Dari mengenal Skill, hingga memahami cara membangun Skill Riset Crypto

作者： @BlazingKevin_ ，Blockbooster研究员

1. Latar Belakang dan Perkembangan Agent Skill

Lini AI Agent tahun 2025 sedang berada di titik kritis dari “konsep teknologi” menuju “penerapan rekayasa”. Dalam proses ini, eksplorasi Anthropic tentang pengemasan kemampuan secara tidak terduga mendorong terjadinya perubahan paradigma tingkat industri.

Pada 16 Oktober 2025, Anthropic secara resmi meluncurkan Agent Skill. Awalnya, posisi fitur ini sangat terbatas—hanya dianggap sebagai modul bantu untuk meningkatkan performa Claude dalam tugas vertikal tertentu (seperti logika kode kompleks, analisis data spesifik).

Namun, umpan balik pasar dan pengembang jauh melampaui ekspektasi. Mereka segera menyadari bahwa desain “modul kemampuan” ini menunjukkan tingkat decoupling dan fleksibilitas yang tinggi dalam rekayasa nyata. Ini tidak hanya mengurangi redundansi dalam tuning Prompt, tetapi juga secara signifikan meningkatkan stabilitas eksekusi Agent dalam tugas tertentu. Pengalaman ini dengan cepat memicu reaksi berantai di komunitas pengembang. Dalam waktu singkat, alat produktivitas utama seperti VS Code, Codex, Cursor, dan lingkungan pengembangan terintegrasi (IDE) mengikuti, dan secara bertahap mendukung arsitektur Agent Skill di tingkat dasar.

Menghadapi ekspansi ekosistem yang spontan ini, Anthropic menangkap nilai universal dari mekanisme ini. Pada 18 Desember 2025, Anthropic membuat keputusan penting yang menjadi tonggak industri: secara resmi merilis Agent Skill sebagai standar terbuka.

Selanjutnya, pada 29 Januari 2026, mereka merilis panduan penggunaan Skill secara lengkap, membuka hambatan teknis untuk penggunaan lintas platform dan produk. Serangkaian langkah ini menandai bahwa Agent Skill telah sepenuhnya melepaskan label “pelengkap eksklusif Claude”, dan bertransformasi menjadi pola desain dasar umum di seluruh bidang AI Agent.

Hingga saat ini, muncul sebuah pertanyaan besar: apa inti masalah yang diselesaikan oleh Agent Skill yang diterima oleh perusahaan besar dan pengembang inti? Bagaimana hubungan esensialnya dengan MCP yang sedang populer saat ini?

Untuk mengurai pertanyaan-pertanyaan ini secara tuntas dan mengaplikasikannya dalam pengembangan riset investasi di industri kripto, artikel ini akan membahas secara bertahap sebagai berikut:

Analisis Konsep: Esensi Agent Skill dan fondasi arsitekturnya.

Alur kerja dasar: Logika operasional dan alur eksekusi di tingkat dasar.

Mekanisme lanjutan: Analisis mendalam tentang Reference dan Script sebagai dua penggunaan tingkat tinggi.

Studi kasus nyata: Perbedaan esensial antara Agent Skill dan MCP, serta aplikasi kombinasi dalam skenario riset kripto.

2. Apa itu Agent Skill dan Dasar Pembuatannya

Apa sebenarnya Agent Skill itu? Secara sederhana, ini adalah “dokumen petunjuk khusus” yang bisa diakses kapan saja oleh model besar.

Dalam penggunaan AI sehari-hari, kita sering menghadapi masalah: setiap kali memulai percakapan baru, harus menyalin ulang instruksi panjang. Agent Skill hadir untuk mengatasi masalah ini.

Contohnya: misalnya Anda ingin membuat Agent “layanan pelanggan pintar”, Anda bisa secara jelas menuliskan aturan di Skill: “Jika ada keluhan dari pengguna, langkah pertama harus menenangkan emosi mereka, dan tidak boleh secara sembarangan menjanjikan kompensasi.” Atau, jika Anda sering melakukan “ringkasan rapat”, Anda bisa langsung menetapkan template di Skill: “Setiap kali mengeluarkan ringkasan rapat, harus mengikuti tiga bagian: ‘Peserta’, ‘Topik utama’, ‘Keputusan akhir’.”

