar; saat jawaban salah, arahkan kembali ke penjelasan untuk menemukan bukti atau contoh kunci, fokus meninjau tiga jenis batas dan sirkuit "pengusulan—evaluasi—pemilihan—pengendapan".

Pertama jelaskan makna intinya adalah "model besar memiliki kemampuan pemahaman dan generasi yang kuat tetapi tidak dapat berevolusi secara mandiri sebagai sistem", lalu berikan contoh mengapa sistem kompleks memerlukan kemampuan evolusi berkelanjutan melintasi siklus hidup.

**Pemeriksaan Pemahaman**

Minta siswa menjelaskan dengan kata-kata sendiri "mengapa peningkatan kemampuan model tidak sama dengan peningkatan kemampuan sistem", dan menyebutkan setidaknya dua dari tiga jenis batas: keadaan, tujuan, umpan balik. Jika siswa dapat menjelaskan hubungan dari kemampuan tunggal ke evolusi sirkuit, lanjutkan ke halaman berikutnya; jika tidak, kembali ke diagram perbandingan dan susun ulang dua jalur kiri dan kanan.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyatakan hubungan inti "model besar adalah komponen, sirkuit evolusi adalah sistem", lanjutkan ke konten tentang evolusi berkelanjutan tingkat sistem, Genesis, dan pengendapan dunia perangkat lunak.

<a id="lecture-page-3"></a>

### Ekspansi Batas Evolusi dari Parameter Numerik ke Sistem Program

*Halaman 3*

> **Tujuan Halaman:** Menguasai bagaimana model besar memperluas objek evolusi dari parameter numerik tradisional ke program, struktur model, dan keadaan sistem.

> **Tujuan Halaman**
>
> Menguasai bagaimana model besar memperluas objek evolusi dari parameter numerik tradisional ke program, struktur model, dan keadaan sistem, serta memahami kondisi pendorong ekspansi batas ini dan perubahan evaluasi.

> **Urutan Penjelasan**
>
> Objek biasanya adalah vektor parameter numerik berdimensi rendah yang telah ditentukan, seperti hyperparameter, bobot, variabel kontinu; ruang pencarian dibatasi oleh struktur dan metode pengkodean yang telah ditetapkan secara manual.
>
> Setelah skala komputasi dan fondasi rekayasa diperluas, pencarian objek berdimensi tinggi, diskrit, dan terstruktur berubah dari tidak mungkin menjadi dapat ditangani, batas pencarian ikut meluas seiring daya komputasi dan rantai alat.
>
> Memiliki kemampuan pemahaman kode, penalaran konteks, dan generasi kandidat, dapat langsung mengkonstruksi, memodifikasi, dan mengevaluasi objek tingkat program, mengurangi ketergantungan pada pengkodean dan operator mutasi yang dirancang manual.
>
> Jika metode generasi kandidat masih ditetapkan secara manual, sistem hanya akan mengulangi pola yang telah ditetapkan; memasukkan metode generasi kandidat itu sendiri ke dalam objek evolusi, misalnya strategi mutasi dan pengaturan parameter differential evolution, justru merupakan perwujudan ekspansi batas.
>
> Dari bawah ke atas: parameter numerik→struktur model→mekanisme algoritma→program dan keadaan rekayasa perangkat lunak; ke atas dimensi ruang pencarian dan kompleksitas semantik meningkat; sisi kanan adalah dukungan kemampuan model besar; bagian atas adalah batasan verifikasi yang dapat dieksekusi dan biaya rekayasa.
>
> Semakin tinggi tingkatnya, semakin kuat batasan semantik, semakin panjang rantai evaluasi, kandidat harus dapat dieksekusi dan diverifikasi; evaluasi fitness berubah dari fungsi skalar menjadi penilaian gabungan hasil eksekusi dan batasan rekayasa.
>
> Ini bukan menggantikan optimasi parameter, melainkan memasukkan optimasi parameter ke dalam siklus evolusi program dan sistem yang lebih besar, membentuk spektrum kontinu dari penyetelan parameter lokal hingga perbaikan tingkat sistem.

**Poin Pengajaran**

- Ekspansi skala komputasi membawa batas pencarian yang lebih luas. Model besar dapat memahami kode dan konteks serta mengkonstruksi kandidat kompleks. Objek evolusi meluas dari parameter numerik ke program dan keadaan rekayasa perangkat lunak, melalui struktur model dan mekanisme algoritma. Pertama, daya komputasi dan fondasi rekayasa diperluas; kedua, model besar memiliki kemampuan pemahaman kode, penalaran konteks, dan generasi kandidat.

**Cakupan Kata Kunci**

- Parameter numerik, struktur model, mekanisme algoritma, program dan keadaan rekayasa perangkat lunak, batas pencarian, pemahaman kode, penalaran konteks, konstruksi kandidat, verifikasi yang dapat dieksekusi, biaya rekayasa, evaluasi fitness, spektrum kontinu. Penanganan latihan dan umpan balik: Model besar memperluas objek evolusi dari parameter numerik tradisional ke program, struktur model, dan keadaan sistem. Jika jawaban menyimpang, arahkan kembali ke kalimat konsep lalu coba lagi. Model besar dapat memahami kode dan konteks eksekusi, dan berdasarkan itu mengkonstruksi serta memodifikasi kandidat kompleks tingkat program
- Pilihan salah sering membatasi model besar pada parameter numerik yang dikodekan manual. Latihan 3, latihan 4, latihan 5 arah yang benar bukan menghafal, mengandalkan perasaan, atau mengubah semua faktor sekaligus, melainkan dapat menjelaskan kesimpulan terkait dengan bukti atau contoh. Umpan balik dapat menekankan: dapat menghubungkan konsep halaman ini dan menjelaskan dasar, barulah dianggap benar-benar menguasai. Tim terlebih dahulu hanya menyetel hyperparameter numerik seperti learning rate, ukuran batch, jumlah lapisan jaringan
- Kemudian biarkan model besar membaca skrip pelatihan dan log eksekusi, langsung menulis ulang implementasi optimizer, pipeline data, dan alur kontrol algoritma, lalu menyerahkan kandidat ke runtime untuk dieksekusi dan mengembalikan metrik, untuk evolusi tingkat program putaran berikutnya. Dapat bertanya: apa makna intinya? Apa dua kondisi yang mendorong ekspansi? Poin jawaban: evolusi tradisional menggunakan vektor parameter numerik berdimensi rendah sebagai objek, ruang pencarian dibatasi oleh preset manual
- Daya komputasi dan fondasi rekayasa diperluas, membuat pencarian berdimensi tinggi, diskrit, terstruktur dapat ditangani
- Model besar dapat mengkonstruksi dan menulis ulang objek tingkat program, sehingga objek evolusi meluas lapis demi lapis ke struktur model, mekanisme algoritma, dan program atau keadaan rekayasa perangkat lunak. Tanya lagi: bagaimana model besar berpartisipasi dalam konstruksi dan evaluasi kandidat tingkat program? Poin jawaban: membaca skrip dan konteks eksekusi, menulis ulang optimizer atau alur kontrol untuk menghasilkan kandidat yang dapat dieksekusi
- Runtime mengeksekusi dan memeriksa apakah dapat berjalan, lalu membandingkan dengan batasan rekayasa seperti sumber daya dan anggaran waktu, metrik dikembalikan untuk mendorong evolusi putaran berikutnya.

**Pemeriksaan Pemahaman**

Minta siswa menceritakan kembali rantai ekspansi hierarki dengan kata-kata sendiri, dan melengkapi kemampuan model besar di sisi kanan serta batasan verifikasi dan biaya di atas. Dapat bertanya lanjutan: "Mengapa semakin tinggi tingkatnya, evaluasi fitness semakin seperti penilaian gabungan hasil eksekusi dan batasan rekayasa?" Pastikan siswa dapat menyebutkan alasan seperti dapat dieksekusi, dapat diverifikasi, rantai evaluasi memanjang.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan hubungan antara optimasi parameter dan evolusi tingkat program atau sistem, lanjutkan ke halaman berikutnya tentang kolaborasi multi-agen dan pengendapan verifikasi.

<a id="lecture-page-4"></a>

### Tantangan Kompleks Dunia Nyata: Pertimbangan Multi-Tujuan dan Pemeliharaan Keragaman

*Halaman 4*

> **Tujuan Halaman:** Memahami tujuan kompleks yang saling membatasi dalam masalah dunia nyata dan pentingnya mempertahankan solusi kandidat yang beragam.

**Poin Pengajaran**

- Dalam multi-tujuan tidak ada urutan total alami. Saat melihat sekelompok kandidat, tanyakan dulu "dibandingkan di bawah preferensi apa", baru bicara keunggulan; jika tidak, mudah salah menganggap preferensi pribadi sebagai kesimpulan objektif.
- Hanya mempertahankan yang terbaik saat ini akan membuat populasi konvergen prematur dan mode runtuh. Dapat menggunakan mekanisme seperti crowding distance, niching, arsip eksternal, untuk membuat kandidat tersebar di berbagai area front, mencakup lebih banyak interval trade-off.
- Algoritma bertanggung jawab menghasilkan opsi yang berbeda dan dapat digunakan, pakar domain bertanggung jawab menyelesaikan evaluasi dan pemilihan berdasarkan preferensi dan batasan. Jangan mencampuradukkan "menghasilkan kandidat" dan "mengambil keputusan untuk manusia".

Tujuan Halaman

Memahami esensi tujuan yang saling membatasi dalam masalah dunia nyata, dan menjelaskan mengapa sistem harus mempertahankan sekelompok solusi kandidat yang berbeda, bukan konvergen ke satu "jawaban optimal".

Urutan Penjelasan

Masalah nyata sangat jarang memiliki solusi optimal tunggal. Beberapa tujuan saling membatasi, perbaikan satu indikator biasanya dengan mengorbankan degradasi indikator lain. Oleh karena itu, sistem harus mempertahankan sekelompok solusi kandidat non-dominan yang berbeda, membuat hubungan trade-off terlihat eksplisit, dan membiarkan keputusan tetap pada penilaian manusia.

Titik abu-abu mewakili solusi yang mungkin, titik berwarna mewakili kandidat yang saling tidak mendominasi, bersama-sama membentuk front. Dalam gambar A condong ke kekuatan, B seimbang, C condong ke efisiensi, D hambatan sangat rendah. Pareto front hanya dapat didekati, tidak dapat dihilangkan.

3. Uraikan empat pemahaman kunci. Pertama, konflik tujuan bersifat struktural, bukan masalah penyetelan parameter: rasio lift-drag, kekuatan struktur, biaya, kemampuan manufaktur dan tujuan lain tidak memiliki optimum simultan. Kedua, dalam multi-tujuan tidak ada urutan total: dua solusi mana pun mungkin saling tidak mendominasi, "terbaik" harus disertai arah preferensi untuk dapat didefinisikan; saat melihat sekelompok kandidat, tanyakan dulu "dibandingkan di bawah preferensi apa", baru bicara keunggulan. Ketiga, umpan balik jarang adalah norma: evaluasi rekayasa nyata bergantung pada simulasi berbiaya tinggi atau pengukuran aktual, umpan balik sedikit, noise besar, gradien tidak tersedia, pencarian single-point hill climbing sulit maju secara efektif; algoritma evolusi melalui pemeliharaan populasi, mengeksplorasi beberapa arah sekaligus dengan sedikit evaluasi.

Hanya mengejar yang terbaik saat ini akan membuat populasi konvergen prematur, mode runtuh, akhirnya kehilangan seluruh interval trade-off yang belum dieksplorasi; dapat menggunakan mekanisme seperti crowding distance, niching, arsip eksternal, untuk membuat kandidat tersebar di berbagai area front.

Algoritma bertanggung jawab "menghasilkan sekelompok opsi berbeda yang dapat digunakan", pakar domain bertanggung jawab "menyelesaikan evaluasi dan pemilihan berdasarkan preferensi dan batasan". Kelompok solusi kandidat bukan menggantikan manusia membuat keputusan, melainkan menempatkan opsi yang dapat dibandingkan di atas meja.

Dalam desain airfoil superkritis, efisiensi aerodinamis, karakteristik divergensi hambatan, kekuatan struktur, dan biaya manufaktur saling membatasi. Nilai EvoX bukan memberikan satu-satunya "airfoil optimal", melainkan menghasilkan keluarga airfoil kandidat yang mencakup interval trade-off berbeda, untuk dipilih insinyur sesuai kondisi penerbangan spesifik dan batasan proses.

Poin Pengajaran

Definisikan "terbaik" dengan arah preferensi; secara aktif memelihara keragaman; membedakan generasi dan pemilihan. Dalam multi-tujuan tidak ada urutan total alami, hanya mempertahankan yang terbaik saat ini akan menyebabkan populasi runtuh; algoritma menghasilkan kandidat yang berbeda, pakar menyelesaikan penilaian akhir berdasarkan preferensi dan batasan. Dua gambar kecil di sisi kanan gambar sudah secara intuitif menunjukkan perbedaan konvergensi satu titik dan distribusi beragam: yang pertama runtuh menjadi satu gumpalan, yang kedua menyebar menjadi front.

Penanganan Latihan

Tidak ada urutan total berarti arah preferensi harus berpartisipasi dalam definisi; umpan balik jarang membuat pencarian satu titik sulit maju karena evaluasi mahal, noise besar, gradien tidak tersedia; nilai kandidat yang tersebar adalah menyerahkan hak pilih dan pengetahuan domain kepada pakar; hanya mengejar yang terbaik saat ini akan menyebabkan konvergensi prematur dan mode runtuh; dalam desain airfoil superkritis posisi EvoX adalah menghasilkan keluarga airfoil kandidat yang mencakup interval trade-off berbeda. Saat umpan balik, jika siswa salah memilih, dapat membimbing mereka kembali ke tiga kata kunci "arah preferensi", "umpan balik jarang", "keragaman adalah aset".

Panduan Studi Kasus

Dalam skenario taksi udara perkotaan, dapat diidentifikasi konflik jangkauan dan muatan berguna, konflik kebisingan dan efisiensi aerodinamis, konflik redundansi keselamatan dan biaya manufaktur. Tujuan-tujuan ini saling membatasi, sehingga tidak ada desain tunggal yang optimal simultan, hanya ada Pareto front yang saling tidak mendominasi. EvoX dapat menggunakan jangkauan, muatan berguna, kebisingan, redundansi keselamatan, biaya sebagai multi-tujuan, menjalankan pencarian populasi, menghasilkan solusi kandidat yang tersebar di berbagai area front dan saling tidak mendominasi; pakar domain kemudian berdasarkan skenario operasi, batasan regulasi, dan kondisi proses, melakukan simulasi berbiaya tinggi atau pengukuran aktual terhadap solusi kandidat, menyelesaikan evaluasi dan pemilihan akhir berdasarkan arah preferensi.

Pemeriksaan Pemahaman

Minta siswa memberikan contoh multi-tujuan sehari-hari dengan kata-kata sendiri, misalnya trade-off antara performa, harga, berat, dan daya tahan saat membeli laptop, dan menjawab "dibandingkan di bawah preferensi apa". Jika siswa dapat menjelaskan bahwa kelompok kandidat yang sama akan menghasilkan pilihan rasional berbeda di bawah preferensi berbeda, itu menunjukkan mereka memahami inti halaman ini.

Petunjuk Transisi

Setelah memastikan siswa dapat membedakan "menghasilkan kandidat" dan "mengambil keputusan untuk manusia", lanjutkan ke halaman berikutnya tentang perbaikan cara komputasi atau perbaikan metode. Halaman ini menjawab "mengapa memerlukan pertimbangan multi-tujuan dan kandidat beragam", konten selanjutnya akan menjawab masing-masing "bagaimana menghitung lebih cepat" dan "bagaimana memperbaiki metode itu sendiri".

<a id="lecture-page-5"></a>

### Komputasi Tensor dan Dukungan Eksplorasi Paralel Arsitektur Terpadu

*Halaman 5*

> **Tujuan Halaman:** Memahami bagaimana EvoX memanfaatkan komputasi tensor batch untuk mendukung eksplorasi evolusi paralel berintensitas tinggi.

