Sharing Session — Digital Information
🦞 🐈 🧠 🐾

Agentic AI
openClaw, Nanobot & Aurogen

Dari Konsep ke Implementasi — Tools, Arsitektur & Praktik

Agentic AI openClaw Nanobot Aurogen Market Research
📅 2026 👤 Ikang Fadhli 🏢 Nutrifood — Digital Information
1 / 23

📋 Agenda

Yang akan kita bahas hari ini

🧠

1. Agentic AI

Apa bedanya dengan AI biasa? Kenapa ini penting?

💬

2. Chat vs API

Kenapa fondasi agentic AI ada di API, bukan chat UI

🔧

3. Anatomi Agent

LLM, Tools, Memory, Planning — bagaimana agent bekerja

🦞

4. openClaw

Multi-channel gateway untuk AI agent

🐈

5. Nanobot

Ultra-lightweight agent framework — RAG & aplikasi

🧠

6. OpenJarvis

Local-first agent untuk privasi maksimal

🐾

7. Aurogen

Full agent platform — market research & otomasi

⚖️

8. Perbandingan

Kapan pakai yang mana? Studi kasus & rekomendasi

2 / 23
🧠

Apa Itu Agentic AI?

Sistem AI yang bisa bertindak — bukan sekadar ngomong

3 / 23

AI Biasa vs Agentic AI

Perbedaan fundamental — dari konsumen menjadi builder

🤖 AI Biasa (LLM Standar)

Koki 🍳
  • Menunggu perintah
  • Satu tugas → satu respon
  • Output: teks
  • Tidak bisa pakai alat
  • Tidak punya ingatan sesi
  • Manual copy-paste untuk aksi
# Input
"Buat ringkasan data penjualan Q1"

# Output
✍️ Teks ringkasan

⚡ Agentic AI

Manajer Restoran 👔
  • Diberi tujuan
  • Memecah masalah → multi-step
  • Output: tindakan nyata
  • Bisa pakai tools (search, code, API)
  • Punya ingatan jangka panjang
  • Otomatis — dari query ke aksi
# Input
"Analisa tren Q1 & kirim laporan ke tim"

# Proses
1. 📊 Query database
2. 🐍 Analisa Python
3. 📈 Bikin grafik
4. 📧 Kirim email

Intinya: AI biasa menjawab. Agentic AI melakukan. 🤯

4 / 23

Kapan Perlu Agentic AI?

Bukan semua masalah butuh agent — pilih yang tepat

Situasi AI Biasa Agentic AI
Tanya jawab pengetahuan (FAQ) ✅ Cukup ❌ Overkill
Research & sintesis data multi-sumber ❌ Terbatas ✅ Cocok
Otomasi workflow (ambil data → analisa → laporan → kirim) ❌ Gak bisa ✅ Ideal
Multi-step task (butuh 3-5 langkah berantai) ❌ Gak bisa ✅ Ideal
Integrasi dengan sistem internal (DB, email, API) ❌ Gak bisa ✅ Ideal
Brainstorming ide, drafting konten ✅ Cukup ❌ Overkill

Prinsip: Jangan gunakan palu godam untuk memaku kertas. Gunakan agent hanya jika ada multi-step + tool use + otomasi.

5 / 23
💬

GenAI: Chat vs API

Fondasi yang menentukan apakah agent bisa dibangun

6 / 23

Chat vs API — Perbandingan

Antarmuka yang berbeda untuk tujuan yang berbeda

💬 Chat (Web/App)

Makan di Restoran 🍽️
  • UI siap pakai — tinggal ketik
  • Memory & history otomatis
  • Tools terbatas bawaan platform
  • Output: teks bebas
  • Harga: fixed monthly ($20-200)
  • ❌ Tak bisa diotomasi
  • ❌ Tak bisa integrasi sistem

🔌 API (Kode)

Catering Profesional 👨‍🍳
  • Akses langsung ke "dapur" AI
  • Memory manual — kontrol penuh
  • Tools kustom — function calling
  • Output: JSON, structured, streaming
  • Harga: per token (variabel)
  • ✅ Bisa diprogram & diotomasi
  • ✅ Integrasi API internal perusahaan

Poin krusial: Agentic AI hanya bisa dibangun di atas API. Chat UI adalah konsumen — API adalah builder. 🏗️

