Tutorial Kimi Claw: Panduan dengan Contoh Praktis

Contoh 2: Menyetel tugas terjadwal

Dalam contoh ini, saya meminta Kimi Claw melakukan tugas terjadwal yang mencakup pencarian web dan pembuatan ringkasan. Kimi Claw menafsirkan instruksi sebagai alur kerja berulang dan secara otomatis membuat tugas terjadwal bergaya cron yang berjalan setiap hari.

Prompt:

Search for new papers, model releases, and tools in LLMs and multimodal AI at 9:00 AM daily and provide me 5 key updates.

Agen melakukan pencarian web untuk makalah baru, rilis model, dan alat di LLM serta AI multimodal, lalu menyajikan ringkasan singkat dengan lima pembaruan utama setiap pagi. Seperti terlihat pada tangkapan layar, Kimi Claw secara otomatis membuat pekerjaan bergaya cron yang berjalan setiap hari pukul 9:00 hanya dengan satu prompt bahasa alami. Dalam praktiknya, ini terasa seperti mengubah instruksi chat sederhana menjadi tugas latar belakang yang persisten.

Aspek lain yang patut dicatat adalah pengelolaan tugas. Saya menguji menambahkan ringkasan kedua yang serupa dan kemudian menghapus keduanya. Jadi, membuat, memperbarui, dan menghapus tugas terjadwal ini semudah memberikan perintah lanjutan di chat, yang membuat pengelolaan otomasi berkelanjutan menjadi ringan dan bersifat percakapan.

Setelah dikonfigurasi, tugas-tugas ini berjalan secara independen dari sesi chat dan secara efektif mengubah Kimi Claw menjadi sistem pemantauan berkelanjutan untuk domain informasi tertentu. Namun, keterbatasan saat ini adalah visibilitas operasional. Meskipun eksekusi mirip cron berjalan andal, visibilitas ke log eksekusi, riwayat pengiriman, atau penanganan kegagalan terbatas, sehingga pengguna hanya memiliki pemantauan dan kontrol minimal atas siklus hidup tugas.

Secara keseluruhan, contoh ini menunjukkan salah satu kemampuan paling praktis dari Kimi Claw, yakni mengonversi prompt sederhana menjadi pekerjaan cron yang persisten yang terus mengumpulkan dan meringkas informasi dengan penyiapan minimal.

Contoh 3: Pustaka Keterampilan Clawhub

Dalam contoh ini, Kimi Claw menunjukkan kemampuannya memperluas fungsionalitas melalui ClawHub Skill Library, mengubah agen menjadi alat analisis khusus tugas alih-alih hanya mengandalkan penalaran umum.

Prompt

Search ClawHub and install the best skill for CSV EDA and insights (charts if supported). After installing, run a step-by-step flow and ask me the minimum questions needed, then analyze the dataset.

Setelah prompt, sistem secara otomatis mencari di ClawHub, memilih keterampilan analisis CSV yang sesuai, dan memulai alur kerja terstruktur. Alih-alih langsung menjalankan analisis, ia terlebih dahulu mengajukan sejumlah kecil pertanyaan terarah tentang tujuan dan konteks dataset. 

Proses intake bertahap ini penting karena menunjukkan bahwa keterampilan tersebut mengikuti pipeline eksekusi yang terdefinisi, bukan menghasilkan ringkasan EDA generik.

Setelah masukan diperjelas, keterampilan tersebut melakukan analisis end-to-end, termasuk gambaran data, pemeriksaan kualitas, wawasan utama, dan pembuatan bagan. Namun, keterbatasan utama terlihat pada penanganan output. 

Meskipun bagan dihasilkan, bagan tersebut tidak dirender secara inline di antarmuka chat. Sebagai gantinya, sistem mengembalikan path file: /root/.openclaw/workspace/ev_brand_analysis.png. 

Path ini merujuk ke ruang kerja cloud internal, yang tidak dapat diakses langsung dari browser. Akibatnya, visualisasi tidak dapat dipratinjau maupun diunduh dengan mudah.

Secara keseluruhan, eksekusi keterampilan ini andal dan berorientasi alur kerja, sehingga berguna untuk tugas terstruktur seperti analisis dataset. Namun, visibilitas artefak dan akses file masih terbatas, yang mengurangi kegunaan untuk alur kerja yang menghasilkan output yang dapat diunduh.

Contoh 4: Tugas riset multi-langkah

Dalam contoh ini, saya mencoba meminta Kimi Claw menangani tugas berorientasi riset yang memerlukan pengumpulan informasi dari berbagai sumber dan mensintesisnya menjadi perbandingan terstruktur. Setelah prompt, agen melakukan pencarian web dan menyusun temuan menjadi laporan yang jelas.

