Bangun Agen Ringkasan Pemantauan yang Berjalan Terjadwal: Panduan 4 Komponen dan Pemilihan Antarmuka

Catatan penulis: Artikel ini membedah empat komponen Agent pemantau dan peringkas yang berjalan terjadwal, menjelaskan cara memisahkan lapisan pemanggilan model dari SDK tertentu melalui antarmuka yang kompatibel dengan OpenAI, serta menyertakan contoh Python yang bisa dijalankan.

OpenRouter baru-baru ini menerbitkan tutorial untuk membangun AI Agent yang berjalan terus-menerus dan bekerja sesuai jadwal di TypeScript menggunakan @openrouter/agent 0.11.0. Agent ini otomatis memantau Hacker News dan membuat ringkasan. Skenario ini cukup umum: banyak tim menginginkan sistem serupa untuk merangkum berita industri, perkembangan kompetitor, atau diskusi populer di komunitas teknologi setiap pagi. Berangkat dari tutorial tersebut, artikel ini membahas arsitektur umum Agent pemantau dan peringkas yang tidak terikat pada SDK tertentu.

Ini bukan ringkasan ulang tutorial tersebut. Hanya informasi ringkas tentang tutorial aslinya yang dipublikasikan, jadi kita tidak akan menebak detail implementasinya. Artikel ini berfokus pada pertanyaan yang lebih umum: apa saja komponen Agent pemantau dan peringkas, serta bagaimana merancang lapisan pemanggilan model agar model dan penyedia layanan bisa diganti kapan saja.

Manfaat utama: Setelah membaca artikel ini, Anda akan memahami struktur empat tahap—pemicu terjadwal, pengambilan data, peringkasan oleh model, dan keluaran hasil—serta mendapatkan implementasi Python berbasis antarmuka yang kompatibel dengan OpenAI yang bisa langsung disesuaikan.

Poin utama Agent ringkasan pemantauan

Tabel berikut merangkum kesimpulan artikel ini. Setiap poin akan dibahas lebih lanjut pada bagian berikutnya.

Empat komponen Agent ringkasan pemantauan

Pada dasarnya, «Agent yang berjalan terus-menerus» adalah alur kerja yang dijalankan berulang kali oleh penjadwal. Agent ini tidak memerlukan penalaran kompleks dalam banyak langkah, tetapi harus sangat stabil karena tidak ada yang terus mengawasinya. Membaginya menjadi empat komponen dengan tanggung jawab yang jelas adalah langkah awal agar sistem dapat berjalan stabil dalam jangka panjang.

Keempat komponen ini berinteraksi melalui struktur data sederhana: pengambil data menghasilkan «daftar item», peringkas menghasilkan «teks ringkasan», dan pengirim hasil meneruskan teks tersebut. Dengan desain ini, masalah di setiap tahap dapat dilacak secara terpisah. Misalnya, jika kualitas ringkasan buruk, cukup sesuaikan peringkas; jika pengiriman gagal, cukup periksa pengirim hasil.

Pada versi pertama, banyak orang memasukkan seluruh logika ke dalam satu skrip. Cara ini memang bisa berjalan, tetapi sulit dipelihara. Begitu ingin mengganti Hacker News dengan GitHub Trending atau menggunakan model dari penyedia lain, mereka harus mengubah bagian besar kode. Dengan memisahkannya menjadi beberapa komponen, menambah sumber informasi cukup dilakukan dengan membuat pengambil data baru, sedangkan perubahan pada lapisan model cukup melalui konfigurasi.

Memilih Pemicu Terjadwal untuk Agent Ringkasan Pemantauan

Pemicu terjadwal membuat agent bisa berjalan secara berkelanjutan. Tutorial OpenRouter menerapkannya sebagai proses yang terus aktif, tetapi dalam praktiknya ada beberapa pilihan, tergantung infrastruktur yang sudah kamu miliki.