> **Tujuan Halaman**
>
> Memahami bagaimana EvoX memanfaatkan komputasi tensor batch untuk mendukung eksplorasi evolusi paralel berintensitas tinggi, dan menguasai dua jalur utama yang saling mendukung: grafik komputasi tensor dan arsitektur terpadu terbuka yang terdekopel.
>
> Saran urutan penjelasan:
>
> Ketika populasi berkembang dari puluhan menjadi ribuan, masalah inti komputasi evolusi bukan lagi "apakah dapat menemukan solusi baik", melainkan "apakah dapat mengevaluasi cukup banyak kandidat dalam waktu terbatas". Keragaman bergantung pada throughput, mempertahankan keragaman pada dasarnya adalah soal daya komputasi.
>
> Komputasi tensor bertanggung jawab "berjalan cepat", arsitektur terpadu bertanggung jawab "dapat diganti".
>
> Loop CPU serial tradisional mengeksekusi "evaluasi—pencatatan—pembaruan" per individu, menghasilkan tiga jenis biaya: overhead penjadwalan tinggi, fragmentasi operator, pemanfaatan GPU tidak memadai; pendekatan tensorisasi adalah mengorganisir pemeliharaan populasi, evaluasi batch, dan pembaruan status secara keseluruhan sebagai operasi tensor batch, membuat kandidat generasi yang sama bahkan beberapa generasi dihitung secara paralel. Misalnya dengan N solusi kandidat, serial adalah loop satu per satu, tensorisasi adalah mengorganisir populasi menjadi satu tensor, menyelesaikan evaluasi batch dan pembaruan status paralel sekaligus, sehingga mengurangi overhead penjadwalan, meningkatkan tingkat pemanfaatan GPU.
>
> Hanya menulis ulang loop tidak cukup, jika algoritma, masalah, dan logika penjadwalan tergabung, mengganti algoritma atau mengganti tugas memerlukan penulisan ulang. Arsitektur terpadu mendekopel algoritma, masalah, alur kerja, penjadwalan Runtime, dan dikombinasikan dengan penjadwalan daya komputasi heterogen untuk manajemen tingkat tugas batch CPU/GPU, sehingga mekanisme paralel yang sama dapat digunakan kembali untuk skenario evolusi metode seperti MetaDE, AutoPSO.
>
> Sisi kiri adalah loop CPU serial tradisional, serial per individu, pemanfaatan GPU rendah; sisi kanan adalah komputasi tensor batch GPU, tensor populasi→evaluasi batch→pembaruan status paralel, bagian bawah adalah fondasi terpadu terbuka yang terdekopel, mencakup algoritma, masalah, alur kerja, penjadwalan Runtime.

**Poin Pengajaran**

- EvoX tidak hanya menyelesaikan masalah, tetapi juga memasukkan metode yang menghasilkan solusi kandidat itu sendiri ke dalam objek evolusi. Dalam MetaDE algoritma lapisan luar mengevolusi konfigurasi dan strategi algoritma lapisan dalam, AutoPSO, EvoGO lebih lanjut mengombinasikan komponen, memanfaatkan umpan balik historis untuk mempelajari cara generasi kandidat, bergerak dari "mengubah parameter" ke "mengubah struktur algoritma". Evolusi dua lapis dalam-luar semacam ini secara alami menuntut sejumlah besar tugas lapisan dalam dievaluasi secara batch dan diperbarui statusnya. Yang diubahnya adalah bentuk organisasi komputasi, mentensorisasi seluruh jalur "populasi—evaluasi—pembaruan" menjadi operasi batch, bukan mengganti operator tertentu atau mengubah cara pengkodean. Jika profil kinerja menunjukkan "terlalu banyak operator kecil, pemanfaatan GPU rendah, proporsi penjadwalan CPU tinggi", biasanya menunjukkan sistem masih dalam loop serial per individu, ini adalah sinyal masuk untuk memperkenalkan grafik komputasi tensorisasi. Hanya melakukan tensorisasi, mengganti algoritma atau mengganti tugas memerlukan penulisan ulang
- Hanya melakukan arsitektur terpadu, tanpa paralel batch tetap tidak bisa cepat.

**Penanganan Latihan**

Perubahan inti tensorisasi adalah menulis ulang pemeliharaan populasi, evaluasi batch, dan pembaruan status menjadi operasi tensor batch; biaya utama loop CPU serial tradisional adalah overhead penjadwalan tinggi, fragmentasi operator, pemanfaatan GPU tidak memadai; arsitektur terpadu terbuka terdekopel adalah agar mekanisme paralel dapat digunakan kembali untuk algoritma dan tugas berbeda; dengan N solusi kandidat generasi yang sama, manfaat kuncinya adalah menyelesaikan evaluasi batch dan pembaruan status paralel sekaligus; fondasi yang dibawa GPU dan model besar membuat komputasi batch naik dari optimasi lokal menjadi kemampuan dasar eksplorasi evolusi tingkat sistem. Umpan balik jawaban harus membimbing siswa kembali ke dua kata kunci "paralel batch" dan "dekopel dan penggunaan kembali", menghindari salah memilih distraktor seperti "memampatkan populasi", "evaluasi perkiraan", "alur kerja tetap".

Soal kasus menuntut migrasi differential evolution dari serial satu mesin ke fondasi paralel batch. Poin jawaban pertanyaan 1: serial per individu membawa overhead penjadwalan tinggi, fragmentasi operator, pemanfaatan GPU tidak memadai; tensorisasi melalui mengorganisir populasi menjadi tensor, menggabungkan evaluasi batch dan pembaruan status untuk meringankan, sekaligus mempertahankan semantik mutasi, crossover, seleksi tidak berubah. Poin jawaban pertanyaan 2: arsitektur terpadu memecah dan mendekopel berdasarkan lapisan algoritma, lapisan masalah, lapisan alur kerja, lapisan penjadwalan Runtime;
lapisan algoritma hanya mendeskripsikan semantik generasi dan pembaruan kandidat, lapisan masalah mengenkapsulasi antarmuka evaluasi batch, lapisan alur kerja mengatur tugas lapisan dalam dan luar, lapisan penjadwalan Runtime bertanggung jawab atas penjadwalan daya komputasi heterogen dan manajemen tingkat tugas batch, sehingga fondasi yang sama dapat digunakan kembali untuk skenario evolusi metode seperti MetaDE, AutoPSO.

**Pemeriksaan Pemahaman**

Dapat meminta siswa menjelaskan dengan kata-kata sendiri "apa yang diselesaikan grafik komputasi tensorisasi, apa yang diselesaikan arsitektur terpadu", dan memberikan contoh mengapa keduanya harus bekerja sama.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan "berjalan cepat" dan "dapat diganti", lanjutkan ke halaman berikutnya tentang kasus spesifik atau mekanisme rekayasa evolusi berkelanjutan tingkat sistem.

<a id="lecture-page-6"></a>

### Evolusi Algoritma Itu Sendiri: Dari Menyelesaikan Jawaban ke Memperbaiki Metode

*Halaman 6*

> **Tujuan Halaman:** Memahami prinsip dasar memasukkan metode generasi kandidat itu sendiri ke dalam objek optimasi untuk mewujudkan evolusi diri algoritma.

**Poin Pengajaran**

- Lapisan dalam mencari jawaban, lapisan luar mengubah metode. Melihat "strategi, parameter, operator, komponen dimasukkan ke dalam pencarian" berarti evolusi metode; melihat "hanya solusi kandidat yang berubah, aturan generasi selalu tidak berubah" berarti algoritma evolusi tradisional.
- Sinyal preferensi masuk dulu ke evaluasi jawaban, kemudian melalui agregasi lintas tugas dan pengujian stabilitas, barulah diizinkan masuk ke pemilihan metode. Melewati langkah ini, lapisan luar akan mengejar hasil yang menyenangkan tetapi tidak dapat direproduksi.
- Seberapa besar ruang metode? Berapa kali harus menjalankan tugas lapisan dalam setiap putaran? Dengan set tugas independen apa memverifikasi bahwa perbaikan lapisan luar benar-benar tergeneralisasi? Jika tiga perhitungan ini tidak jelas, pencarian dua lapis mudah merosot menjadi penyetelan parameter acak yang lebih mahal.

Tujuan Halaman

Algoritma evolusi tradisional mencari di bawah mekanisme generasi tetap, yang dioptimalkan selalu solusi kandidat; evolusi metode memasukkan metode yang menghasilkan solusi kandidat itu sendiri ke dalam objek pencarian, menyelesaikan evolusi dari "menyelesaikan jawaban" ke "memperbaiki metode".

Urutan Penjelasan

1. Pertama bandingkan perbedaan antara algoritma evolusi tradisional dan evolusi metode, tunjukkan bahwa "objek yang dioptimalkan" mengalami pergeseran.

2. Perkenalkan definisi evolusi metode, dan jelaskan bahwa EvoX maju di sepanjang jalur ini, memasukkan metode generasi kandidat itu sendiri ke dalam objek evolusi.

Lapisan dalam mencari jawaban, lapisan luar mengubah metode.

4. Tentukan di lapisan mana optimasi preferensi harus ditempatkan, tekankan dua jenis tujuan tidak boleh dicampuradukkan.

5. Berikan MetaDE, AutoPSO, dan EvoGO sebagai bentuk tipikal.

6. Tutup dengan manfaat dan biaya, dan tangani latihan dan kasus.

Poin Pengajaran

Aturan "bagaimana menghasilkan jawaban" seperti seleksi, crossover, mutasi ditulis terlebih dahulu oleh manusia, pencarian hanya bergerak di ruang jawaban. Setelah skala daya komputasi terbuka, mekanisme generasi tetap justru menjadi plafon.

Algoritma tidak hanya mengeluarkan jawaban yang lebih baik, tetapi juga melalui pencarian lapisan luar terus memperbaiki strategi, parameter, dan komponen yang menghasilkan jawaban. EvoX adalah karya di jalur ini, misalnya memasukkan strategi mutasi dan pengaturan parameter differential evolution ke dalam objek evolusi.

Lapisan dalam menggunakan metode saat ini untuk menyelesaikan masalah spesifik, menghasilkan solusi kandidat; lapisan luar berdasarkan umpan balik seperti kualitas solusi, sinyal preferensi, stabilitas atau biaya, membandingkan, memilih, memperbarui metode yang digunakan putaran berikutnya. Objek yang dinaikkan ke ruang pencarian bukanlah solusi tertentu, melainkan mekanisme generasi kandidat itu sendiri, sehingga menjadi objek yang dapat dievaluasi, dipilih, dan diperbarui.

Lapisan atas adalah "metode yang menghasilkan solusi kandidat melalui evolusi", mencakup strategi/parameter/komponen operator, pencarian evolusi lapisan luar, metode generasi yang diperbaiki; lapisan bawah adalah "menyelesaikan masalah spesifik", mencakup metode saat ini, solusi kandidat, evaluasi kualitas solusi. Dua sirkuit masing-masing mewakili hasil lapisan luar dialirkan kembali ke lapisan dalam, umpan balik kualitas solusi/preferensi/biaya mendorong kedua lapisan. Saat menulis di papan tulis dapat menggambar dua lapisan atas-bawah terlebih dahulu, lalu gunakan panah untuk menandai "memperbarui metode generasi" dan "sinyal umpan balik".

Dapat berpartisipasi dalam umpan balik lapisan atas, tetapi harus memisahkan "mengevaluasi jawaban saat ini" dan "memperbaiki metode yang menghasilkan jawaban". Membaca "solusi ini lebih menyenangkan" langsung sebagai "strategi ini lebih unggul", adalah menggunakan preferensi jawaban untuk menyamar sebagai keunggulan metode, lapisan luar akan terbawa oleh noise hasil tunggal. Sinyal preferensi masuk dulu ke evaluasi jawaban, kemudian melalui agregasi lintas tugas dan pengujian stabilitas, barulah diizinkan masuk ke pemilihan metode.

MetaDE membiarkan lapisan luar mengevolusi strategi mutasi dan parameter differential evolution, lapisan dalam menyelesaikan tugas seperti biasa; AutoPSO dan EvoGO lebih lanjut mengombinasikan komponen particle swarm, memanfaatkan umpan balik historis untuk mempelajari cara generasi kandidat, mewujudkan lompatan dari "mengubah parameter" ke "mengubah struktur algoritma".

Manfaatnya adalah mendorong desain algoritma dari penyetelan parameter manual sekali jalan ke adaptasi berkelanjutan. Ada tiga biaya: ruang pencarian mengembang, ruang metode jauh lebih besar dari ruang solusi; biaya evaluasi meningkat, setiap set metode kandidat harus menjalankan tugas lapisan dalam, biasanya bergantung pada evaluasi batch paralel GPU untuk memangkasnya; kompleksitas verifikasi meningkat, apakah perbaikan lapisan luar benar-benar tergeneralisasi, memerlukan desain verifikasi independen.

Petunjuk Latihan dan Panduan Jawaban

1. Dibandingkan dengan algoritma evolusi tradisional, apa perbedaan paling mendasar evolusi metode dalam "objek yang dioptimalkan"? Arah yang benar adalah: memasukkan strategi, parameter, dan komponen operator "bagaimana menghasilkan jawaban" itu sendiri ke dalam objek pencarian. Jika siswa memilih "ukuran populasi lebih besar" atau "menghapus evaluasi fitness", ingatkan mereka kembali ke pergeseran objek optimasi: yang dioptimalkan bukan lagi hanya jawaban, melainkan mekanisme yang menghasilkan jawaban.

Umpan balik dari kinerja tugas lapisan dalam seperti kualitas solusi, sinyal preferensi, stabilitas atau biaya. Jika siswa salah memilih "noise acak" atau "ditentukan manual oleh insinyur", bimbing mereka bertanya: atas dasar apa lapisan luar menilai satu strategi lebih baik dari yang lain? "Atas dasar apa" ini adalah sinyal umpan balik.

Biarkan sinyal preferensi berpartisipasi dalam umpan balik lapisan atas, tetapi tangani "mengevaluasi jawaban saat ini" dan "memperbaiki metode generasi" sebagai dua jenis tujuan secara terpisah. Jika siswa menganggap preferensi jawaban langsung sebagai keunggulan metode, ingatkan mereka: preferensi harus melalui agregasi lintas tugas dan pengujian stabilitas, barulah dapat naik dari "preferensi jawaban" menjadi "kriteria metode".

Ruang metode mengembang, setiap set metode harus membayar biaya evaluasi lapisan dalam, dan kesulitan verifikasi meningkat. Dapat diringkas sebagai tiga tekanan: ruang, daya komputasi, verifikasi; evolusi metode menaikkan objek pencarian satu lapis, biaya juga naik bersamanya.

5. Tentang MetaDE dan AutoPSO mana yang akurat? Arah yang benar adalah: MetaDE menggunakan lapisan luar untuk mengevolusi strategi mutasi dan parameter differential evolution, lapisan dalam tetap bertanggung jawab menyelesaikan kandidat tugas spesifik. AutoPSO dan EvoGO lebih jauh menuju kombinasi komponen dan perbaikan tingkat struktur, arahnya dari mengubah parameter ke mengubah struktur.

Penanganan Kasus

Skenarionya adalah tim mengoptimalkan tata letak chip di kluster GPU, sudah memiliki solver differential evolution, tetapi strategi mutasi dan parameter bergantung pada pengalaman manual, fluktuasi performa jelas, berencana memperkenalkan optimasi dua lapis seperti MetaDE, dan menggunakan preferensi pengguna untuk memandu pencarian.

Input lapisan dalam adalah metode saat ini (strategi mutasi dan konfigurasi parameter) dan satu instance masalah tata letak spesifik, output adalah tata letak kandidat dan kualitas solusinya. Input lapisan luar adalah statistik ringkasan kinerja tugas lapisan dalam, output adalah strategi dan konfigurasi parameter yang diperbarui. Sinyal umpan balik harus diagregasi lintas tugas, lintas pengulangan, misalnya rata-rata multi-tugas, kuantil, atau indikator stabilitas, tidak dapat diambil dari satu kali eksekusi. Alasannya adalah kualitas solusi tunggal sangat bergantung pada instance spesifik dan keacakan, yang diukurnya adalah "apakah jawaban kali ini bagus", bukan "apakah set metode ini bagus"; jika langsung menggunakan hasil tunggal untuk mendorong lapisan luar, lapisan luar akan didominasi oleh perbedaan instance dan noise.

Lapisan dalam dapat menggunakan fungsi evaluasi berbobot preferensi untuk menyaring tata letak kandidat; lapisan luar harus terlebih dahulu mengubahnya menjadi kriteria perbandingan yang stabil lintas tugas, misalnya skor berbobot panjang kabel dan indikator kongesti beserta variansnya, baru digunakan untuk memilih konfigurasi metode, menghindari menganggap preferensi jawaban sekali sebagai keunggulan metode.