Research the top 5 open-source agent frameworks.
Compare:
- Architecture
- Memory model
- Tool support
- Production readiness
Return a structured report.

Saya menemukan bahwa, alih-alih mencantumkan informasi secara berurutan, respons disusun untuk perbandingan, sehingga lebih mudah mengevaluasi trade-off antar kerangka kerja. Ini menunjukkan bahwa Kimi Claw menerapkan alur kerja bergaya perencanaan untuk tugas riset yang lebih luas, di mana pengambilan informasi dan sintesis berlangsung bersamaan, bukan sebagai langkah terpisah.

Aspek lain yang patut dicatat adalah efisiensi. Tugas selesai dalam waktu yang wajar dan tidak memerlukan klarifikasi lanjutan, menunjukkan bahwa Kimi Claw menangani prompt dengan banyak batasan yang terdefinisi dengan baik secara andal meski tanpa instruksi langkah demi langkah eksplisit.

Namun, keterbatasan beta saat ini masih terlihat. Meskipun kualitas output kuat, beberapa bagian tidak memiliki sitasi sumber atau asumsi yang eksplisit, yang penting untuk pengambilan keputusan teknis. Untuk alur kerja riset yang lebih mendalam, verifikasi tambahan atau validasi manual mungkin tetap diperlukan.

Namun, meski masih dalam beta dengan beberapa kendala operasional, ia efisien dalam mengubah satu prompt menjadi ringkasan riset terstruktur yang jika tidak, memerlukan banyak pencarian manual dan langkah-langkah terpisah.

Contoh 5: Analis AI di Telegram

Dalam contoh ini, saya menguji kemampuan Kimi Claw untuk beroperasi sebagai agen komunikasi eksternal dengan mengintegrasikannya ke Telegram menggunakan token BotFather (bot pembuat bot).

Prompt

Configure Telegram channel and test:
Team Q&AMeeting summariesResearch bot for group

Kimi Claw menghasilkan instruksi langkah demi langkah, menangani proses pemasangan pasangan, dan mengonfirmasi koneksi tanpa memerlukan konfigurasi manual di luar antarmuka chat. Ini menunjukkan bahwa Kimi Claw dapat menangani integrasi eksternal melalui instruksi bahasa alami terpandu alih-alih alur konfigurasi manual tradisional.

Namun, perilaku operasional tidak konsisten setelah koneksi. Bot tidak selalu merespons secara andal di lingkungan Telegram, dan interaksi berbasis grup seperti tanya jawab tim atau bantuan riset tidak bekerja sebagaimana mestinya. 

Ini selaras dengan dokumentasi saat ini, yang menunjukkan bahwa integrasi saluran masih dalam beta dan mungkin belum berfungsi andal di semua skenario.

Inti dari contoh ini adalah bahwa meskipun alur integrasinya fungsional, keandalan runtime untuk saluran eksternal belum siap produksi. Fitur ini menunjukkan potensi untuk mengubah Kimi Claw menjadi asisten tim di berbagai platform komunikasi, namun saat ini sebaiknya dianggap eksperimental.

Kesimpulan

Dalam tutorial ini, Kimi Claw menunjukkan bagaimana model percakapan dapat berfungsi sebagai agen yang menangani pekerjaan berkelanjutan alih-alih kueri satu kali. Di berbagai contoh, ia mampu mengubah instruksi bahasa alami sederhana menjadi pekerjaan terjadwal, riset terstruktur, analisis berbasis keterampilan, dan integrasi eksternal tanpa banyak intervensi manusia.

Pada saat yang sama, eksperimen langsung juga menyoroti batasannya saat ini. Sementara alur kerja penjadwalan dan riset berjalan andal, area seperti visibilitas artefak, akses file, kontrol pemantauan, dan integrasi saluran eksternal masih terbatas. 

Secara keseluruhan, Kimi Claw paling baik digunakan untuk alur kerja luas dan asinkron seperti pemantauan harian, riset multi-langkah, dan otomasi ringan. Bagi pengembang, peneliti, dan pekerja pengetahuan yang ingin mengeksplorasi alur kerja berbasis agen (terutama tanpa menyiapkan OpenClaw di perangkat mereka dan tanpa mengelola infrastruktur), ini menyediakan lingkungan yang sederhana dan menjanjikan untuk mulai bereksperimen.

Jika Anda ingin mempelajari lebih lanjut tentang membangun alur kerja agentic, saya merekomendasikan kursus Multi-Agent Systems With LangGraph.