7 / 23

Chat vs API — Detail Dimensi

Mapping lengkap perbedaan di setiap aspek

Dimensi 💬 Chat 🔌 API
Cara pakai Ketik di UI Panggil dari kode (Python, JS, dll)
Memori Otomatis (UI menyimpan history) Manual — kita kirim history setiap kali
Tools Terbatas bawaan (search, image, code) ✅ Kustom — kita definisikan sendiri
Output format Teks bebas (markdown) JSON, structured output, streaming
Harga Fixed monthly ($20-200/bln) Per token — bayar sesuai pemakaian
Skalabilitas 1 pengguna Ribuan request per menit
Kontrol Rendah — tergantung platform Tinggi — kita pegang kendali penuh
Otomasi ❌ Tidak bisa ✅ Bisa diprogram, di-schedule, di-orchestrate
Cocok untuk Riset cepat, brainstorming, drafting Produksi, pipeline data, agent system
8 / 23

Kenapa API Esensial untuk Agent?

Lima alasan mengapa chat UI tidak cukup

🛠️

1. Function Calling

Di API kita bisa definisikan tools kustom — search, query DB, kirim email, eksekusi kode. Tanpa ini, agent cuma bisa ngomong, bukan ngelakuin.

tools = [{
  "name": "query_db",
  "description": "Query database riset"
}]
🧠

2. Kontrol Memory

API memberi kita kontrol penuh: summarization, RAG, kompresi konteks, filter memori relevan — tidak dibatasi UI.

📊

3. Structured Output

Output JSON yang dijamin formatnya — bisa langsung diparse, diproses, dan diteruskan ke sistem lain tanpa parsing manual.

⚙️

4. Orchestration

Multi-agent, subagent, parallel calls, scheduling — semua butuh orchestration via kode, bukan klik manual.

📈

5. Skalabilitas

1000 karyawan? Integrasi Slack/Teams? Audit log? Semua hanya mungkin lewat API dengan load balancer & webhook.

Chat adalah konsumen. API adalah builder. — Agentic AI butuh builder, bukan konsumen.
9 / 23
🔧

Anatomi Agent

Dua Lapis — Core Standar + Aurogen Layer

10 / 23

Lapisan 1 — Core (Standar)

Empat komponen fundamental yang ada di semua agent framework

🧠

1. Otak — LLM

"Kepala" agent. Memahami input, merencanakan, memutuskan tindakan. Yang membedakan dari chatbot biasa: LLM agent bisa berkata "Saya perlu data dulu" → panggil tool.

Ini komponen yang butuh API — bukan chat UI.

🛠️

2. Tools

Yang membuat agent bisa melakukan, bukan cuma ngomong. Web search, code execution, database query, file I/O, kirim email — semua lewat function calling di API.

# Function calling
{ "tool": "web_search",
  "result": "5 artikel..." }
💾

3. Memory

Tiga jenis: Short-term (percakapan saat ini), Long-term (pengalaman lintas sesi), RAG (pengetahuan perusahaan/dokumen). Tanpa memory, agent lupa terus.

Di API, kita kontrol penuh — filter, kompresi, retrieval.

🧩

4. Planning & Reasoning

Framework berpikir agent: ReAct (Reason+Act bergantian), Plan & Execute (rencana dulu baru jalan), Reflection (evaluasi & perbaiki).

# ReAct loop
Thought → Act → Observe → Thought → ...

Ini adalah lapisan dasar — semua framework (openClaw, Nanobot, OpenJarvis, Aurogen) memiliki keempat komponen ini dengan cara implementasi masing-masing.

11 / 23

Lapisan 2 — Aurogen Layer (1/2)

Tiga fondasi pertama yang membuat agent punya identitas & inisiatif

💜

1. Soul — Identitas

Agent punya kepribadian, nilai, dan gaya komunikasi. Bukan sekadar instruksi sistem — tapi identitas yang dibangun dari interaksi dengan user. Ada file SOUL.md yang mendefinisikan siapa agent itu.

Contoh: AIkanx — Augmented Intelligence Kompanion for Analytix 🐾

⏰

2. Cron — Penjadwalan

Agent bisa dijadwalkan untuk menjalankan tugas pada waktu tertentu. Bukan hanya reaktif — tapi bisa proaktif sesuai jadwal. Cocok untuk reminder, report rutin, pengingat meeting.

# Cron: setiap Senin jam 8 pagi
"0 8 * * 1" → "Buat laporan mingguan"
💓

3. Heartbeat — Proaktif

Agent periodik yang mengecek tugas rutin tanpa disuruh. Setiap ~30 menit, agent bisa ngecek: ada email baru? Ada agenda mendekati? Ada task pending? Ini yang membuat agent benar-benar "hidup".

Beda dengan cron: heartbeat lebih ke check & decide, cron ke execute at time.