Ruang pencarian yang mengembang dapat dikendalikan skalanya dengan pengelompokan parameter, pencarian berlapis, kasar dulu halus kemudian; biaya evaluasi yang meningkat dapat dikurangi dengan evaluasi batch paralel GPU, evaluasi proxy sampel kecil, dan mekanisme early stopping; kompleksitas verifikasi yang meningkat harus mempertahankan set tugas verifikasi independen dan menjalankan berulang, memeriksa apakah perbaikan lapisan luar benar-benar tergeneralisasi.

Pemeriksaan Pemahaman dan Transisi

Lapisan dalam mencari jawaban, lapisan luar mengubah metode. Melihat "strategi, parameter, operator, komponen dimasukkan ke dalam pencarian" berarti evolusi metode; melihat "hanya solusi kandidat yang berubah, aturan generasi selalu tidak berubah" berarti algoritma evolusi tradisional. Setelah memastikan siswa dapat menjelaskan "objek yang dioptimalkan berubah" dan "preferensi tidak dapat langsung menyamar sebagai keunggulan metode", lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-7"></a>

### MetaDE dan AutoPSO: Arsitektur Dua Lapis Evolusi Metode

*Halaman 7*

> **Tujuan Halaman:** Menguasai bagaimana MetaDE dan AutoPSO mewujudkan evolusi otomatis varian algoritma dan parameter melalui optimasi dua lapis dalam-luar.

> **Tujuan Halaman**
>
> Memahami bagaimana MetaDE dan AutoPSO mewujudkan evolusi otomatis konfigurasi dan struktur algoritma melalui arsitektur optimasi dua lapis dalam-luar, dan menguasai struktur biaya serta trade-off rekayasanya.

> **Urutan Penjelasan**
>
> Algoritma tidak lagi hanya mencari solusi, tetapi juga harus memperbaiki "bagaimana dirinya mencari solusi".
>
> 2. Tunjukkan abstraksi umum arsitektur dua lapis dalam-luar, tekankan lapisan luar mencari ruang algoritma, lapisan dalam menyelesaikan tugas target, kinerja lapisan dalam dikembalikan sebagai sinyal fitness membentuk sirkuit tertutup.
>
> 3. Jelaskan masing-masing dua jalur implementasi MetaDE dan AutoPSO, jelaskan yang pertama mengelola lapisan konfigurasi, yang kedua mengelola lapisan struktur/komponen.
>
> 4. Analisis efek perkalian biaya optimasi dua lapis, tarik trade-off rekayasa seperti alokasi anggaran, evaluasi perkiraan, early stopping, paralelisasi.
>
> Dari desain manual algoritma tunggal beralih ke desain ruang algoritma yang dapat berevolusi dan mekanisme evaluasi.

**Poin Pengajaran**

- Evolusi metode (Meta-Evolution) menjadikan "metode yang menghasilkan kandidat" itu sendiri sebagai objek optimasi. Lapisan luar mencari konfigurasi algoritma, kombinasi komponen, atau strategi, bukan solusi tugas. Lapisan luar bertanggung jawab mencari ruang algoritma (hyperparameter, strategi, kombinasi komponen, dan "definisi algoritma" lainnya)
- Lapisan dalam menggunakan algoritma kandidat untuk benar-benar menyelesaikan tugas target, mendapatkan kinerja yang dapat diukur
- Kinerja lapisan dalam diagregasi menjadi fitness dan dikembalikan ke lapisan luar, lapisan luar mengeliminasi konfigurasi buruk, mempertahankan dan memutasi konfigurasi berkualitas, membentuk sirkuit tertutup perbaikan berkelanjutan. Mempertahankan differential evolution sebagai solver lapisan dalam, menyerahkan konfigurasi DE itu sendiri ke pencarian lapisan luar — strategi mutasi, crossover rate, scaling factor dan lainnya menyesuaikan diri secara adaptif sesuai masalah dan tahap optimasi. Ini menjawab "bagaimana konfigurasi ini harus diatur pada tahap tugas saat ini", termasuk evolusi metode lapisan konfigurasi. Menganggap parameter inti dan mekanisme pembelajaran PSO sebagai komponen yang dapat dikombinasikan — bobot inersia, faktor pembelajaran, serta berbagai kombinasi mekanisme pembelajaran individu dan kelompok, secara otomatis dicari dan dikombinasikan oleh lapisan luar menjadi varian PSO yang sesuai untuk masalah berbeda. Ini mengubah "memilih algoritma" menjadi "mencari struktur algoritma", mewujudkan lompatan dari adaptasi parameter ke generasi mandiri mekanisme. MetaDE condong ke penyetelan otomatis lapisan konfigurasi dan hyperparameter, AutoPSO condong ke kombinasi otomatis lapisan struktur dan komponen, bersama-sama mencakup rentang evolusi dari adaptasi parameter hingga generasi mandiri mekanisme. Biaya kunci optimasi dua lapis terletak pada efek perkalian — setiap kali lapisan luar mengevaluasi satu algoritma kandidat, sering memerlukan beberapa kali eksekusi lapisan dalam (evaluasi berulang karena keacakan, verifikasi gabungan multi-tugas, dll.), anggaran komputasi diperbesar secara signifikan. Jumlah komputasi aktual kira-kira sama dengan "jumlah algoritma kandidat lapisan luar × jumlah eksekusi lapisan dalam per kandidat". Alokasi anggaran, evaluasi perkiraan, early stopping, paralelisasi. Eksekusi efisien bergantung pada paralel tensorisasi, penjadwalan Runtime, dan komposabilitas algoritma
- Paralelisasi dapat meringankan wall-clock time, tetapi tidak mengurangi total komputasi. Peneliti tidak lagi menyerahkan algoritma tetap, melainkan seperangkat ruang pencarian dan aturan umpan balik yang memungkinkan algoritma terus memperbaiki diri.

**Pemeriksaan Pemahaman**

Dapat bertanya secara berurutan dan memberikan poin jawaban:

1. Apa objek langsung pencarian lapisan luar?

Konfigurasi, struktur, dan kombinasi komponen algoritma itu sendiri. Esensi evolusi metode adalah menjadikan algoritma itu sendiri sebagai objek yang dioptimalkan, lapisan luar mencari konfigurasi dan struktur di ruang algoritma, bukan langsung mencari solusi tugas. Perhatikan membedakan dua lapisan: yang langsung mencari solusi adalah lapisan dalam; yang dicari lapisan luar adalah "algoritma apa yang digunakan, bagaimana mengkonfigurasi algoritma".

2. Dalam MetaDE, lapisan luar terutama mengevolusi kelompok objek apa?

Strategi mutasi, crossover rate, dan scaling factor differential evolution. MetaDE membuat konfigurasi DE menyesuaikan diri secara adaptif sesuai masalah dan tahap, termasuk evolusi metode lapisan konfigurasi/hyperparameter, bukan struktur algoritma lain.

3. Pembagian kerja AutoPSO dan MetaDE, deskripsi mana yang paling akurat?

AutoPSO menekankan kombinasi otomatis parameter dan mekanisme pembelajaran, mengubah "memilih algoritma" menjadi "mencari struktur algoritma"; MetaDE menekankan evolusi lapisan konfigurasi. Keduanya saling melengkapi: MetaDE mencakup lapisan konfigurasi dan hyperparameter, AutoPSO mencakup lapisan struktur dan komponen, bersama-sama membentuk rentang evolusi dari adaptasi parameter hingga generasi mandiri mekanisme, dan keduanya harus melalui evaluasi lapisan dalam.

4. Tentang struktur biaya optimasi dua lapis, mana yang benar?

Setiap kali lapisan luar mengevaluasi satu algoritma kandidat sering memerlukan beberapa kali eksekusi lapisan dalam, anggaran diperbesar secara signifikan, memerlukan alokasi anggaran, evaluasi perkiraan, atau early stopping. Biaya utama arsitektur dua lapis adalah efek perkalian, paralelisasi hanya dapat meringankan, tidak dapat menghilangkan total overhead.

5. Setelah mengadopsi arsitektur dua lapis evolusi metode, transformasi kognitif peran peneliti adalah apa?

Dari desain manual algoritma tunggal, beralih ke desain ruang di mana algoritma dapat berevolusi dan mekanisme evaluasi. Yang diserahkan bukan lagi algoritma tetap, melainkan "ruang algoritma yang dapat berevolusi + aturan evaluasi fitness", pencarian lapisan luar dan penyelesaian lapisan dalam membentuk sirkuit tertutup perbaikan berkelanjutan. Meskipun tidak lagi menetapkan algoritma tunggal secara manual, pekerjaan inti berubah menjadi desain ruang pencarian dan mekanisme evaluasi, tanggung jawabnya justru lebih berat.

**Penanganan Latihan**

Kasus "membangun layanan evolusi dua lapis untuk tugas yang terus berubah" dapat digunakan setelah menjelaskan arsitektur dan biaya, biarkan siswa menjawab sendiri terlebih dahulu, lalu diskusi bersama.

Jelaskan apa yang masing-masing bertanggung jawab di lapisan dalam dan lapisan luar, serta bagaimana sinyal mengalir.

Lapisan luar mencari algoritma kandidat di ruang algoritma — dapat mengevolusi strategi mutasi, crossover rate, scaling factor DE (jalur MetaDE), juga dapat secara otomatis mengombinasikan komponen seperti bobot inersia, faktor pembelajaran, dan mekanisme pembelajaran PSO (jalur AutoPSO). Lapisan dalam menggunakan setiap algoritma kandidat untuk berjalan dan dievaluasi pada tugas target hari itu, mengeluarkan kinerja yang dapat dibandingkan; kinerja lapisan dalam diagregasi menjadi fitness dan dikembalikan ke lapisan luar, lapisan luar berdasarkan itu mengeliminasi kandidat buruk, mempertahankan dan memutasi konfigurasi berkualitas, terus beriterasi, membentuk sirkuit tertutup "lapisan luar mencari ruang algoritma, lapisan dalam menyelesaikan tugas target, umpan balik kinerja mendorong perbaikan".

Menghadapi tekanan anggaran "satu kali evaluasi lapisan luar memerlukan beberapa kali eksekusi lapisan dalam", berikan setidaknya dua langkah trade-off dan jelaskan biaya atau risikonya.

①Alokasi anggaran — menetapkan kuota komputasi untuk lapisan luar dan lapisan dalam secara terpisah dan membatasi jumlah pengulangan lapisan dalam, biayanya adalah varians evaluasi meningkat, mungkin salah memilih; ②Evaluasi perkiraan — menggunakan subset data atau eksekusi jangka pendek untuk memperkirakan fitness, biayanya adalah sinyal noise besar, kandidat terbaik mungkin diremehkan; ③Early stopping — menghentikan lebih awal eksekusi lapisan dalam untuk kandidat yang jelas buruk, biayanya adalah mungkin terlalu dini mengeliminasi konfigurasi slow-warm yang berkinerja baik di kemudian hari; ④Paralel tensorisasi dan penjadwalan Runtime — menjalankan lapisan dalam secara batch paralel, dapat secara signifikan meringankan wall-clock time, tetapi tidak mengurangi total komputasi, dan dibatasi oleh memori GPU dan overhead penjadwalan. Jawaban harus menjelaskan korespondensi antara setiap langkah dan biaya atau risikonya, dan mencerminkan estimasi perkalian "skala pencarian lapisan luar × jumlah eksekusi lapisan dalam per kali".

Bahasa umpan balik:

Benar. Jawaban ini dapat menghubungkan konsep halaman ini, dan menjelaskan dasarnya.

Silakan kembali ke penjelasan halaman ini, temukan bukti atau contoh kunci baru kemudian menilai.

Perhatikan membedakan "lapisan" — yang langsung mencari solusi adalah lapisan dalam, yang dicari lapisan luar adalah "algoritma apa yang digunakan, bagaimana mengkonfigurasi algoritma"; objek MetaDE adalah konfigurasi differential evolution itu sendiri, bukan struktur algoritma lain; biaya utama arsitektur dua lapis adalah efek perkalian, paralelisasi hanya dapat meringankan, tidak dapat menghilangkan total overhead; meskipun tidak lagi menetapkan algoritma tunggal secara manual, pekerjaan inti peneliti berubah menjadi desain ruang pencarian dan mekanisme evaluasi, tanggung jawabnya justru lebih berat.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan dengan kata-kata sendiri "evolusi lapisan konfigurasi" dan "evolusi lapisan struktur/komponen", dan dapat menyebutkan sirkuit sinyal lapisan dalam-luar dan efek perkalian anggaran, lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-8"></a>

### Studi Kasus Praktik Multi-Tujuan Desain Airfoil Superkritis

*Halaman 8*

> **Tujuan Halaman:** Mempelajari cara memanfaatkan EvoX untuk menangani batasan rekayasa kompleks dan menghasilkan solusi trade-off yang beragam dalam desain airfoil.

> **Tujuan Halaman**
>
> Memahami mengapa desain airfoil superkritis adalah masalah multi-tujuan, dan menguasai cara memanfaatkan EvoX untuk menghasilkan solusi trade-off yang beragam di bawah batasan rekayasa yang ketat.

> **Urutan Penjelasan**
>
> Desain airfoil superkritis adalah praktik multi-tujuan EvoX dalam rekayasa nyata. Parameter bentuk airfoil seperti camber, ketebalan, trailing edge saling terkoppel, mengubah bentuk akan sekaligus mempengaruhi beberapa indikator aerodinamis.
>
> Memperbaiki satu indikator sering dengan mengorbankan indikator lain, sehingga tidak dapat ditangani sebagai optimasi tujuan tunggal, memerlukan pertimbangan multi-tujuan.
>
> Persyaratan seperti gaya angkat, sudut serang, ketebalan membatasi domain desain yang layak, pencarian harus dilakukan dengan memenuhi batasan, untuk memastikan solusi kandidat dapat digunakan secara rekayasa.
>
> EvoX menghasilkan kelompok solusi kandidat beragam yang memperhitungkan berbagai indikator, bukan solusi optimal tunggal; kelompok kandidat untuk pakar domain membandingkan berbagai keuntungan dan biaya, dan membuat pilihan.
>
> Kasus ini mengubah masalah kompleks nyata menjadi proses yang dapat dieksplorasi dan dievaluasi, mencari solusi trade-off yang dapat dijelaskan dalam konflik batasan dan tujuan.

**Poin Pengajaran**

- Perubahan bentuk airfoil superkritis mempengaruhi beberapa indikator aerodinamis, tujuan sering berkonflik, memerlukan pertimbangan multi-tujuan. Desain harus memenuhi beberapa batasan ketat seperti gaya angkat, sudut serang, dan ketebalan, pencarian harus dilakukan dalam domain desain yang layak. Menghasilkan solusi kandidat beragam, membantu pakar mengevaluasi berbagai keuntungan dan biaya dan membuat pilihan. Pertama terus mengeksplorasi di ruang parameter airfoil (camber, ketebalan, trailing edge), kemudian mendekati front trade-off multi-tujuan (indikator A dan indikator B), akhirnya membentuk kelompok solusi kandidat. Airfoil superkritis, pertimbangan multi-tujuan, domain desain yang layak, kelompok solusi kandidat, EvoX.

> **Petunjuk Latihan**
>
> - Akar masalah multi-tujuan, peran batasan, output praktik EvoX, makna kandidat beragam, nilai metode. Pemahaman yang benar harus berlandaskan: parameter bentuk sekaligus mempengaruhi beberapa indikator menyebabkan konflik tujuan
> - batasan membatasi domain desain yang layak
> - output adalah kelompok solusi kandidat beragam
> - kandidat berbeda mewakili keuntungan dan biaya berbeda
> - nilai metode terletak pada mengubah masalah kompleks nyata menjadi proses yang dapat dieksplorasi dan dievaluasi.

**Penanganan Latihan**

Jika siswa salah memilih "hanya perlu mengoptimalkan gaya angkat" "mencari solusi optimal tunggal", ingatkan kembali ke kopling parameter bentuk dan konflik tujuan.

Jika siswa salah memilih "batasan dapat dilonggarkan sembarangan" atau "tidak terkait dengan kegunaan rekayasa", ingatkan batasan mendefinisikan domain desain yang layak, tidak dapat dilonggarkan sembarangan.

