Catatan Rudy

Beberapa hari terakhir saya memakai beberapa tool coding berbasis AI sekaligus, dan muncul pertanyaan yang sering ditanyakan banyak orang: kalau di tengah sesi kode modelnya ganti-ganti — entah karena rate limit atau provider sedang turun — apakah berpengaruh ke hasil kerja? Apalagi sekarang ada 9Router yang bisa auto-fallback ke model lain. Catatan ini saya rangkum dari eksperimen dan riset saya soal OpenCode, Hermes Agent, dan 9Router.

Apa yang Sebenarnya Terjadi Saat Model Ganti di Tengah Sesi?

Ganti model di tengah sesi coding bukan sekadar soal “sambungannya pindah”. Ada tiga hal yang berubah:

• Konteks percakapan bisa terpotong. Setiap model punya batas token window sendiri. Saat failover, riwayat prompt biasanya di-truncate agar muat di model baru. Model pengganti bisa jadi tidak paham penuh alur debug yang sedang kita jalani.
• Gaya dan keputusan teknis bisa melenceng. Tiap model punya kebiasaan sendiri soal penamaan, struktur folder, sampai pilihan pola kode. Kalau berganti di tengah fitur yang sama, hasilnya bisa tidak konsisten.
• Ada biaya dan latency tambahan. Koneksi ke provider baru perlu inisialisasi ulang, dan jika konteks dikirim ulang, token yang dipakai juga bertambah.

Bagaimana OpenCode Menangani Ini?

OpenCode (tool agentic coding open source yang awalnya dikembangkan oleh Andrej Karpathy) mendukung banyak provider sekaligus: OpenAI, Anthropic, Google, hingga model lokal. Beberapa hal yang saya perhatikan:

• Bisa ganti model/provider secara dinamis tanpa restart sesi, dan konteks terbaru tetap dibawa.
• Ada failover bawaan — jika satu provider rate limited, ia beralih ke model berikutnya sesuai urutan yang kita daftarkan.
• Semua perubahan model tercatat di log sesi, sehingga riwayatnya bisa ditelusuri kembali.

Kekurangannya: tiap provider perlu API key sendiri, dan failover bisa menambah latency kalau tidak hati-hati mengatur urutan.

Bagaimana dengan Hermes Agent?

Hermes Agent (dari Nous Research) adalah agen yang lebih umum — bisa untuk coding, riset, sampai otomasi. Untuk urusan ganti model di tengah sesi, pengalamannya sedikit berbeda:

• Provider bisa di-load/unload secara dinamis, tapi sinkronisasi konteks cenderung manual — perlu resume sesi atau menyuntikkan ringkasan konteks.
• Failover otomatis tidak sepenuhnya built-in seperti OpenCode, tapi bisa dikonfigurasi lewat fallback_providers di config — ini yang saya pakai untuk beberapa cron blog saya.
• Restore konteks dari disk butuh waktu, jadi ada latency tambahan saat pindah sesi.

Di Mana Posisi 9Router?

Di sinilah 9Router berperan. Daripada tiap tool mengurus failover-nya sendiri, kita bisa mengarahkan semuanya ke satu router yang mengatur urutan model:

opencode --model "9router://gpt-4o,claude-3.5-sonnet,gemini-1.5-flash"

Jika model pertama kena limit, 9Router otomatis meneruskan ke model berikutnya. Sisi tool (OpenCode/Hermes) tidak perlu tahu apa-apa — mereka tetap memakai endpoint yang sama. Ini menyederhanakan masalah jadi satu: atur urutan prioritas, sisanya otomatis.

Jadi, Apakah Ganti Model Berpengaruh?

Aspek	Dampak	Cara Mitigasi
Konteks sesi	Bisa terpotong (truncate)	Checkpoint / ringkasan konteks tiap beberapa langkah
Konsistensi kode	Gaya bisa berubah antar model	Biarkan satu model menyelesaikan satu fitur utuh
Ketersediaan	Turun jika satu provider down	Failover 9Router dengan urutan model cadangan
Latency & biaya	Naik saat failover	Urutkan model dari yang paling sering dipakai

Perspektif Hermes Agent: Kenapa Task Tetap Nyambung?

Ada satu hal yang memperjelas gambaran ini: jawaban langsung dari tim Hermes Agent (Nous Research) saat saya tanyakan hal yang sama — “jika saat eksekusi task model/provider diganti 9Router, apakah task yang dijalankan model berbeda akan tetap nyambung?”. Jawabannya: ya, tetap nyambung — dengan satu syarat penting.

Konteks Dikelola Hermes, Bukan Provider

Konteks (prompt + tools + state) disimpan di sisi gateway/sesi Hermes. Saat 9Router mengganti provider/model, Hermes tetap mengirim konteks yang sama — lewat history.messages — ke provider baru. Provider hanya “menumpang” pada konteks yang sudah disiapkan Hermes.

Syaratnya: Provider OpenAI-Compatible

Provider OpenAI-compatible (kagiro, laguna, dsb — yang memang terhubung lewat 9Router) memakai format message yang sama. Jadi model yang berbeda sekalipun akan menerima konteks yang sama persis. Yang bikin putus hanyalah perubahan model yang sangat signifikan — misalnya dari OpenAI-style ke Claude-style — karena format outputnya berbeda.