Dengan “dokumen petunjuk” ini, Anda tidak perlu mengulang instruksi panjang setiap kali berinteraksi. Model besar saat menerima tugas akan otomatis membaca Skill yang relevan dan langsung tahu standar apa yang harus dipakai.

Tentu saja, “dokumen petunjuk” ini hanyalah metafora sederhana untuk memudahkan pemahaman. Sebenarnya, kemampuan Agent Skill jauh lebih kuat dari sekadar format standar. Fitur-fitur canggih “killer” yang dimilikinya akan dibahas secara rinci di bab berikut. Pada tahap awal, Anda bisa menganggapnya sebagai panduan tugas yang efisien.

Selanjutnya, mari kita gunakan contoh “ringkasan rapat” yang paling familiar untuk menunjukkan cara membuat Agent Skill. Proses ini tidak memerlukan pengetahuan pemrograman yang rumit.

Berdasarkan alat-alat utama saat ini (seperti Claude Code), kita perlu menemukan (atau membuat) folder bernama

.claude/skill

di direktori pengguna di komputer. Di sinilah tempat menyimpan semua Skill.

Langkah pertama, buat folder baru di dalam direktori ini. Nama folder tersebut adalah nama Agent Skill yang ingin dibuat. Langkah kedua, di dalam folder tersebut, buat file teks bernama

skill.md

.

Setiap Agent Skill harus memiliki file

skill.md

. Fungsi utamanya adalah memberi tahu AI: “Saya siapa, apa yang bisa saya lakukan, dan bagaimana Anda harus bekerja sesuai aturan saya.” Setelah membuka file ini, Anda akan melihat isinya terbagi menjadi dua bagian:

Di bagian paling atas, biasanya dibungkus oleh dua garis horizontal

. Di sini hanya dituliskan dua atribut utama: name dan description.

name

: Nama Skill ini, harus sama persis dengan nama folder.

description

: Sangat penting. Bagian ini menjelaskan secara detail kegunaan Skill kepada model besar. AI akan terus memindai deskripsi semua Skill untuk menentukan Skill mana yang harus digunakan saat menjawab pertanyaan pengguna. Oleh karena itu, menulis deskripsi yang akurat dan lengkap adalah langkah utama agar Skill Anda dapat diaktifkan secara tepat oleh AI.

Di bagian bawah garis horizontal, adalah aturan-aturan spesifik yang ditujukan untuk AI. Bagian ini disebut “perintah” oleh pihak resmi. Di sinilah Anda bisa menuliskan logika yang harus diikuti model. Misalnya, dalam contoh ringkasan rapat, Anda bisa menuliskan secara umum: “Harus mengekstrak daftar peserta, topik diskusi, dan keputusan akhir.”

Setelah menyelesaikan langkah-langkah ini, sebuah Agent Skill sederhana namun sangat praktis pun lahir.

Namun, Skill yang benar-benar bagus biasanya dimulai dari perancangan yang matang. Sebelum menulis baris pertama di keyboard, tentukan dulu tujuan, cakupan, dan standar keberhasilan secara jelas. Hal ini akan membuat proses pembuatan Skill menjadi lebih efisien.

Langkah pertama dalam membangun Skill bukanlah memikirkan “apa yang bisa dibuat AI”, tetapi bertanya pada diri sendiri: “Masalah berulang apa yang ingin saya selesaikan dalam pekerjaan sehari-hari?” Sebaiknya mulai dengan mendefinisikan 2-3 skenario spesifik yang harus dicakup oleh Skill ini.

Selanjutnya, tentukan standar keberhasilan. Bagaimana Anda tahu Skill yang dibuat sudah bagus? Sebelum mulai, tetapkan beberapa indikator pengukuran. Misalnya, secara kuantitatif: “Apakah kecepatan proses meningkat?” Secara kualitatif: “Apakah ringkasan rapat yang dihasilkan sudah cukup akurat dan tidak terlewat?”

3. Alur Kerja Dasar Agent Skill

Setelah memahami gambaran umum Agent Skill, kita pasti bertanya: dalam praktiknya, “dokumen petunjuk” ini bekerja seperti apa?