Jika siswa salah memilih "airfoil optimal tunggal" atau "bentuk acak", ingatkan output harus kelompok solusi kandidat beragam yang memperhitungkan berbagai indikator.

Benar, jawaban ini dapat menghubungkan konsep halaman ini dan menjelaskan dasarnya.

Silakan kembali ke penjelasan halaman ini, temukan bukti atau contoh kunci baru kemudian menilai.

**Aktivitas Kelas**

Karena perubahan parameter bentuk akan sekaligus mempengaruhi beberapa indikator aerodinamis, memperbaiki satu sering dengan mengorbankan yang lain, memerlukan pertimbangan multi-tujuan; batasan mendefinisikan domain desain yang layak, memastikan solusi kandidat dapat digunakan secara rekayasa.

**Pemeriksaan Pemahaman**

Bagaimana EvoX dalam desain airfoil superkritis, menghasilkan kelompok solusi kandidat beragam di bawah batasan ketat, untuk pakar mengevaluasi keuntungan dan biaya. Guru berdasarkan jawaban melengkapi kata kunci yang terlewat: konflik tujuan, domain desain yang layak, kelompok solusi kandidat, pertimbangan multi-tujuan.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat membedakan optimasi tujuan tunggal dan pertimbangan multi-tujuan, dan dapat menjelaskan kegunaan kelompok solusi kandidat, lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-9"></a>

### Tantangan Melintasi Siklus Hidup: Konteks Habis dan Persistensi Tingkat Proyek

*Halaman 9*

> **Tujuan Halaman:** Memahami kontradiksi antara batasan konteks model besar dan proyek rekayasa nyata yang berlangsung berbulan-bulan atau bertahun-tahun.

**Poin Pengajaran**

- Konteks sekali pakai adalah meja kerja, repositori proyek adalah memori jangka panjang. Jangan hanya meninggalkan status populasi, konfigurasi gagal, dan alasan keputusan di jendela sesi; sebelum sesi ditutup harus ditulis ke artefak tingkat proyek, sesi berikutnya membaca dulu baru melanjutkan.
- Persistensi yang dapat diwariskan menuntut artefak dapat diverifikasi versinya, dapat dicari, dapat dijelaskan: kode, pengujian, catatan eksperimen, log keputusan, metrik evaluasi, dan kesimpulan penerimaan harus dapat menjawab mengapa memilih demikian, mana yang sudah gagal, konflik mana yang masih ada.
- Agent lapisan atas memecah tujuan, Agent lapisan bawah mengimplementasikan dan menguji. Sebelum setiap sesi berakhir set checkpoint: perbarui log keputusan dan metrik evaluasi; saat sesi baru dimulai warisi checkpoint terlebih dahulu, baru tentukan tindakan lokal, sehingga melintasi beberapa siklus hidup terbatas.

> **Tujuan Halaman**
>
> Memahami kontradiksi antara batasan konteks Agent model besar dan proyek rekayasa nyata yang berlangsung berbulan-bulan bahkan bertahun-tahun, membangun keniscayaan persistensi tingkat proyek. Penilaian inti: jendela konteks sekali pakai C_maks adalah sumber daya terbatas, siklus hidup proyek T_proyek dapat berlangsung berbulan-bulan bahkan bertahun-tahun, sehingga T_proyek ≫ C_maks. Kesulitan sebenarnya bukan kemampuan penalaran sekali pakai yang tidak memadai, melainkan pengalaman tidak dapat melintasi siklus hidup Agent.
>
> Urutan Penjelasan
>
> Konteks Agent sekali pakai hanya dapat menampung tujuan saat ini, pengamatan lokal, dan penalaran terkini; setelah sesi ditutup status dikosongkan, kesimpulan sementara dan pengalaman tidak lagi tersedia. Jika kekurangan persistensi, sesi berikutnya hanya dapat mengulang eksplorasi.
>
> Persistensi tingkat proyek. Eksternalisasi konfigurasi gagal, proses trade-off, solusi kandidat, dan kesimpulan penerimaan menjadi artefak tingkat proyek yang terus ada, termasuk kode, pengujian, catatan eksperimen, log keputusan, metrik evaluasi, dan kesimpulan penerimaan. Agent selanjutnya tidak perlu memulai dari nol, melainkan membaca pengalaman sebelumnya, menilai arah mana yang sudah diverifikasi, konflik mana yang belum terselesaikan, indikator mana yang sudah terpenuhi.
>
> Objek evolusi bukan lagi hanya parameter numerik sekali pakai atau solusi kandidat, melainkan dunia perangkat lunak yang terus ada, dapat diverifikasi versinya, dapat diwariskan. Artefak baru yang dihasilkan setiap sesi mengubah status dunia ini, sesi berikutnya melanjutkan evolusi di dunia yang diperbarui, sehingga proses optimasi menjadi evolusi berkelanjutan tingkat proyek.
>
> Beberapa Agent dengan siklus hidup terbatas dapat bekerja sama, eksekutor lapisan atas memahami tujuan dan memecah tugas, eksekutor lapisan bawah menyelesaikan implementasi dan pengujian lokal, jika perlu melanjutkan dekomposisi rekursif. Sebelum ditutup tulis status kunci, setelah Agent baru dimulai baca dulu memori proyek, baru tentukan tindakan lokal.
>
> Proyek jangka panjang sering memiliki konflik tujuan, misalnya performa, biaya, ketangguhan sulit optimal simultan; umpan balik mungkin juga jarang, satu eksperimen harus menunggu berjam-jam bahkan berhari-hari. Log keputusan dan metrik evaluasi yang persisten dapat mengubah umpan balik jarang menjadi pengalaman yang dapat diwariskan, menghindari Agent selanjutnya berulang kali jatuh ke lubang yang sama.
>
> Poin Pengajaran
>
> Konteks sekali pakai adalah meja kerja, repositori proyek adalah memori jangka panjang. Jangan hanya meninggalkan status populasi, konfigurasi gagal, dan alasan keputusan di jendela sesi; sebelum sesi ditutup harus ditulis ke artefak tingkat proyek, sesi berikutnya membaca dulu baru melanjutkan.
>
> Persistensi bukan penumpukan log. Persistensi yang dapat diwariskan menuntut artefak dapat diverifikasi versinya, dapat dicari, dapat dijelaskan: kode, pengujian, catatan eksperimen, log keputusan, metrik evaluasi, dan kesimpulan penerimaan harus dapat menjawab mengapa memilih demikian, mana yang sudah gagal, konflik mana yang masih ada.
>
> Sebelum setiap sesi berakhir perbarui log keputusan dan metrik evaluasi; saat sesi baru dimulai warisi checkpoint terlebih dahulu, baru tentukan tindakan lokal, sehingga melintasi beberapa siklus hidup terbatas.
>
> Evolusi berkelanjutan tingkat proyek, yaitu memindahkan proses menghasilkan kandidat, mengevaluasi kandidat, mencatat trade-off, dan kesimpulan penerimaan, dari konteks Agent sekali pakai ke artefak persisten tingkat proyek, membuat proyek terus beriterasi melintasi beberapa siklus hidup Agent.
>
> Petunjuk Latihan
>
> Harus memilih "jendela konteks terbatas, dan setelah sesi ditutup status dan pengalaman tidak dapat diandalkan". Saat umpan balik tekankan: batas keras terletak pada panjang yang terbatas dan pengosongan status setelah sesi ditutup, bukan skala parameter, paralelisme, atau fungsi tujuan.
>
> Harus memilih "kode, pengujian, catatan eksperimen, log keputusan, metrik evaluasi, dan kesimpulan penerimaan". Saat umpan balik jelaskan artefak ini bersama-sama membentuk memori proyek.
>
> Harus memilih "dari parameter numerik/solusi kandidat sekali pakai diperluas menjadi dunia perangkat lunak yang terus ada, dapat diverifikasi versinya, dapat diwariskan". Saat umpan balik bedakan perubahan paradigma pelatihan dan perubahan batas objek evolusi.
>
> Harus memilih "lapisan atas memahami tujuan dan memecah tugas, lapisan bawah menyelesaikan implementasi dan pengujian lokal, jika perlu dekomposisi rekursif". Saat umpan balik tekankan kontinuitas lintas siklus hidup dijamin oleh persistensi tingkat proyek.
>
> Harus memilih "setelah setiap sesi ditutup status populasi, konfigurasi gagal, dan alasan keputusan hilang, Agent selanjutnya mengulang eksplorasi". Saat umpan balik jelaskan kekurangan persistensi tidak akan secara otomatis menyelesaikan konflik tujuan atau memperluas konteks.
>
> Saat benar dapat mengapresiasi "dapat menghubungkan konsep halaman ini dan menjelaskan dasar"; saat salah minta siswa kembali ke penjelasan halaman ini, temukan bukti atau contoh kunci baru kemudian menilai.
>
> Penanganan Latihan
>
> Tujuan mencakup efisiensi aerodinamis, kekuatan struktur, dan biaya manufaktur, ketiganya berkonflik, umpan balik simulasi jarang, tim berharap beberapa Agent siklus hidup pendek berkolaborasi secara berkelanjutan. Pertanyaan pertama menuntut menjelaskan mengapa memori proyek tidak dapat hanya ditempatkan di konteks sekali pakai, dan mendaftar setidaknya tiga jenis artefak yang harus dipersistenkan. Poin jawaban: jendela konteks sekali pakai terbatas dan setelah sesi ditutup status dikosongkan, sedangkan proyek berlangsung berbulan-bulan, T_proyek ≫ C_maks; hanya bergantung pada konteks sekali pakai akan kehilangan status populasi, hasil simulasi, konfigurasi gagal, konflik indikator, dan alasan keputusan; persistensi setidaknya mencakup kode dan skrip pelatihan model proxy, catatan pengujian dan metrik evaluasi, catatan eksperimen dan konfigurasi gagal, log keputusan dan alasan trade-off, solusi kandidat dan kesimpulan penerimaan.
>
> Sesi dimulai dengan membaca log keputusan, metrik evaluasi, catatan eksperimen, dan solusi kandidat, memulihkan status populasi dan konflik yang belum terselesaikan; selama sesi tulis model proxy baru, hasil simulasi, evaluasi kandidat, dan analisis trade-off; sebelum ditutup perbarui log keputusan, catat konfigurasi gagal putaran ini, konflik indikator, alasan pembuangan, dan saran langkah berikutnya dan serahkan versi; sesi berikutnya melalui membaca artefak ini mewarisi konfigurasi gagal dan alasan keputusan, menghindari eksplorasi berulang.

**Pemeriksaan Pemahaman**

Minta siswa merangkum dengan kata-kata sendiri "mengapa memori proyek tidak dapat hanya disimpan dalam konteks Agent sekali pakai", dan menyebutkan setidaknya tiga jenis objek persistensi tingkat proyek. Petunjuk transisi: pastikan siswa dapat menyebutkan hubungan inti halaman ini — T_proyek ≫ C_maks, persistensi tingkat proyek mengeksternalisasi pengalaman menjadi dunia perangkat lunak yang dapat diwariskan — baru lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-10"></a>

### Arsitektur Genesis dan Paradigma Pengendapan Dunia Perangkat Lunak

*Halaman 10*

> **Tujuan Halaman:** Menguasai bagaimana Genesis membuat kode proyek terus terakumulasi dan berevolusi melintasi siklus hidup.

> **Tujuan Halaman**
>
> Membantu siswa memahami bagaimana Genesis menambatkan kembali kecerdasan dari proses sesi yang mudah hilang ke dunia perangkat lunak yang dapat terakumulasi, membuat kode proyek dan hasil rekayasa dapat terus terakumulasi, berevolusi, dan diwariskan melintasi jendela konteks tunggal dan siklus hidup tunggal.

> **Urutan Penjelasan**
>
> Pertama lempar kriteria penilaian "sesi mudah hilang, repositori adalah memori jangka panjang", lalu uraikan perbedaan esensi paradigma pengendapan, pembagian kerja empat jenis aset yang dapat diendapkan, premis antarmuka stabil, sirkuit pengendapan dan penjaga penerimaan, warisan lintas siklus hidup, akhirnya dengan satu kalimat tunjukkan batas pembagian kerja EvoX dan Genesis.

**Poin Pengajaran**

- 1. Untuk menilai apakah suatu pekerjaan memiliki nilai pengendapan, tanyakan hanya satu pertanyaan — apakah orang berikutnya dapat mereproduksinya tanpa perlu bertanya apa pun? Jika tidak, itu belum menjadi aset. Alur kerja berbasis dialog menguap seiring berakhirnya konteks, output tetap berada di "sesi kali ini"
- Dunia perangkat lunak menggunakan repositori, versi, dan artefak sebagai media, secara alami memiliki akumulativitas. Genesis justru memformalkan media ini menjadi lapisan memori jangka panjang sistem evolusi, yang diingatnya bukan dialog, melainkan hasil rekayasa yang telah diverifikasi. Kode mengelola "dapat berjalan", metode mengelola "bagaimana memilih", status mengelola "sampai mana", bukti mengelola "atas dasar apa dipercaya". Kode membawa kemampuan yang dapat dieksekusi, adalah proses penyelesaian yang dapat langsung dijalankan dan direproduksi
- Metode membawa keputusan algoritma dan strategi, misalnya pemilihan konfigurasi dan cara kombinasi komponen evolusi dua lapis
- Status membawa konteks proyek dan memori eksekusi, mencatat kemajuan saat ini, batasan, dan batas yang diketahui
- Bukti membawa catatan eksperimen dan kesimpulan penerimaan, menjawab mengapa hasil dapat dipercaya. Jika salah satu dari empat tidak ada, pengendapan tidak dapat direproduksi atau tidak dapat diwariskan: hanya ada kode tanpa bukti, kesimpulan tidak dapat dipercaya
- hanya ada metode tanpa status, pewaris tidak tahu dari mana melanjutkan. Oleh karena itu empat jenis aset harus dipadatkan sebagai satu set, bukan tersebar sendiri-sendiri. 3. Premis pengendapan adalah antarmuka stabil. Hanya ketika batas modul dan kontrak relatif stabil, output baru adalah aset
- jika tidak setiap perubahan akan mempengaruhi implementasi sekitarnya, pengendapan akan cepat berubah menjadi utang pemeliharaan. Ini saling menjadi syarat dengan desain fondasi terbuka terdekopel Genesis: antarmuka stabil membuat pengendapan dapat diwariskan dengan aman, dekopel membuat warisan tidak perlu menulis ulang sejarah. Sebelum pengendapan padatkan kontrak terlebih dahulu, sering lebih bernilai daripada menulis beberapa dokumen tambahan. Eksplorasi → output → penerimaan ketat → pemadatan menjadi aset → evolusi putaran berikutnya langsung mewarisi. Di antaranya penerimaan adalah penjaga pengendapan — output yang belum diverifikasi tidak masuk ke lapisan aset, sehingga menghindari memadatkan noise, fenomena kebetulan, dan kesimpulan salah menjadi "pengalaman" proyek. Tanpa penjaga, repositori akan semakin panjang dan semakin tidak dapat dipercaya. 5. Kunci warisan lintas siklus hidup terletak pada dekopel aset dari instance eksekusi spesifik, membuat sesi baru, Agent baru, tugas baru semua dapat memulihkan kognisi tingkat proyek dengan cara "membaca repositori", tanpa bergantung pada memutar ulang dialog historis. Biaya warisan turun dari "menceritakan ulang proyek" menjadi "checkout dan load", kognisi proyek juga tidak lagi dibatasi oleh kapasitas jendela konteks tertentu. Genesis bertanggung jawab "apa yang diendapkan, dalam bentuk apa diendapkan, bagaimana diwariskan"
- kolaborasi multi-Agent dan dekomposisi tugas rekursif bertanggung jawab "bagaimana memproduksi output"
- mekanisme penerimaan dan warisan historis bertanggung jawab "bagaimana output dinilai dapat dipercaya". Ketiganya ditumpuk, barulah membentuk kemampuan evolusi berkelanjutan tingkat proyek yang lengkap — jika salah satu hilang, proyek hanya dapat mengulang di tempat.

