Tinjauan OpenHands, agen koding AI open-source, mencakup arsitekturnya, setup lokal dengan Ollama, praktik perbaikan bug, keamanan dan keterbatasan, serta perbandingan dengan Claude Code, Cursor, dan GitHub Copilot.
OpenHands adalah platform open-source untuk pengembangan perangkat lunak berbasis AI, berpusat pada agen yang dapat memeriksa repository Anda, mengedit file, mengeksekusi perintah, dan menjalankan pengujian. Ini merupakan bagian dari pergeseran menuju pengembangan perangkat lunak berbasis agen — Anda memberikan tugas lengkap kepada agen, dan ia menyelesaikannya langkah demi langkah sampai selesai atau membutuhkan masukan Anda.
Dalam artikel ini, saya akan mengulas arsitektur OpenHands dan fitur utamanya, menunjukkan cara menyiapkannya dengan model lokal, serta membandingkannya dengan Claude Code, Cursor, dan GitHub Copilot.
Apa itu Agen AI? Daftar di AI Agent Fundamentals track kami untuk mempelajari bagaimana agen AI dapat mengubah cara Anda bekerja.
Apa Itu OpenHands?
OpenHands adalah platform open-source untuk membangun dan menjalankan agen AI yang bekerja dengan kode.
Nama ini mencakup dua hal. Pertama adalah proyeknya — kumpulan repository dengan SDK, server, UI peramban, dan layanan hosted. Kedua adalah agen koding yang berjalan di atas semua itu.
Begini cara kerjanya:
Software Agent SDK: Sekumpulan API Python dan REST untuk membangun agen yang bekerja dengan kode, serta mesin di balik OpenHands CLI dan OpenHands Cloud
Agent Server: Mengekspos eksekusi agen, percakapan, tools, dan workspace melalui API REST dan WebSocket
Agent Canvas: Satu UI peramban untuk percakapan, file, output terminal, konfigurasi model, backend, dan automations
OpenHands Cloud: Layanan komersial terkelola untuk tim yang tidak ingin menjalankan infrastruktur backend dan sandbox sendiri
Saat kebanyakan orang menyebut "OpenHands", yang dimaksud adalah agennya. Itulah bagian yang akan saya gunakan dalam artikel ini.
Biasanya, Anda memberikan tugas perangkat lunak kepada agen, menunjukkannya ke workspace dengan kode Anda, dan agen menyelesaikan tugas menggunakan tools yang dimilikinya. Perangkat alat default mencakup terminal, editor file, dan pelacak tugas.
Workspace tidak harus laptop Anda. Agen dapat menggunakan mesin lokal sebagai workspace-nya atau berjalan di dalam workspace sementara, misalnya di Docker atau Kubernetes.
OpenHands juga tidak mengikat Anda pada satu penyedia model. Anda dapat menggunakannya dengan Claude, GPT, atau LLM lainnya, termasuk model lokal. Agent Canvas bahkan dapat menjalankan agen pihak ketiga seperti Claude Code dan Codex menggantikan agen OpenHands default.
Singkatnya, OpenHands adalah platform agen terbuka yang dapat Anda jalankan sesuai ketentuan Anda.
Cara Kerja OpenHands
OpenHands berjalan dalam sebuah loop.
Asisten chat menerima prompt Anda dan mengembalikan teks. Agen OpenHands menerima tugas, mengambil tindakan, melihat hasilnya, dan memutuskan apa yang harus dilakukan selanjutnya.
Loop agen OpenHands
Gambaran umumnya seperti ini:
Menerima tugas: Anda menjelaskan tujuan dalam bahasa sehari-hari, misalnya "Perbaiki laporan bulanan agar tidak menggabungkan bulan dari tahun yang berbeda"
Memeriksa repository: Agen membuat daftar direktori, membuka file, dan mencari kode terkait tugas
Menyusun rencana: Agen memecah tugas menjadi langkah-langkah dan mencatatnya di pelacak tugasnya
Mengedit atau membuat file: Agen mengubah kode dengan editor filenya
Menjalankan perintah dan pengujian: Agen menjalankan test suite atau aplikasi di terminal
Memeriksa hasil: Agen membaca output, termasuk error dan assertion yang gagal
Iterasi: Jika masih ada yang salah, agen kembali, menyesuaikan rencana, dan mencoba lagi
Loop berhenti ketika tugas selesai, atau agen memerlukan sesuatu yang hanya dapat Anda sediakan, seperti kredensial yang hilang atau keputusan tentang kebutuhan.
Langkah 6 membuat OpenHands berbeda dari kompetitornya. Alat pelengkap kode tidak pernah melihat apa yang terjadi saat kodenya dijalankan. OpenHands melihatnya, sehingga dapat bereaksi terhadap tes yang gagal dan memperbaiki penyebabnya.
Fitur Utama OpenHands
Autocomplete menyarankan teks, sementara OpenHands bertindak pada proyek Anda. Begini caranya.
Pengeditan kode
OpenHands mengedit file secara langsung, dan tidak terbatas pada satu file dalam satu waktu.
Misalkan sebuah fungsi perlu nama baru. Agen memperbarui definisinya, menemukan setiap lokasi pemanggilan, dan memperbarui pengujian yang mereferensikannya — semua sebagai bagian dari satu tugas.
Terminal dan penggunaan tool
Agen memiliki terminalnya sendiri. Ia dapat menginstal dependensi, menjalankan skrip, mengeksekusi pengujian, dan membaca output dari perintah apa pun.
Anda juga dapat menghubungkan server MCP (Model Context Protocol) untuk memberikan tool yang awalnya tidak dirancang untuk agen, misalnya issue tracker atau klien basis data.
Pemahaman repository
Kebanyakan generator kode hanya melihat apa yang Anda tempel ke prompt.
OpenHands membuka repository dan menjelajahinya. Ia dapat membaca README, mengikuti import, dan melihat pengujian yang ada untuk memahami struktur proyek. Artinya, perubahan yang dibuatnya lebih mungkin selaras dengan kode yang sudah ada.
Tugas yang panjang menimbulkan masalah lain — riwayat percakapan tumbuh melampaui kapasitas model. OpenHands mengatasinya dengan context condenser, yang meringkas bagian percakapan yang lebih lama agar agen dapat terus bekerja.
Pilihan model
Panggilan model melalui LiteLLM, sehingga Anda dapat menggunakan penyedia dan model apa pun yang didukungnya. Dokumentasi OpenHands merekomendasikan model dari keluarga Claude, GPT, dan Gemini, plus model open-weight yang meraih skor baik di OpenHands Index.
Jika kode Anda tidak boleh meninggalkan mesin Anda, Anda dapat menjalankan model lokal. OpenHands terhubung ke server lokal seperti LM Studio, Ollama, vLLM, dan SGLang.
Perlu diingat bahwa model sangat memengaruhi hasil. Beberapa model lokal kesulitan menggunakan tool secara andal, bahkan dengan jendela konteks besar.
Eksekusi tugas otonom
Setelah Anda menyerahkan sebuah tugas, agen menjalankan loop secara mandiri. Anda tidak perlu menempelkan error kembali ke chat atau memberi tahu file mana yang harus dibuka berikutnya.
Agent Canvas melangkah lebih jauh dengan automations. Mereka terintegrasi dengan Slack, GitHub, Linear, dan lainnya, serta berjalan terjadwal atau sebagai respons terhadap event webhook.
Namun, otonomi tidak menjamin kebenaran. Anda tetap perlu meninjau diff dan hasil pengujian sebelum apa pun digabungkan.
Cara Menggunakan OpenHands
Cara terbaik memahami OpenHands adalah memberinya bug dan melihat apa yang dilakukannya.
Di bagian ini, saya akan menjalankan OpenHands secara lokal di Docker, menghubungkannya ke model lokal melalui Ollama, dan memintanya memperbaiki bug di proyek Python kecil.
Menyiapkan OpenHands
Anda dapat menjalankan OpenHands dengan beberapa cara:
Peluncur CLI: Instal dengan uv tool install openhands --python 3.14, lalu mulai GUI dengan openhands serve
Docker: Jalankan kontainer app langsung dengan satu perintah docker run
Agent Canvas: Klien peramban yang lebih baru yang terhubung ke backend lokal, self-hosted, Cloud, atau Enterprise
OpenHands Cloud: Versi hosted, jika Anda tidak ingin menjalankan apa pun sendiri
Saya akan menggunakan jalur Docker dengan GUI Lokal. Dokumentasi OpenHands sekarang mencantumkannya sebagai aplikasi peramban berbasis Docker yang tidak lagi direkomendasikan dan mengarahkan ke Agent Canvas sebagai penggantinya, tetapi masih didokumentasikan dan cara tercepat untuk menjalankan GUI.
Anda memerlukan Docker Desktop di macOS, Linux, atau Windows dengan WSL. Di macOS, buka Docker Desktop, pergi ke Settings > Advanced, dan aktifkan soket Docker default.
Lalu mulai aplikasinya:
docker run -it--rm--pull=always \-eAGENT_SERVER_IMAGE_REPOSITORY=ghcr.io/openhands/agent-server \-eAGENT_SERVER_IMAGE_TAG=1.26.0-python \-eLOG_ALL_EVENTS=true \-v /var/run/docker.sock:/var/run/docker.sock \-v ~/.openhands:/.openhands \-p3000:3000 \
--add-host host.docker.internal:host-gateway \--name openhands-app \
docker.openhands.dev/openhands/openhands:1.8Didukung oleh
OpenHands menggunakan mount soket Docker untuk memulai kontainer sandbox terpisah, dan agen menjalankan perintahnya di dalam sandbox tersebut, bukan di host Anda.