Kalau Anda pernah mencoba produk seperti Manus AI, kemungkinan besar pernah mengalami situasi berikut: saat mengajukan pertanyaan tertentu, AI tidak langsung bertele-tele atau membuat hal-hal yang tidak relevan, melainkan secara cerdas menyadari bahwa “ini terkait dengan Agent Skill tertentu”. Kemudian, akan muncul notifikasi di layar yang menanyakan izin untuk memanggil Skill tersebut.

Setelah Anda klik “setuju”, AI akan seperti orang berbeda, dan mengikuti aturan yang sudah dipasang secara ketat.

Interaksi sederhana “permintaan-izin-eksekusi” ini sebenarnya didukung oleh alur kerja yang sangat canggih. Untuk menjelaskannya secara lengkap, kita perlu mengenal tiga peran utama yang terlibat dalam proses ini:

Pengguna: orang yang mengajukan permintaan.

Alat klien (seperti Claude Code): pengatur dan pengendali “perantara”.

Model bahasa besar: otak yang memahami niat dan menghasilkan hasil akhir.

Ketika kita memasukkan permintaan (misalnya: “Bantu saya rangkum rapat proyek pagi ini”), ketiga peran ini akan bekerja sama dalam empat langkah berikut:

Langkah 1: Pemindaian ringan (pengiriman metadata)

Setelah pengguna mengirim permintaan, alat klien (Claude Code) tidak langsung mengirimkan seluruh dokumen petunjuk ke model besar. Sebaliknya, hanya mengirimkan permintaan pengguna beserta “nama” dan “deskripsi” dari semua Skill yang ada di sistem (yaitu metadata). Bayangkan, meskipun Anda memiliki puluhan Skill, model hanya menerima “daftar kecil” ini. Desain ini sangat menghemat perhatian model dan mencegah gangguan informasi.

Langkah 2: Pencocokan niat yang akurat Setelah menerima permintaan pengguna dan daftar Skill, model akan melakukan analisis semantik cepat. Ia akan menemukan bahwa permintaan tersebut terkait dengan “ringkasan rapat”, dan di daftar Skill ada satu bernama “Asisten Ringkasan Rapat” yang cocok. Kemudian, model akan memberi tahu alat klien: “Saya temukan Skill yang cocok untuk tugas ini.”

Langkah 3: Memuat instruksi lengkap sesuai kebutuhan Setelah mendapatkan konfirmasi dari model, alat klien akan masuk ke folder “Asisten Ringkasan Rapat” dan membaca file

skill.md

secara lengkap. Penting dicatat, ini adalah bagian yang sangat krusial: hanya saat ini, isi lengkap instruksi akan dimuat, dan hanya untuk Skill yang terpilih. Skill lain tetap diam di folder tanpa mengganggu proses.

Langkah 4: Eksekusi ketat dan keluaran respons Terakhir, alat klien akan mengirimkan permintaan “permintaan pengguna” dan isi lengkap dari

skill.md

ke model besar. Kali ini, model tidak lagi memilih, melainkan langsung menjalankan. Ia akan mengikuti aturan yang tertulis di dalamnya (misalnya: mengekstrak peserta, topik, dan keputusan akhir), dan menghasilkan respons yang sangat terstruktur, lalu ditampilkan ke pengguna.

4. Mekanisme Inti 1: Pemanggilan sesuai kebutuhan dan Reference

Alur kerja di bab sebelumnya memperkenalkan mekanisme dasar pertama dari Agent Skill—pemanggilan sesuai kebutuhan.

Meskipun semua nama dan deskripsi Skill selalu terlihat oleh model besar, isi instruksi spesifik hanya akan diambil dan dimasukkan ke dalam konteks model saat Skill tersebut benar-benar terpilih.

Ini sangat menghemat token. Bayangkan, meskipun Anda memiliki puluhan Skill seperti “Copywriting Viral”, “Ringkasan Rapat”, “Analisis Data Blockchain”, model hanya melakukan pencarian katalog yang sangat ringan di awal. Baru saat Skill tertentu dipilih, isi lengkap dari

skill.md

akan diumpankan ke model. Mekanisme “pemanggilan sesuai kebutuhan” ini adalah kunci utama agar Agent Skill tetap ringan dan efisien.

Namun, untuk pengguna tingkat lanjut yang mengutamakan efisiensi maksimal, pemanggilan sesuai kebutuhan saja tidak cukup.