**Cakupan Kata Kunci**

- Genesis, evolusi berkelanjutan tingkat proyek, arsitektur sistem EvoX, kode/metode/status/bukti, penjaga penerimaan, warisan lintas siklus hidup. Halaman ini mengorganisir konten dengan "diagram skematik arsitektur tiga lapis Genesis dan sirkuit pengendapan", sisi kiri dari atas ke bawah masing-masing adalah lapisan aset (kode·metode·status·bukti), mekanisme pengendapan (versi·gateway penerimaan·pencarian dan warisan) dan EvoX Runtime (paralel tensorisasi·daya komputasi heterogen·modul algoritma)
- sisi kanan diagram cincin menampilkan sirkuit tertutup eksplorasi, output, penerimaan, pemadatan, penggunaan kembali, evolusi ulang, dan menandai "aset menebal seiring bertambahnya siklus hidup". Halaman juga menyertakan tiga petunjuk: jangan anggap sesi sebagai memori, empat jenis aset tidak boleh ada yang hilang, antarmuka tidak stabil membuat pengendapan menjadi utang. Saat menjelaskan dapat menggunakan diagram ini untuk membimbing siswa mengikuti panah menceritakan kembali sirkuit tertutup, lalu tunjukkan bahwa penerimaan berada setelah output, sebelum pemadatan.

> **Petunjuk Latihan**
>
> - Halaman dilengkapi lima soal pilihan ganda dan satu kasus. Soal 1 mengarah ke dunia perangkat lunak yang dapat terakumulasi (repositori, versi, dan artefak), jika siswa salah memilih jendela konteks, ingatkan kembali ke titik awal "sesi berakhir tidak ada yang tersisa"
> - Soal 2 menguji korespondensi tanggung jawab empat jenis aset, pilihan yang benar adalah kode membawa kemampuan yang dapat dieksekusi
> - Soal 3 menguji batas antara aset dan utang pemeliharaan, pilihan yang benar adalah "batas modul dan kontrak relatif stabil", perlu tekankan kuncinya bukan berapa banyak output atau seberapa baru alat
> - Soal 4 menguji penjaga dalam sirkuit tertutup, pilihan yang benar adalah penerimaan ketat
> - Soal 5 menguji warisan lintas siklus hidup, pilihan yang benar adalah "aset terdekopel dari instance eksekusi, sesi baru dapat memulihkan kognisi proyek dengan membaca repositori". Saat menjawab benar apresiasi kemampuannya menghubungkan konsep halaman ini dan menjelaskan dasar, saat salah minta kembali ke penjelasan untuk menemukan bukti atau contoh kunci baru kemudian menilai. Setelah eksplorasi multi-tujuan airfoil superkritis berakhir, tim memiliki konfigurasi dua lapis MetaDE yang dapat dijalankan dan skrip pelatihan model proxy, definisi metrik evaluasi, status antara yang mencakup interval parameter airfoil dan batasan kondisi geometris, serta kesimpulan penerimaan putaran ini. Pertanyaan pertama menuntut mengorganisir aset berdasarkan empat kategori kode, metode, status, bukti, dan menjelaskan peran penjaga penerimaan — hanya output yang lulus penerimaan ketat yang diizinkan masuk ke lapisan aset, empat jenis aset harus dipadatkan sebagai satu set, jika salah satu hilang tidak dapat direproduksi atau tidak dapat diwariskan. Pertanyaan kedua menuntut membandingkan "memutar ulang dialog historis" dan "membaca repositori": yang pertama bergantung pada jendela konteks, biaya tumbuh linear dengan proyek, begitu dialog terpotong kognisi hilang
> - yang kedua menurunkan biaya warisan menjadi checkout dan load, hasil dapat diverifikasi versinya, dapat direproduksi, dapat diaudit, biaya coba-coba berulang putaran ini terendapkan menjadi titik awal penggunaan kembali putaran berikutnya.

**Aktivitas Kelas**

Minta siswa menceritakan kembali konten halaman ini dengan contoh yang dekat dengan pengalaman mereka sendiri, dan menjelaskan hubungan antara contoh tersebut dengan kriteria penilaian "apakah orang berikutnya dapat mereproduksinya tanpa perlu bertanya kepadamu".

**Pemeriksaan Pemahaman**

Secara acak minta satu siswa merangkum poin utama halaman ini dengan kata-kata sendiri, guru berdasarkan jawaban melengkapi kata kunci yang terlewat, fokus memastikan siswa dapat sekaligus menyebutkan dua poin "pembagian kerja empat jenis aset" dan "penerimaan adalah penjaga pengendapan".

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan inti halaman ini — pengendapan terjadi di atas kontrak stabil, dijaga oleh penerimaan, akhirnya diwariskan dengan cara membaca repositori — baru lanjutkan ke halaman berikutnya tentang aplikasi atau ringkasan.

<a id="lecture-page-11"></a>

### Pola Rekayasa Kolaborasi Multi-Agent dan Dekomposisi Tugas Rekursif

*Halaman 11*

> **Tujuan Halaman:** Memahami bagaimana beberapa Agent dengan siklus hidup terbatas berkolaborasi menyelesaikan pengembangan proyek kompleks dan dekomposisi tugas.

**Poin Pengajaran**

- Saat memecah tugas, prioritaskan bertanya "apa yang dapat diverifikasi yang harus diserahkan lapisan ini", bukan memikirkan dulu "diserahkan ke Agent mana". Setelah deliverable (dataset, antarmuka, checkpoint, laporan evaluasi) didefinisikan dengan jelas, batas tanggung jawab dan pembagian hierarki akan muncul secara alami.
- Titik berhenti dekomposisi rekursif bukan "memecah sampai terkecil", melainkan "memecah sampai dapat dieksekusi, dapat diverifikasi, dapat diselesaikan dalam sirkuit tertutup satu konteks Agent tunggal". Memecah terlalu dangkal akan melampaui kemampuan lapisan bawah, memecah terlalu dalam akan membawa overhead koordinasi dan penyerahan tambahan.
- Tumpang tindih tanggung jawab akan membuat beberapa Agent mengulang implementasi hal yang sama, dan menghasilkan hasil yang saling berkonflik. Gunakan definisi antarmuka yang jelas dan standar penerimaan untuk memadatkan batas, sekaligus menyepakati konten mana yang boleh diputuskan sendiri oleh lapisan bawah, mana yang harus dilaporkan ke tugas induk untuk diputuskan.

Tujuan Halaman

Ketika kapasitas konteks dan kemampuan pemrosesan eksekutor tunggal tidak cukup menampung seluruh tujuan rekayasa, bagaimana mendegradasi masalah besar menjadi sekelompok masalah kecil yang dapat diserahkan, dan membuat hasil kolaborasi setiap lapisan dapat diverifikasi dan dapat dikembalikan.

Urutan Penjelasan

Pertama gunakan "masalah besar didegradasi menjadi sekelompok masalah kecil yang dapat diserahkan" untuk menunjukkan topik, lalu uraikan sepanjang struktur tiga lapis, kemudian jelaskan motivasi dan kondisi terminasi dekomposisi rekursif, akhirnya tiba pada hubungan penyerahan dua arah pohon tugas dan tiga petunjuk rekayasa. Saat menjelaskan dapat menggunakan diagram untuk menunjuk node lapis demi lapis ke bawah, membantu siswa mengkorespondensikan pembagian kerja abstrak dengan pohon tugas konkret.

Poin Pengajaran

1. Struktur tiga lapis dan tanggung jawab masing-masing. Eksekutor lapisan atas berorientasi pada tujuan keseluruhan, menjawab "apa yang harus dilakukan", mengeluarkan subtugas yang dapat didelegasikan, kondisi batasan, dan standar penerimaan; eksekutor lapisan tengah menerima subtugas yang masih terlalu besar untuk melanjutkan dekomposisi rekursif, mengkonvergensi tujuan besar yang longgar menjadi hierarki tugas yang stabil; eksekutor lapisan bawah menyelesaikan implementasi dan pengujian lokal dalam batas tanggung jawab, menghasilkan hasil yang dapat diverifikasi dan menyerahkannya ke atas, membentuk sirkuit tertutup lokal. Dalam diagram, Agent lapisan atas membagi modul tugas A, B, C, modul B karena masih terlalu berat terus dipecah menjadi subtugas B1, B2, empat node daun akhirnya masing-masing jatuh ke implementasi dan pengujian lokal Agent lapisan bawah.

Lapisan atas berdiri di node akar, yang dihasilkan adalah tugas yang dapat didelegasikan dan standar penerimaan, bukan menyelesaikan implementasi sendiri.

2. Mengapa harus dekomposisi rekursif. Jendela konteks eksekutor, alat yang dapat dipanggil, dan skala tugas yang dapat ditangani sekali pakai semuanya terbatas. Jika membiarkan eksekutor tunggal memegang seluruh konteks proyek dalam jangka panjang, biaya akan meningkat seiring skala, dan mudah terjadi penyimpangan tujuan, pencemaran status, dan informasi kunci terdilusi. Dekomposisi rekursif mendistribusikan tekanan ini ke setiap lapisan: setiap eksekutor hanya perlu memahami tujuan dan batasan lapisannya sendiri, tujuan kompleks didegradasi lapis demi lapis menjadi unit kerja yang dapat dieksekusi dan dapat diserahkan, konsistensi keseluruhan dijamin oleh hierarki tugas.

Pohon tugas dan penyerahan dua arah. Tugas induk dan tugas anak membentuk pohon tugas rekursif. Yang mengalir ke bawah adalah delegasi tugas — tujuan, batasan batas, dan standar penerimaan; yang mengalir ke atas adalah pengembalian hasil — output, bukti verifikasi, dan masalah yang belum terselesaikan. Apakah kolaborasi benar-benar terbentuk, bergantung pada tiga hal: apakah hierarki tugas jelas, apakah batas tanggung jawab saling eksklusif, apakah produk penyerahan (definisi antarmuka, dataset, kasus uji, checkpoint) disepakati secara jelas. Jika salah satunya hilang, beberapa eksekutor akan merosot menjadi kerja berulang dan hasil yang saling berkonflik.

Kedalaman dekomposisi, granularitas delegasi, dan strategi pengembalian hasil, juga dapat terus dievaluasi dan disesuaikan. Ketika umpan balik seperti subtugas tertentu berulang kali dikerjakan ulang mempengaruhi bagaimana dekomposisi berikutnya, alur kolaborasi ini memasuki siklus perbaikan diri.

5. Petunjuk rekayasa. Kondisi berhenti dekomposisi rekursif bukan "memecah sampai terkecil", melainkan "memecah sampai dapat dieksekusi, dapat diverifikasi, dapat diselesaikan dalam sirkuit tertutup satu konteks eksekutor tunggal". Memecah terlalu dangkal akan melampaui kemampuan pemrosesan lapisan bawah, memecah terlalu dalam akan membawa banyak overhead koordinasi dan penyerahan. Dapat menentukan deliverable terlebih dahulu, baru memutuskan siapa yang mengerjakan; batas tidak jelas sering merupakan biaya terbesar kolaborasi.

Penanganan Latihan

Halaman ini dilengkapi satu set soal benar-salah konsep, disarankan setelah siswa menjawab minta mereka menunjukkan dasarnya, bukan hanya menyebutkan pilihan.

Jawaban yang benar adalah "memahami tujuan keseluruhan, dan memecahnya menjadi subtugas yang dapat didelegasikan dan standar penerimaan". Jika siswa salah memilih, ingatkan mereka kembali ke posisi node akar — yang dihasilkan adalah tugas dan standar penerimaan, bukan kode itu sendiri.

Jawaban yang benar adalah "ketika subtugas masih terlalu kompleks, melampaui jangkauan pemrosesan tunggal". Perlu tekankan rekursi bukan tindakan tanpa syarat, kondisi pemicunya adalah subtugas masih terlalu besar, tidak dapat diselesaikan dan diverifikasi dalam satu kali pemrosesan.

Bagaimana jika hanya ada pengiriman tugas ke bawah? Bagaimana jika hanya ada pengembalian hasil? Dari sini jelaskan kolaborasi harus dua arah.

Jawaban yang benar adalah "mendistribusikan tekanan konteks dan pemrosesan ke setiap lapisan, mengurangi beban konteks satu titik dan risiko penyimpangan tujuan". Kata kunci adalah "mendistribusikan", bukan "menjamin sekali berhasil".

Jawaban yang benar adalah "membuat node daun mempertahankan unit kerja yang dapat dieksekusi dan dapat diserahkan, dan memperjelas antarmuka dan output pengujian". Dapat sekaligus meninjau: batas kabur atau menghapus hierarki, akan menyebabkan implementasi berulang dan konflik hasil.

Aktivitas Kelas

Studi kasus "penyerahan kolaboratif sistem inspeksi kualitas layanan pelanggan cerdas" cocok sebagai aktivitas kelompok. Pertama minta siswa menggambar pohon tugas rekursif: node akar bertanggung jawab memahami tujuan keseluruhan dan menghasilkan tiga subtugas A, B, C serta standar penerimaan; modul B terus dipecah oleh lapisan tengah menjadi B1, B2, dan memperjelas antarmuka keduanya; node daun adalah empat jenis unit kerja A, B1, B2, C. Kemudian minta setiap kelompok mendaftar produk penyerahan arah ke bawah dan ke atas, misalnya spesifikasi antarmuka data dan dataset dialog yang telah dibersihkan, kamus fitur dan spesifikasi anotasi, checkpoint model dan laporan verifikasi, metrik evaluasi dan konfigurasi deployment, dan menjelaskan mengapa node daun sudah memenuhi kondisi berhenti.

Untuk pertanyaan lanjutan B1 menemukan konflik antara "spesifikasi anotasi" dan "metrik evaluasi", dapat membimbing siswa menyimpulkan prinsip penanganan: konflik naik ke atas untuk diputuskan, jangan memodifikasi standar penerimaan sendiri; antarmuka dan standar mempertahankan sumber tunggal, dikelola terpusat oleh lapisan atas; sebelum keputusan tetap mempertahankan sirkuit tertutup lokal yang dapat diverifikasi; hasil keputusan secara terbalik memperbarui pohon tugas dan input subtugas terkait; mencatat seluruh proses konflik, dasar keputusan, dan ketentuan akhir untuk pelacakan.

Pemeriksaan Pemahaman

Apa yang bertanggung jawab lapisan atas, dalam kondisi apa rekursi berlanjut, informasi apa yang disampaikan masing-masing arah atas dan bawah. Jika sekaligus dapat menyebutkan kondisi berhenti dan "tentukan deliverable dulu baru tentukan pembagian kerja", maka dianggap halaman ini dikuasai dengan baik.

Petunjuk Transisi

Setelah memastikan siswa dapat membedakan "memecah tugas" dan "mengimplementasikan sendiri", dan dapat menjelaskan penyerahan dua arah pohon tugas, lanjutkan ke halaman berikutnya tentang diskusi mekanisme verifikasi dan pengendapan, agar pola pembagian kerja halaman ini dapat tersambung dengan tahap kompilasi, pengujian, dan penerimaan berikutnya.

<a id="lecture-page-12"></a>

### Mekanisme Penerimaan Ketat dan Warisan Historis

*Halaman 12*

> **Tujuan Halaman:** Menguasai bagaimana mengendapkan modifikasi valid menjadi riwayat proyek melalui kompilasi, pengujian, dan gateway penerimaan.

> **Urutan Penjelasan**
>
> Pertama gunakan satu kalimat untuk menunjukkan "melihat sistem apa pun yang 'menghasilkan otomatis dan memperbaiki otomatis', tanyakan dulu tiga hal: apa identitas default output Agent (kandidat?), verifikasi apa yang harus dilewati untuk diterima (penerimaan?), setelah diterima menjadi dasar siapa (baseline?). Pisahkan tiga hal ini, logika keseluruhan mekanisme tidak akan kacau.", kemudian dikombinasikan dengan contoh, diagram, atau kata kunci di halaman untuk menjelaskan mengapa ini penting.

**Poin Pengajaran**

- Apa identitas default output Agent (kandidat?), verifikasi apa yang harus dilewati untuk diterima (penerimaan?), setelah diterima menjadi dasar siapa (baseline?). Pisahkan tiga hal ini, logika keseluruhan mekanisme tidak akan kacau.
- Kompilasi → pengujian → pemeriksaan perilaku → penerimaan lapisan atas, adalah jalan menurun "biaya dari rendah ke tinggi": semakin murah semakin di depan, semakin mahal semakin di belakang. Ingat "saring yang murah dulu, tinjau yang mahal kemudian", tidak akan menyia-nyiakan tinjauan lapisan atas pada tumpukan besar kandidat sampah.
- Lulus penerimaan tidak sama dengan benar-benar lebih baik. Ketika cakupan pengujian tidak memadai atau pemeriksaan perilaku hilang, gateway akan meloloskan modifikasi berbahaya. Kembangkan dua kebiasaan: lengkapi kasus regresi dan definisi toleransi untuk perilaku kunci
- selalu pertahankan metrik yang dapat diobservasi dan sampling manual, sebagai garis pertahanan terakhir ketika standar tidak lengkap.