Setelah log menunjukkan server aktif, buka http://localhost:3000 di peramban Anda.
Halaman sambutan OpenHands
Menghubungkan model
OpenHands tidak akan melakukan apa pun sampai Anda memberinya model.
Saya menggunakan Devstral Small 2, model 24B dari Mistral yang dibuat untuk koding berbasis agen. Cukup ringan untuk berjalan pada satu RTX 4090 atau Mac dengan RAM 32GB. Membutuhkan Ollama 0.13.3 atau lebih baru.
Mulai Ollama dengan jendela konteks lebih besar dan tarik modelnya:
OLLAMA_CONTEXT_LENGTH=32768OLLAMA_HOST=0.0.0.0:11434 ollama serve &
ollama pull devstral-small-2:24bDidukung oleh
Jangan abaikan panjang konteks. Default Ollama adalah 4096 token, terlalu kecil untuk memuat bahkan system prompt OpenHands. Dokumennya meminta setidaknya 22000.
Di OpenHands, buka Settings, pergi ke tab LLM, dan aktifkan Advanced. Lalu atur:
Custom Model:openai/devstral-small-2:latest
Base URL:http://host.docker.internal:11434/v1
API Key: Nilai placeholder apa pun, seperti local-llm
Pengaturan LLM untuk model Ollama lokal
Awalan openai/ memberi tahu OpenHands untuk berbicara dengan Ollama melalui API yang kompatibel dengan OpenAI. Kunci API tidak digunakan, tetapi kolomnya tidak boleh kosong.
Membuka repository
Secara default, OpenHands tidak dapat melihat file Anda. Anda harus me-mount proyek ke dalam sandbox.
Untuk contoh ini, Anda memerlukan folder bernama budget-tracker/project dengan dua file. Yang pertama menjumlahkan pengeluaran per bulan:
# budget.pydefmonthly_totals(transactions):"""Sum spending per month, keyed as 'YYYY-MM'.
Each transaction is a (date, amount) tuple, for example ("2025-01-15", 42.0).
"""
totals ={}for date, amount in transactions:
month = date[5:7]
totals[month]= totals.get(month,0)+ amount
return totalsDidukung oleh
Docstring menjanjikan key YYYY-MM, tetapi date[5:7] hanya mengambil bulan. Januari 2025 dan Januari 2026 akan masuk ke keranjang yang sama.
File kedua memiliki dua pengujian yang menangkap bug tersebut:
Ubah folder menjadi repository Git, sehingga Anda dapat melihat apa yang diubah agen nanti:
cd budget-tracker
git init
gitadd.git commit -m"Initial commit"Didukung oleh
Jika Anda menjalankan python -m pytest sekarang, kedua tes akan gagal:
Tes gagal
Untuk memberi akses kepada OpenHands, hentikan kontainer dan tambahkan satu baris ke perintah docker run:
-eSANDBOX_VOLUMES=$HOME/budget-tracker:/workspace:rw \Didukung oleh
Jadi perintah lengkapnya sekarang:
docker run -it--rm--pull=always \-eAGENT_SERVER_IMAGE_REPOSITORY=ghcr.io/openhands/agent-server \-eAGENT_SERVER_IMAGE_TAG=1.26.0-python \-eLOG_ALL_EVENTS=true \-eSANDBOX_VOLUMES=$HOME/Desktop/budget-tracker:/workspace:rw \-v /var/run/docker.sock:/var/run/docker.sock \-v ~/.openhands:/.openhands \-p3000:3000 \
--add-host host.docker.internal:host-gateway \--name openhands-app \
docker.openhands.dev/openhands/openhands:1.8Didukung oleh
Formatnya adalah host_path:container_path:mode. Proyek Anda muncul di sandbox di bawah /workspace, dan rwmemungkinkan agen untuk mengeditnya.
Mount hanya proyek yang ingin Anda ubah. Apa pun yang di-mount read-write ke /workspace dapat dimodifikasi oleh agen.
Memberi tugas kepada agen
Mulai percakapan baru dan jelaskan masalahnya seperti Anda menulis laporan bug:
Total bulanan menggabungkan pengeluaran dari bulan yang sama di tahun yang berbeda.
Temukan penyebabnya, perbaiki, dan jalankan pengujian untuk memastikan semuanya lulus.
Itu saja. Anda tidak perlu menunjuk agen ke budget.py atau memberitahu baris mana yang salah.
Output percakapan
Loop agen tadi mengambil alih dari sini. Agen menelusuri /workspace, membaca kedua file, dan menjalankan pengujian untuk melihat apa yang gagal. Lalu ia mengedit kode dan menjalankan pengujian lagi.
Agen menjalankan pytest di terminal sandbox
Meninjau perubahan
Agen menyatakan tugas selesai. Anda sekarang dapat melihat perbedaannya dengan membuka editor kode dan memeriksa perubahan pada kode.
Perbaikan yang benar adalah satu baris di budget.py:
Anda juga dapat menjalankan git diff untuk melihat perbedaannya.
Berikut yang perlu Anda periksa:
Kode sumber: Perbaikan seharusnya ada di budget.py
Pengujian: Pastikan agen tidak mengedit test_budget.py untuk membuat assertion lulus
Hasil pengujian: Jalankan python -m pytest sendiri — jangan hanya mengandalkan ringkasan agen
Arsitektur OpenHands
OpenHands memiliki enam bagian utama, dan masing-masing memiliki satu tugas.
Keterhubungan komponen OpenHands
Model AI
Model melakukan penalaran. Ia menerima tugas dan riwayat percakapan, lalu menjawab dengan pesan atau panggilan tool.
Model tidak mengubah file Anda atau menjalankan apa pun. Ia hanya memutuskan apa yang harus terjadi selanjutnya. Panggilan model melalui LiteLLM, sehingga agen yang sama bekerja dengan penyedia hosted atau model lokal seperti setup Devstral dalam artikel.
Logika agen
Agen berada di antara model dan semua komponen lainnya. Ia menjalankan loop penalaran-tindakan, artinya ia meminta model tindakan berikutnya, menjalankan tool, dan menangani hasil atau error.
Agen juga memutuskan apa yang boleh dilihat model. Agen mengelola riwayat percakapan dengan condenser dan menambahkan skills serta prompt pada setiap kueri model.
Setiap langkah direkam. Agen mengeksekusi tindakan dan menerima observasi kembali, dan percakapan menyimpan riwayat event tersebut. Model melihat event ini pada giliran berikutnya, sehingga mengetahui apa yang sudah terjadi.
Tools dan tindakan
Tools adalah cara agen memengaruhi apa pun di luar model. Set standar mencakup terminal, editor file, dan pelacak tugas, dan Anda dapat menambahkan lebih banyak melalui server MCP.
Model meminta sebuah tindakan, seperti "jalankan pytest" atau "ganti baris 8 di budget.py." Tool mengeksekusinya dan mengembalikan observasi, seperti output pengujian atau file yang diperbarui.
Sebelum tindakan dijalankan, ia melalui pemeriksaan keamanan. Security analyzer mengevaluasi setiap tindakan terlebih dahulu, dan dapat menghentikan agen untuk menunggu persetujuan Anda.
Lingkungan pengembangan
Tools tidak berjalan di mesin Anda. Tools berjalan di dalam sandbox.
Dalam setup Docker, OpenHands menjalankan agent server di dalam kontainer Docker miliknya. Itulah mengapa artikel ini me-mount soket Docker — kontainer app membutuhkannya untuk memulai sandbox.
Sandbox tidak harus lokal. Agen juga dapat berjalan di workspace sementara, misalnya di Docker atau Kubernetes, dan Agent Server mengekspos eksekusi, tools, dan workspace melalui API REST dan WebSocket. Logika agen tetap sama di mana pun sandbox berjalan.
Repository
Repository adalah objek kerja agen. Repository masuk ke sandbox dengan dua cara: folder lokal yang Anda mount, seperti di artikel, atau repo yang terhubung melalui integrasi GitHub, GitLab, atau Bitbucket.
Repository juga dapat memberi tahu agen cara berperilaku. File AGENTS.md di root disuntikkan ke system prompt saat percakapan dimulai. Instruksi yang lebih terfokus ditempatkan di .agents/skills/, di mana agen melihat ringkasan terlebih dahulu dan memuat konten lengkap hanya saat dibutuhkan.
Di sinilah Anda menempatkan aturan proyek yang tidak bisa ditebak oleh agen, seperti "jalankan pengujian dengan make test, bukan pytest."
Tinjauan manusia
Andalah bagian terakhir dari arsitektur.
OpenHands mendukung tiga kebijakan konfirmasi: setujui setiap tindakan, tidak perlu persetujuan, atau setujui hanya tindakan berisiko. Yang terakhir bergantung pada security analyzer, yang memberi label setiap tindakan sebagai risiko LOW, MEDIUM, HIGH, atau UNKNOWN. NeverConfirm adalah defaultnya, sehingga agen berjalan tanpa berhenti kecuali Anda mengubahnya.
Pemeriksaan kedua terjadi di akhir. Pekerjaan agen belum selesai sampai Anda membaca diff dan memeriksa hasil pengujian.
Alur Kerja OpenHands
Saya telah menunjukkan cara memperbaiki bug satu baris, tetapi tentu saja, OpenHands dapat menangani tugas yang jauh lebih besar.
Kesamaan tugas-tugas ini adalah membutuhkan lebih dari satu langkah. Berikut enam jenis pekerjaan di mana loop agen masuk akal.