Contoh Jalan atau Tidaknya

Perpindahan	Konteks Tetap?	Alasan
kagiro → laguna (9Router)	✅ Ya	Format message sama
laguna → deepseek (9Router)	✅ Ya	Format message sama
deepseek → llama.cpp (GGUF lokal)	⚠️ Tergantung	Kalau via endpoint OpenAI-compatible masih nyambung, tapi gaya model baru bisa beda
ke Claude (non-OpenAI)	❌ Putus	Format beda, konteks harus di-reformat

Bottom Line

Selama semua provider yang dipakai adalah OpenAI-compatible endpoint (yang memang dilakukan via 9Router), ganti model/provider tidak akan memutus alur task — Hermes akan mengirim konteks yang sama ke provider baru. Logika tool (mengubah config, restart gateway, dsb) tetap jalan karena Hermes yang mengeksekusi, bukan provider. Yang nyata berubah hanyalah cost dan kecepatan response.

Bagaimana dengan OpenCode? Apakah Sama?

Pertanyaan lanjutannya: apakah prinsip yang sama berlaku di OpenCode? Berdasarkan dokumentasi resminya — ya, prinsipnya sama.

“Select a model to use it in the current session. Switching models updates that session without changing your config.” — Dokumentasi resmi OpenCode (opencode.ai/v2/docs/models)

Konteks Dipegang OpenCode, Bukan Provider

Seperti Hermes, konteks (transcript + state) disimpan di sisi OpenCode — bukan di provider. Ganti model lewat model picker (tab) atau per-run (--model) hanya mengganti model yang dipakai sesi itu; riwayat percakapan tetap utuh dan dikirim penuh ke model baru.

9Router Transparan untuk OpenCode

OpenCode melihat 9Router sebagai satu provider OpenAI-compatible biasa. Saat failover terjadi di balik layar, OpenCode tidak tahu modelnya berganti — ia tetap mengirim konteks sesi yang sama ke endpoint yang sama. Perilakunya persis seperti Hermes.

Perbandingan Hermes vs OpenCode

Aspek	Hermes Agent	OpenCode
Pemegang konteks	Gateway/sesi Hermes (history.messages)	Session store OpenCode (transcript)
Switch model mid-session	Dinamis via config	Model picker tab / --model, tanpa ubah config
Auto-failover native antar provider	✅ Ada (fallback_providers)	❌ Tidak ada — manual
Failover via 9Router	Konteks nyambung ✅	Konteks nyambung ✅

Satu perbedaan penting: Hermes punya failover native antar provider, OpenCode tidak. Di OpenCode, 9Router justru perannya lebih besar — dialah satu-satunya mekanisme failover otomatisnya. Tanpa 9Router, ganti model di OpenCode harus manual.

Kesimpulan

Mengganti model di tengah sesi berpengaruh, terutama pada konteks dan konsistensi — tapi dampaknya bisa dikelola. Untuk masalah ketersediaan (rate limit, provider down), 9Router sudah menyelesaikan bagian terberatnya dengan failover otomatis. Untuk masalah konteks, kebiasaan kecil seperti menyimpan ringkasan pekerjaan setiap beberapa langkah sudah sangat membantu.

Pendekatan yang saya pakai sekarang: satu model untuk satu fitur utuh, dan 9Router sebagai jaring pengaman kalau model utama sedang bermasalah. Kombinasi yang cukup untuk sebagian besar pekerjaan harian.

• 9Router: AI Router Gratis untuk Koding — Catatan Riset & Ulasan
• Failover Model Cerdas: Pakai 9Router Biar Nggak Macet Rate Limit

Siapa yang tidak pernah mengalami ini: sedang asyik menulis kode dengan bantuan AI, tiba-tiba muncul pesan rate limit exceeded atau connection timeout. Apalagi saat sedang fokus menyelesaikan satu fitur. Alur kerja jadi terputus, dan kita harus menunggu atau berpindah tool secara manual.

Hari ini saya belajar tentang cara mengatasi masalah ini dengan lebih elegan: routing model dengan failover otomatis. Alih-alih terpaku pada satu model atau satu provider, kita bisa menyusun rantai model cadangan yang otomatis dipakai ketika model utama sedang bermasalah.

Apa Itu Failover Model?

Failover model adalah mekanisme di mana ketika satu model/provider gagal — karena rate limit, timeout, atau layanan sedang turun — permintaan kita otomatis dialihkan ke model lain yang sudah kita daftarkan sebagai cadangan. Kita cukup menentukan urutan prioritas, sisanya ditangani otomatis.

Salah satu tool yang menyediakan fitur ini adalah 9Router, sebuah AI router gratis yang bisa diarahkan dari berbagai tool coding seperti OpenCode maupun Hermes Agent.

Cara Kerja 9Router

Kita menentukan urutan prioritas model yang ingin dipakai. Contohnya, jika model utama sedang terkena limit, sistem akan otomatis mencoba model berikutnya dalam daftar:

opencode --model "9router://gpt-4o,claude-3.5-sonnet,gemini-1.5-flash"

Jika gpt-4o gagal (rate limit atau timeout), sistem langsung mencoba claude-3.5-sonnet, lalu gemini-1.5-flash — tanpa intervensi manual. Kita tidak perlu berhenti menulis kode hanya karena satu provider sedang sibuk.

Konfigurasi di OpenCode dan Hermes Agent

Untuk OpenCode, model dengan failover bisa dipanggil langsung lewat CLI:

opencode --model "9router://gpt-4o,claude-3.5-sonnet,command-r-plus"

Sementara di Hermes Agent, konfigurasi dapat ditambahkan pada file config.yaml:

providers:
  - name: 9router
    type: router
    model_chain: ["gpt-4o", "claude-3.5-sonnet", "gemini-1.5-flash"]

Keuntungan Menggunakan 9Router

Fitur	Manfaat
Auto failover	Alur kerja tidak terputus saat rate limit
Multi-provider	Bisa memakai model terbaik yang tersedia saat itu
Tanpa konfigurasi manual	Cukup atur sekali, sisanya otomatis
Resume session	Konteks percakapan tetap dilanjutkan di model berikutnya

Kapan Failover Tidak Cukup?