Mekanisme penerimaan ketat dan warisan historis

11

AI999

Genesis dan pengendapan dunia perangkat lunak

Atas dasar apa modifikasi yang dihasilkan otomatis oleh Agent dapat ditulis ke trunk proyek? Mekanisme penerimaan ketat dan warisan historis sepenuhnya mendekopel generasi dan penerimaan — kode apa pun yang diajukan Agent hanyalah modifikasi kandidat (candidate patch), harus melewati satu set gateway verifikasi terlebih dahulu, barulah berhak diakui sebagai bagian dari riwayat proyek.

Modifikasi kandidat → empat lapis gateway penerimaan → trunk / penolakan percabangan Antrean modifikasi kandidat Pengajuan Agent · default tidak dapat dipercaya Kandidat A menunggu verifikasi Kandidat B menunggu verifikasi Kandidat C menunggu verifikasi Kandidat D menunggu verifikasi ① Gateway kompilasi Sintaks dan antarmuka dapat dibangun · Biaya terendah, eliminasi tercepat ② Gateway pengujian Unit/integrasi semua hijau · Mencakup kontrak yang ada ③ Gateway pemeriksaan perilaku Konsistensi semantik · Toleransi numerik dan kesetaraan ④ Penerimaan lapisan atas Performa · Rasio akselerasi · Kemampuan pemeliharaan Penolakan · Area arsip kegagalan · Dipertahankan sebagai sampel negatif dan materi diagnostik · Disimpan terisolasi, tidak mencemari trunk · Penolakan itu sendiri adalah penyaringan noise · Menghindari eksplorasi berulang jalan buntu yang sama Riwayat versi trunk (akumulasi monoton) Baseline v3 · Dapat diwariskan, dapat dilacak Baseline v2 Baseline v1 Umpan balik warisan historis: baseline yang diterima menjadi titik awal eksekusi Agent berikutnya Prinsip default kandidat Output Agent secara default dianggap sebagai input yang tidak dapat dipercaya: dalam izin, penyimpanan, dan referensi terisolasi ketat dari versi yang telah diterima, tidak dapat langsung membaca dan menulis trunk, juga tidak dapat dianggap sebagai dependensi stabil oleh modul lain.

Satu-satunya tujuan prinsip ini adalah mencegah "dihasilkan berarti masuk gudang". Hanya setelah melewati semua gateway, modifikasi kandidat baru mendapatkan status yang sama dengan trunk. Empat lapis penyaringan progresif: biaya meningkat, gagal sedini mungkin Kompilasi: dapat dibangun pada tingkat sintaks dan antarmuka. Biaya terendah, eliminasi tercepat, singkirkan dulu modifikasi yang jelas tidak valid. Pengujian: unit test dan integration test lulus, mencakup kontrak yang ada. Pemeriksaan perilaku: konsistensi semantik dan perilaku, mencakup toleransi numerik, kesetaraan, dan perbandingan regresi, khusus mencegah "pengujian lulus tetapi perilaku menyimpang". Penerimaan lapisan atas: keputusan akhir berorientasi tujuan tugas dan batasan rekayasa, mencakup penilaian performa, rasio akselerasi, kemampuan pemeliharaan.

Gateway disusun berdasarkan biaya dari rendah ke tinggi, membuat sebagian besar modifikasi tidak valid terpotong pada tahap murah, menyisakan tinjauan lapisan atas yang mahal untuk sejumlah kecil kandidat berkualitas — inilah ekonomi "gagal sedini mungkin". Nilai penolakan dan warisan historis Percobaan yang tidak lulus tidak masuk ke trunk, tetapi dapat dipertahankan sebagai arsip kegagalan / sampel negatif, untuk diagnostik, deduplikasi, dan mencegah eksplorasi berulang — penolakan itu sendiri adalah penyaringan noise. Dan modifikasi yang lulus penerimaan menjadi versi baseline baru, eksekutor selanjutnya melanjutkan evolusi berdasarkan ini, membentuk rantai evolusi akumulasi monoton, bukan memulai dari nol setiap putaran. Sebagai aturan penggabungan dan kontrak kualitas kolaborasi multi-Agent dan dekomposisi tugas rekursif, gateway penerimaan mendefinisikan "siapa yang dapat menulis ke riwayat", sehingga menentukan apakah hasil kolaborasi konvergen atau entropi meningkat.

Dalam skenario rekayasa refaktor compiler dan peningkatan perangkat lunak ilmiah dengan batasan kebenaran kuat, mekanisme ini menunjukkan keandalan yang sangat tinggi, dan membawa rasio akselerasi eksekusi yang signifikan. Batas kegagalan Kelengkapan standar penerimaan itu sendiri akan menjadi bottleneck baru: ketika cakupan pengujian tidak memadai atau pemeriksaan perilaku hilang, gateway akan meloloskan modifikasi "lulus penerimaan tetapi sebenarnya berbahaya". Oleh karena itu perlu menggunakan metrik yang dapat diobservasi dan sampling manual sebagai jaring pengaman, dan terus memperkuat kasus regresi dan definisi toleransi.

Dalam mekanisme penerimaan ketat, apa status default kode yang diajukan Agent?

Produk jadi yang ditentukan sendiri oleh pihak pengaju apakah dapat digunakan

Versi resmi yang dapat langsung digabungkan ke trunk

Modifikasi kandidat yang menunggu verifikasi, terisolasi ketat dari versi yang telah diterima dalam izin, penyimpanan, dan referensi

Produk sampingan yang hanya digunakan untuk pencatatan log, tidak berpartisipasi dalam proses apa pun

Default kandidat menganggap output Agent sebagai input yang tidak dapat dipercaya, terisolasi ketat dari trunk, secara institusional mencegah "dihasilkan berarti masuk gudang".

Output yang belum diverifikasi tidak seharusnya memiliki status yang sama dengan versi yang telah diterima.

Benar. Jawaban ini dapat menghubungkan konsep halaman ini, dan menjelaskan dasarnya.

Silakan kembali ke penjelasan halaman ini, temukan bukti atau contoh kunci baru kemudian menilai.

Dalam urutan apa empat lapis gateway penerimaan disusun, dan apa maksud desainnya?

Berdasarkan biaya dari tinggi ke rendah, prioritaskan menginvestasikan sumber daya ke tinjauan lapisan atas yang paling mahal

Diurutkan berdasarkan waktu pengajuan kandidat, siapa yang datang dulu diverifikasi dulu

Dalam urutan acak, untuk meningkatkan keragaman verifikasi

Kompilasi → pengujian → pemeriksaan perilaku → penerimaan lapisan atas, membuat sebagian besar modifikasi tidak valid terpotong pada tahap murah

Gateway murah bertanggung jawab atas eliminasi skala besar, gateway mahal hanya menghadapi sejumlah kecil kandidat berkualitas.

Pikirkan lapisan mana yang paling mahal, lapisan mana yang paling cepat. Urutan gateway harus membuat tinjauan mahal sesedikit mungkin bertemu kandidat sampah.

Pemeriksaan perilaku (gateway lapis ketiga) terutama mencegah jenis masalah apa?

Jumlah kasus uji unit yang ditulis tidak cukup banyak

"Pengujian lulus tetapi perilaku menyimpang", yaitu implementasi baru dan lama tidak konsisten dalam semantik atau output numerik

Kesalahan sintaks kode menyebabkan tidak dapat dikompilasi sama sekali

Riwayat versi trunk memakan terlalu banyak ruang penyimpanan

Pemeriksaan perilaku menggunakan toleransi numerik, kesetaraan, dan perbandingan regresi untuk membandingkan konsistensi semantik, menangkap penyimpangan perilaku yang tidak tercakup pengujian.

Lapisan kompilasi mengelola "dapat dibangun atau tidak", lapisan pengujian mengelola "kontrak terpenuhi atau tidak", pemeriksaan perilaku fokus pada penyimpangan semantik yang lebih tersembunyi.

Modifikasi kandidat yang ditolak gateway, bagaimana nilainya harus dipahami?

Harus dihapus sepenuhnya, agar tidak memakan penyimpanan dan mengganggu penilaian selanjutnya

Harus langsung ditulis ke trunk, dipertahankan sebagai kontras negatif

Dapat dipertahankan sebagai arsip kegagalan / sampel negatif, untuk diagnostik, deduplikasi, dan mencegah eksplorasi berulang

Harus diajukan ulang berulang kali tanpa modifikasi, sampai lulus otomatis

Percobaan gagal diisolasi di luar jalur utama, tetapi masih dapat digunakan sebagai sampel negatif — penolakan itu sendiri adalah penyaringan noise.

Perbedaan kuncinya terletak pada apakah diizinkan mencemari trunk, dan apakah dapat diubah menjadi informasi diagnostik yang dapat digunakan kembali.

Situasi mana berikut yang paling mungkin membuat gateway penerimaan meloloskan modifikasi "lulus penerimaan tetapi sebenarnya berbahaya"?

Cakupan pengujian tidak memadai atau pemeriksaan perilaku hilang, membuat standar penerimaan itu sendiri tidak lengkap

Penerimaan lapisan atas sekaligus mengevaluasi performa, rasio akselerasi, dan kemampuan pemeliharaan

Antrean modifikasi kandidat sekaligus berisi pengajuan dari beberapa Agent berbeda

Arsip kegagalan dipertahankan jangka panjang untuk diagnostik

Gateway hanya dapat menahan masalah yang dapat dideteksinya; ketika standar penerimaan tidak lengkap, perlu menggunakan metrik yang dapat diobservasi dan sampling manual sebagai jaring pengaman.

Risiko sering bukan dari pihak pengaju, melainkan dari titik buta cakupan standar penerimaan itu sendiri.

Penerimaan patch penulisan ulang kernel compiler

Baca skenario, jawab dua pertanyaan berikut.

Sebuah tim menggunakan kolaborasi multi-Agent untuk merefaktor kernel compiler tertentu. Agent X mengajukan versi patch penulisan ulang kernel, mengklaim dapat meningkatkan kecepatan eksekusi benchmark tertentu sekitar 1,4 kali. Sistem memproses patch ini sesuai "mekanisme penerimaan ketat dan warisan historis": patch masuk dulu ke antrean modifikasi kandidat, kemudian secara berurutan menerima kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan lapisan atas; jika lulus ditulis kembali ke trunk dan menjadi titik awal Agent generasi berikutnya, jika tidak lulus masuk ke area arsip kegagalan yang terisolasi.

1. Jelaskan secara berurutan pemeriksaan apa yang harus dilewati patch ini, dan jelaskan mengapa penerimaan lapisan atas ditempatkan di akhir.

Kompilasi → pengujian → pemeriksaan perilaku → penerimaan lapisan atas. Kompilasi memeriksa apakah dapat dibangun pada tingkat sintaks dan antarmuka, biaya terendah, eliminasi tercepat; pengujian memeriksa apakah unit/integration test semua hijau, mencakup kontrak yang ada; pemeriksaan perilaku membandingkan konsistensi semantik implementasi baru dan lama, termasuk toleransi numerik, kesetaraan, dan perbandingan regresi; penerimaan lapisan atas berorientasi pada tujuan tugas dan batasan rekayasa untuk keputusan akhir, menilai performa, rasio akselerasi, dan kemampuan pemeliharaan. Menempatkan penerimaan lapisan atas di akhir, karena biayanya paling tinggi, memerlukan intervensi manual atau tinjauan tingkat tinggi, hanya setelah beberapa gerbang sebelumnya memotong sebagian besar kandidat tidak valid, barulah dapat memusatkan sumber daya mahal ini pada sejumlah kecil kandidat berkualitas, mewujudkan "biaya meningkat, gagal sedini mungkin".

Pada beberapa input, output numerik implementasi baru dan lama melampaui toleransi yang disepakati. Dalam hal ini bagaimana sistem harus menanganinya? Apakah masih bernilai? Apa yang akan terjadi jika pemeriksaan perilaku dihapus?

Patch ini tidak boleh ditulis ke trunk, harus ditolak dan dipindahkan ke area arsip kegagalan yang terisolasi; karena sudah lulus pada tahap kompilasi dan pengujian, justru menunjukkan ini termasuk jenis berbahaya "pengujian lulus tetapi perilaku menyimpang". Masih bernilai: dapat dipertahankan sebagai sampel negatif, untuk mendiagnosis sumber perbedaan, menghindari Agent selanjutnya mengulangi jalan buntu yang sama, dan mengingatkan tim untuk melengkapi kasus regresi atau meninjau ulang definisi toleransi. Jika pemeriksaan perilaku dihapus, patch semacam ini akan langsung masuk ke penerimaan lapisan atas bahkan ditulis kembali ke trunk dalam kondisi pengujian semua hijau, memasukkan penyimpangan perilaku ke baseline historis, inilah batas kegagalan mekanisme ini — gateway hanya dapat menahan masalah yang dapat dideteksinya, sehingga perlu metrik yang dapat diobservasi dan sampling manual sebagai jaring pengaman.

Kandidat, penerimaan, baseline

Apa identitas default output Agent (kandidat?), verifikasi apa yang harus dilewati untuk diterima (penerimaan?), setelah diterima menjadi dasar siapa (baseline?). Pisahkan tiga hal ini, logika keseluruhan mekanisme tidak akan kacau.

Urutan gateway diingat sebagai satu jalan menurun

Kompilasi → pengujian → pemeriksaan perilaku → penerimaan lapisan atas, adalah jalan menurun "biaya dari rendah ke tinggi": semakin murah semakin di depan, semakin mahal semakin di belakang. Ingat "saring yang murah dulu, tinjau yang mahal kemudian", tidak akan menyia-nyiakan tinjauan lapisan atas pada tumpukan besar kandidat sampah.

Gateway hanya dapat menahan masalah yang dapat diujinya

Lulus penerimaan tidak sama dengan benar-benar lebih baik. Ketika cakupan pengujian tidak memadai atau pemeriksaan perilaku hilang, gateway akan meloloskan modifikasi berbahaya. Kembangkan dua kebiasaan: lengkapi kasus regresi dan definisi toleransi untuk perilaku kunci; selalu pertahankan metrik yang dapat diobservasi dan sampling manual, sebagai garis pertahanan terakhir ketika standar tidak lengkap.

step-1

Menguasai bagaimana mengendapkan modifikasi valid menjadi riwayat proyek melalui kompilasi, pengujian, dan gateway penerimaan.

lesson_6

lesson_6_slide_11

Dari draf EvoClass

> **Tujuan Halaman**
>
> Menguasai mekanisme mengendapkan modifikasi valid menjadi riwayat proyek melalui kompilasi, pengujian, dan penerimaan

**Poin Pengajaran**

- Mekanisme penerimaan ketat dan warisan historis
- Kode yang diajukan Agent hanya sebagai modifikasi kandidat, harus melalui kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan lapisan atas, barulah dapat masuk ke versi proyek yang diterima. Percobaan gagal dapat ditolak, sedangkan hasil yang lulus verifikasi menjadi dasar historis eksekutor selanjutnya. Dalam refaktor compiler dan peningkatan perangkat lunak ilmiah, mekanisme ini menunjukkan keandalan yang sangat tinggi dan rasio akselerasi eksekusi.

