Membangun Personal AI Agent yang Benar-Benar Milikmu

Saya punya terlalu banyak tab chatbot.

Satu untuk menulis, satu untuk coding, satu lagi untuk merangkum catatan. Semuanya pintar. Semuanya juga lupa konteks begitu percakapan baru dimulai.

Masalahnya bukan modelnya kurang pintar. Masalahnya, chatbot itu tidak tahu apa-apa tentang cara saya bekerja. Ia tidak tahu repo mana yang sedang saya sentuh, catatan mana yang relevan, atau task apa yang sudah tertunda sejak kemarin.

Jadi saya mencoba pendekatan yang sedikit lebih merepotkan: menjalankan AI agent sendiri.

Bukan berarti saya melatih model dari nol. Model tetap bisa memakai API cloud atau model lokal. Yang saya miliki adalah lapisan di sekeliling modelnya: memory, tools, workflow, dan tempat ia berjalan.

Bentuknya seperti apa?

Stack yang saya gunakan terdiri dari dua bagian:

• Hermes Agent menjalankan percakapan, tools, memory, dan gateway seperti Telegram.
• Paperclip mengatur delegasi. Satu agent menerima pekerjaan, lalu meneruskannya ke worker yang lebih spesifik.

Alurnya sederhana:

graph LR
    U[User] --> H[Hermes Agent]
    H --> M[Memory dan Tools]
    H --> P[Paperclip CEO]
    P --> W1[Research Worker]
    P --> W2[Coding Worker]
    P --> W3[Writing Worker]
    W1 --> P
    W2 --> P
    W3 --> P
    P --> H

Contohnya, saya bisa mengirim pesan seperti:

Review PR ini. Cari masalah security dulu, lalu rangkum temuan yang harus saya perbaiki.

Hermes menerima instruksinya. Paperclip memecah pekerjaan. Worker membaca diff dan menjalankan pemeriksaan yang diperlukan. Saya menerima hasilnya dalam satu percakapan, bukan lima thread yang harus saya koordinasikan sendiri.

Itu bagian yang terasa berbeda dari chatbot biasa: agent-nya punya jalur kerja, bukan hanya kolom input.

Setup paling kecil yang masuk akal

Saya tidak mulai dari cluster besar. Untuk eksperimen pertama, sebuah VPS Linux kecil sudah cukup.

VPS Linux
  └── Hermes Agent
       ├── model provider
       ├── memory
       ├── Telegram gateway
       └── Paperclip
            ├── research worker
            ├── coding worker
            └── writing worker

Panduan setup lengkapnya ada di repo companion:

Personal AI Agent Guide

Garis besarnya:

1. Siapkan VPS dan user non-root.
2. Clone Hermes Agent.
3. Jalankan environment setup dan konfigurasi provider model.
4. Hubungkan satu gateway, biasanya Telegram paling cepat untuk pengujian.
5. Tambahkan Paperclip setelah percakapan dasar sudah berjalan.
6. Uji satu task kecil sebelum membuat workflow otomatis.

Urutan ini penting. Kalau langsung memasang semuanya, saat ada error kita tidak tahu apakah masalahnya ada di model, gateway, memory, atau orchestration.

Workflow pertama saya

Workflow yang paling berguna bukan yang paling kompleks. Saya mulai dari briefing pagi.

Hasil yang saya mau bukan laporan panjang. Cukup:

Hari ini
- 2 meeting, salah satunya dengan vendor payment
- 1 email perlu dibalas sebelum siang
- PR auth masih menunggu review

Agent yang baik tidak selalu menghasilkan jawaban panjang. Kadang nilainya justru karena ia menyaring hal-hal yang tidak perlu saya lihat.

Apa yang berubah setelah punya memory?

Perubahan terbesar bukan “agent bisa menjawab lebih pintar”. Ia bisa melanjutkan pekerjaan.

Saya bisa bertanya:

Progress project X terakhir bagaimana?

Lalu agent mencari catatan project, status terakhir, dan blocker yang pernah dicatat. Saya tetap perlu memeriksa jawabannya, tetapi saya tidak lagi menghabiskan sepuluh menit untuk membuka banyak file hanya untuk mengingat posisi terakhir.

Memory juga membuat saya lebih disiplin. Kalau keputusan tidak pernah ditulis, agent tidak bisa mengarangnya dengan aman. Jadi workflow ini memaksa saya menyimpan keputusan dan status di tempat yang bisa dibaca kembali.

Biaya dan bagian yang tidak enak

Setup seperti ini bukan gratis, tetapi juga tidak harus mahal.

Komponen	Perkiraan
VPS kecil	US$5–10/bulan
Domain	opsional
Model API	tergantung pemakaian
Backup	opsional, tapi sebaiknya ada

Biaya paling besar sering bukan VPS. Biaya sebenarnya adalah perhatian: update sistem, menjaga credential, memeriksa log, dan memastikan agent tidak punya akses lebih besar dari yang diperlukan.

Ada trade-off lain:

• ChatGPT lebih cepat dipakai pertama kali.
• Self-hosting memberi kontrol lebih, tetapi setup dan maintenance menjadi tanggung jawab kita.
• Memory membantu konteks, tetapi memory yang salah juga bisa menghasilkan keputusan yang salah.
• Worker yang berjalan paralel menghemat waktu, tetapi biaya model dan permukaan error ikut bertambah.

Saya tidak akan menyebut ini pengganti semua chatbot. Untuk pertanyaan satu kali, chatbot biasa masih lebih praktis. Personal agent mulai masuk akal ketika task yang sama berulang, membutuhkan akses ke file atau tools pribadi, dan punya konteks yang ingin dipertahankan.

Mulai dari satu pekerjaan

Kalau ingin mencoba, jangan mulai dengan “bangun asisten pribadi yang bisa melakukan semuanya”. Itu resep untuk membuat sistem yang sulit diuji.

Pilih satu pekerjaan yang membosankan dan berulang:

• briefing pagi,
• merangkum inbox,
• mencari catatan project,
• atau memeriksa PR dengan checklist yang sama.

Buat ia bekerja dengan akses minimum. Amati hasilnya selama beberapa hari. Baru setelah itu tambahkan memory, worker, dan otomasi lain.

Repo dan panduan setup ada di sini:

• Personal AI Agent Guide
• Hermes Agent
• Dokumentasi Hermes

Personal AI agent bukan soal membuat chatbot yang terdengar lebih manusia. Buat saya, nilainya lebih sederhana: pekerjaan yang biasanya tercecer di banyak tab sekarang punya satu tempat untuk menerima instruksi, menjalankan tools, dan mengembalikan hasil yang bisa diperiksa.