Tutorial Prime Agent: Membangun Self-Improving RLM Agent untuk Coding Otomatis

Prime Intellect baru saja merilis Prime Agent, sebuah coding harness open source yang dirancang untuk era model frontier modern. Berbeda dengan harness statis yang mengunci prompt, skill, dan sub-agent sejak awal desain, Prime Agent memperlakukan state harness sebagai sesuatu yang bisa agent create, read, update, dan delete sendiri dari trajektori kerjanya. Artikel ini menjelaskan cara instalasi, konsep RLM dan Continual Harness, serta langkah praktis memanfaatkan self-improvement untuk workflow coding harianmu.

Gambar: Prime Intellect Blog

Apa itu Prime Agent?

Prime Agent dibangun di atas dua abstraksi utama: Recursive Language Model (RLM) dan Continual Harness. RLM memperlakukan context sebagai variabel dan delegasi sub-agent sebagai function call di dalam REPL yang persisten. Continual Harness memperlakukan state harness (prompt, skill, memory, sub-agent) sebagai entitas yang bisa di-CRUD langsung oleh agent selama runtime.

Desain ini memungkinkan agent untuk menangani sesi arbitrari panjang tanpa kehilangan akses ke informasi masa lalunya, karena semua data tersimpan di variabel REPL yang bisa diakses kapan saja. Harness juga bisa berkomunikasi antar sesi, memungkinkan orkestrasi multi-agent yang kompleks.

Langkah 1: Instalasi Prime Agent

Prime Agent sepenuhnya open source dan bisa diinstall dengan satu baris perintah:

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

Script installer akan mendeteksi sistem operasimu dan mengatur binary serta dependensi yang diperlukan. Setelah instalasi, jalankan prime-agent --version untuk memastikan semuanya berjalan normal.

Prime Agent dirancang agar langsung kompatibel dengan frontier model baik open maupun closed. Kamu bisa menghubungkannya ke API key dari provider favoritmu atau menjalankannya dengan model lokal melalui Ollama.

Langkah 2: Memahami RLM dan Programmatic Tool Calling

Inti dari Prime Agent adalah RLM (Recursive Language Model). Model menggunakan IPython kernel persisten sebagai satu-satunya tool-nya. Semua fitur harness standar dipanggil sebagai fungsi di dalam kernel, termasuk sub-agent yang masing-masing diimplementasikan sebagai instance prime-agent tersendiri.

Fungsi rlm() adalah asynchronous, sehingga model bisa memanggil dan memparallelkan sub-agent dalam kode. Ketika kamu menjalankan await rlm("Summarize auth flow in auth/"), Prime Agent meluncurkan sesi penuh dengan model, IPython kernel, dan history percakapan sendiri. Fungsi ini return segera, karena komunikasi selanjutnya terjadi melalui agent_message.send().

Berikut contoh fan-out paralel untuk tugas multi-area:

# Parallel fan-out -- rlm() returns at task admission with a child handle
auth = await rlm("Summarize the authentication flow in auth/. Reply when done.", name="auth-expert")
api = await rlm("Summarize the HTTP API layer in src/. Reply when done.", name="http-expert")
# ... continue independent work; each child replies via agent_message ...

Pola ini memungkinkan agent induk mengerjakan tugas lain sementara sub-agent menyelesaikan spesialisasinya. Hasilnya bukan return value melainkan pesan yang masuk ke percakapan induk.

Langkah 3: Mengelola Session dan Context

Seluruh history sesi agent disimpan sebagai file JSONL append-only di disk. Setiap baris adalah entry JSON yang bisa berisi pesan, switch model, compaction summary, atau entry extension. Branching, forking, dan cloning terjadi dalam file yang sama dengan memindahkan leaf pointer.

Kamu bisa melihat struktur pohon sesi kapan saja dengan perintah /tree. Compaction terjadi secara otomatis ketika context mendekati threshold, atau bisa dipicu manual oleh agent di REPL dengan compact.run(). Full history tetap bisa diakses programmatically di IPython kernel ketika dibutuhkan.