Memperbaiki bug
Bug yang ditunjukkan dalam artikel ini mudah dilihat dalam satu file. Hampir tidak pernah demikian di dunia nyata.
Misalkan log aplikasi menunjukkan KeyError di produksi, dan stack trace menunjuk ke fungsi tiga panggilan dari tempat data buruk masuk. Anda menempelkan stack trace ke OpenHands dan meminta perbaikan.
Agen menelusuri rantai pemanggilan kembali ke sumber data, menulis pengujian yang mereproduksi error, dan mengonfirmasi pengujian gagal. Lalu agen memperbaiki kode dan menjalankan seluruh test suite untuk memastikan tidak ada yang rusak.
Pengujian reproduksi adalah bagian yang harus dicari. Ini membuktikan agen menemukan bug sebenarnya alih-alih hanya melihat di mana error muncul.
Mengimplementasikan fitur
Pekerjaan fitur biasanya memodifikasi lebih banyak file daripada yang Anda bayangkan.
Misalkan skrip laporan command-line membutuhkan flag --since untuk memfilter transaksi berdasarkan tanggal. Agen harus menemukan parser argumen, menambahkan flag, meneruskan nilainya ke logika filter, dan memperbarui teks bantuan. Lalu agen menulis pengujian untuk perilaku baru dan memperbarui README.
Itu empat atau lima file untuk satu fitur kecil. Agen melacak semuanya di pelacak tugasnya, sehingga tidak berhenti setelah yang pertama berfungsi.
Refactoring kode
Refactoring adalah mengubah struktur tanpa mengubah perilaku, dan test suite adalah cara Anda membuktikan perilaku tidak berubah.
Misalkan sebuah proyek memiliki satu file utils.py besar berisi helper tanggal, string, dan file bercampur. Anda meminta OpenHands membaginya menjadi tiga modul.
Agen membuat modul baru, memindahkan fungsi, dan memperbarui setiap import di seluruh basis kode. Agen menjalankan pengujian setelah setiap pemindahan. Dengan begitu, jika sesuatu rusak, agen tahu pemindahan mana yang menyebabkannya.
Menulis pengujian
Kode tanpa pengujian adalah titik awal umum untuk pekerjaan agen, karena tugasnya jelas dan mudah diverifikasi.
Misalkan modul pemrosesan tanggal tidak memiliki pengujian. Agen membaca fungsi, menulis kasus pytest untuk input normal dan kasus tepi seperti string kosong, tahun kabisat, dan format tidak valid, lalu menjalankannya.
Jika pengujian baru gagal, agen harus memutuskan apakah pengujiannya salah atau kodenya yang bermasalah. Keputusan inilah yang sebaiknya Anda periksa sendiri.
Menyelidiki basis kode yang sudah ada
Tidak setiap tugas membutuhkan perubahan kode.
Anda dapat menanyakan OpenHands pertanyaan seperti "Di mana aplikasi ini memvalidasi input pengguna sebelum mencapai database?" Agen mencari di basis kode, mengikuti pemanggilan fungsi lintas file, dan menjawab dengan path file serta referensi baris.
Ini berguna saat Anda bergabung ke proyek baru atau mengambil alih kode yang sudah lama tidak Anda ubah. Untuk pekerjaan read-only seperti ini, mount repository dengan mode :ro menggantikan :rw, sehingga agen tidak dapat mengubah apa pun bahkan secara tidak sengaja.
Menjalankan dan men-debug aplikasi
Beberapa bug hanya muncul saat aplikasi dijalankan.
Misalkan sebuah endpoint API mengembalikan error 500, dan pengujian tidak mencakupnya. Agen memulai server di terminalnya, mengirim permintaan dengan curl, dan membaca traceback dari log server.
Kemudian agen memperbaiki kode, memulai ulang server, dan mengirim permintaan yang sama lagi. Jika respons masih salah, loop berlanjut dari sana.
Ini adalah siklus edit-jalankan-periksa yang sama seperti yang akan Anda lakukan sendiri, kecuali agen menangani setiap restart dan setiap percobaan ulang.
OpenHands vs Agen Koding AI Lainnya
OpenHands bukan satu-satunya alat yang dapat menerima tugas dan menyelesaikannya secara mandiri. Claude Code, Cursor, dan GitHub Copilot kini memiliki fitur agen, tetapi berbeda dalam beberapa hal penting.
OpenHands vs Claude Code
Keduanya paling mirip. Keduanya menjalankan loop agen yang membaca kode, mengedit file, menjalankan perintah, dan memeriksa hasilnya.
Perbedaan pertama adalah kepemilikan. Setiap repository OpenHands publik memiliki lisensi open-source, dan Anda dapat membaca, memodifikasi, dan self-host semuanya. Claude Code adalah alat koding berbasis agen milik Anthropic, tersedia di terminal, IDE, aplikasi desktop, dan peramban.
Itu berujung pada pertanyaan model. Claude Code dibangun di sekitar model Claude milik Anthropic. OpenHands bekerja dengan penyedia mana pun yang didukung LiteLLM, termasuk setup Ollama lokal dari artikel.
Alur kerja sehari-hari juga berbeda. Claude Code dimulai sebagai alat terminal, dan hingga kini banyak developer masih menggunakannya di sana. OpenHands mengandalkan UI perambannya, dan CLI-nya lengkap fiturnya tetapi utamanya dipertahankan untuk stabilitas.
Kedua alat memungkinkan Anda mengontrol perilaku agen. Claude Code membaca CLAUDE.md, pengaturan, hooks, skills, perintah, dan subagent dari direktori .claude. OpenHands membaca AGENTS.md dan skills dari repository, dan SDK memungkinkan Anda membangun agen sendiri dalam Python.
Otonomi bekerja berbeda pada masing-masing alat. Claude Code mengontrol penggunaan tool dengan mode izin, hooks, dan aturan allow/deny, serta dapat melakukan sandbox pada perintah. OpenHands menjalankan setiap perintah di dalam sandbox Docker secara default dan menambahkan kebijakan konfirmasi di atasnya.
Singkatnya, Claude Code adalah opsi yang lebih matang yang dapat langsung Anda pasang dan gunakan, sementara OpenHands memerlukan lebih banyak setup dan sebagai gantinya memberi Anda lebih banyak kontrol. Keduanya juga tidak saling eksklusif. Agent Canvas dapat menjalankan Claude Code sebagai agen menggantikan agen OpenHands default.
OpenHands vs Cursor
Cursor adalah editor kode AI. OpenHands adalah platform agen. Itulah perbedaan utama, dan sebagian besar perbedaan lain mengikutinya.
Di Cursor, Anda bekerja di dalam editor, dan agen bekerja di samping Anda. Anda melihat edit muncul di file Anda, menerima atau menolaknya, dan terus mengetik. Di OpenHands, Anda menjelaskan sebuah tugas, agen bekerja di sandbox, dan Anda meninjau hasilnya. GUI memang menyertakan tampilan VS Code ke dalam sandbox, tetapi bukan di situlah sebagian besar pekerjaan berlangsung.
Akses repository mengikuti pembagian yang sama. Agen Cursor bekerja pada kode yang terbuka di editor Anda. OpenHands bekerja pada apa pun yang Anda mount ke sandbox-nya atau hubungkan melalui integrasi Git.
Kesenjangan menjadi lebih kecil dengan Cloud Agents milik Cursor. Agen ini berjalan tanpa pengawasan di cloud dan mengembalikan hasil melalui branch dan pull request, dan membutuhkan akun GitHub, GitLab, Azure DevOps, atau Bitbucket yang terhubung serta paket berbayar. Itu mirip dengan apa yang dilakukan OpenHands, tetapi di infrastruktur Cursor.
Ekstensibilitas adalah perbedaan terbesar. Cursor mendukung server MCP dan aturan proyek, tetapi editor dan agennya adalah produk tertutup. Dengan OpenHands, Anda dapat mengubah agennya sendiri, meng-host di mana saja, dan menjalankannya pada model lokal.
OpenHands vs GitHub Copilot
GitHub Copilot dimulai sebagai alat autocomplete di editor Anda dan berkembang ke fitur agen dari sana. OpenHands sejak awal adalah agen.
Kekuatan terbesar Copilot adalah tempat ia berada. Copilot bekerja di dalam VS Code dan JetBrains IDEs, dan agen cloud-nya bekerja langsung di GitHub. OpenHands tidak memiliki integrasi IDE seperti itu.
Untuk tugas tingkat repository, agen cloud Copilot adalah perbandingan terdekat. Anda menugaskannya sebuah issue, dan agen bekerja di lingkungan pengembangan sementara miliknya yang didukung oleh GitHub Actions, di mana ia dapat menjalankan pengujian dan linter sebelum melakukan push. OpenHands Cloud melakukan hal serupa saat Anda menyebut @openhands dalam komentar issue atau pull request.
Platform adalah perbedaan utama. Agen cloud Copilot tersedia untuk semua paket Copilot berbayar dalam repository yang disimpan di GitHub. OpenHands bekerja dengan GitHub, GitLab, Bitbucket, atau folder lokal, dan dapat berjalan di hardware Anda sendiri jika Anda menginginkannya.
Copilot memang memungkinkan Anda memilih model untuk sebuah tugas, tetapi hanya dari model yang ditawarkan GitHub. OpenHands tidak memiliki batasan tersebut.