Untuk tugas peringkasan yang berjalan setiap jam atau setiap hari, cron sistem dengan skrip yang keluar setelah selesai biasanya menjadi pilihan paling hemat dan praktis. Cara ini menghindari peningkatan penggunaan memori pada proses yang terus aktif. Jika gagal, tugas akan dicoba lagi pada jadwal berikutnya. Proses yang terus aktif baru layak dipertimbangkan jika kamu membutuhkan pemantauan setiap beberapa menit atau perlu berbagi sumber daya yang cukup besar antar-eksekusi.

Cara memisahkan lapisan pemanggilan model pada Agent ringkasan pemantauan

Inilah fokus utama artikel ini. Tutorial OpenRouter menggunakan SDK @openrouter/agent miliknya sendiri, yang praktis untuk memulai dengan cepat. Namun, informasi ringkasan yang tersedia untuk umum belum menjelaskan apakah SDK tersebut mendukung endpoint kustom yang kompatibel dengan OpenAI. Kami juga belum memverifikasinya, jadi artikel ini tidak membahas cara menghubungkan SDK tersebut ke platform lain.

Kita ambil pendekatan lain: alih-alih membuat kode bisnis bergantung langsung pada SDK Agent dari penyedia tertentu, kita tambahkan lapisan tipis berupa “antarmuka ringkasan”. Kode bisnis hanya memanggil summarize(items), sementara lapisan ini menentukan model dan endpoint yang digunakan berdasarkan konfigurasi.

Desain antarmuka lapisan pemanggilan Agent ringkasan pemantauan

Desain lapisan pemanggilan ini mengikuti tiga prinsip sederhana yang bisa menghemat banyak pekerjaan ulang di kemudian hari:

• Hanya tampilkan fungsi yang relevan dengan bisnis: sediakan summarize(items) -> str tanpa mengekspos parameter tingkat rendah seperti messages dan temperature ke kode bisnis.
• Gunakan protokol yang seragam: secara internal, gunakan format Chat Completions yang kompatibel dengan OpenAI. Baca base_url, api_key, dan model dari variabel lingkungan.
• Sediakan fallback saat gagal: ulangi pemanggilan dalam jumlah terbatas. Jika masih gagal, tampilkan daftar judul asli agar setidaknya ada hasil yang bisa dibaca pada hari itu.

Protokol yang kompatibel dengan OpenAI dipilih sebagai dasar karena telah menjadi format umum secara de facto. SDK resmi dan banyak alat pihak ketiga juga mendukung perubahan base_url. Selama server kompatibel dengan format ini, pergantian model cukup dilakukan dengan mengubah satu baris konfigurasi.

Dengan desain ini, platform agregasi seperti APIYI bisa menjadi salah satu pilihan untuk lapisan pemanggilan model. APIYI kompatibel dengan format OpenAI API dan mendukung integrasi melalui SDK resmi OpenAI; untuk berganti model, cukup ubah nama model. Bagi Agent ringkasan pemantauan, ini berarti kamu bisa membandingkan hasil ringkasan dari berbagai model menggunakan satu kunci API, tanpa perlu menulis kode integrasi terpisah untuk setiap penyedia model.

Apa yang perlu dipertimbangkan saat memilih model untuk tugas peringkasan hasil pemantauan

Tugas peringkasan terlihat sederhana, tetapi setiap sumber informasi bisa memiliki kebutuhan model yang berbeda. Saat ini kami belum memiliki data pengujian sistematis untuk tugas semacam ini, jadi kami tidak akan menyimpulkan model mana yang terbaik. Sebagai gantinya, berikut beberapa hal yang perlu dipertimbangkan saat memilih.

💡 Saran memilih model: Tidak ada satu model ringkasan yang cocok untuk semua kebutuhan. Cara paling andal adalah membandingkan beberapa model menggunakan sumber informasi yang benar-benar Anda pakai selama beberapa hari. Coba gunakan APIYI apiyi.com untuk beralih di antara beberapa kandidat dengan kode yang sama, lalu bandingkan kestabilan format dan kualitas bahasa Mandarinnya sebelum menentukan model untuk penggunaan jangka panjang.