Untuk sesi debugging yang sangat panjang, failover model tetap disarankan dilengkapi dengan checkpoint — menyimpan ringkasan konteks setiap beberapa langkah. Ini menjaga agar model pengganti tetap memahami arah pekerjaan yang sedang dikerjakan.

Namun untuk mayoritas kasus, failover lewat 9Router sudah cukup. Fokus utama kita: menentukan urutan model yang masuk akal, lalu membiarkan sistem bekerja.

Kesimpulan

Mengganti model di tengah sesi kode bukan lagi hal yang merepotkan. Dengan 9Router, kita cukup menyusun urutan prioritas model — sistem yang akan memastikan pekerjaan tetap berjalan meski salah satu provider sedang bermasalah.

• 9Router: AI Router Gratis untuk Koding — Catatan Riset & Ulasan

Dalam era di mana model bahasa besar (LLM) semakin berlimpah, para pengembang (terutama yang aktif memakai CLI seperti OpenCode atau Hermes Agent) kini dituntut untuk selektif memilih penyedia layanan AI yang paling efisien. Salah satu yang muncul dalam dua tahun belakangan adalah Xiaomi MiMo, sekaligus produk andalan Xiaomi untuk programmer dan peneliti.

MiMo menawarkan dua opsi tagihan: Pay-As-You-Go (PAYG) dan Token Plan. Kedua sistem ini tidak dapat saling menggantikan, sehingga pemilihan antara keduanya perlu didasarkan pada pola penggunaan aktual. Pada postingan ini, kami akan mensimulasikan penggunaan dengan budget tetap $5 per bulan, lalu membandingkan berapa banyak token yang kita dapat dari masing-masing opsi, serta kompatibilitasnya dengan alat-alat pengembangan populer seperti Hermes dan OpenCode.

Apa Itu Pay-As-You-Go (PAYG)?

Pay-As-You-Go adalah model di mana setiap token yang Anda gunakan akan ditagihkan langsung ke akun Anda pada akhir bulan. Anda hanya membayar untuk apa yang Anda konsumsi. Cukup fleksibel, tetapi biaya dapat meningkat secara signifikan dengan penggunaan intensif.

Apa Itu Token Plan?

Token Plan adalah langganan bulanan atau tahunan yang memberikan kuota tetap. Ini cocok untuk pengguna yang ingin kontrol penuh atas pengeluaran bulanan mereka, tetapi tidak fleksibel jika penggunaan melebihi kuota.

Tarif Resmi Xiaomi MiMo

Berikut tarif resmi MiMo per 1 Juni 2026:

Layanan	Tarif	Unit
PAYG — mimo-v2.5	$0.026	/1M token
PAYG — mimo-v2.5-pro	$0.052	/1M token
Token Plan — Lite Annual	$63.36	/tahun ($5.28/bulan)
Token Plan — Lite Monthly	$6.00	/bulan

Simulasi Budget $5/Bulan

Pay-As-You-Go ($5/bulan)

Model	Harga per 1M token	Token per $5
mimo-v2.5	$0.026	~192M token
mimo-v2.5-pro	$0.052	~96M token

Token Plan — Lite Annual ($5.28/bulan)

Rencana	Biaya/Bulan	Kuota Token	Token per $5 setara
Lite Annual	$5.28	8000M token	~8000M token

Dengan demikian, kita mendapatkan lebih dari 40x lipat token dibandingkan PAYG standar, untuk budget yang hampir sama!

Cara Pakai MiMo dengan Hermes & OpenCode

Ikuti langkah berikut:

• Buat API key di konsol MiMo.
• Ekspor ke environment:

export OPENAI_API_BASE = https://api.mimo.ai/v1
export OPENAI_API_KEY  = ***

• Pilih model (mis. mimo-v2.5 atau mimo-v2.5-pro).
• Jika menggunakan Token Plan, pastikan API Key terhubung ke paket langganan yang valid.

Penting: Xiaomi MiMo tidak mendukung interoperabilitas antara PAYG dan Token Plan. Anda harus memilih satu sistem pembayaran dan tidak dapat beralih secara dinamis antara keduanya.

Rekomendasi Akhir

• Jika Anda aktif menggunakan AI untuk coding, riset, atau pengembangan harian, maka Token Plan Lite (Annual) adalah pilihan yang jauh lebih efisien secara biaya jangka panjang.
• Jika hanya mengekplorasi sekali-sekali, maka Pay-As-You-Go cukup andal.

Sumber

• Xiaomi MiMo Pay-As-You-Go Pricing
• Xiaomi MiMo Token Plan
• AI Pricing Dashboard (Komunitas Open Source)

Sebagai developer dan peneliti AI, kita kini hidup di era di mana jumlah dan jenis model bahasa besar (LLM) yang tersedia bagi pengguna biasa semakin berlimpah. Setiap bulan, vendor seperti OpenAI, Anthropic, Google, dan lainnya merilis model baru yang menambah kebingungan pilihan. Tapi tidak semua model sama, ada yang fokus pada reasoning, ada yang multimodal, dan ada yang sekadar inginkan solusi yang cepat dan hemat — tanpa mengorbankan kualitas secara signifikan.

Pada Agustus 2026, kami telah mengumpulkan data terbaru dari dokumentasi resmi masing-masing vendor — termasuk repositori ai-pricing yang di-audit pada 5 Agustus 2026 — untuk memberi Anda gambaran jelas tentang:

• Apa perbedaan thinking mode dan non-thinking mode?
• Model-model dengan kemampuan vision, audio, dan tool use?
• Tabel harga API paling akurat hingga kini — lengkap dengan sistem tarif peak/off-peak dari DeepSeek.