Berikut ringkasan singkatnya:
OpenHands
Claude Code
Cursor
GitHub Copilot
Sumber
Open source
Proprietary
Proprietary
Proprietary
Model
Penyedia LiteLLM apa pun, termasuk lokal
Model Claude
Beberapa penyedia plus model internal
Model yang ditawarkan GitHub
Antarmuka utama
UI peramban, SDK
Terminal, IDE, desktop, peramban
Editor kode AI
Ekstensi IDE, GitHub
Lokasi agen berjalan
Sandbox Docker, lokal atau remote
Mesin Anda atau cloud Anthropic
Editor Anda atau cloud Cursor
IDE Anda atau GitHub Actions
Self-hosting
Ya
Tidak
Enterprise saja
Tidak
Perbandingan OpenHands dengan agen AI lainnya
OpenHands untuk Tim Rekayasa Perangkat Lunak
Bagi seorang developer tunggal, OpenHands adalah alat yang Anda buka saat membutuhkannya. Namun tidak demikian bagi sebuah tim.
Kebanyakan tim sudah mengatur pekerjaan berdasarkan issue, dan OpenHands Cloud terhubung ke sana. Ia terintegrasi dengan GitHub, GitLab, dan Bitbucket, serta Slack, Jira, dan Linear. Anda dapat menyebut @openhands di komentar issue atau pull request, dan agen akan mengambil tugas dari sana.
Lalu ada pekerjaan yang tidak diminta tetapi dibutuhkan semua orang. Automations di Agent Canvas berjalan terjadwal atau sebagai respons terhadap event webhook. Misalnya, satu tim dapat berbagi satu Agent Server untuk code review dan pembaruan dependensi, sementara setiap developer menjalankan agen pribadi di laptop masing-masing.
Pengujian bekerja sama seperti di artikel. Agen menjalankan test suite di sandbox sebelum melapor kembali. Namun, menjalankan di sandbox bukan pengganti CI — pipeline Anda tetap berjalan pada setiap pull request, sama seperti kode yang ditulis manusia.
Pull request adalah topik lain. Saat OpenHands Cloud bekerja dengan GitHub, ia meminta token berumur pendek yang kedaluwarsa setelah delapan jam, dengan akses baca dan tulis ke contents, issues, pull request, dan workflows. Dalam setup Enterprise self-hosted, agen menggunakan otorisasi GitHub dari pengguna yang memicunya, sehingga setiap perubahan dapat ditelusuri ke seseorang.
Begitulah seharusnya tanggung jawab bekerja. Agen dapat membuka pull request, tetapi developer yang menyetujuinya. Perlindungan branch dan review wajib berlaku untuk pull request agen seperti halnya untuk semua orang.
Lingkungan terisolasi membuat semua ini dapat berjalan dalam skala. Setiap tugas berjalan di sandboxnya sendiri, sehingga dua agen yang memperbaiki dua bug tidak saling menimpa file atau berebut port yang sama.
Keamanan dan Sandboxing OpenHands
Alat pelengkap kode selalu menyarankan teks, dan terserah Anda untuk menerimanya.
Agen berbeda. Agen menelusuri proyek Anda, mengeksekusi perintah, memasang paket, dan mengedit file secara mandiri, sering kali tanpa bertanya. Jadi pertanyaannya bergeser dari "apakah kode ini benar?" menjadi "apa yang dijalankan agen untuk mencapainya?"
Lingkungan eksekusi terisolasi
Sandbox Docker melindungi file dan program host Anda, sumber daya host, serta kontainer dan proses lain. Jika agen menjalankan perintah destruktif, dampaknya terbatas pada kontainer.
Ada satu pengecualian yang perlu diperhatikan di setup lokal. Kontainer app me-mount soket Docker host agar dapat memulai sandbox, dan akses ke soket tersebut berarti kontrol atas Docker di mesin Anda.
Izin repository
Sandbox hanya melindungi apa yang tidak Anda mount. File dan direktori yang di-mount dapat dimodifikasi atau dihapus.
Mount hanya proyek yang sedang Anda kerjakan, jangan pernah mount direktori home Anda. Untuk tugas read-only seperti investigasi kode, gunakan mode :ro. Untuk integrasi Git, beri agen akses ke repository spesifik yang dibutuhkan dan tidak lebih.
Secret dan kredensial
Jika Anda memberikan kredensial, seperti API key atau token, agen dapat menggunakannya. Dan agen yang dapat membaca secret juga dapat mencetaknya ke log atau mengirimkannya ke suatu tempat.
Jadi jangan me-mount folder dengan file .env yang menyimpan kunci produksi. Beri agen kredensial pengujian dengan cakupan terbatas, dan rotasi secara berkala.
Akses jaringan
Secara default, agen dapat mengakses internet dari dalam kontainer. Agen memerlukannya untuk memasang paket, tetapi juga dapat menjangkau layanan eksternal apa pun.
Ini membuka pintu bagi injection prompt. Halaman web atau komentar issue dapat menyertakan instruksi yang mungkin diikuti agen. GitHub membatasi risiko ini bagi agen cloud miliknya dengan firewall yang membatasi akses internet secara default, dan ada baiknya mempertimbangkan batasan serupa untuk setup OpenHands Anda.
Eksekusi perintah
Anda dapat mengontrol perintah mana yang berjalan tanpa persetujuan. OpenHands mendukung tiga kebijakan konfirmasi: setujui semuanya, tidak perlu persetujuan, atau setujui hanya tindakan berisiko. NeverConfirm adalah defaultnya.
Opsi "tindakan berisiko" punya catatan. Security analyzer LLM default menggunakan tingkat risiko yang model tetapkan untuk tindakannya sendiri. Sebuah model bisa memberi label perintah destruktif sebagai risiko LOW, dan perintah itu akan berjalan tanpa meminta Anda. Analyzer mengklasifikasikan risiko untuk lapisan kebijakan — ia tidak memblokir apa pun sendiri, dan dokumen merekomendasikan menggabungkannya dengan isolasi Docker.
Meninjau perubahan yang dihasilkan
Semua hal di atas membatasi apa yang dapat dilakukan agen. Namun fase review penting karena di situlah Anda memeriksa apa yang telah dilakukan.
Bacalah seluruh diff, bukan hanya file yang Anda harapkan berubah. Beri perhatian ekstra pada konfigurasi CI, file dependensi, dan skrip. Di OpenHands Cloud, token GitHub milik agen mencakup akses tulis ke workflows, sehingga perubahan di .github/workflows dapat mengubah apa yang berjalan di pipeline Anda.
Keterbatasan OpenHands
Kode yang ditulis OpenHands masih bisa memiliki bug. Pengujian yang lulus hanya memberi tahu bahwa kode sesuai dengan pengujian, dan agen mungkin menulis keduanya. Jika pengujiannya lemah, kodenya bisa lulus tetapi tetap salah.
Tugas kompleks sering kali membutuhkan Anda di dalam loop. Kebutuhan yang samar atau keputusan desain yang tidak bisa dibuat agen akan menghentikannya atau, lebih buruk, mengarahkannya ke arah yang salah.
Dengan model hosted yang kuat, OpenHands menangani tugas multi-file dengan baik. Dengan model lokal kecil, Anda akan melihat kegagalan pemanggilan tool dan jawaban seperti chatbot, dan bahkan dengan jendela konteks besar, beberapa model lokal tidak dapat menggunakan tool secara andal.
Loop agen juga lebih mahal daripada chat. Setiap langkah mengirim riwayat percakapan kembali ke model, dan tugas panjang membutuhkan banyak langkah. Dokumentasi OpenHands memperingatkan bahwa agen mengirim banyak prompt ke LLM dan merekomendasikan batas pengeluaran serta pemantauan penggunaan. Context condenser membantu, tetapi ia meringkas langkah lama, sehingga detail dapat hilang pada tugas panjang.
Akses tool menambah risiko keamanan. Agen dengan terminal dan akses jaringan dapat menyebabkan kerusakan nyata jika mengikuti instruksi buruk, itulah sebabnya sandbox dan tinjauan Anda sangat penting.
Dan setiap perubahan tetap membutuhkan persetujuan manusia. Selalu ingat itu.
OpenHands dan Masa Depan Agen Koding AI
Alat koding AI telah berkembang dari autocomplete ke chat hingga agen yang menyelesaikan seluruh tugas. OpenHands adalah salah satu dari beberapa proyek yang mendorong langkah terakhir itu maju.
Arah ini mudah terlihat di seluruh industri. Cursor menggambarkan era baru di mana agen cloud otonom menangani tugas yang lebih besar dalam rentang waktu lebih panjang. Copilot kini mengambil issue dari GitHub dan Linear. Claude Code berjalan di terminal, peramban, dan Slack.
Platform open-source memiliki peran khusus dalam pergeseran itu. Dengan OpenHands, Anda dapat memeriksa cara kerja agen, menjalankannya di infrastruktur Anda sendiri, dan memilih modelnya. Bagi tim dengan aturan data ketat, itu sering kali satu-satunya cara mereka diizinkan menggunakan agen.
Tugas yang lebih panjang juga membawa masalah baru. Agen yang bekerja selama satu jam membuat lebih banyak keputusan daripada yang bekerja selama satu menit, dan setiap keputusan adalah peluang untuk menyimpang dari yang Anda inginkan. Model yang lebih baik membantu, begitu pula sandbox, kebijakan konfirmasi, dan tinjauan.
Kesimpulan
Yang membedakan OpenHands dari para pesaingnya adalah kontrol. Anda dapat membaca source, meng-host di hardware Anda sendiri, dan menjalankannya dengan model apa pun, termasuk model lokal. Alat komersial yang lebih ketat seperti Claude Code, Cursor, dan GitHub Copilot memberi pengalaman yang lebih baik, tetapi dengan ketentuan mereka.