Memulai Agent Perangkum Pemantauan

Berikut implementasi versi minimal yang dapat digunakan dengan Python. Sumber informasinya adalah API publik Hacker News (hacker-news.firebaseio.com/v0), sesuai dengan skenario dalam tutorial OpenRouter agar mudah dibandingkan.

Contoh sederhana: ambil dan rangkum

Kode berikut mengambil 10 judul terpopuler di Hacker News, lalu meminta model membuat ringkasan dalam bahasa Mandarin untuk memastikan seluruh alur berjalan dengan baik:

import requests
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # OpenAI 兼容端点
)

HN = "https://hacker-news.firebaseio.com/v0"
ids = requests.get(f"{HN}/topstories.json", timeout=10).json()[:10]
titles = [requests.get(f"{HN}/item/{i}.json", timeout=10).json().get("title", "") for i in ids]

resp = client.chat.completions.create(
    model="gpt-4o-mini",  # 示例模型名，以平台模型列表为准
    messages=[{"role": "user", "content": "用中文分 3 点总结这些热帖的主题：\n" + "\n".join(titles)}]
)
print(resp.choices[0].message.content)

Kode ini bisa dijalankan, tetapi belum siap untuk berjalan terus-menerus: belum ada deduplikasi atau penanganan kegagalan, dan model serta endpoint masih ditetapkan langsung dalam kode. Versi lengkap di bawah ini memisahkan empat komponen dan menambahkan pengelolaan status.

import json
import os
import time
from pathlib import Path

import openai
import requests

HN = "https://hacker-news.firebaseio.com/v0"
STATE_FILE = Path(os.getenv("STATE_FILE", "seen_ids.json"))
TOP_N = int(os.getenv("TOP_N", "30"))


# ---------- 数据获取器 ----------
def fetch_new_stories(seen: set) -> list:
    ids = requests.get(f"{HN}/topstories.json", timeout=10).json()[:TOP_N]
    items = []
    for i in ids:
        if i in seen:
            continue
        item = requests.get(f"{HN}/item/{i}.json", timeout=10).json() or {}
        if item.get("title"):
            items.append({"id": i, "title": item["title"],
                          "url": item.get("url", ""), "score": item.get("score", 0)})
    return items


# ---------- 状态管理 ----------
def load_seen() -> set:
    return set(json.loads(STATE_FILE.read_text())) if STATE_FILE.exists() else set()

def save_seen(seen: set) -> None:
    STATE_FILE.write_text(json.dumps(sorted(seen)[-2000:]))  # 只保留最近的 ID


# ---------- 摘要器（模型调用层） ----------
class Summarizer:
    def __init__(self):
        self.client = openai.OpenAI(
            api_key=os.environ["LLM_API_KEY"],
            base_url=os.getenv("LLM_BASE_URL", "https://api.apiyi.com/v1"),
        )
        self.model = os.getenv("SUMMARY_MODEL", "gpt-4o-mini")

    def summarize(self, items: list, retries: int = 2) -> str:
        lines = "\n".join(f"- [{x['score']}] {x['title']}" for x in items)
        prompt = ("你是技术资讯编辑。请用中文把下面的 Hacker News 新热帖归纳为 3-5 个主题，"
                  "每个主题一句话，并列出最值得关注的 3 条标题。\n" + lines)
        for attempt in range(retries + 1):
            try:
                resp = self.client.chat.completions.create(
                    model=self.model,
                    messages=[{"role": "user", "content": prompt}],
                    max_tokens=800,
                )
                return resp.choices[0].message.content
            except Exception as e:
                print(f"摘要失败（第 {attempt + 1} 次）：{e}")
                time.sleep(2 ** attempt)
        return "【模型暂不可用，以下为原始标题】\n" + lines  # 降级输出


# ---------- 输出器 ----------
def deliver(text: str) -> None:
    webhook = os.getenv("WEBHOOK_URL")
    if webhook:
        try:
            requests.post(webhook, json={"text": text}, timeout=10).raise_for_status()
            return
        except Exception as e:
            print(f"推送失败，改为落盘：{e}")
    Path(f"digest-{time.strftime('%Y%m%d-%H%M')}.md").write_text(text, encoding="utf-8")