Seiring berkembangnya bisnis, kita ingin Skill menjadi lebih cerdas. Misalnya, dalam “Asisten Ringkasan Rapat”, kita ingin ia tidak hanya mengulang kembali topik, tetapi juga memberikan wawasan tambahan: saat rapat membahas pengeluaran, ia bisa langsung menandai apakah sesuai dengan regulasi keuangan grup; saat membahas kerja sama eksternal, ia bisa otomatis memberi peringatan risiko hukum. Dengan begitu, saat melihat ringkasan, tim langsung mendapatkan peringatan kepatuhan penting tanpa perlu mencari-cari lagi.

Namun, secara rekayasa, ini menimbulkan konflik besar: agar Skill mampu melakukan hal ini, harus memasukkan dokumen panjang seperti “Peraturan Keuangan” dan “Peraturan Hukum” ke dalam file

skill.md

. Ini akan membuat file instruksi menjadi sangat besar. Bahkan untuk rapat teknis biasa, model harus memuat ribuan kata tentang regulasi keuangan dan hukum, yang tidak hanya memboroskan token, tetapi juga mudah mengalihkan perhatian model.

Lalu, bisakah kita menambahkan lapisan “pemanggilan sesuai kebutuhan di dalam pemanggilan sesuai kebutuhan”? Misalnya, hanya saat rapat membahas “uang”, sistem akan memanggil dokumen regulasi keuangan?

Jawabannya pasti bisa. Mekanisme Reference dalam Agent Skill dirancang untuk ini.

Inti Reference adalah basis pengetahuan eksternal yang dipicu kondisi tertentu. Mari kita lihat bagaimana mekanisme ini menyelesaikan masalah di atas secara elegan:

Membangun file referensi eksternal: Pertama, tambahkan file terpisah di folder Skill, yang disebut Reference. Misalnya, beri nama

Peraturan Keuangan Grup.md

, berisi standar pengeluaran seperti: “Subsidi penginapan 500 yuan/malam, biaya makan per orang 300 yuan/hari”, dan seterusnya.

Menetapkan kondisi trigger: Kemudian, di file

skill.md

, tambahkan aturan khusus “Pengingat Keuangan”. Misalnya, secara natural language, tetapkan: “Hanya aktif jika dalam isi rapat disebutkan uang, anggaran, pengadaan, biaya, dll.”. Jika kondisi terpenuhi, sistem akan membaca file

Peraturan Keuangan Grup.md

dan menggunakannya untuk analisis.

Setelah pengaturan ini, saat rapat membahas anggaran, proses dinamis akan berjalan:

Alat klien memindai dan mengajukan permintaan penggunaan Skill “Asisten Ringkasan Rapat” (pemanggilan sesuai kebutuhan tingkat pertama).

Model membaca catatan rapat dan secara cerdas mendeteksi kata-kata terkait “anggaran”. Ia kemudian akan menanyakan izin kedua: “Apakah diizinkan membaca

Peraturan Keuangan Grup.md

?” (pemanggilan sesuai kebutuhan tingkat kedua: Reference).

Setelah izin diberikan, model akan membandingkan isi rapat dengan standar keuangan yang dinamis, dan menghasilkan ringkasan berkualitas tinggi yang tidak hanya berisi “peserta, topik, keputusan”, tetapi juga “peringatan kepatuhan keuangan”.

Ingat, karakteristik utama Reference adalah ketat terhadap kondisi. Jika hari ini Anda mengadakan rapat tentang kode, dan tidak menyentuh uang sama sekali, file

Peraturan Keuangan Grup.md

akan tetap diam di disk, tidak mengonsumsi token sama sekali.

5. Script dan Mekanisme Pengungkapan Bertahap

Setelah membahas Reference, kita beralih ke fitur kedua yang sangat penting dari Agent Skill: eksekusi kode (Script).

Bagi Agent yang matang, sekadar “mengumpulkan data” dan “menyusun ringkasan” tidak cukup. Mereka harus bisa langsung melakukan pekerjaan secara otomatis. Inilah fungsi Script.

Contohnya, setelah menyusun ringkasan rapat, biasanya perlu mengunggahnya ke sistem internal perusahaan. Untuk ini, buat file Python bernama

upload.py

di folder Skill, berisi logika pengunggahan ke server perusahaan.