Namun agen yang memiliki akses ke terminal dan repository Anda tetap membutuhkan orang untuk memeriksa hasil kerjanya. Selalu ingat untuk membaca diff dan menjalankan pengujian sendiri.
Senior Data Scientist yang berbasis di Kroasia. Penulis Tekno Teratas dengan lebih dari 700 artikel yang telah diterbitkan, menghasilkan lebih dari 10 juta tayangan. Penulis buku Machine Learning Automation with TPOT.
FAQs
Apa itu OpenHands?⌄
OpenHands adalah platform open-source untuk membangun dan menjalankan agen AI yang bekerja dengan kode. Agen kodingnya dapat memeriksa repository, mengedit file, menjalankan perintah dan pengujian, serta beriterasi pada hasil hingga tugas selesai. Anda dapat menjalankannya secara lokal di Docker, melalui SDK, atau di OpenHands Cloud.
Apakah OpenHands gratis digunakan?⌄
Perangkat lunak OpenHands bersifat open source, sehingga Anda dapat melakukan self-host tanpa membayar lisensi. Yang Anda bayar adalah modelnya — penyedia hosted seperti Anthropic atau OpenAI menagih per token, dan loop agen menggunakan banyak token. Jika Anda menjalankan model lokal melalui Ollama atau LM Studio, satu-satunya biaya adalah hardware Anda. OpenHands Cloud adalah layanan komersial terpisah.
Apa bedanya OpenHands dengan GitHub Copilot atau Cursor?⌄
Copilot dan Cursor berpusat pada editor, di mana AI bekerja di samping Anda saat menulis kode. OpenHands mengutamakan agen — Anda menjelaskan tugas, agen mengerjakannya di sandbox, dan Anda meninjau hasilnya. OpenHands juga bersifat open source, bekerja dengan model apa pun yang didukung LiteLLM, dan berjalan di infrastruktur Anda sendiri, yang tidak ditawarkan Copilot maupun Cursor pada tingkat yang sama.
Bisakah saya menjalankan OpenHands dengan model lokal?⌄
Ya. OpenHands terhubung ke server lokal seperti LM Studio, Ollama, vLLM, dan SGLang melalui API yang kompatibel dengan OpenAI. Pilih model yang dibuat untuk koding berbasis agen, seperti Devstral Small 2 atau Qwen3.6-35B-A3B, dan setel jendela konteks minimal 22000 token. Model serba guna yang lebih kecil sering gagal pada panggilan tool dan menjawab seperti chatbot.
Apakah aman memberi OpenHands akses ke kode saya?⌄
OpenHands menjalankan perintah agen di dalam sandbox Docker, yang melindungi sistem host Anda dari sebagian besar kesalahan. Namun apa pun yang Anda mount ke sandbox dapat dimodifikasi atau dihapus, dan kredensial apa pun yang Anda berikan dapat digunakan oleh agen. Secara default, agen tidak meminta persetujuan sebelum bertindak, jadi mount hanya proyek yang Anda butuhkan, gunakan kredensial pengujian dengan cakupan terbatas, dan tinjau setiap diff sebelum Anda merge.
Kuasai pertanyaan wawancara basis data, dari konsep SQL dasar hingga skenario desain sistem tingkat lanjut. Panduan mendalam ini mencakup semua yang Anda perlukan untuk sukses di wawancara DBMS dan meraih peran berikutnya.
Temukan alasan mengapa Anda sebaiknya (tidak) menggunakan spaghetti plot untuk menyampaikan ketidakpastian jalur prediksi badai serta dampaknya terhadap interpretasi.
OpenHands adalah platform open-source untuk pengembangan perangkat lunak berbasis AI, berpusat pada agen yang dapat memeriksa repository Anda, mengedit file, mengeksekusi perintah, dan menjalankan pengujian. Ini merupakan bagian dari pergeseran menuju pengembangan perangkat lunak berbasis agen — Anda memberikan tugas lengkap kepada agen, dan ia menyelesaikannya langkah demi langkah sampai selesai atau membutuhkan masukan Anda.
Dalam artikel ini, saya akan mengulas arsitektur OpenHands dan fitur utamanya, menunjukkan cara menyiapkannya dengan model lokal, serta membandingkannya dengan Claude Code, Cursor, dan GitHub Copilot.
Apa itu Agen AI? Daftar di AI Agent Fundamentals track kami untuk mempelajari bagaimana agen AI dapat mengubah cara Anda bekerja.
Apa Itu OpenHands?
OpenHands adalah platform open-source untuk membangun dan menjalankan agen AI yang bekerja dengan kode.
Nama ini mencakup dua hal. Pertama adalah proyeknya — kumpulan repository dengan SDK, server, UI peramban, dan layanan hosted. Kedua adalah agen koding yang berjalan di atas semua itu.
Begini cara kerjanya:
Saat kebanyakan orang menyebut "OpenHands", yang dimaksud adalah agennya. Itulah bagian yang akan saya gunakan dalam artikel ini.
Biasanya, Anda memberikan tugas perangkat lunak kepada agen, menunjukkannya ke workspace dengan kode Anda, dan agen menyelesaikan tugas menggunakan tools yang dimilikinya. Perangkat alat default mencakup terminal, editor file, dan pelacak tugas.
Workspace tidak harus laptop Anda. Agen dapat menggunakan mesin lokal sebagai workspace-nya atau berjalan di dalam workspace sementara, misalnya di Docker atau Kubernetes.
OpenHands juga tidak mengikat Anda pada satu penyedia model. Anda dapat menggunakannya dengan Claude, GPT, atau LLM lainnya, termasuk model lokal. Agent Canvas bahkan dapat menjalankan agen pihak ketiga seperti Claude Code dan Codex menggantikan agen OpenHands default.
Singkatnya, OpenHands adalah platform agen terbuka yang dapat Anda jalankan sesuai ketentuan Anda.
Cara Kerja OpenHands
OpenHands berjalan dalam sebuah loop.
Asisten chat menerima prompt Anda dan mengembalikan teks. Agen OpenHands menerima tugas, mengambil tindakan, melihat hasilnya, dan memutuskan apa yang harus dilakukan selanjutnya.
Loop agen OpenHands
Gambaran umumnya seperti ini:
Loop berhenti ketika tugas selesai, atau agen memerlukan sesuatu yang hanya dapat Anda sediakan, seperti kredensial yang hilang atau keputusan tentang kebutuhan.
Langkah 6 membuat OpenHands berbeda dari kompetitornya. Alat pelengkap kode tidak pernah melihat apa yang terjadi saat kodenya dijalankan. OpenHands melihatnya, sehingga dapat bereaksi terhadap tes yang gagal dan memperbaiki penyebabnya.
Fitur Utama OpenHands
Autocomplete menyarankan teks, sementara OpenHands bertindak pada proyek Anda. Begini caranya.
Pengeditan kode
OpenHands mengedit file secara langsung, dan tidak terbatas pada satu file dalam satu waktu.
Misalkan sebuah fungsi perlu nama baru. Agen memperbarui definisinya, menemukan setiap lokasi pemanggilan, dan memperbarui pengujian yang mereferensikannya — semua sebagai bagian dari satu tugas.
Terminal dan penggunaan tool
Agen memiliki terminalnya sendiri. Ia dapat menginstal dependensi, menjalankan skrip, mengeksekusi pengujian, dan membaca output dari perintah apa pun.
Anda juga dapat menghubungkan server MCP (Model Context Protocol) untuk memberikan tool yang awalnya tidak dirancang untuk agen, misalnya issue tracker atau klien basis data.
Pemahaman repository
Kebanyakan generator kode hanya melihat apa yang Anda tempel ke prompt.
OpenHands membuka repository dan menjelajahinya. Ia dapat membaca README, mengikuti import, dan melihat pengujian yang ada untuk memahami struktur proyek. Artinya, perubahan yang dibuatnya lebih mungkin selaras dengan kode yang sudah ada.
Tugas yang panjang menimbulkan masalah lain — riwayat percakapan tumbuh melampaui kapasitas model. OpenHands mengatasinya dengan context condenser, yang meringkas bagian percakapan yang lebih lama agar agen dapat terus bekerja.
Pilihan model
Panggilan model melalui LiteLLM, sehingga Anda dapat menggunakan penyedia dan model apa pun yang didukungnya. Dokumentasi OpenHands merekomendasikan model dari keluarga Claude, GPT, dan Gemini, plus model open-weight yang meraih skor baik di OpenHands Index.
Jika kode Anda tidak boleh meninggalkan mesin Anda, Anda dapat menjalankan model lokal. OpenHands terhubung ke server lokal seperti LM Studio, Ollama, vLLM, dan SGLang.
Perlu diingat bahwa model sangat memengaruhi hasil. Beberapa model lokal kesulitan menggunakan tool secara andal, bahkan dengan jendela konteks besar.
Eksekusi tugas otonom
Setelah Anda menyerahkan sebuah tugas, agen menjalankan loop secara mandiri. Anda tidak perlu menempelkan error kembali ke chat atau memberi tahu file mana yang harus dibuka berikutnya.
Agent Canvas melangkah lebih jauh dengan automations. Mereka terintegrasi dengan Slack, GitHub, Linear, dan lainnya, serta berjalan terjadwal atau sebagai respons terhadap event webhook.
Namun, otonomi tidak menjamin kebenaran. Anda tetap perlu meninjau diff dan hasil pengujian sebelum apa pun digabungkan.