# ---------- 一次运行（由定时器触发） ----------
def run_once() -> None:
    seen = load_seen()
    items = fetch_new_stories(seen)
    if not items:
        print("没有新条目，本轮跳过")
        return
    deliver(Summarizer().summarize(items))
    save_seen(seen | {x["id"] for x in items})


if __name__ == "__main__":
    run_once()

Ada beberapa keputusan desain penting dalam versi lengkap ini. Pertama, Summarizer hanya mengekspos summarize, sedangkan nama model, endpoint, dan kunci API semuanya berasal dari variabel lingkungan. Inilah pemisahan lapisan pemanggilan yang dibahas sebelumnya. Kedua, file status hanya menyimpan sejumlah ID terbaru agar ukurannya tidak terus bertambah saat berjalan dalam jangka panjang. Terakhir, jika model gagal, judul asli tetap dikeluarkan. Jika pengiriman gagal, hasilnya disimpan ke disk agar setiap putaran tetap menghasilkan keluaran yang bisa dilacak.

Menjadwalkan deployment Agent ringkasan pemantauan

Skrip ini dirancang untuk berjalan sekali lalu berhenti, jadi bisa langsung dijadwalkan lewat cron. Konfigurasi berikut menjalankannya setiap hari pada pukul 08.00 dan 20.00:

# crontab -e
0 8,20 * * * cd /opt/hn-digest && LLM_API_KEY=xxx SUMMARY_MODEL=gpt-4o-mini /usr/bin/python3 agent.py >> run.log 2>&1

Jika ingin membandingkan model lain, cukup ubah SUMMARY_MODEL ke nama model tersebut tanpa mengubah satu baris kode pun. Untuk lingkungan produksi, sebaiknya simpan kunci API di file .env atau layanan pengelolaan kunci, bukan langsung di crontab.

🚀 Saran untuk mulai cepat: Gunakan contoh paling sederhana untuk memastikan seluruh alur berjalan lancar, lalu beralih ke versi lengkap dan jadwalkan dengan cron. APIYI apiyi.com menyediakan kuota uji coba gratis bagi pengguna baru. Dengan satu kunci API, Anda bisa beralih antara model OpenAI, Claude, Gemini, dan lainnya untuk membandingkan kualitas ringkasan dengan cepat saat membuat prototipe.

Pertanyaan Umum (FAQ)

Poin Penting Agent Pemantauan dan Ringkasan

• Struktur empat tahap: pemicu terjadwal, pengambilan data, peringkasan oleh model, dan keluaran hasil berdiri sendiri sehingga mudah diganti dan ditelusuri saat ada masalah
• Lebih andal jika selesai lalu berhenti: untuk tugas ringkasan yang jarang dijalankan, cron dan skrip sekali jalan lebih mudah dikelola daripada proses yang terus aktif
• Status menentukan kualitas: catat ID yang sudah dilihat agar setiap proses hanya merangkum data baru, sehingga tidak berulang dan boros
• Pisahkan lapisan pemanggilan: logika bisnis hanya bergantung pada antarmuka summarize, sedangkan model, endpoint, dan kunci semuanya berasal dari konfigurasi
• Gunakan protokol yang kompatibel sebagai dasar: format kompatibel OpenAI memungkinkan pergantian model hanya dengan mengubah satu baris variabel lingkungan
• Pilih model berdasarkan pengujian: bandingkan konteks, kepatuhan terhadap instruksi, bahasa, biaya, dan stabilitas. Di APIYI apiyi.com, kamu bisa beralih model dan mengujinya dengan kode yang sama
• Siapkan fallback saat terjadi kegagalan: jika model gagal, keluarkan judul asli; jika pengiriman gagal, simpan hasil ke disk

Kesimpulan

Kunci membangun Agent pemantauan dan ringkasan yang berjalan secara terjadwal bukanlah menggunakan framework yang rumit, melainkan membagi strukturnya dengan jelas:

1. Pembagian komponen: empat komponen—pemicu, pengambilan, peringkasan, dan keluaran—terhubung melalui struktur data sederhana, sehingga masing-masing bisa diuji secara terpisah
2. Pemisahan antarmuka: gunakan lapisan antarmuka peringkasan yang sederhana untuk memisahkan SDK tertentu, dengan protokol kompatibel OpenAI sebagai dasarnya
3. Utamakan stabilitas: deduplikasi, percobaan ulang, dan fallback wajib disiapkan untuk tugas yang berjalan tanpa pengawasan

Tutorial Hacker News dari OpenRouter memberikan contoh skenario yang bagus. Sementara itu, arsitektur umum dalam artikel ini memungkinkan kamu menerapkan pendekatan yang sama ke sumber informasi dan model apa pun. Sebagai langkah berikutnya, coba jalankan seluruh alur dengan contoh sederhana, lalu hubungkan ke cron selama beberapa hari. Amati kualitas ringkasannya sebelum menentukan model untuk penggunaan jangka panjang.

Kamu bisa mencoba APIYI apiyi.com untuk memverifikasi hasil dengan cepat. Satu kunci API cukup untuk beralih di antara berbagai model populer, dan pengguna baru juga mendapat kuota uji coba gratis untuk membandingkan model pada tahap prototipe.

📚 Referensi

1. Ringkasan tutorial OpenRouter: Membangun AI Agent yang terus berjalan untuk memantau Hacker News dengan Agent SDK
2. Tautan: aihot.news/items/upl3hjjdokqe13w3ieo9opr0v

3. Keterangan: Pengantar artikel ini, yang membahas penggunaan @openrouter/agent 0.11.0 untuk membangun Agent terjadwal dengan TypeScript

4. API resmi Hacker News: Antarmuka data publik yang hanya bisa dibaca

5. Tautan: github.com/HackerNews/API

6. Keterangan: Berisi penjelasan field untuk endpoint seperti topstories dan item, serta menjadi dokumentasi sumber data contoh dalam artikel ini

7. OpenAI Python SDK: Pustaka klien resmi

8. Tautan: github.com/openai/openai-python
9. Keterangan: Menjelaskan cara terhubung ke endpoint yang kompatibel melalui parameter base_url

Penulis: Tim teknis APIYI
Diskusi teknis: Hubungi kami melalui halaman utama situs APIYI. Untuk panduan integrasi lainnya, kunjungi pusat dokumentasi di docs.apiyi.com

Artikel terkait

• Google Cloud di London mengalami gangguan selama 7 jam 52 menit: Jangan menggantungkan bisnis hanya pada satu model: Satu zona ketersediaan Google Cloud di London mengalami pemadaman listrik selama 7 jam 52 menit, dan DeepSeek juga sempat mengalami gangguan selama 4 jam 52 menit beberapa hari lalu; model hanyalah salah satu bagian dalam alur kerja, jadi menyiapkan jalur kedua dan ketiga sejak awal lebih berguna daripada hanya menunggu pihak hulu memperbaikinya.
• Perbandingan Tugas Terjadwal ChatGPT, Agen Codex, dan Otomatisasi Penuh Dot: 6 Perbedaan Utama antara 3 Jenis Otomatisasi: Bandingkan kemampuan otomatisasi penuh, biaya, keandalan, dan rekomendasi pemilihan tugas terjadwal ChatGPT, agen Codex, dan ChatGPT Dot dari aspek pemicu, pelaksanaan, dan koordinasi berkelanjutan.
• Mengatasi masalah garis warna pada gambar GPT Image 2.5: diagnosis 5 jenis garis warna dan panduan memilih parameter quality: Uraikan 5 jenis dan penyebab munculnya garis warna serta bintik noise berwarna pada hasil gpt-image-2.5-sunburst, jelaskan hubungan tingkat kualitas dan anggaran komputasi, konversi “2.5 high ≈ 2 medium”, perbandingan biaya, serta solusi penghilangan tanpa banyak menambah anggaran.