Ikuti selanjutnya!

---

Apa Itu “Thinking Mode”?

Thinking Mode (juga disebut reasoning atau extended thinking) adalah kemampuan model untuk menghasilkan rantai-poin pikir (chain-of-thought) internal sebelum memberikan jawaban akhir. Ini meniru cara manusia “memikirkan dua kali sebelum bertanya”.

Model dengan thinking mode biasanya:

• Menghasilkan kualitas yang jauh lebih baik pada tugas matematis, kode, dan logika kompleks.
• Memiliki latensi yang jauh lebih tinggi (sering 10-an detik atau lebih).
• Menghitung token “pikiran” sebagai bagian dari output — artinya, Anda membayar untuk proses berpikir internal model.

Non-Thinking Mode adalah model yang menjawab langsung, lebih cepat, dan lebih murah. Cocok untuk tugas rutin, ringan, atau percakapan.

Aspek	Thinking Mode	Non-Thinking Mode
Latensi	Tinggi (detik ke-10-an)	Rendah (detik pertama)
Biaya	Lebih mahal	Lebih murang
Kualitas jawaban	Unggul pada matematika, coding, logika	Baik untuk tugas umum
Token yang dihitung	Input + Output (termasuk “pikiran”)	Hanya Input + Output
Model contoh	o1, o3-mini, DeepSeek R1, Qwen3-Thinking	GPT-4o, GPT-4.5, Claude Sonnet, Grok

---

Kemampuan Multimodal (Vision, Audio, Tool)

Beberapa model mendukung lebih dari sekadar teks — mereka dapat memproses gambar, audio, file, dan bahkan menggunakan alat eksternal (tool use).

Vision (Gambar → Teks)

Model	Kemampuan
GPT-4o / GPT-4o-mini	✅ Gambar input/output, edisi, analisis
GPT-Image-2	✅ Generasi & pengeditan gambar tingkat lanjut
Gemini 3.1 Pro	✅ Visi multimodal terintegrasi
Qwen3-VL-235B	✅ Visi kuat untuk dokumen & gambar kompleks
Pixtral Large (Mistral)	✅ Model vision open-weight dari Mistral

Audio (Suara → Teks / Teks → Suara)

Model	Kemampuan
GPT-Realtime-2.1 / 2	✅ Input & output audio real-time
GPT-Audio-1.5	✅ Speech-to-text + text-to-speech
GPT-4o-mini-TTS	✅ TTS ringan
Whisper (OpenAI)	✅ Transkripsi audio
ElevenLabs API	✅ TTS realistis

Tool Use / Agentis

Model	Kemampuan
Claude Fable 5	✅ Tool use canggih, retrieval, coding
GPT-5.6 Sol	✅ Tool use + reasoning lanjut
Grok 4.6	✅ Tool use, file input, coding
Qwen3-235B	✅ Mode beralih thinking/non-thinking + tool use
Command A (Cohere)	✅ Fokus enterprise & RAG

---

Tabel Harga API (per 1M Token USD)

Catatan penting: Harga dapat bervariasi tergantung provider (OpenRouter, Groq, DeepInfra, dll). Angka di bawah ini merupakan harga resmi dari vendor utama atau rata-rata pasar terendah pada Agustus 2026.

OpenAI

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
GPT-5.6 Sol	$5.00	$30.00	✅	Frontier model
GPT-5.6 Terra	$2.50	$15.00	✅	Versi menengah
GPT-5.6 Luna	$1.00	$6.00	✅	Versi hemat
GPT-5.5 Pro	$30.00	$180.00	✅	6x lipat dari non-Pro
GPT-4o	$2.50	$10.00	❌	Umum, cepat
GPT-4o-mini	$0.15	$0.60	❌	Ringan
GPT-Realtime-2.1	$4.00	$24.00	❌	Audio real-time

Anthropic

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
Claude Fable 5	$10.00	$50.00	✅	Termahal, performa tertinggi
Claude Opus 5	$5.00	$25.00	✅	Setengah harga Fable 5
Claude Sonnet 4.6	$2.00	$10.00	⚠️ Opsional	Extended thinking tersedia
Claude Haiku 4.5	$1.00	$5.00	❌	Cepat dan hemat

Google Gemini

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
Gemini 3.1 Pro	$2.00	$12.00	✅	Termasuk Deep Think (bisa lebih mahal)
Gemini 3.6 Flash	$1.50	$7.50	❌	Performa tinggi, biaya rendah
Gemini 3.5 Flash-Lite	$0.30	$2.50	❌	Hemat, cocok untuk skala besar
Gemini 2.5 Pro	$1.25	$10.00	✅	Legacy, masih tersedia
Gemini 2.0 Flash	$0.10	$0.40	❌	Murah, umum

DeepSeek (China)

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
DeepSeek V4 Flash	~$0.28	~$1.32	✅	Naik setelah 16 Agustus
DeepSeek V4 Pro	~$1.74	~$3.96	✅	34x lebih murah dari Claude di input
DeepSeek V3	$0.14	$0.28	❌	Legacy
DeepSeek R1	$0.55	$2.19	✅	Fokus pada reasoning

Qwen (Alibaba)

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
Qwen3-235B-A22B	~$0.20	~$0.60	✅	Mode beralih, MoE 235B
Qwen3-VL-235B-Thinking	$0.45	$3.49	✅	Visi + thinking
Qwen3-235B-Instruct	~$0.20	~$0.60	❌	Non-thinking
Qwen3-32B	~$0.15	~$0.30	⚠️ Opsional	Ringan

Grok (xAI / SpaceXAI)