Cara Menggunakan OpenHands
Cara terbaik memahami OpenHands adalah memberinya bug dan melihat apa yang dilakukannya.
Di bagian ini, saya akan menjalankan OpenHands secara lokal di Docker, menghubungkannya ke model lokal melalui Ollama, dan memintanya memperbaiki bug di proyek Python kecil.
Menyiapkan OpenHands
Anda dapat menjalankan OpenHands dengan beberapa cara:
Peluncur CLI: Instal dengan
uv tool install openhands --python 3.14, lalu mulai GUI denganopenhands serveDocker: Jalankan kontainer app langsung dengan satu perintah
docker runAgent Canvas: Klien peramban yang lebih baru yang terhubung ke backend lokal, self-hosted, Cloud, atau Enterprise
OpenHands Cloud: Versi hosted, jika Anda tidak ingin menjalankan apa pun sendiri
Saya akan menggunakan jalur Docker dengan GUI Lokal. Dokumentasi OpenHands sekarang mencantumkannya sebagai aplikasi peramban berbasis Docker yang tidak lagi direkomendasikan dan mengarahkan ke Agent Canvas sebagai penggantinya, tetapi masih didokumentasikan dan cara tercepat untuk menjalankan GUI.
Anda memerlukan Docker Desktop di macOS, Linux, atau Windows dengan WSL. Di macOS, buka Docker Desktop, pergi ke
Settings > Advanced, dan aktifkan soket Docker default.Lalu mulai aplikasinya:
OpenHands menggunakan mount soket Docker untuk memulai kontainer sandbox terpisah, dan agen menjalankan perintahnya di dalam sandbox tersebut, bukan di host Anda.
Setelah log menunjukkan server aktif, buka
http://localhost:3000di peramban Anda.Halaman sambutan OpenHands
Menghubungkan model
OpenHands tidak akan melakukan apa pun sampai Anda memberinya model.
Saya menggunakan Devstral Small 2, model 24B dari Mistral yang dibuat untuk koding berbasis agen. Cukup ringan untuk berjalan pada satu RTX 4090 atau Mac dengan RAM 32GB. Membutuhkan Ollama 0.13.3 atau lebih baru.
Mulai Ollama dengan jendela konteks lebih besar dan tarik modelnya:
Jangan abaikan panjang konteks. Default Ollama adalah 4096 token, terlalu kecil untuk memuat bahkan system prompt OpenHands. Dokumennya meminta setidaknya 22000.
Di OpenHands, buka
Settings, pergi ke tabLLM, dan aktifkanAdvanced. Lalu atur:Custom Model:
openai/devstral-small-2:latestBase URL:
http://host.docker.internal:11434/v1API Key: Nilai placeholder apa pun, seperti
local-llmPengaturan LLM untuk model Ollama lokal
Awalan
openai/memberi tahu OpenHands untuk berbicara dengan Ollama melalui API yang kompatibel dengan OpenAI. Kunci API tidak digunakan, tetapi kolomnya tidak boleh kosong.Membuka repository
Secara default, OpenHands tidak dapat melihat file Anda. Anda harus me-mount proyek ke dalam sandbox.
Untuk contoh ini, Anda memerlukan folder bernama
budget-tracker/projectdengan dua file. Yang pertama menjumlahkan pengeluaran per bulan:Docstring menjanjikan key
YYYY-MM, tetapidate[5:7]hanya mengambil bulan. Januari 2025 dan Januari 2026 akan masuk ke keranjang yang sama.File kedua memiliki dua pengujian yang menangkap bug tersebut:
Ubah folder menjadi repository Git, sehingga Anda dapat melihat apa yang diubah agen nanti:
Jika Anda menjalankan
python -m pytestsekarang, kedua tes akan gagal:Tes gagal
Untuk memberi akses kepada OpenHands, hentikan kontainer dan tambahkan satu baris ke perintah
docker run:Jadi perintah lengkapnya sekarang:
Formatnya adalah
host_path:container_path:mode. Proyek Anda muncul di sandbox di bawah/workspace, danrwmemungkinkan agen untuk mengeditnya.Mount hanya proyek yang ingin Anda ubah. Apa pun yang di-mount read-write ke
/workspacedapat dimodifikasi oleh agen.Memberi tugas kepada agen
Mulai percakapan baru dan jelaskan masalahnya seperti Anda menulis laporan bug:
Total bulanan menggabungkan pengeluaran dari bulan yang sama di tahun yang berbeda.
Temukan penyebabnya, perbaiki, dan jalankan pengujian untuk memastikan semuanya lulus.
Itu saja. Anda tidak perlu menunjuk agen ke
budget.pyatau memberitahu baris mana yang salah.Output percakapan
Loop agen tadi mengambil alih dari sini. Agen menelusuri
/workspace, membaca kedua file, dan menjalankan pengujian untuk melihat apa yang gagal. Lalu ia mengedit kode dan menjalankan pengujian lagi.Agen menjalankan pytest di terminal sandbox
Meninjau perubahan
Agen menyatakan tugas selesai. Anda sekarang dapat melihat perbedaannya dengan membuka editor kode dan memeriksa perubahan pada kode.
Perbaikan yang benar adalah satu baris di
budget.py:budget.py telah diperbaiki
Anda juga dapat menjalankan
git diffuntuk melihat perbedaannya.Berikut yang perlu Anda periksa:
Kode sumber: Perbaikan seharusnya ada di
budget.pyPengujian: Pastikan agen tidak mengedit
test_budget.pyuntuk membuat assertion lulusHasil pengujian: Jalankan
python -m pytestsendiri — jangan hanya mengandalkan ringkasan agenArsitektur OpenHands
OpenHands memiliki enam bagian utama, dan masing-masing memiliki satu tugas.
Keterhubungan komponen OpenHands
Model AI
Model melakukan penalaran. Ia menerima tugas dan riwayat percakapan, lalu menjawab dengan pesan atau panggilan tool.
Model tidak mengubah file Anda atau menjalankan apa pun. Ia hanya memutuskan apa yang harus terjadi selanjutnya. Panggilan model melalui LiteLLM, sehingga agen yang sama bekerja dengan penyedia hosted atau model lokal seperti setup Devstral dalam artikel.
Logika agen
Agen berada di antara model dan semua komponen lainnya. Ia menjalankan loop penalaran-tindakan, artinya ia meminta model tindakan berikutnya, menjalankan tool, dan menangani hasil atau error.
Agen juga memutuskan apa yang boleh dilihat model. Agen mengelola riwayat percakapan dengan condenser dan menambahkan skills serta prompt pada setiap kueri model.
Setiap langkah direkam. Agen mengeksekusi tindakan dan menerima observasi kembali, dan percakapan menyimpan riwayat event tersebut. Model melihat event ini pada giliran berikutnya, sehingga mengetahui apa yang sudah terjadi.
Tools dan tindakan
Tools adalah cara agen memengaruhi apa pun di luar model. Set standar mencakup terminal, editor file, dan pelacak tugas, dan Anda dapat menambahkan lebih banyak melalui server MCP.
Model meminta sebuah tindakan, seperti "jalankan
pytest" atau "ganti baris 8 dibudget.py." Tool mengeksekusinya dan mengembalikan observasi, seperti output pengujian atau file yang diperbarui.Sebelum tindakan dijalankan, ia melalui pemeriksaan keamanan. Security analyzer mengevaluasi setiap tindakan terlebih dahulu, dan dapat menghentikan agen untuk menunggu persetujuan Anda.
Lingkungan pengembangan
Tools tidak berjalan di mesin Anda. Tools berjalan di dalam sandbox.
Dalam setup Docker, OpenHands menjalankan agent server di dalam kontainer Docker miliknya. Itulah mengapa artikel ini me-mount soket Docker — kontainer app membutuhkannya untuk memulai sandbox.
Sandbox tidak harus lokal. Agen juga dapat berjalan di workspace sementara, misalnya di Docker atau Kubernetes, dan Agent Server mengekspos eksekusi, tools, dan workspace melalui API REST dan WebSocket. Logika agen tetap sama di mana pun sandbox berjalan.
Repository
Repository adalah objek kerja agen. Repository masuk ke sandbox dengan dua cara: folder lokal yang Anda mount, seperti di artikel, atau repo yang terhubung melalui integrasi GitHub, GitLab, atau Bitbucket.
Repository juga dapat memberi tahu agen cara berperilaku. File
AGENTS.mddi root disuntikkan ke system prompt saat percakapan dimulai. Instruksi yang lebih terfokus ditempatkan di.agents/skills/, di mana agen melihat ringkasan terlebih dahulu dan memuat konten lengkap hanya saat dibutuhkan.Di sinilah Anda menempatkan aturan proyek yang tidak bisa ditebak oleh agen, seperti "jalankan pengujian dengan
make test, bukanpytest."Tinjauan manusia
Andalah bagian terakhir dari arsitektur.
OpenHands mendukung tiga kebijakan konfirmasi: setujui setiap tindakan, tidak perlu persetujuan, atau setujui hanya tindakan berisiko. Yang terakhir bergantung pada security analyzer, yang memberi label setiap tindakan sebagai risiko LOW, MEDIUM, HIGH, atau UNKNOWN. NeverConfirm adalah defaultnya, sehingga agen berjalan tanpa berhenti kecuali Anda mengubahnya.
Pemeriksaan kedua terjadi di akhir. Pekerjaan agen belum selesai sampai Anda membaca diff dan memeriksa hasil pengujian.
