Arsitektur
Bagaimana runtime desktop mengubah panggilan model menjadi sesi agen yang andal: loop streaming, perutean alat, keadaan aman kecelakaan, abstraksi penyedia, dan manajemen konteks.
Blog Orkas menjelaskan bagaimana Orkas bekerja sebagai sumber terbuka, klien desktop lokal-pertama untuk mengoordinasikan agen AI dengan kunci model Anda sendiri. Catatan teknik ini mencakup runtime Agent Harness, orkestrasi multi-agen, evolusi diri lokal, perutean penyedia, memori, pemadatan konteks, dan pilihan keamanan di balik lalu lintas model langsung ke penyedia. Setiap artikel ditulis sebagai referensi praktis untuk pengembang, operator, dan pembangun AI yang mengevaluasi alur kerja agen AI lokal-pertama.
Bagaimana runtime desktop mengubah panggilan model menjadi sesi agen yang andal: loop streaming, perutean alat, keadaan aman kecelakaan, abstraksi penyedia, dan manajemen konteks.
Bagaimana agen utama menguraikan permintaan, mengirimkan sub-agen, meneruskan konteks di antara langkah-langkah, dan memulihkan ketika tugas gagal.
Mengapa Orkas menyimpan data ruang kerja dan kunci model di mesin pengguna, dan mengapa lalu lintas dari penyedia Anda sendiri langsung menuju ke sana daripada melalui server Orkas.
Keduanya menghasilkan video saat Anda menonton dan mengambil instruksi baru di tengah-tengah aliran. Membaca berdampingan, makalah S2 dan laporan R2 menyetujui kerangka, membagi lima pilihan desain — pelatihan, drift, memori, kecepatan, dan kontrol — dan mengungkapkan jumlah yang sangat berbeda.
Server resmi hanya Studio, skrip eksternal selalu ada, dan solusi edisi gratis sekarang belum dikonfirmasi daripada dikonfirmasi mati.
Tiga pekerjaan tersembunyi di balik satu frasa. Bagian mana yang benar-benar otomatis, mana yang tetap menjadi manusia, dan langkah bukti sebelum pemotongan apa pun.
Sebuah toko dua orang dikutip $3.000 ditambah $400 sebulan. Apa yang dibeli, berapa biaya CiteScore, Otterly dan AppearAI, dan versi sepanjang sore yang Anda jalankan sendiri.
Tiga puluh pesanan sehari, satu jam salin dan tempel. Versi yang berguna hanya menampilkan empat baris yang tidak sejajar.
Tujuh kontrol yang dibutuhkan praktisi sebelum agen dapat mengubah anggaran, dan tabel jujur dari empat Orka tidak memilikinya.
Pemeriksaan lima langkah tentang bagaimana asisten merekomendasikan dalam kategori Anda, dan mengapa jawaban non-merek hampir tidak pernah mengutip situs Anda sendiri.
ID Aplikasi, ID Sertifikat, RuName dan ID pasar. Salah satunya bukan URL, dan di situlah sebagian besar pengaturan terhenti.
Tidak ada program pengembang dan tidak ada antrian ulasan, karena server adalah milik Anda. Dua kegagalan tetap ada, dan keduanya diam.
Claude tidak memiliki konektor Etsy dan Etsy tidak mengirimkan server MCP. Empat rute pihak ketiga, dan satu gerbang yang mereka semua hentikan.
Apa yang dicakup oleh server MCP untuk Seller Central, pekerjaan SP-API yang tidak dipimpin oleh siapa pun, dan dari mana pengetahuan merchandising harus berasal.
Shopify mengirimkan dua server MCP dan yang mudah tidak dapat melihat toko Anda. Keputusan ruang lingkup, dan mengapa menulis membutuhkan gerbang.