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
Grok 4.6	$2.00	$6.00	✅	Frontier model, 500K konteks
Grok 4.3	$1.25	$2.50	✅	Versi lebih hemat
Grok 4.20	$1.25	$2.50	✅	Reasoning tinggi
Grok 4.1 Fast	$0.20	$0.50	❌	Ringan

Mistral AI (Prancis)

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
Mistral Large 3	$0.50	$1.50	❌	Open weights, EU residency
Mistral Medium 3.5	$1.50	$7.50	❌	Seimbang kualitas/harga
Codestral 2508	$0.30	$0.90	❌	Fokus kode
Pixtral Large	$2.00	$6.00	❌	Vision

Kimi / Moonshot & Phi (Microsoft)

Model	Input ($/1M)	Output ($/1M)	Thinking Mode	Catatan
Kimi K3	$3.00	$15.00	✅	Flagship, 1M konteks
Kimi K2.6	$0.95	$4.00	❌	Umum
Phi-4	$0.07	$0.14	❌	Ringan, on-device

---

Catatan Penting: Peak / Off-Peak Pricing dari DeepSeek

DeepSeek adalah produsen pertama yang memperkenalkan sistem tarif bergumuru — tempat biaya bergantung pada waktu permintaan dikirimkan.

• Peak hours: 01:00–04:00 UTC & 06:00–10:00 UTC
• Off-peak: Semua sisa waktu
• Mulai 16 Agustus 2026, tarif naik secara signifikan:

Model	Peak Input	Off-Peak Input	Peak Output	Off-Peak Output
DeepSeek V4 Flash	$0.28	$0.14	$1.32	$0.66
DeepSeek V4 Pro	$1.74	$0.87	$3.96	$1.98

---

Rekomendasi Berdasarkan Kebutuhan

Kebutuhan	Model Rekomendasi
Coding asisten + reasoning	GPT-5.6 Sol / Claude Fable 5 / Grok 4.6
Chatbot ringan (hemat)	GPT-4o-mini / Gemini 3.5 Flash-Lite / DeepSeek Flash
Analisis gambar/dokumen	GPT-4o / Gemini 3.1 Pro / Qwen3-VL
Riset ilmiah/matematik	o1 / o3-mini / Claude Opus 5 / DeepSeek Pro
Agentis multitool	Claude Fable 5 / GPT-5.6 Sol / Command A
Hosting lokal	Llama 4 / Qwen3 / Mistral Large 3 (open weights)

---

Sumber

• api-docs.deepseek.com
• adamejzak/ai-pricing GitHub (audit 5 Agustus 2026)
• OpenRouter.ai
• BenchLM.ai
• Google AI Pricing

Dokumen ini disusun berdasarkan data publik dan dokumentasi resmi. Harga dan ketersediaan model dapat berubah tanpa pemberitahuan sebelumnya.

Kumpulan berita coding, web dev & AI paling menarik minggu ini (Kamis, 13 Agustus 2026). Dari rilis Laravel 13.25, TypeScript 7, DeepSeek V4 Pro, sampai peringatan keamanan supply-chain. Berikut 8 yang paling worth-it buat developer.

1. Laravel 13.25: Pause Semua Queue + UI Baru artisan dev

Laravel rilis minor 13.25 dengan tambahan yang menyenangkan buat developer. Kali ini ada perintah queue:pause --all yang bisa menjeda semua queue di semua koneksi sekaligus — berguna saat ada deploy atau maintenance. Selain itu, perintah artisan dev kini berjalan di tabbed terminal UI yang lebih rapi, dan route kini bisa langsung mengembalikan gambar.

Sumber: Laravel News

2. TypeScript 7 Diklaim 10x Lebih Cepat

Anders Hejlsberg mendemokan TypeScript 7 yang konon punya speedup 10x dibanding versi sebelumnya. Kabar ini jadi topik hangat di JavaScript Weekly. Buat proyek besar yang kompilasinya pelan, ini kabar yang sangat ditunggu-tunggu komunitas JS.

Sumber: JavaScript Weekly #796

3. DeepSeek V4 Pro 0813 Rilis — Model Open Source Terbaru

DeepSeek merilis V4 Pro 0813, model open source terbaru mereka yang langsung ramai dibahas (951 poin di Hacker News). Seperti rilisan DeepSeek sebelumnya, kehadirannya menarik perhatian karena performa kompetitif dengan biaya yang cenderung lebih rendah, dan kini sudah tersedia lewat API.

Sumber: OpenRouter

4. Grok 4.6 Rilis, Skor 61 di Artificial Analysis Index

xAI meluncurkan Grok 4.6 yang mencatat skor 61 pada Artificial Analysis Intelligence Index. Rilis ini menjadi salah satu perbincangan terbesar minggu ini (569–575 poin HN), termasuk analisis benchmark yang membedah kekuatan dan kelemahannya dibanding model lain.

Sumber: Artificial Analysis

5. ChatGPT Desktop (Codex Desktop) Kini Tersedia untuk Linux

Kabar baik buat developer Linux: aplikasi desktop ChatGPT/Codex kini tersedia untuk Linux. Banyak developer yang selama ini memakai Codex CLI lewat terminal kini bisa mencoba pengalaman desktop native. Menjadi salah satu topik developer tools paling dibicarakan pekan ini.

Sumber: OpenAI Codex

6. Watermark Baru Anthropic Bikin Pengguna Claude Geram

Anthropic memperkenalkan sistem watermarking baru pada Claude yang ramai diprotes pengguna. Banyak yang khawatir watermark ini akan “ketahuan” saat mereka pakai Claude untuk keperluan kerja atau tugas kuliah. Ini jadi pengingat penting soal kebijakan AI, privasi, dan pro/kontra pendeteksian konten.