Alur Kerja OpenHands
Saya telah menunjukkan cara memperbaiki bug satu baris, tetapi tentu saja, OpenHands dapat menangani tugas yang jauh lebih besar.
Kesamaan tugas-tugas ini adalah membutuhkan lebih dari satu langkah. Berikut enam jenis pekerjaan di mana loop agen masuk akal.
Memperbaiki bug
Bug yang ditunjukkan dalam artikel ini mudah dilihat dalam satu file. Hampir tidak pernah demikian di dunia nyata.
Misalkan log aplikasi menunjukkan
KeyErrordi produksi, dan stack trace menunjuk ke fungsi tiga panggilan dari tempat data buruk masuk. Anda menempelkan stack trace ke OpenHands dan meminta perbaikan.Agen menelusuri rantai pemanggilan kembali ke sumber data, menulis pengujian yang mereproduksi error, dan mengonfirmasi pengujian gagal. Lalu agen memperbaiki kode dan menjalankan seluruh test suite untuk memastikan tidak ada yang rusak.
Pengujian reproduksi adalah bagian yang harus dicari. Ini membuktikan agen menemukan bug sebenarnya alih-alih hanya melihat di mana error muncul.
Mengimplementasikan fitur
Pekerjaan fitur biasanya memodifikasi lebih banyak file daripada yang Anda bayangkan.
Misalkan skrip laporan command-line membutuhkan flag
--sinceuntuk memfilter transaksi berdasarkan tanggal. Agen harus menemukan parser argumen, menambahkan flag, meneruskan nilainya ke logika filter, dan memperbarui teks bantuan. Lalu agen menulis pengujian untuk perilaku baru dan memperbarui README.Itu empat atau lima file untuk satu fitur kecil. Agen melacak semuanya di pelacak tugasnya, sehingga tidak berhenti setelah yang pertama berfungsi.
Refactoring kode
Refactoring adalah mengubah struktur tanpa mengubah perilaku, dan test suite adalah cara Anda membuktikan perilaku tidak berubah.
Misalkan sebuah proyek memiliki satu file
utils.pybesar berisi helper tanggal, string, dan file bercampur. Anda meminta OpenHands membaginya menjadi tiga modul.Agen membuat modul baru, memindahkan fungsi, dan memperbarui setiap import di seluruh basis kode. Agen menjalankan pengujian setelah setiap pemindahan. Dengan begitu, jika sesuatu rusak, agen tahu pemindahan mana yang menyebabkannya.
Menulis pengujian
Kode tanpa pengujian adalah titik awal umum untuk pekerjaan agen, karena tugasnya jelas dan mudah diverifikasi.
Misalkan modul pemrosesan tanggal tidak memiliki pengujian. Agen membaca fungsi, menulis kasus pytest untuk input normal dan kasus tepi seperti string kosong, tahun kabisat, dan format tidak valid, lalu menjalankannya.
Jika pengujian baru gagal, agen harus memutuskan apakah pengujiannya salah atau kodenya yang bermasalah. Keputusan inilah yang sebaiknya Anda periksa sendiri.
Menyelidiki basis kode yang sudah ada
Tidak setiap tugas membutuhkan perubahan kode.
Anda dapat menanyakan OpenHands pertanyaan seperti "Di mana aplikasi ini memvalidasi input pengguna sebelum mencapai database?" Agen mencari di basis kode, mengikuti pemanggilan fungsi lintas file, dan menjawab dengan path file serta referensi baris.
Ini berguna saat Anda bergabung ke proyek baru atau mengambil alih kode yang sudah lama tidak Anda ubah. Untuk pekerjaan read-only seperti ini, mount repository dengan mode
:romenggantikan:rw, sehingga agen tidak dapat mengubah apa pun bahkan secara tidak sengaja.Menjalankan dan men-debug aplikasi
Beberapa bug hanya muncul saat aplikasi dijalankan.
Misalkan sebuah endpoint API mengembalikan error 500, dan pengujian tidak mencakupnya. Agen memulai server di terminalnya, mengirim permintaan dengan
curl, dan membaca traceback dari log server.Kemudian agen memperbaiki kode, memulai ulang server, dan mengirim permintaan yang sama lagi. Jika respons masih salah, loop berlanjut dari sana.
Ini adalah siklus edit-jalankan-periksa yang sama seperti yang akan Anda lakukan sendiri, kecuali agen menangani setiap restart dan setiap percobaan ulang.
OpenHands vs Agen Koding AI Lainnya
OpenHands bukan satu-satunya alat yang dapat menerima tugas dan menyelesaikannya secara mandiri. Claude Code, Cursor, dan GitHub Copilot kini memiliki fitur agen, tetapi berbeda dalam beberapa hal penting.
OpenHands vs Claude Code
Keduanya paling mirip. Keduanya menjalankan loop agen yang membaca kode, mengedit file, menjalankan perintah, dan memeriksa hasilnya.
Perbedaan pertama adalah kepemilikan. Setiap repository OpenHands publik memiliki lisensi open-source, dan Anda dapat membaca, memodifikasi, dan self-host semuanya. Claude Code adalah alat koding berbasis agen milik Anthropic, tersedia di terminal, IDE, aplikasi desktop, dan peramban.
Itu berujung pada pertanyaan model. Claude Code dibangun di sekitar model Claude milik Anthropic. OpenHands bekerja dengan penyedia mana pun yang didukung LiteLLM, termasuk setup Ollama lokal dari artikel.
Alur kerja sehari-hari juga berbeda. Claude Code dimulai sebagai alat terminal, dan hingga kini banyak developer masih menggunakannya di sana. OpenHands mengandalkan UI perambannya, dan CLI-nya lengkap fiturnya tetapi utamanya dipertahankan untuk stabilitas.
Kedua alat memungkinkan Anda mengontrol perilaku agen. Claude Code membaca
CLAUDE.md, pengaturan, hooks, skills, perintah, dan subagent dari direktori.claude. OpenHands membacaAGENTS.mddan skills dari repository, dan SDK memungkinkan Anda membangun agen sendiri dalam Python.Otonomi bekerja berbeda pada masing-masing alat. Claude Code mengontrol penggunaan tool dengan mode izin, hooks, dan aturan allow/deny, serta dapat melakukan sandbox pada perintah. OpenHands menjalankan setiap perintah di dalam sandbox Docker secara default dan menambahkan kebijakan konfirmasi di atasnya.
Singkatnya, Claude Code adalah opsi yang lebih matang yang dapat langsung Anda pasang dan gunakan, sementara OpenHands memerlukan lebih banyak setup dan sebagai gantinya memberi Anda lebih banyak kontrol. Keduanya juga tidak saling eksklusif. Agent Canvas dapat menjalankan Claude Code sebagai agen menggantikan agen OpenHands default.
OpenHands vs Cursor
Cursor adalah editor kode AI. OpenHands adalah platform agen. Itulah perbedaan utama, dan sebagian besar perbedaan lain mengikutinya.
Di Cursor, Anda bekerja di dalam editor, dan agen bekerja di samping Anda. Anda melihat edit muncul di file Anda, menerima atau menolaknya, dan terus mengetik. Di OpenHands, Anda menjelaskan sebuah tugas, agen bekerja di sandbox, dan Anda meninjau hasilnya. GUI memang menyertakan tampilan VS Code ke dalam sandbox, tetapi bukan di situlah sebagian besar pekerjaan berlangsung.
Akses repository mengikuti pembagian yang sama. Agen Cursor bekerja pada kode yang terbuka di editor Anda. OpenHands bekerja pada apa pun yang Anda mount ke sandbox-nya atau hubungkan melalui integrasi Git.
Kesenjangan menjadi lebih kecil dengan Cloud Agents milik Cursor. Agen ini berjalan tanpa pengawasan di cloud dan mengembalikan hasil melalui branch dan pull request, dan membutuhkan akun GitHub, GitLab, Azure DevOps, atau Bitbucket yang terhubung serta paket berbayar. Itu mirip dengan apa yang dilakukan OpenHands, tetapi di infrastruktur Cursor.
Ekstensibilitas adalah perbedaan terbesar. Cursor mendukung server MCP dan aturan proyek, tetapi editor dan agennya adalah produk tertutup. Dengan OpenHands, Anda dapat mengubah agennya sendiri, meng-host di mana saja, dan menjalankannya pada model lokal.
OpenHands vs GitHub Copilot
GitHub Copilot dimulai sebagai alat autocomplete di editor Anda dan berkembang ke fitur agen dari sana. OpenHands sejak awal adalah agen.
Kekuatan terbesar Copilot adalah tempat ia berada. Copilot bekerja di dalam VS Code dan JetBrains IDEs, dan agen cloud-nya bekerja langsung di GitHub. OpenHands tidak memiliki integrasi IDE seperti itu.
Untuk tugas tingkat repository, agen cloud Copilot adalah perbandingan terdekat. Anda menugaskannya sebuah issue, dan agen bekerja di lingkungan pengembangan sementara miliknya yang didukung oleh GitHub Actions, di mana ia dapat menjalankan pengujian dan linter sebelum melakukan push. OpenHands Cloud melakukan hal serupa saat Anda menyebut
@openhandsdalam komentar issue atau pull request.Platform adalah perbedaan utama. Agen cloud Copilot tersedia untuk semua paket Copilot berbayar dalam repository yang disimpan di GitHub. OpenHands bekerja dengan GitHub, GitLab, Bitbucket, atau folder lokal, dan dapat berjalan di hardware Anda sendiri jika Anda menginginkannya.
Copilot memang memungkinkan Anda memilih model untuk sebuah tugas, tetapi hanya dari model yang ditawarkan GitHub. OpenHands tidak memiliki batasan tersebut.