**Poin Pengajaran**

- Mekanisme penerimaan ketat dan warisan historis
- Kode yang diajukan Agent hanya sebagai modifikasi kandidat, harus melalui kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan lapisan atas, barulah dapat masuk ke versi proyek yang diterima. Percobaan gagal dapat ditolak, sedangkan hasil yang lulus verifikasi menjadi dasar historis eksekutor selanjutnya. Dalam refaktor compiler dan peningkatan perangkat lunak ilmiah, mekanisme ini menunjukkan keandalan yang sangat tinggi dan rasio akselerasi eksekusi. Mekanisme penerimaan ketat dan warisan historis
- Kode yang diajukan Agent hanya sebagai modifikasi kandidat, harus melalui kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan lapisan atas, barulah dapat masuk ke versi proyek yang diterima. lesson_id_distribution 86818163433546df25555ab4cb1c2d59fc1effedc37a25c4e84b74b7d294e704

**Dasar Materi**

Dari draf EvoClass

> **Petunjuk Materi**
>
> - Menguasai mekanisme mengendapkan modifikasi valid menjadi riwayat proyek melalui kompilasi, pengujian, dan penerimaan
> - Mekanisme penerimaan ketat dan warisan historis
> - Kode yang diajukan Agent hanya sebagai modifikasi kandidat, harus melalui kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan lapisan atas, barulah dapat masuk ke versi proyek yang diterima. Percobaan gagal dapat ditolak, sedangkan hasil yang lulus verifikasi menjadi dasar historis eksekutor selanjutnya. Dalam refaktor compiler dan peningkatan perangkat lunak ilmiah, mekanisme ini menunjukkan keandalan yang sangat tinggi dan rasio akselerasi eksekusi.
> - Kode yang diajukan Agent hanya sebagai modifikasi kandidat, harus melalui kompilasi, pengujian, pemeriksaan perilaku, dan penerimaan lapisan atas, barulah dapat masuk ke versi proyek yang diterima.

**Aktivitas Kelas**

Minta menceritakan kembali konten halaman ini dengan contoh yang dekat dengan pengalaman siswa, dan minta siswa menjelaskan hubungan antara contoh ini dan "melihat sistem apa pun yang 'menghasilkan otomatis dan memperbaiki otomatis', tanyakan dulu tiga hal: apa identitas default output Agent (kandidat?), verifikasi apa yang harus dilewati untuk diterima (penerimaan?), setelah diterima menjadi dasar siapa (baseline?). Pisahkan tiga hal ini, logika keseluruhan mekanisme tidak akan kacau."

> **Tujuan Terkait**
>
> - Memahami pola rekayasa kolaborasi multi-Agent dan dekomposisi tugas rekursif
> - Menguasai mekanisme mengendapkan modifikasi valid menjadi riwayat proyek melalui kompilasi, pengujian, dan penerimaan

**Pemeriksaan Pemahaman**

Secara acak minta satu siswa merangkum poin utama halaman ini dengan kata-kata sendiri, pengajar berdasarkan jawaban melengkapi kata kunci yang terlewat.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menyebutkan hubungan inti halaman ini, lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-13"></a>

### Aktivitas Kelas: Simulasi Kolaborasi Multi-Agent dan Gateway Penerimaan Otomatis

*Halaman 13*

> **Tujuan Halaman:** Memperdalam pemahaman tentang pengembangan kolaboratif multi-Agent dan mekanisme penerimaan otomatis melalui latihan simulasi.

> **Tujuan Halaman**
>
> Melalui satu latihan simulasi kelas, memahami pembagian tugas dalam pengembangan kolaboratif multi-Agent, penggabungan modifikasi kandidat, dan bagaimana gateway penerimaan otomatis menahan modifikasi yang tidak memenuhi syarat; fokusnya adalah menjalankan sirkuit tertutup rekayasa "pengembangan kolaboratif—penerimaan otomatis—warisan historis", bukan membiarkan Agent saling berdiskusi untuk menemukan jawaban yang benar.

> **Urutan Penjelasan**
>
> Bagi kelompok kelas menjadi Agent perencanaan/dekomposisi, Agent implementasi, Agent generasi pengujian, Agent tinjauan/koordinasi. Tugas yang sama dapat menghasilkan beberapa modifikasi kandidat, kemudian diputuskan secara terpadu oleh gateway penerimaan.
>
> Dekomposisi tugas, implementasi paralel, penerimaan otomatis, warisan historis. Dekomposisi tugas harus memecah tujuan menjadi subtugas yang dapat diverifikasi secara independen, misalnya "validasi antarmuka—perbaikan algoritma—pengujian regresi"; pada tahap implementasi paralel, beberapa Agent implementasi mengajukan patch kandidat, Agent pengujian menghasilkan kasus batas; pada tahap penerimaan otomatis jalankan pengujian otomatis, pemeriksaan statis, dan pemeriksaan kontrak, gateway menilai berdasarkan standar yang dapat dieksekusi; pada tahap warisan historis, modifikasi yang lulus digabungkan ke baseline historis, modifikasi yang ditolak dipertahankan alasan kegagalan dan informasi reproduksi, untuk dicoba ulang.
>
> Sisi kiri adalah dekomposisi tugas rekursif, tengah adalah modifikasi kandidat multi-Agent, sisi kanan adalah pengujian otomatis dan gateway penerimaan. Setelah kandidat digabungkan masuk ke gateway, jika lulus digabungkan ke baseline historis, jika ditolak dikembalikan dengan umpan balik yang dapat direproduksi, umpan balik mengalir kembali ke tahap implementasi dan pengujian.
>
> Kriteria harus dapat dieksekusi, tidak dapat berhenti pada "terlihat benar". Fokus menahan modifikasi yang tidak memenuhi konvensi antarmuka, memperkenalkan regresi, tidak mencakup kondisi batas, atau melanggar batasan kualitas. Satu umpan balik yang dapat digunakan setidaknya harus mencakup kasus gagal, log, langkah reproduksi, perilaku yang diharapkan, dan batasan terkait.
>
> Setelah modifikasi yang lulus masuk ke baseline, Agent selanjutnya tidak perlu memulai dari nol; modifikasi yang ditolak menjadi contoh negatif yang dapat dicari, menghindari mengulangi kesalahan yang sama. Saat evaluasi perhatikan apakah aturan penerimaan dapat direproduksi, apakah umpan balik dapat ditindaklanjuti, serta risiko berbeda dari salah menahan dan gagal menahan.
>
> Jika gateway hilang atau standar kabur, kolaborasi multi-Agent belum tentu lebih efisien, justru mungkin kacau karena kekurangan keputusan terpadu; nilai gerbang otomatis terletak pada menggantikan persetujuan subjektif dengan bukti yang dapat direproduksi.

**Poin Pengajaran**

- Sebelum penerimaan tulis dulu pengujian yang dapat dijalankan, asersi kontrak, dan kasus batas
- Aturan yang tidak dapat direproduksi tidak dapat menahan secara stabil. Kandidat yang ditolak harus disertai log kegagalan, perintah reproduksi, perilaku yang diharapkan, dan batasan terkait, membuat Agent berikutnya dapat langsung melokalisasi dan merevisi. Granularitas dekomposisi terlalu halus akan meningkatkan biaya penggabungan dan penerimaan, terlalu kasar akan membuat modifikasi kandidat saling menutupi
- prioritaskan memecah menjadi subtugas yang dapat diuji dan diterima secara terpisah.

> **Petunjuk Materi**
>
> - Dekomposisi tugas rekursif, modifikasi kandidat multi-Agent, pengujian otomatis dan gateway penerimaan. Gambar juga menandai "penggabungan kandidat" "umpan balik kembali" "lulus masuk baseline, ditolak mengembalikan umpan balik yang dapat direproduksi", cocok untuk menjelaskan sirkuit tertutup sambil menunjuk gambar. Dapat meminta siswa围绕 kasus "layanan pembayaran crash saat input angka negatif atau string超 panjang", merancang satu set aturan gateway penerimaan yang dapat dieksekusi, setidaknya mencakup antarmuka, regresi, batas, dan batasan kualitas. Arah referensi: lapisan antarmuka menuntut bidang jumlah menolak angka negatif dan string超 panjang, mengembalikan kode kesalahan terpadu dan melakukan asersi kontrak
> - lapisan regresi menuntut kasus pembayaran sukses, pengembalian dana, rekonsiliasi yang ada semua lulus dan tidak ada kegagalan baru
> - lapisan batas mencakup kasus 0, angka negatif, jumlah maksimum yang diizinkan, string超 panjang, string kosong, dan karakter khusus, menegaskan tidak crash dan kesalahan dapat dijelaskan
> - batasan kualitas mencakup pemeriksaan statis lulus, cakupan jalur kritis tidak低于 ambang yang disepakati, tidak ada peringatan berisiko tinggi. Semua aturan harus diekspresikan sebagai pengujian atau skrip yang dapat dijalankan, dan dapat direproduksi dalam integrasi berkelanjutan.

> **Petunjuk Latihan**
>
> - Salah menahan akan menyia-nyiakan pekerjaan kandidat yang benar dan menurunkan efisiensi kolaborasi, juga mungkin mendorong tim melonggarkan standar
> - Gagal menahan akan membuat cacat masuk ke baseline historis, Agent selanjutnya terus bekerja berdasarkan baseline yang salah, memperbesar risiko regresi. Cara mengurangi termasuk mempertahankan bukti kegagalan, melakukan sampling review terhadap hasil penahanan, mengendapkan kasus uji gagal baru sebagai set regresi, dan menggunakan kombinasi kasus batas, pemeriksaan kontrak, dan verifikasi canary untuk mengendalikan risiko.

**Pemeriksaan Pemahaman**

Secara acak minta satu siswa merangkum poin utama halaman ini dengan kata-kata sendiri, lihat apakah dapat menyebutkan tiga poin kunci "standar yang dapat dieksekusi" "umpan balik yang dapat ditindaklanjuti" "dekomposisi berdasarkan batas yang dapat diverifikasi secara independen". Jika dapat memberikan contoh dengan kasus layanan pembayaran, dianggap menguasai; jika hanya menjawab "biarkan Agent berdiskusi otomatis", ingatkan kembali ke standar gateway penerimaan dan alur sirkuit tertutup.

> **Petunjuk Transisi**
>
> Setelah memastikan siswa dapat menjelaskan hubungan antara kolaborasi multi-Agent, penerimaan otomatis, dan warisan historis, lanjutkan ke halaman berikutnya tentang aplikasi, contoh soal, atau ringkasan.

<a id="lecture-page-14"></a>

### Cara Kerja AI Native dan Pintu Masuk yang Praktis

*Halaman 14*

> **Tujuan Halaman:** Memahami cara memulai eksperimen EvoX dengan cepat melalui pintu masuk dan konfigurasi yang ringkas dalam alat AI.

**Poin Pengajaran**

- Ingat garis pembagian kerja ini: pintu masuk AI Native bertanggung jawab atas instalasi, konfigurasi dasar, dan pemeriksaan lingkungan; Anda bertanggung jawab atas definisi masalah, pemilihan arah, dan standar evaluasi. Investasikan waktu yang dihemat ke yang terakhir, barulah manfaatnya benar-benar落到 penelitian, jika tidak hanya memindahkan penantian dari tahap konfigurasi ke tahap kerja ulang.
- Nilai instruksi satu kalimat adalah membuat Anda cepat masuk ke eksperimen, bukan melewati verifikasi. Setelah instalasi selesai secara aktif konfirmasi versi, dependensi, dan visibilitas GPU, anggap status yang dilaporkan alat sebagai petunjuk bukan kesimpulan, sehingga eksperimen selanjutnya memiliki titik referensi yang andal.
- Sebelum reproduksi lintas mesin periksa item demi item: apakah daftar dependensi dan versi konsisten, apakah model GPU dan jumlah perangkat yang tersedia sama, apakah seed acak dan hyperparameter kunci tetap. Setelah tiga item lulus baru perbesar skala eksperimen, dapat menghindari biaya troubleshooting nanti jauh lebih tinggi dari biaya konfigurasi awal.

Tujuan Halaman**

Apa yang sebenarnya diubah oleh cara kerja AI Native, dan di mana batasnya. Setelah selesai harus dapat menjelaskan tiga hal: pintu masuk interaksi dari manual mencari dokumen, memasang dependensi, mengkonfigurasi lingkungan, menulis scaffolding, bermigrasi ke memulai eksperimen dengan satu kalimat dalam alat AI; instalasi, konfigurasi dasar, dan pemeriksaan lingkungan ditanggung oleh alat dan melaporkan status; definisi masalah, pemilihan arah, dan standar evaluasi masih menjadi tanggung jawab peneliti.

Poin Pengajaran**

1. Migrasi pintu masuk adalah fitur definitif. Jalur tradisional adalah "membaca dokumen → memasang dependensi → mengkonfigurasi lingkungan → menulis scaffolding → baru memulai eksperimen pertama", setiap mata rantai mungkin salah, dan setiap peralihan harus建立 ulang konteks. Jalur AI Native adalah "instruksi satu kalimat → alat mengambil alih instalasi dan konfigurasi → pemeriksaan lingkungan lulus → masuk eksperimen". Yang berubah adalah cara orang mulai bekerja, bukan objek yang dioptimalkan itu sendiri.

2. Sifat friksi adalah transfer, bukan hilang. Beban sebenarnya sering bukan dari seberapa sulit operasi satu langkah, melainkan dari peralihan konteks yang sering: peneliti seharusnya fokus pada pemodelan masalah, desain eksperimen, dan interpretasi hasil, tetapi terus terganggu oleh konflik versi, kekurangan dependensi, dan jalur lingkungan. Pintu masuk yang praktis menyerahkan seluruh rantai rekayasa, mengembalikan perhatian ke penelitian itu sendiri.

Menyelesaikan instalasi dan konfigurasi dasar EvoX dalam satu instruksi tunggal. Misalnya memasukkan "instal EvoX dan selesaikan konfigurasi dasar", alat mengeksekusi dan memberikan umpan balik hasil, peneliti langsung masuk eksperimen. Perhatikan ini hanya titik awal, bukan titik akhir — "konfigurasi selesai" yang dilaporkan alat adalah status yang perlu diverifikasi, bukan kesimpulan yang dapat langsung dipercaya.

4. Semakin pendek jalur, semakin kecil jarak dari ide ke eksperimen yang dapat dijalankan, ide dapat diverifikasi hari itu, hipotesis gagal dapat cepat disingkirkan. Terutama jelas untuk topik jenis evolusi metode yang memerlukan berulang kali membangun struktur eksperimen lapisan dalam dan luar: waktu dapat dialokasikan untuk desain strategi, kalibrasi evaluasi, dan atribusi hasil, bukan berulang kali memperbaiki lingkungan.

Pintu masuk yang praktis menurunkan biaya memulai dan konfigurasi, tetapi tidak menggantikan penilaian peneliti terhadap nilai masalah, arah penelitian, dan metrik evaluasi. Salah membaca "menghemat waktu" sebagai "menghemat penilaian", adalah bias paling umum di halaman ini. Waktu yang dihemat hanya jika diinvestasikan ke tahap penilaian, barulah manfaatnya benar-benar落到 penelitian, jika tidak hanya memindahkan penantian dari tahap konfigurasi ke tahap kerja ulang.

Petunjuk Materi**

Baris atas abu-abu adalah empat langkah jalur tradisional, di bawahnya ditandai "friksi terkonsentrasi"; baris tengah biru adalah empat langkah jalur AI Native, di antaranya "instruksi satu kalimat" disorot, di bawahnya ditandai "transfer friksi"; blok oranye di bawah adalah "batas posisi". Saat menjelaskan dapat langsung bertanya: bagian mana yang dipindahkan dalam gambar, bagian mana yang dipertahankan? Bimbing pembelajaran menemukan — yang ditransfer adalah instalasi, konfigurasi dasar, dan pemeriksaan lingkungan, yang dipertahankan adalah masalah, arah, dan standar evaluasi.

Penanganan Latihan**

Lima soal pilihan ganda yang menyertai disarankan ditangani secara terpusat setelah penjelasan, berikan satu kalimat dasar penilaian per soal, memudahkan pembelajaran memeriksa diri.

Penilaian yang benar adalah "pintu masuk interaksi default dari manual mencari dokumen, mengkonfigurasi lingkungan, menulis scaffolding, berganti menjadi memulai eksperimen langsung dengan instruksi ringkas dalam alat AI". Jika memilih strategi pencarian, migrasi cloud, atau penggantian struktur jaringan, menunjukkan mencampuradukkan "perubahan pintu masuk" dengan "perubahan algoritma", perlu kembali ke halaman ini untuk menekankan: poin ini menggambarkan bagaimana orang mulai bekerja.

Penilaian yang benar adalah "alat menyelesaikan instalasi, konfigurasi dasar, dan pemeriksaan lingkungan dalam satu instruksi tunggal dan melaporkan status, peneliti berdasarkan itu masuk eksperimen". Jika menganggap alat menjamin tidak perlu lagi memeriksa versi dan visibilitas GPU, atau menganggapnya akan secara otomatis menentukan pertanyaan penelitian dan metrik evaluasi, menunjukkan memperluas jangkauan perannya — ia hanya mencakup mata rantai rekayasa instalasi dan konfigurasi dasar.