Sumber: TechCrunch

7. Terabyte Kredensial Bocor dalam Serangan Supply-Chain

Ada peringatan keamanan serius pekan ini: terabyte kredensial bocor lewat serangan supply-chain yang menyasar sebuah package AI yang disusupi. Datanya disisir dan dieksfiltrasi dari 2.500 pengguna. Cocok jadi pengingat untuk periksa keamanan dependency dan supply-chain di proyek kamu.

Sumber: Ars Technica

8. Laracon US 2026: Semua Pengumuman Penting

Buat pengguna Laravel, Laracon US 2026 baru saja berlangsung dan menghasilkan banyak pengumuman — mulai dari fitur baru, tooling, sampai arah pengembangan framework ke depan. Kalau sempat, artikel rekap ini wajib dibaca biar nggak ketinggalan.

Sumber: Laravel Blog

Itu dia delapan berita paling menarik pekan ini buat developer. Mana yang paling bikin kamu penasaran? Sampai jumpa di kumpulan berita minggu depan!

Hari ini aku mulai seri baru di blog ini: Belajar Laravel. Rencananya 25 episode, dari nol sampai bisa membuat aplikasi web lengkap — sebuah Sistem Informasi sederhana dengan stack yang sengaja kubuat “bersahaja”: jQuery, Bootstrap, MySQL, dan Blade murni. Aku tidak memakai tool bantu populer yang bisa menyembunyikan cara kerja aslinya, karena tujuanku satu: paham benar bagaimana request masuk, bagaimana Blade merender HTML, dan bagaimana query sampai ke MySQL. Catatan ini kutulis sambil belajar, jadi kalau ada bagian yang terasa membingungkan — tenang, memang begitulah rasanya belajar.

Kenapa Laravel?

Sebelum ngoding, aku sempat bertanya: kenapa harus Laravel, bukan framework lain? Alasanku kurang lebih begini:

• Paling populer di ekosistem PHP — banyak dipakai perusahaan, jadi banyak lowongan yang butuh skill ini.
• Pola MVC — kode dipisah rapi: Controller untuk logika, Model untuk data, View untuk tampilan. Lama-lama ini terasa menyehatkan, apalagi kalau project mulai besar.
• Dokumentasi dan komunitas besar — nyaris semua error yang kuhadapi sudah pernah dialami orang lain, dan jawabannya mudah ditemukan.
• Artisan — command line tool bawaan yang mempercepat kerja rutin seperti membuat controller, migration, sampai menjalankan server.

Intinya: Laravel memberi struktur tanpa memaksa kita menulis semuanya dari nol, tapi tetap cukup “telanjang” untuk kita pelajari apa yang terjadi di balik layar.

Prasyarat: PHP & Composer

Laravel berjalan di atas PHP, jadi syarat pertama adalah PHP terpasang. Pastikan versi PHP-mu memenuhi syarat minimum yang tercantum di dokumentasi resmi Laravel — jangan asal pakai versi lawas, karena fitur framework terbaru biasanya butuh versi PHP tertentu. Cara mengeceknya:

php -v
composer --version

Composer adalah manajer dependensi untuk PHP — kurang lebih seperti npm di dunia JavaScript. Lewat Composer-lah Laravel diunduh dan semua paket bawaannya dikelola. Kalau perintah composer tidak dikenali, biasanya PATH-nya belum ditambahkan ke sistem; ini salah satu hambatan pertama yang umum terjadi di Windows.

Environment Lokal

Untuk belajar, kita cukup butuh lingkungan lokal yang berisi PHP, Composer, dan MySQL. Pilihannya tergantung sistem operasi:

• Windows — XAMPP paling umum dipakai pemula karena satu paket: PHP, MySQL, dan Apache. Alternatif yang lebih ringan dan cepat: Laragon.
• macOS — Laravel Valet atau Laravel Herd; ringan, tanpa panel berat, cocok untuk development sehari-hari.
• Linux — install PHP dan Composer langsung dari package manager.

Yang penting diingat: apapun pilihannya, kebutuhan intinya sama — PHP, Composer, dan MySQL. Jangan terjebak terlalu lama memilih-milih tool; pakai yang paling cepat jalan di mesinmu.

Membuat Project Laravel

Setelah PHP dan Composer siap, membuat project Laravel baru cuma satu perintah:

composer create-project laravel/laravel nama-project
cd nama-project

Catatan jujur: proses pertama kali bisa terasa lama karena Composer mengunduh ratusan paket. Layar terlihat “diam” lama — itu normal, bukan hang. Setelah selesai, struktur folder di dalam project kira-kira begini (versi singkat):

• app/ — kode inti aplikasi: Models, Controllers di app/Http/Controllers.
• routes/ — routes/web.php adalah “pintu masuk” semua request dari browser.
• resources/views/ — file tampilan Blade (HTML).
• database/migrations/ — skema tabel dalam bentuk kode.
• public/ — satu-satunya folder yang “dilihat” web server; index.php ada di sini.
• .env — konfigurasi (database, APP_KEY).

Menjalankan Server

Laravel punya server bawaan untuk development, dijalankan lewat Artisan:

php artisan serve

Setelah itu buka http://127.0.0.1:8000 — kalau muncul halaman selamat datang Laravel, berarti project-mu sudah hidup. Dua hal yang sering kuhadapi di tahap ini: pesan minta APP_KEY di .env (biasanya sudah ter-generate saat create-project; kalau belum, jalankan php artisan key:generate), dan port 8000 yang sudah dipakai aplikasi lain — ganti dengan php artisan serve --port=8080.