Sebuah agensi menjual tiga hal yang dapat dipisahkan — kapasitas, keahlian, akuntabilitas — dibundel ke dalam satu faktur, dan sebagian besar bisnis membutuhkan kurang dari tiga. Kapasitas telah menjadi jauh lebih murah bagi satu orang untuk memproduksi; dua lainnya hampir tidak bergerak. Bagaimana cara mengetahui yang mana yang sebenarnya Anda beli.
Mulailah dari apa yang perlu Anda hasilkan, bukan dari apa yang dikenakan orang lain. Kalkulator harga yang berjalan di browser Anda, aritmatika di belakangnya, di mana angka pasar sebenarnya benar-benar hidup, dan empat cara untuk meningkatkan tarif dengan klien yang sudah Anda miliki.
Enam bagian yang benar-benar dibaca klien, apa yang ada di masing-masing, dan urutan untuk benar-benar menuliskannya — ditambah templat Word dan Excel yang sudah diisi, dan resep dua langkah yang menghasilkan keduanya. Tidak diperlukan email.
Kimi K3 berubah dari parameter 1T menjadi 2.8T, dan itu adalah angka yang paling tidak menarik dalam laporan. Skala arsitektur mengikuti urutan, kedalaman, dan lebar — dan satu perubahan menggantikan seluruh jalur kode GPU dengan satu batas bawah. Apa yang dibeli masing-masing arah, berapa biayanya dalam tumpukan penyajian, dan satu kebiasaan industri kertas jatuh secara diam-diam.
Hampir setiap agen memadatkan pada persentase jendela dan menjatuhkan belokan tertua. Ambang batas itu tahu Anda kehabisan ruang; itu tidak tahu apa-apa tentang apa yang aman untuk hilang. Mengapa properti Markov tonggak sejarah adalah asumsi daripada fakta, dan mengapa pemadatan membutuhkannya untuk memegang jauh lebih ketat daripada pelatihan.
Orkas mencatat tonggak rencana yang tahan lama, dan secara terpisah mencatat fakta sisi host tentang apa yang sebenarnya diubah oleh setiap panggilan alat. Tidak ada yang menghubungkan keduanya, jadi satu langkah dihitung sebagai selesai saat model mengatakan demikian. Bagaimana BEACON memposisikan detektornya, tiga lapisan untuk dibangun, dan satu kriteria yang tidak dimiliki oleh makalah tersebut.
Orkas memiliki tiga pelindung loop, dan tidak satu pun dari mereka yang menangkap model yang mampu yang terhenti - karena ketiganya bertanya apakah itu mengulangi dirinya sendiri, dan model yang macet tidak pernah melakukannya. Titik buta, definisi sisi output dari kemajuan yang kami pinjam dari BEACON, dan apa yang harus diukur terlebih dahulu.
Bacaan dekat BEACON dari Universitas Zhejiang: mengapa agen cakrawala panjang runtuh di bawah RL, bagaimana penugasan kredit yang berlabuh pada tonggak sejarah memperbaikinya, dan metrik yang tampaknya bertentangan dengan desainnya sendiri sampai Anda melacak matematika.
Mendapatkan kutipan bukanlah peringkat. Itu bertahan dari pengambilan, kemudian menjadi bagian yang layak dikutip - tiga bot OpenAI, gerbang CDN robots.txt bersembunyi, dan mengapa fakta di balik JavaScript tidak ada.
Claude Code dan Codex masing-masing menang dalam hal yang berbeda. Jalankan mereka bersama-sama — dengan terminal dan git worktrees, atau dari satu Orkas Commander yang mengatur keduanya dalam satu obrolan.
Bagaimana Orkas menyinkronkan data pengguna di seluruh perangkat dengan transfer terenkripsi, penyimpanan konten, komitmen milik server, kunci akun, aturan sinkronisasi, penanganan konflik yang dibantu model, konfirmasi penghapusan, dan tempat sampah daur ulang.
Bagaimana Orkas membangun kembali fondasi agennya di seluruh garis rilis 1.0: runtime dalam proses, rotasi penyedia, orkestrasi obrolan grup yang dinamis, hosting terbuka, memori, dan evolusi diri.