Tiga fondasi pertama: Framework lain hanya punya tools & memory (Core Layer). Soul membuat agent punya identitas, Cron memberi jadwal, Heartbeat memberi inisiatif — agent jadi tidak sekadar menunggu perintah.

12 / 23

Lapisan 2 — Skill & ClawHub (2/2)

Komponen keempat — sistem plugin modular yang membuat agent bisa apa saja

🎯

4. Skill — Modular Plugin

Sistem plugin terstruktur — pasang & lepas kemampuan sesuai kebutuhan. Search, browser automation, weather, summarizer — semuanya modular. Bisa install dari registry atau buat skill kustom sendiri.

# Skills terinstall
daily-assistant, duckduckgo-search,
playwright-browser, cron, weather

Apa itu Skill? Skill adalah paket modular yang memberikan agent pengetahuan khusus, alur kerja, dan alat untuk domain tertentu. Analogi: seperti apps di smartphone — pasang skill browser, agent bisa browsing. Pasang skill weather, agent bisa cek cuaca. Setiap skill punya file SKILL.md yang berisi instruksi + bisa dibundel dengan script, referensi, dan aset.

🔹 ClawHub — Public Skill Registry
Registry publik tempat mencari & menginstall skill. Cukup pakai natural language search (vector search) — gak perlu tahu nama skill-nya persis. Contoh:

# Cari skill — pake bahasa natural
npx clawhub search "web scraping" --limit 5

# Install skill ke workspace agent
npx clawhub install <slug-skill> --workdir ~/.aurogen/workspace

# Update semua skill yang terinstall
npx clawhub update --all --workdir ~/.aurogen/workspace

# Lihat skill yang sudah terinstall
npx clawhub list --workdir ~/.aurogen/workspace

✅ Tanpa API key — search & install gratis. Login hanya diperlukan untuk publish skill.
✅ Progressive disclosure — metadata skill selalu di konteks (~100 kata), SKILL.md lengkap dimuat hanya saat skill dipicu.

Kenapa ini penting? Skill + ClawHub membuat ekosistem agent modular dan extensible — bukan monolit. Pengguna bisa mix & match skill sesuai kebutuhan, bahkan bikin skill sendiri. Ini yang membedakan platform agent dari sekadar script AI.

13 / 23

Dua Lapis — Visual & Alur Kerja

Dari core standar ke layer Aurogen — bagaimana agent bekerja

╔══════════════════════════════════════════════════════════╗ ║ 🧠 LAPISAN 1 — CORE (Standar) ║ ╚══════════════════════════════════════════════════════════╝ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ 🧠 LLM │ │ 🛠️ Tools │ │ 💾 Memory │ │ 🧩 Plan │ │ (Otak) │ │ (Alat) │ │ (Ingatan) │ │ (Strategi) │ │ - Paham │ │ - Search │ │ - Short │ │ - ReAct │ │ - Rencana │ │ - Code │ │ - Long │ │ - Plan&Exec│ │ - Putuskan │ │ - DB │ │ - RAG │ │ - Reflect │ └──────────────┘ └──────────────┘ └──────────────┘ └──────────────┘ ╔══════════════════════════════════════════════════════════╗ ║ 🐾 LAPISAN 2 — AUROGEN LAYER (Tambahan) ║ ╚══════════════════════════════════════════════════════════╝ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ 💜 Soul │ │ ⏰ Cron │ │ 💓 Heart │ │ 🎯 Skill │ │ (Identitas) │ │(Penjadwalan) │ │ (Proaktif) │ │ (Plugin) │ │ - Nama │ │ - Reminder │ │ - Cek tiap │ │ - Search │ │ - Vibe │ │ - Report │ │ 30 menit │ │ - Browser │ │ - Values │ │ rutin │ │ - Inisiatif │ │ - Weather │ │ - Batasan │ │ - Jadwal │ │ - Notifikasi│ │ - Kustom │ └──────────────┘ └──────────────┘ └──────────────┘ └──────────────┘ ╔══════════════════════════════════════════════════════════╗ ║ 🔄 ALUR KERJA AGENT (ReAct Loop + Aurogen) ║ ╚══════════════════════════════════════════════════════════╝ ╔═══════════════════════════════════════════════════════════════╗ ║ 💓 Heartbeat ngecek: "Ada task rutin? Ada agenda?" ║ ║ ⏰ Cron trigger: "Waktunya laporan mingguan" ║ ║ ↓ ║ ║ 🧠 LLM paham goal → bikin rencana ║ ║ ↓ ║ ║ 🛠️ Tools search web / query DB / code ║ ║ ↓ ║ ║ 💾 Memory nyimpen hasil → ingat konteks ║ ║ ↓ ║ ║ 🧩 Planning evaluasi → lanjut / ulang / selesai ║ ║ ↓ ║ ║ 🎯 Skill dipanggil sesuai kebutuhan (browser, weather, dll) ║ ║ ↓ ║ ║ 💜 Soul memastikan cara bicara & nilai sesuai identitas ║ ║ ↓ ║ ║ ✅ Output: laporan terkirim / task selesai / notifikasi ║ ╚═══════════════════════════════════════════════════════════════╝