Penilaian yang benar adalah "menurunkan biaya memulai dan konfigurasi, tetapi tidak menggantikan penilaian peneliti terhadap definisi masalah, arah penelitian, dan standar evaluasi". Membaca "menghemat waktu" sebagai "menghemat penilaian", atau menganggap hanya bernilai bagi pemula,都需要 kembali ke kesimpulan batas untuk memposisikan ulang.

Penilaian yang benar adalah "nilai berasal dari transfer friksi rekayasa dan pemendekan siklus iterasi, kondisi berlakunya adalah peneliti masih dapat memverifikasi hasil konfigurasi dan reproduksibilitas eksperimen". Di sini perlu diingatkan membedakan "mengurangi operasi manual" dan "mengurangi penilaian manual".

Soal 5 adalah deduksi konsekuensi tidak memverifikasi, penilaian yang benar adalah "lingkungan tidak dapat direproduksi, perbedaan antar eksperimen sulit dilokalisasi, stabilitas hasil tidak dapat dijamin". Saat umpan balik tunjukkan: masalahnya bukan pada batas atas kemampuan alat, melainkan pada ketidakhadiran tahap verifikasi, konfigurasi yang tidak diverifikasi akan meninggalkan bahaya tersembunyi untuk reproduksi dan lokalisasi kegagalan selanjutnya.

Aktivitas Kelas**

Diskusi kasus dapat dikembangkan dengan "menjalankan eksperimen evolusi metode EvoX dalam tiga hari". Pertanyaan pertama menuntut menjelaskan biaya apa yang diturunkan, tanggung jawab apa yang dipertahankan: yang diturunkan adalah biaya friksi rekayasa, yang dipertahankan adalah keputusan pemodelan masalah dan arah, penentuan standar evaluasi, serta verifikasi konfigurasi. Pertanyaan kedua fokus pada reproduksi multi-mesin, dapat membimbing pembelajaran memberikan setidaknya dua praktik yang dapat diperiksa: simpan daftar versi dan dependensi yang benar-benar dipasang alat dan bandingkan item demi item lintas mesin; periksa model GPU, memori GPU, dan jumlah perangkat yang terlihat setiap mesin, jika perlu perbaiki nomor perangkat; perbaiki pengaturan kunci seperti seed acak dan ukuran batch, jalankan ulang tugas benchmark di bawah konfigurasi yang sama terlebih dahulu, konfirmasi hasil berada dalam rentang fluktuasi yang diharapkan, baru perbesar skala eksperimen.

Pemeriksaan Pemahaman**

"Jika instalasi sepenuhnya diserahkan ke alat, apa yang paling perlu Anda konfirmasi secara manual besok?" Dapat menyebutkan verifikasi versi, dependensi, dan visibilitas GPU, maka dianggap menguasai.

Petunjuk Transisi**

Setelah memastikan pembelajaran dapat menyebutkan garis pembagian kerja "alat bertanggung jawab atas persiapan rekayasa, peneliti bertanggung jawab atas penilaian penelitian", lanjutkan ke halaman berikutnya tentang contoh soal, aplikasi, atau ringkasan.

<a id="lecture-page-15"></a>

### Cita Rasa Inti Peneliti: Pembagian Kerja Manusia-Mesin dan Pemikiran Kritis

*Halaman 15*

> **Tujuan Halaman:** Memahami cita rasa ilmiah dan penilaian kritis peneliti yang tidak dapat digantikan dalam proses evolusi berbantuan AI.

> **Tujuan Halaman**
>
> Memahami cita rasa ilmiah dan penilaian kritis peneliti yang tidak dapat digantikan dalam proses evolusi berbantuan AI. Pertanyaan intinya adalah: ketika AI secara signifikan menurunkan biaya "mengimplementasikan jawaban", ke mana nilai penelitian beralih?

**Poin Pengajaran**

- AI / EvoX dapat dengan cepat menyelesaikan implementasi kode, menjalankan eksperimen batch, generasi kandidat, pencarian parameter, dan pencatatan umpan balik, biaya rekayasa bukan lagi bottleneck inti. Peneliti menentukan masalah apa yang layak diteliti, hasil apa yang bermakna, bukti apa yang cukup mendukung kesimpulan. AI memperluas implementasi dan ruang pencarian
- peneliti mengendalikan definisi masalah, konflik tujuan, batas batasan, dan standar penerimaan. Anggap output AI sebagai hipotesis yang menunggu diverifikasi, periksa apakah hipotesis valid, apakah bukti cukup, apakah kondisi batas dipertimbangkan, apakah hasil negatif diabaikan, hindari disesatkan oleh jawaban yang lancar tetapi belum diverifikasi. Di bawah eksplorasi terbuka dan umpan balik jarang, pemilihan arah tidak dapat dialihdayakan ke AI
- penilaian akhir dan tanggung jawab penelitian masih milik peneliti. Sisi kiri adalah AI / EvoX, sesuai dengan menghasilkan kandidat, menjalankan eksperimen, ruang pencarian, mencatat umpan balik
- sisi kanan adalah peneliti, sesuai dengan mengajukan pertanyaan, mengevaluasi bukti, mempertimbangkan trade-off, merefleksikan arah
- tengah adalah "Code is cheap. Taste matters". Di bawah "sirkuit umpan balik: checkpoint kritis" menunjukkan ini bukan proses satu arah, melainkan siklus di mana output AI memberi umpan balik ke manusia, manusia mendefinisikan ulang masalah dan standar. Dalam tugas optimasi multi-tujuan EvoX, AI dengan cepat menghasilkan banyak solusi kandidat dan kode eksperimen. Peneliti perlu menilai: apakah fungsi tujuan mencerminkan kebutuhan nyata? Apakah baseline adil? Apakah metrik melewatkan batasan kunci? Jika hanya melihat skor, mungkin memilih solusi yang tampak optimal tetapi tidak sesuai kebutuhan nyata. Di sini cara mewujudkan "Code is cheap. Taste matters" adalah: AI bertanggung jawab atas implementasi cepat dan pencarian, peneliti meninjau definisi masalah dan standar bukti, menilai hasil mana yang benar-benar bermakna.

**Penanganan Latihan**

Cita rasa ilmiah dan penilaian kritis peneliti yang tidak dapat digantikan, serta pembagian kerja di mana AI bertanggung jawab atas implementasi, manusia bertanggung jawab atas penilaian. Ciri khas pilihan salah adalah melewati konsep, melewati hafalan materi, hanya menyimpulkan berdasarkan perasaan, atau mengubah semua faktor sekaligus untuk membandingkan hasil. Jawaban kasus kelas harus落到: anggap output AI sebagai hipotesis yang menunggu diverifikasi, periksa fungsi tujuan, baseline, dan metrik; sekaligus jelaskan pemilihan arah dan tanggung jawab penelitian tidak dapat dialihdayakan.

**Pemeriksaan Pemahaman**

Minta siswa membedakan dengan kata-kata sendiri "biaya implementasi" dan "nilai penilaian", dan masing-masing memberikan satu tahap yang dapat diserahkan ke AI dan satu tahap yang harus menjadi tanggung jawab peneliti. Dapat menjelaskan hubungan keduanya, baru lanjutkan ke halaman berikutnya.

<a id="lecture-page-16"></a>

### Ringkasan Kursus: Membangun Infrastruktur Dunia Perangkat Lunak yang Terus Berevolusi

*Halaman 16*

> **Tujuan Halaman:** Merangkum konten inti seluruh kursus, memperjelas visi membangun infrastruktur cerdas yang terbuka, berevolusi, dan terus mengendap.

**Poin Pengajaran**

- Solusi kandidat, metode yang menghasilkan kandidat (seperti konfigurasi lapisan dalam-luar MetaDE), aset tingkat proyek, adalah tiga tingkat berbeda. Sebelum membuat desain atau menjawab, nyatakan dulu satu kalimat "tingkat mana yang sedang saya optimalkan", dapat menghindari mencampuradukkan evolusi metode dan evolusi berkelanjutan tingkat proyek.
- Hanya produk yang lulus penerimaan ketat yang diizinkan masuk ke perpustakaan pengalaman dan diwariskan. Begitu hasil yang belum diverifikasi diwarisi oleh tugas hilir, kesalahan akan terus diperbesar sepanjang rantai warisan, dan sangat sulit melokalisasi sumbernya.
- Setiap kali tugas baru dimulai tanyakan pada diri sendiri: putaran ini produk dan entri pengalaman tervalidasi mana dari putaran sebelumnya yang langsung saya gunakan kembali? Jika jawabannya kosong, menunjukkan alur saat ini masih berhenti pada tugas tunggal, bukan infrastruktur yang terus berevolusi.

Tujuan Halaman

Meningkatkan "evolusi cerdas" dari pencarian tunggal, optimasi tunggal menjadi infrastruktur perangkat lunak yang berorientasi dunia nyata. Fokusnya bukan memperkenalkan algoritma baru lagi, melainkan membuat siswa melihat bagaimana sistem melintasi tugas tunggal, Agent tunggal, bergantung pada sirkuit tertutup "tugas—eksplorasi—penerimaan—warisan—evolusi ulang" untuk tetap terbuka, andal, dan terus terhubung dengan masalah nyata.

Poin Pengajaran

1. Peningkatan objek evolusi. Genesis memperluas objek evolusi dari solusi kandidat tugas tunggal ke evolusi berkelanjutan tingkat proyek lintas Agent, lintas siklus tugas. Satu kali eksekusi berakhir tidak lagi mengosongkan status, berakhirnya tugas justru menjadi titik awal putaran berikutnya.

2. Paradigma pengendapan rekayasa. Penerimaan ketat, warisan historis, dan pengendapan pengalaman ketiganya tidak boleh ada yang hilang: penerimaan adalah gateway, menentukan apa yang berhak dipertahankan; warisan adalah jalur, menentukan apakah endapan dapat benar-benar dipanggil di putaran berikutnya; pengendapan pengalaman membuat sistem mengakumulasi stabilitas antar beberapa tugas. Hanya menulis dokumen, laporan mingguan bukan pengendapan rekayasa, aset yang dapat dieksekusi, dapat diwariskan, dapat digunakan kembali barulah pengendapan.

3. Posisi EvoX. EvoX berada di lapisan bawah, menyediakan fondasi daya komputasi, eksekusi paralel, dan penjadwalan evolusi, mendukung ke atas pembangunan sistem yang terbuka, dapat dikombinasikan, dan dapat terakumulasi secara berkelanjutan; ia bukan modul yang menggantikan keputusan Agent, juga bukan komponen tampilan visualisasi hasil.

4. Visi akhir. Dunia perangkat lunak bukan produk tertutup yang diserahkan sekali jalan, melainkan infrastruktur cerdas yang dapat terus berevolusi, terus mengendap, dan terus terhubung dengan masalah nyata. Kata kuncinya adalah evolusi berkelanjutan, pengendapan berkelanjutan, koneksi berkelanjutan.

Petunjuk Materi

Produk penerimaan (hasil bertahap yang lulus penerimaan ketat), perpustakaan pengalaman (strategi yang dapat digunakan kembali dan pelajaran kegagalan terstruktur), warisan historis (titik awal langsung tugas putaran berikutnya). Diagram berlapis sisi kiri dibaca dari bawah ke atas: EvoX Runtime ke evolusi berkelanjutan tingkat proyek, lalu ke kolaborasi multi-Agent, akhirnya terhubung ke masalah dunia nyata, membentuk sirkuit evolusi berkelanjutan.

Cara organisasi yang dapat diterapkan

Beberapa Agent masing-masing bertanggung jawab atas pencarian literatur, implementasi kode, dan reproduksi eksperimen; setiap eksplorasi ditulis ke catatan eksperimen; hasil bertahap harus dikonfirmasi bersama oleh pemeriksaan manual dan otomatis, barulah dapat masuk ke perpustakaan bersama; tugas putaran berikutnya langsung dimulai dari hasil yang telah dikonfirmasi. Dengan demikian proyek bukan kumpulan dokumen "selesai lalu diarsipkan", melainkan jalur produksi dari tugas ke eksplorasi, penerimaan, warisan, evolusi ulang. Perlu ditekankan: kekurangan penerimaan, pengendapan akan tercemar kesalahan; kekurangan warisan, pengendapan tidak dapat menghasilkan bunga majemuk, proyek merosot menjadi kerja berulang.

Kesalahpahaman umum

Menyamakan pengendapan rekayasa dengan menulis dokumen, menulis laporan mingguan. Endapan yang benar-benar dapat dipanggil oleh evolusi selanjutnya adalah aset yang dapat dieksekusi: produk yang lulus penerimaan, entri perpustakaan pengalaman terstruktur, strategi dan konfigurasi yang dapat diwariskan. Dokumen hanya cangkang; "pengendapan" yang kekurangan penerimaan dan jalur warisan tidak akan menghasilkan bunga majemuk.

Penanganan Latihan

Memperluas objek evolusi dari tugas tunggal ke evolusi berkelanjutan tingkat proyek lintas Agent dan siklus tugas. Poin umpan balik: soal ini menanyakan perubahan tingkat objek evolusi, bukan perubahan cara sampling atau eksekusi.

Penerimaan ketat, warisan historis, dan pengendapan pengalaman bersama-sama membentuk paradigma pengendapan yang stabil dan andal. Poin umpan balik: lihat kembali tiga kartu "produk penerimaan, perpustakaan pengalaman, warisan historis", jika salah satu hilang pengendapan gagal.

EvoX adalah infrastruktur evolusi cerdas yang menghubungkan dunia nyata, mendukung pembangunan sistem yang terbuka, dapat dikombinasikan, dan dapat terakumulasi secara berkelanjutan. Poin umpan balik: EvoX adalah penyedia kemampuan paling dasar, bukan komponen tampilan atau pengganti pengambil keputusan.

Evolusi metode membuat "metode yang menghasilkan kandidat" berpartisipasi dalam iterasi, evolusi berkelanjutan tingkat proyek mengendapkan aset lintas siklus tugas di atas fondasi yang sama. Poin umpan balik: tanyakan dulu "apa objek yang dioptimalkan" — solusi kandidat, metode yang menghasilkan kandidat, atau aset tingkat proyek.

Dunia perangkat lunak bukan produk statis, melainkan infrastruktur cerdas yang dapat terus berevolusi, terus mengendap, dan terus terhubung dengan masalah nyata. Poin umpan balik: bandingkan "produk" yang memiliki titik akhir dan "infrastruktur" yang terus terhubung dan terus tumbuh.

Penanganan Studi Kasus

Kasus menuntut memetakan proyek penelitian lintas bulan menjadi sirkuit tertutup "tugas—eksplorasi—penerimaan—warisan—evolusi ulang". Dapat membimbing siswa menunjukkan: penerimaan dan warisan adalah tanggung jawab inti pengendapan rekayasa. Untuk menilai apakah benar-benar berevolusi berkelanjutan, dapat menetapkan kriteria yang dapat diuji: apakah tingkat warisan meningkat; tren tingkat kelulusan penerimaan dan apakah kegagalan sejenis berkurang; apakah entri perpustakaan pengalaman benar-benar dipanggil; apakah kesimpulan dapat dilacak ke catatan eksperimen dan penerimaan; apakah sistem juga mengevolusi metode dan konfigurasi yang menghasilkan kandidat itu sendiri. Jika metrik ini tidak membaik dalam jangka panjang, menunjukkan hanya mengulang eksekusi tugas.

Pemeriksaan Pemahaman

Pertama, tugas putaran ini langsung menggunakan kembali produk dan entri pengalaman tervalidasi mana dari putaran sebelumnya? Kedua, objek optimasi saat ini di tingkat mana — solusi kandidat, metode yang menghasilkan kandidat, atau aset tingkat proyek? Jika pertanyaan pertama tidak dapat dijawab, menunjukkan alur masih berhenti pada tugas tunggal; jika yang kedua kacau, menunjukkan mudah mencampuradukkan evolusi metode dengan evolusi berkelanjutan tingkat proyek.

Petunjuk Transisi

Berakhirnya tugas bukan titik akhir, melainkan aset yang dapat diwariskan untuk evolusi berikutnya; dunia perangkat lunak bukan produk statis, melainkan infrastruktur cerdas yang terus terhubung dengan masalah nyata.