Kesalahan yang Umum

• Versi PHP terlalu tua — cek php -v, lalu samakan dengan syarat minimum di dokumentasi resmi.
• Composer tidak dikenali — PATH belum diatur; cari “add Composer to PATH” saat instalasi.
• Ekstensi PHP kurang — misalnya mbstring atau openssl; aktifkan di php.ini atau panel XAMPP/Laragon.
• Lupa perbedaan folder — aku sering bingung “file mana yang harus diutak-atik”. Di episode-episode awal, 90% waktu kita habis di routes/, app/Http/Controllers, dan resources/views.

Kesimpulan

Di episode ini kita sudah punya project Laravel yang berjalan di browser. Bagian yang paling membingungkan bagiku di awal ternyata bukan sintaks, tapi peta mental: “request masuk lewat mana, lalu ke mana?” Jawaban singkatnya: browser → routes/web.php → Controller → View. Di episode berikutnya kita akan membedah alur itu satu per satu: routing dan controller pertama.

Sumber

• Dokumentasi resmi Laravel — Installation
• Dokumentasi resmi Laravel — Directory Structure
• Composer Documentation
• PHP Manual
• Bootstrap Documentation (untuk seri ini)

Kemarin saya bahas cara kerja agentic AI coding dengan OpenCode sebagai studi kasus. Hari ini saya bandingkan tiga tool yang paling populer saat ini: OpenCode, Claude Code, dan Codex CLI. Semua angka repo diambil langsung dari GitHub API tanggal 11 Agustus 2026, dan detail fitur dari README/dokumentasi resmi masing-masing.

Sekilas Perbandingan

Aspek	OpenCode	Claude Code	Codex CLI
Pengembang	Komunitas (Anomaly)	Anthropic	OpenAI
Lisensi	MIT (open source)	Terms komersial Anthropic (repo publik, bukan lisensi OSI)	Apache-2.0 (open source)
⭐ GitHub	~195.800	~140.900	~105.100
Dibuat	30 Apr 2025	22 Feb 2025	13 Apr 2025
Model bawaan	Provider-agnostic (Anthropic, OpenAI, OpenRouter, Ollama lokal, dll)	Model Claude	Model OpenAI
Bentuk	TUI/CLI, desktop (beta), ekstensi IDE	Terminal, IDE, @claude di GitHub	CLI lokal, desktop app, IDE (VS Code/Cursor/Windsurf), Codex Web (cloud)

OpenCode — Open Source Penuh & Bebas Model

Sudah saya bahas detail kemarin: lisensi MIT, provider-agnostic (bisa pakai model apa saja termasuk model lokal via Ollama), TUI-first, dengan sistem agent yang lengkap (primary: build/plan; subagent: general/explore/scout) dan tool bawaan bash, edit file, grep/glob, skill, todowrite, webfetch, websearch, sampai tool question untuk bertanya balik ke user. Punya dukungan MCP, LSP, dan custom tools.

Kekuatan utamanya: transparan dan tidak terikat vendor — kode terbuka (MIT), dan modelnya bisa diganti-ganti. Cocok kalau kamu mau kontrol penuh atas tooling dan tidak mau terkunci ekosistem satu penyedia AI.

Claude Code — Agentic Tool dari Anthropic

Claude Code (repo anthropics/claude-code) adalah agentic coding tool yang hidup di terminal: memahami codebase, mengeksekusi tugas rutin, menjelaskan kode kompleks, dan menangani workflow git lewat perintah bahasa alami. Bisa dipakai di terminal, IDE, atau mention @claude langsung di GitHub. Repo ini juga memuat beberapa plugin resmi yang menambah custom commands dan agents.

Catatan jujur dari README resmi: repo-nya publik tapi bukan open source OSI — didistribusikan di bawah Commercial Terms of Service Anthropic. Ada juga kebijakan data collection: Anthropic mengumpulkan data penggunaan (feedback, data percakapan), dengan beberapa safeguard privasi. Kalau kamu sensitif soal data, ini penting untuk diperhitungkan. Instalasi via npm sudah deprecated — disarankan curl -fsSL https://claude.ai/install.sh | bash, Homebrew, atau WinGet.

Codex CLI — Coding Agent dari OpenAI

Codex CLI (repo openai/codex, lisensi Apache-2.0) adalah coding agent dari OpenAI yang berjalan lokal di komputer. Uniknya, ia terintegrasi dengan ekosistem OpenAI: bisa sign in dengan akun ChatGPT (plan Plus/Pro/Business/Edu/Enterprise) atau pakai API key. Bentuknya beragam: CLI lokal, desktop app (codex app), ekstensi IDE untuk VS Code/Cursor/Windsurf, plus versi cloud-nya bernama Codex Web (chatgpt.com/codex).

Buat yang sudah berlangganan ChatGPT, ini jalur paling mulus: pakai kuota plan tanpa mikir API key. Source code CLI-nya sendiri open source (Apache-2.0), jadi bisa diaudit dan di-build sendiri.

Kapan Pilih Yang Mana?

Prioritas kamu	Rekomendasi	Alasan
Open source penuh, bebas ganti model, TUI-first	OpenCode	MIT, provider-agnostic, ekosistem agen & tool lengkap
Sudah di ekosistem Claude / butuh integrasi GitHub (@claude)	Claude Code	Matang dari Anthropic, ada plugin resmi; terima lisensi komersial & data collection
Sudah langganan ChatGPT, mau integrasi IDE + cloud	Codex CLI	Apache-2.0, sign-in ChatGPT plan, ada desktop app & Codex Web

Kesimpulan

Ketiganya sama-sama agentic (loop: panggil tool → lihat hasil → iterasi), bedanya di ekosistem dan lisensi. OpenCode paling terbuka dan fleksibel soal model; Codex paling nyambung buat pengguna ChatGPT; Claude Code paling matang kalau kamu sudah di dunia Claude. Tidak ada yang “paling bagus” mutlak — pilih berdasarkan langganan yang kamu punya dan seberapa penting open source + privasi data buatmu.