Intinya: Lapisan 1 (Core) ada di semua framework. Lapisan 2 (Aurogen) yang membuat agent bisa proaktif, konsisten identitasnya, dan modular — siap untuk produksi.

14 / 23
🦞 🐈 🧠 🐾

Empat Platform — Perbandingan

openClaw, Nanobot, OpenJarvis, Aurogen — mana untuk apa?

15 / 23

Keempat Platform — Sekilas

Masing-masing hadir dengan filosofi dan fokus yang berbeda

🦞
openClaw
Multi-channel gateway — hubungkan WA, TG, Discord ke AI agent
Gateway
🐈
Nanobot
Ultra-ringan ~4K lines — agent + RAG + scheduling dalam satu
Lightweight
🧠
OpenJarvis
Local-first — AI berjalan di perangkat sendiri tanpa cloud
Local-first
🐾
Aurogen
Full platform — agent, subagent, heartbeat, skills, memory
Platform
Dimensi 🦞 openClaw 🐈 Nanobot 🧠 OpenJarvis 🐾 Aurogen
Fokus utama Multi-channel gateway Ultra-ringan agent Local-first agent Full agent platform
Ukuran kode 430K+ lines ~4K lines Sedang Moderat (modular)
Deployment Server / self-host Anywhere (sangat ringan) On-device / lokal Server / self-host
LLM Provider Cloud + lokal Banyak (OpenAI, Ollama, dll) Local-first (Ollama, vLLM) Multi-provider
RAG built-in ✅ ✅ ✅ ✅
MCP Support ✅ ✅ ❓ ✅
Heartbeat ❌ ❌ ❌ ✅
Subagent ✅ ❌ ❌ ✅
Creator Peter Steinberger HKUDS Stanford Scaling Intel Lab —
Lisensi MIT Open source Open source Open source
16 / 23

🦞 openClaw — Multi-Channel Gateway

Self-hosted gateway yang menghubungkan chat platforms ke AI coding agents

📌 Arsitektur

[WhatsApp] ─┐ [Telegram] ─┤ [Discord] ─┼──▶ [Gateway openClaw] ──▶ [AI Agent] [Slack] ─┤ [dll] ─┘
  • Sebuah bridge/router — bukan agent itu sendiri
  • Support Pi, Claude, ChatGPT sebagai backend agent
  • Multi-user, multi-session

⭐ Kelebihan & Kekurangan

✅ Multi-channel dari satu titik

✅ Self-hosted — data di infrastruktur sendiri

✅ Mature — 145K+ GitHub stars

✅ Agent-native dengan tool use & memory

❌ 430K+ baris kode — sangat gemuk

❌ Overkill kalau cuma butuh agent di satu channel

Use case ideal: Developer yang ingin punya AI assistant di WhatsApp, Telegram, dan Discord sekaligus — dari satu gateway.

17 / 23

🐈 Nanobot — Ultra-Lightweight Agent

~4.000 baris Python — spiritual successor openClaw yang 99% lebih kecil

📌 Arsitektur & Fitur

  • Agent loop inti + tools + memory + scheduling
  • RAG built-in — pipeline retrieval + generation
  • MCP (Model Context Protocol) support
  • Multi-provider: OpenAI, Anthropic, Ollama, vLLM
  • Bisa di-deploy di VPS, laptop, bahkan Raspberry Pi

Pengalaman Yang Mulia: Dipakai sejak sebelum Ramadhan 2026 untuk RAG dan membuat berbagai aplikasi. Cocok untuk eksperimen & prototyping cepat.

⭐ Kelebihan & Kekurangan

✅ Sangat ringan — 4K vs 430K lines

✅ Kode bisa dipahami & dioprek dalam sehari

✅ RAG built-in — langsung jalan

✅ Update sangat aktif (hampir setiap hari)

❌ Relatif baru (Feb 2026) — ekosistem masih tumbuh

❌ Tidak ada heartbeat / subagent

Use case ideal: Developer yang ingin personal AI agent yang ringan, cepat, gak bloated — untuk RAG, eksperimen, dan aplikasi ringan.