Di dalam orkestrasi multi-agen Orkas: agen utama mengubah satu permintaan menjadi rencana, mengirimkan sub-agen berdasarkan ketergantungan, melewati konteks di antara langkah-langkah, dan sembuh dari kegagalan.
Tingkat iterasi, bukan harga per detik, adalah pendorong biaya yang dominan. Dari mana mencoba kembali berasal, dan bagaimana membuat daftar periksa bidang sebagai default.
Apa yang dimaksud dengan AI lokal - data, kunci API, dan lalu lintas model Anda tetap berada di mesin Anda sendiri, bukan cloud vendor - mengapa itu penting untuk privasi, dan bagaimana agen membawa kunci Anda sendiri benar-benar bekerja.
Bagaimana Orkas mengubah panggilan model menjadi runtime agen desktop yang andal: loop lari streaming, perutean alat, pemadatan konteks, abstraksi penyedia, memori, dan sesi crash-safe.
Di dalam lingkaran evolusi diri lokal Orkas: sinyal ringan, refleksi latar belakang, keterampilan yang dapat dieksekusi, metrik keterampilan, dan pagar pembatas terhadap pembelajaran pelajaran yang salah.
Orkas adalah sumber terbuka, klien AI desktop lokal-pertama untuk macOS dan Windows. Alih-alih mengobrol dengan satu asisten, Anda mengarahkan tim agen: agen utama memiliki tujuan Anda dan merekrut sub-agen yang memanggil keterampilan untuk melakukan pekerjaan. Anda dapat menggunakan model resmi opsional yang dikelola Orkas atau menghubungkan penyedia Anda sendiri melalui OAuth atau kunci API; ruang kerja Anda secara default adalah lokal-pertama.
Lokal-pertama berarti data dan kontrol Anda tetap berada di perangkat Anda. Obrolan, file, basis pengetahuan, memori, dan kunci model terenkripsi Anda hidup di mesin Anda secara default. Dengan penyedia Anda sendiri, lalu lintas model langsung dari komputer Anda ke penyedia tersebut dan tidak diproksikan melalui server Orkas; model resmi menggunakan layanan model terkelola Orkas.
Agen utama membaca tujuan Anda, memecahnya menjadi beberapa langkah, dan merekrut sub-agen berdasarkan tugas dan kemampuan. Setiap sub-agen bekerja dalam konteks terbatasnya sendiri dan memanggil keterampilan - pencarian web, eksekusi kode, file I/O, pencarian basis pengetahuan, dan konektor - untuk memberikan. Pemimpin melewati setiap sub-agen hanya apa yang dibutuhkannya, yang menjaga biaya token tetap rendah dan tanggung jawab tetap bersih.
Penggunaan umum termasuk penelitian dan analisis, penulisan dan pengeditan, pengkodean dengan agen CLI asli atau eksternal seperti Claude Code, Codex, dan OpenClaw, pekerjaan data, pembelajaran, dan dokumen kantor. Anda juga dapat mengubah tugas berulang menjadi sub-agen yang dapat digunakan kembali sekali dan memanggilnya dalam obrolan kapan pun Anda membutuhkannya.
Rilis publik saat ini adalah aplikasi desktop macOS dan Windows; relai kendali jarak jauh iOS dinonaktifkan, dan tidak ada klien web. Anda dapat menggunakan model resmi yang dikelola Orkas opsional atau menghubungkan penyedia melalui OAuth atau kunci API. Penyedia Anda menagih penggunaan dari kunci Anda sendiri; kemampuan yang dikelola menggunakan kredit Orkas. Kualitas keluaran tergantung pada model yang Anda hubungkan. Sinkronisasi multi-perangkat opsional menyimpan data yang disinkronkan di server Orkas, dan edisi gratis mengirimkan analitik penggunaan terbatas.