Sumber

• GitHub: anomalyco/opencode (data via GitHub API, 11 Agu 2026)
• GitHub: anthropics/claude-code + README resmi (11 Agu 2026)
• GitHub: openai/codex + README resmi (11 Agu 2026)
• OpenCode Documentation
• Claude Code Documentation
• Codex Documentation

Kemarin saya sempat riset tentang agentic AI coding — tren AI yang lagi ramai dipakai untuk menulis kode. Beda dengan AI generasi lama yang cuma menjawab potongan kode sekali jalan, agentic AI bisa mengerjakan tugas sampai selesai: baca file, edit, jalankan perintah, cari di web, bahkan bertanya balik ke kita. Contohnya OpenCode, Claude Code, Codex CLI, Cursor Agent. Di tulisan ini saya bahas cara kerjanya, dengan OpenCode sebagai studi kasus.

Apa itu Agentic AI Coding?

Perbedaan fundamentalnya begini:

	AI Assistant klasik (autocomplete/chat)	Agentic AI coding
Cara kerja	Menjawab potongan kode sekali jalan	Loop: model → panggil tool → lihat hasil → lanjut, sampai tugas selesai
Akses	Hanya teks di editor	Bisa baca/edit file, jalankan shell, cari di web, tanya user
Kontrol	User yang mengeksekusi	Agent yang mengeksekusi (dengan permission yang bisa dibatasi)
Contoh	Copilot autocomplete	OpenCode, Claude Code, Codex CLI, Cursor Agent

Cara Kerja Inti: Agent Loop

Inti dari semua agentic coding adalah agent loop — siklus yang diulang sampai target tercapai:

1. Konteks — agent diberi instruksi + isi repo, aturan proyek (AGENTS.md/rules), dan riwayat sesi.
2. Putuskan — model memilih: jawab langsung, atau panggil tool.
3. Eksekusi — tool dijalankan (edit file, run test, fetch docs), output dikembalikan ke konteks.
4. Iterasi — ulangi sampai target tercapai, lalu lapor hasil.

Yang membuat loop ini aman dan berguna ada empat dukungan kunci: sistem permissions (apa yang boleh dijalankan tanpa izin), subagent (agent khusus yang didelegasikan), context management (kompaksi saat konteks panjang), dan integrasi LSP/MCP (code intelligence + tool eksternal).

OpenCode sebagai Contoh Nyata

OpenCode (opencode.ai) adalah agentic coding open-source yang cukup populer. Data repo terverifikasi via GitHub API (11 Agustus 2026):

• Repo: anomalyco/opencode — “The open source AI coding agent”
• ~195.800 ⭐, 25.100+ fork, lisensi MIT, bahasa TypeScript
• Dibuat 30 April 2025, masih aktif (push terakhir 10 Agustus 2026)
• Bentuk: TUI (terminal), CLI opencode run, desktop app (beta), ekstensi IDE

Sistem Agent

OpenCode punya dua tipe agent: primary (dipakai langsung, ganti via tombol Tab) dan subagent (dipanggil via @nama atau otomatis oleh agent utama):

Agent	Tipe	Akses	Fungsi
build	primary (default)	semua tool	development, edit + run perintah
plan	primary	read-only (edit: deny, bash: ask)	analisis & buat rencana tanpa menyentuh kode
general	subagent	semua tool kecuali todo	riset multi-langkah, bisa jalan paralel
explore	subagent	read-only	jelajah/cari di codebase dengan cepat
scout	subagent	read-only	riset dokumentasi/dependency eksternal
compaction, title, summary	hidden	—	kompaksi konteks, judul sesi, ringkasan (otomatis)

Tool Bawaan

Semua tool bisa di-allow/ask/deny satu per satu lewat konfigurasi permission:

Tool	Fungsi
bash	eksekusi perintah shell
read / write / edit / apply_patch	operasi file
grep / glob	pencarian (ditenagai ripgrep, hormati .gitignore)
lsp (eksperimental)	go-to-definition, find-references, hover
skill	memuat SKILL.md (knowledge prosedural)
todowrite	todo list saat tugas kompleks
webfetch	ambil konten halaman web
websearch	cari web via Exa AI (tanpa API key, aktivasi via env)
question	bertanya ke user saat eksekusi (klarifikasi/pilihan)

Cara kerja khasnya: agent memanggil tool → hasil tool masuk konteks → model menyambung logika → bisa membuat sesi child untuk subagent, lalu kembali ke sesi induk. Modelnya provider-agnostic (Anthropic, OpenAI, OpenRouter, model lokal via Ollama, dll) — tidak terikat satu vendor. Konfigurasi via opencode.json atau file markdown di .opencode/agents/.

Kesimpulan

Agentic coding pada dasarnya memberi LLM tangan (tools) + aturan (permissions) + ingatan kerja (konteks sesi), lalu membiarkannya mengulang loop eksekusi sampai selesai. OpenCode adalah implementasi open-source yang bagus untuk dipelajari: konsepnya sederhana (loop + tools), tapi lengkap — subagent, MCP, LSP, permission. Yang menarik buat saya: loop yang sama persis juga dipakai asisten riset di mesin ini untuk men-delegate tugas, jadi paham konsep ini ternyata berguna di luar coding.

Sumber

• OpenCode Documentation (Intro, Agents, Tools — last updated 9 Agustus 2026)
• GitHub: anomalyco/opencode (data repo via GitHub API, diambil 11 Agustus 2026)
• opencode.ai