18 / 23

🧠 OpenJarvis — Local-First Agent

Personal AI yang berjalan di perangkat sendiri — privasi maksimal

📌 Filosofi

  • Local-first — 88.7% single-turn chat bisa di-handle lokal
  • Hanya call cloud saat benar-benar diperlukan
  • Model lokal via Ollama, vLLM, llama.cpp
  • Learning loop — model belajar dari trace data lokal
  • Evaluasi berbasis energi, FLOPs, latency, biaya

⭐ Kelebihan & Kekurangan

✅ Privasi maksimal — data tidak ke cloud

✅ Bisa jalan offline

✅ Biaya operasional lebih rendah jangka panjang

❌ Butuh resource lokal (GPU/CPU cukup kuat)

❌ Kualitas model lokal masih di bawah GPT-4 untuk tugas kompleks

Use case ideal: Peneliti/perusahaan yang peduli privasi data — tidak ingin data riset/internal keluar ke cloud publik.

19 / 23

🐾 Aurogen — Full Agent Platform

Platform agentic AI lengkap — agent, subagent, heartbeat, skills, memory persisten

📌 Arsitektur

Aurogen v0.2.0 ├── core.py → Agent loop utama ├── heartbeat.py → Agent periodik (~30 menit) ├── memory.py → Memory persisten file-based ├── subagent.py → Spawn agent background ├── skills/ → Plugin (search, browser, cron) ├── providers/ → LLM connection (multi-provider) ├── agents/ → Definisi agent & personality └── channels/ → Multi-channel web + extensible

⭐ Kelebihan & Kekurangan

✅ Agent end-to-end — definisi sampai deployment

✅ Heartbeat — agent bisa periodik & proaktif

✅ Subagent — parallel task execution

✅ Memory persisten (file-based structured)

✅ Skills plugin system — modular

❌ Early stage (v0.2.0) — masih berkembang

Pengalaman Yang Mulia: Saat ini digunakan untuk membuat aplikasi dan melakukan berbagai tugas market research — dari web searching, browser automation, sampai analisa data.

20 / 23

Perbandingan — Nanobot vs Aurogen

Keduanya dipakai langsung oleh Yang Mulia — fokus ke perbedaan praktis

Dimensi 🐈 Nanobot 🐾 Aurogen
Filosofi Ultra-ringan, minimalis Full platform, enterprise-ready
Ukuran kode ~4.000 lines Moderat — modular, banyak komponen
RAG ✅ Built-in pipeline ✅ Bisa via tools/skills
Heartbeat ❌ Tidak ada ✅ Agent periodik ~30 menit
Subagent ❌ Tidak ada ✅ Spawn background task
Memory system Sederhana (in-memory + file) Structured: MEMORY.md, HISTORY.md
Skills/Plugin Tools via function calling Skills sebagai plugin terstruktur
Bootstrap ❌ Tidak ada ✅ Agent kenal user, belajar identitas
Multi-channel CLI/Web Web + extensible
Target user Developer individu Power user, organisasi, production
Dipakai untuk RAG, aplikasi ringan, eksperimen Market research, otomasi workflow, aplikasi
21 / 23

Kapan Pakai Yang Mana?

Panduan praktis memilih platform berdasarkan kebutuhan

🔗

Butuh AI di WA + TG + Discord?

→ openClaw 🦞

Multi-channel gateway, mature, banyak dukungan komunitas

⚡

Butuh agent ringan + RAG?

→ Nanobot 🐈

~4K baris, RAG built-in, deploy di mana saja, eksperimen cepat

🔒

Privasi #1 — data gak boleh ke cloud?

→ OpenJarvis 🧠

Local-first, 88.7% chat lokal, cocok untuk data sensitif

🏢

Butuh platform agent lengkap?

→ Aurogen 🐾

Heartbeat, subagent, memory persisten, skill system — untuk produksi

Tidak ada yang "paling baik" — yang ada adalah yang paling sesuai dengan kebutuhan. Kenali masalahnya dulu, baru pilih alatnya.
22 / 23
🚀

Terima Kasih!

Sesi Tanya Jawab & Diskusi

🧑‍💻
Ikang Fadhli
Market Research Specialist — Nutrifood
📧
rizka.fadhli@nutrifood.co.id
🌐
ikanx101.com
Agentic AI openClaw Nanobot OpenJarvis Aurogen #AIPhilosophy

"The best way to predict the future is to build it."

23 / 23
1 / 23