Berikut ringkasan singkatnya:
Perbandingan OpenHands dengan agen AI lainnya
OpenHands untuk Tim Rekayasa Perangkat Lunak
Bagi seorang developer tunggal, OpenHands adalah alat yang Anda buka saat membutuhkannya. Namun tidak demikian bagi sebuah tim.
Kebanyakan tim sudah mengatur pekerjaan berdasarkan issue, dan OpenHands Cloud terhubung ke sana. Ia terintegrasi dengan GitHub, GitLab, dan Bitbucket, serta Slack, Jira, dan Linear. Anda dapat menyebut
@openhandsdi komentar issue atau pull request, dan agen akan mengambil tugas dari sana.Lalu ada pekerjaan yang tidak diminta tetapi dibutuhkan semua orang. Automations di Agent Canvas berjalan terjadwal atau sebagai respons terhadap event webhook. Misalnya, satu tim dapat berbagi satu Agent Server untuk code review dan pembaruan dependensi, sementara setiap developer menjalankan agen pribadi di laptop masing-masing.
Pengujian bekerja sama seperti di artikel. Agen menjalankan test suite di sandbox sebelum melapor kembali. Namun, menjalankan di sandbox bukan pengganti CI — pipeline Anda tetap berjalan pada setiap pull request, sama seperti kode yang ditulis manusia.
Pull request adalah topik lain. Saat OpenHands Cloud bekerja dengan GitHub, ia meminta token berumur pendek yang kedaluwarsa setelah delapan jam, dengan akses baca dan tulis ke contents, issues, pull request, dan workflows. Dalam setup Enterprise self-hosted, agen menggunakan otorisasi GitHub dari pengguna yang memicunya, sehingga setiap perubahan dapat ditelusuri ke seseorang.
Begitulah seharusnya tanggung jawab bekerja. Agen dapat membuka pull request, tetapi developer yang menyetujuinya. Perlindungan branch dan review wajib berlaku untuk pull request agen seperti halnya untuk semua orang.
Lingkungan terisolasi membuat semua ini dapat berjalan dalam skala. Setiap tugas berjalan di sandboxnya sendiri, sehingga dua agen yang memperbaiki dua bug tidak saling menimpa file atau berebut port yang sama.
Keamanan dan Sandboxing OpenHands
Alat pelengkap kode selalu menyarankan teks, dan terserah Anda untuk menerimanya.
Agen berbeda. Agen menelusuri proyek Anda, mengeksekusi perintah, memasang paket, dan mengedit file secara mandiri, sering kali tanpa bertanya. Jadi pertanyaannya bergeser dari "apakah kode ini benar?" menjadi "apa yang dijalankan agen untuk mencapainya?"
Lingkungan eksekusi terisolasi
Sandbox Docker melindungi file dan program host Anda, sumber daya host, serta kontainer dan proses lain. Jika agen menjalankan perintah destruktif, dampaknya terbatas pada kontainer.
Ada satu pengecualian yang perlu diperhatikan di setup lokal. Kontainer app me-mount soket Docker host agar dapat memulai sandbox, dan akses ke soket tersebut berarti kontrol atas Docker di mesin Anda.
Izin repository
Sandbox hanya melindungi apa yang tidak Anda mount. File dan direktori yang di-mount dapat dimodifikasi atau dihapus.
Mount hanya proyek yang sedang Anda kerjakan, jangan pernah mount direktori home Anda. Untuk tugas read-only seperti investigasi kode, gunakan mode
:ro. Untuk integrasi Git, beri agen akses ke repository spesifik yang dibutuhkan dan tidak lebih.Secret dan kredensial
Jika Anda memberikan kredensial, seperti API key atau token, agen dapat menggunakannya. Dan agen yang dapat membaca secret juga dapat mencetaknya ke log atau mengirimkannya ke suatu tempat.
Jadi jangan me-mount folder dengan file
.envyang menyimpan kunci produksi. Beri agen kredensial pengujian dengan cakupan terbatas, dan rotasi secara berkala.Akses jaringan
Secara default, agen dapat mengakses internet dari dalam kontainer. Agen memerlukannya untuk memasang paket, tetapi juga dapat menjangkau layanan eksternal apa pun.
Ini membuka pintu bagi injection prompt. Halaman web atau komentar issue dapat menyertakan instruksi yang mungkin diikuti agen. GitHub membatasi risiko ini bagi agen cloud miliknya dengan firewall yang membatasi akses internet secara default, dan ada baiknya mempertimbangkan batasan serupa untuk setup OpenHands Anda.
Eksekusi perintah
Anda dapat mengontrol perintah mana yang berjalan tanpa persetujuan. OpenHands mendukung tiga kebijakan konfirmasi: setujui semuanya, tidak perlu persetujuan, atau setujui hanya tindakan berisiko. NeverConfirm adalah defaultnya.
Opsi "tindakan berisiko" punya catatan. Security analyzer LLM default menggunakan tingkat risiko yang model tetapkan untuk tindakannya sendiri. Sebuah model bisa memberi label perintah destruktif sebagai risiko LOW, dan perintah itu akan berjalan tanpa meminta Anda. Analyzer mengklasifikasikan risiko untuk lapisan kebijakan — ia tidak memblokir apa pun sendiri, dan dokumen merekomendasikan menggabungkannya dengan isolasi Docker.
Meninjau perubahan yang dihasilkan
Semua hal di atas membatasi apa yang dapat dilakukan agen. Namun fase review penting karena di situlah Anda memeriksa apa yang telah dilakukan.
Bacalah seluruh diff, bukan hanya file yang Anda harapkan berubah. Beri perhatian ekstra pada konfigurasi CI, file dependensi, dan skrip. Di OpenHands Cloud, token GitHub milik agen mencakup akses tulis ke workflows, sehingga perubahan di
.github/workflowsdapat mengubah apa yang berjalan di pipeline Anda.Keterbatasan OpenHands
Kode yang ditulis OpenHands masih bisa memiliki bug. Pengujian yang lulus hanya memberi tahu bahwa kode sesuai dengan pengujian, dan agen mungkin menulis keduanya. Jika pengujiannya lemah, kodenya bisa lulus tetapi tetap salah.
Tugas kompleks sering kali membutuhkan Anda di dalam loop. Kebutuhan yang samar atau keputusan desain yang tidak bisa dibuat agen akan menghentikannya atau, lebih buruk, mengarahkannya ke arah yang salah.
Dengan model hosted yang kuat, OpenHands menangani tugas multi-file dengan baik. Dengan model lokal kecil, Anda akan melihat kegagalan pemanggilan tool dan jawaban seperti chatbot, dan bahkan dengan jendela konteks besar, beberapa model lokal tidak dapat menggunakan tool secara andal.
Loop agen juga lebih mahal daripada chat. Setiap langkah mengirim riwayat percakapan kembali ke model, dan tugas panjang membutuhkan banyak langkah. Dokumentasi OpenHands memperingatkan bahwa agen mengirim banyak prompt ke LLM dan merekomendasikan batas pengeluaran serta pemantauan penggunaan. Context condenser membantu, tetapi ia meringkas langkah lama, sehingga detail dapat hilang pada tugas panjang.
Akses tool menambah risiko keamanan. Agen dengan terminal dan akses jaringan dapat menyebabkan kerusakan nyata jika mengikuti instruksi buruk, itulah sebabnya sandbox dan tinjauan Anda sangat penting.
Dan setiap perubahan tetap membutuhkan persetujuan manusia. Selalu ingat itu.
OpenHands dan Masa Depan Agen Koding AI
Alat koding AI telah berkembang dari autocomplete ke chat hingga agen yang menyelesaikan seluruh tugas. OpenHands adalah salah satu dari beberapa proyek yang mendorong langkah terakhir itu maju.
Arah ini mudah terlihat di seluruh industri. Cursor menggambarkan era baru di mana agen cloud otonom menangani tugas yang lebih besar dalam rentang waktu lebih panjang. Copilot kini mengambil issue dari GitHub dan Linear. Claude Code berjalan di terminal, peramban, dan Slack.
Platform open-source memiliki peran khusus dalam pergeseran itu. Dengan OpenHands, Anda dapat memeriksa cara kerja agen, menjalankannya di infrastruktur Anda sendiri, dan memilih modelnya. Bagi tim dengan aturan data ketat, itu sering kali satu-satunya cara mereka diizinkan menggunakan agen.
Tugas yang lebih panjang juga membawa masalah baru. Agen yang bekerja selama satu jam membuat lebih banyak keputusan daripada yang bekerja selama satu menit, dan setiap keputusan adalah peluang untuk menyimpang dari yang Anda inginkan. Model yang lebih baik membantu, begitu pula sandbox, kebijakan konfirmasi, dan tinjauan.
Kesimpulan
Yang membedakan OpenHands dari para pesaingnya adalah kontrol. Anda dapat membaca source, meng-host di hardware Anda sendiri, dan menjalankannya dengan model apa pun, termasuk model lokal. Alat komersial yang lebih ketat seperti Claude Code, Cursor, dan GitHub Copilot memberi pengalaman yang lebih baik, tetapi dengan ketentuan mereka.
Namun agen yang memiliki akses ke terminal dan repository Anda tetap membutuhkan orang untuk memeriksa hasil kerjanya. Selalu ingat untuk membaca diff dan menjalankan pengujian sendiri.
Jika Anda ingin belajar cara membuat agen Anda dari nol, tonton webinar kami Introduction to Creating AI Agents in Python.