Daemon latar belakang mengelola semua sesi Prime Agent yang aktif. Kamu bisa attach dan detach dari sesi tanpa mempengaruhi agent loop di bawahnya. Jika worker crash, daemon memulihkannya dari session JSONL dan snapshot state kernel.

Langkah 4: Menggunakan Continual Harness untuk Self-Improvement

Continual Harness adalah fitur paling inovatif di Prime Agent. State harness diformalisasi sebagai H = (prompt, sub-agents, skills, memory). Setiap komponen memiliki surface CRUD yang sama:

• rlm.harness.create_memory(...) dan rlm.harness.get(...) untuk memori.

• rlm.harness.create_skill(...) untuk menambah skill Python-backed baru.

• rlm.harness.update_prompt_note(...) untuk menyempurnakan instruksi sistem.

• rlm.harness.delete_subagent(...) untuk membersihkan sub-agent yang tidak lagi relevan.

Perintah /refine adalah pipeline self-improvement bawaan. Ia membaca trajektori agent sendiri, mencatat apa yang dicoba dan hasilnya, lalu menerapkan edit CRUD terkecil yang meningkatkan harness: update prompt note, tambah memory, perbaiki skill, atau ubah spec sub-agent.

Setiap refinement mencatat trigger dan outcome, sehingga perbaikan berdasarkan bukti, bukan sembarangan. Refinement berjalan dalam dua fase: planning di background tanpa memblokir percakapan, dan applying edit yang hanya sebentar memblokir di boundary turn berikutnya.

Langkah 5: Praktik Multi-Agent Communication

Prime Agent mendukung Agent-to-Agent (A2A) messaging melalui daemon lokal. Sesuatu yang menarik: kamu bisa mengirim pesan dari satu sesi Prime Agent ke sesi lainnya menggunakan mekanisme yang sama dengan messaging sub-agent. Ini membuka pola orkestrasi menarik:

# Spawn a named child; handle returns at admission
handle = await rlm("Find bugs in auth flow. Reply with findings.", name="auth-reviewer")
# ... findings arrive as parent-role reply ...

# Later: recover the retained child from list
children = await rlm.list_subagents()
auth_child = next(c for c in children if c.session_name == "auth-reviewer")

# Send follow-up into the same persistent session
await agent_message.send(
    "Follow up: identify main edge cases and likely bugs.",
    receiver_role="child",
    receiver_name=auth_child.session_name,
    mode="follow_up",
)

Komunikasi A2A dibatasi pada nuclear family: parent, sibling, atau child process. Ini mencegah komunikasi yang tidak diinginkan antar sesi independen. Sub-agent yang persisten tetap hidup di disk meski panggilan awal sudah selesai, sehingga kamu bisa melanjutkan interaksi kapan saja.

Kapan Menggunakan Prime Agent?

Prime Agent paling powerful untuk skenario berikut:

• Research dan autoresearch yang memerlukan sesi panjang dengan banyak cabang eksplorasi.

• Codebase besar dengan area spesialis yang jelas, sehingga fan-out ke sub-agent expert memberikan hasil lebih baik.

• Workflow berulang yang bisa dioptimasi via /refine, karena harness akan semakin cerdas seiring penggunaan.

• Tim yang ingin kolaborasi multi-agent, di mana beberapa instance Prime Agent saling berkomunikasi untuk tugas bersama.

Kesimpulan

Prime Agent menawakan pendekatan fundamental yang berbeda dalam dunia AI coding harness. Alih-alih memperlakukan harness sebagai scaffold statis, ia memperlakukannya sebagai sistem hidup yang agent bisa modifikasi sendiri. Kombinasi RLM, Continual Harness, dan A2A messaging memberikan fondasi kuat untuk agent coding generasi berikutnya.

Karena fully open source, kamu bisa mengaudit kodenya, menyesuaikan dengan kebutuhan tim, dan bahkan berkontribusi. Mulai dari GitHub repository resmi dan pelajari dokumentasi lengkap di blog Prime Intellect.