Kemudian, di file

skill.md

, tambahkan instruksi: “Jika pengguna menyebut ‘unggah’, ‘sinkronisasi’, atau ‘kirim ke server’, maka jalankan script

upload.py

dan kirimkan hasilnya.”

Saat Anda memberi perintah: “Ringkasan sudah bagus, tolong unggah ke server.”

Alat klien akan langsung meminta eksekusi file

upload.py

. Tapi, ingat satu logika penting: dalam proses ini, AI tidak “membaca” isi script tersebut, melainkan hanya “mengeksekusinya”.

Ini berarti, meskipun script Python berisi ribuan baris logika kompleks, konsumsi tokennya hampir nol. AI seperti menggunakan “kotak hitam”, hanya peduli bagaimana menjalankan dan apakah berhasil. Isi di dalamnya tidak mempengaruhi konteks model.

Inilah perbedaan mekanisme utama antara Reference dan Script:

Reference (baca): Mengambil isi file eksternal dan “memindahkannya” ke dalam memori model sebagai referensi, sehingga mengkonsumsi token.

Script (eksekusi): Menjalankan kode di luar lingkungan model secara langsung, tanpa mengisi konteks.

Tentu, ada panduan penting saat menulis

skill.md

: pastikan kondisi trigger dan perintah eksekusi dijelaskan dengan sangat jelas. Jika tidak, AI mungkin akan “mengakali” dan mencoba melihat isi kode untuk mencari petunjuk, yang justru akan menguras token. Jadi, aturan utama saat menulis Skill adalah: buat aturan yang sejelas mungkin dan tidak ambigu.

Dengan ini, kita telah menyusun semua komponen utama dari Agent Skill. Saatnya berhenti sejenak dan melakukan rangkuman dari sudut pandang global.

Jika Anda teliti menelusuri proses pemuatan ini, Anda akan menemukan bahwa filosofi desain Agent Skill sebenarnya adalah mekanisme pengungkapan bertahap yang sangat canggih. Untuk menghemat daya komputasi dan menjaga efisiensi, sistem ini dibagi menjadi tiga lapisan, dengan kondisi trigger yang semakin ketat:

Lapisan pertama: Metadata (selalu dimuat) Ini berisi nama dan deskripsi semua Skill. Seperti “daftar tetap” di model besar, sangat ringan. Sebelum menerima tugas, model akan memindai bagian ini untuk melakukan routing awal.

Lapisan kedua: Instruksi (pemanggilan sesuai kebutuhan) Berisi aturan-aturan spesifik di file

skill.md

. Hanya saat lapisan pertama mengonfirmasi tugas terkait, model akan “membuka” lapisan ini dan memuat aturan lengkapnya.

Lapisan ketiga: Sumber daya (pemanggilan sesuai kebutuhan di dalam pemanggilan sesuai kebutuhan) Ini adalah lapisan terdalam dan terbesar, berisi tiga komponen utama:

Reference: seperti

Peraturan Keuangan Grup.md

, hanya akan dimuat jika kondisi tertentu terpenuhi (misalnya, menyebutkan uang).

Script: seperti

upload.py

, hanya akan dijalankan saat diperlukan (misalnya, perintah “unggah”).

Asset: seperti logo perusahaan, font khusus, template PDF, yang hanya dipanggil saat menghasilkan output akhir.

6. Perbedaan Esensial Agent Skill dan MCP serta Praktik Kombinasinya

Setelah membahas penggunaan tingkat tinggi Agent Skill, banyak pembaca yang paham tentang protokol AI mungkin merasa bahwa mekanisme Script sangat mirip dengan MCP yang sedang naik daun. Pada dasarnya, keduanya sama-sama menghubungkan dan mengoperasikan dunia luar oleh model besar. Lalu, jika fungsi keduanya tumpang tindih, mana yang harus dipilih saat membangun alur kerja riset kripto?

Untuk menjawab ini, Anthropic pernah menegaskan perbedaan utama keduanya dengan kalimat yang sangat terkenal:

“MCP connects Claude to data. Skills teach Claude what to do with that data.” (MCP menghubungkan Claude ke data. Skills mengajarkan Claude apa yang harus dilakukan dengan data tersebut.)

Kalimat ini sangat tepat. Intinya, MCP adalah “saluran data”, yang bertugas menyediakan informasi eksternal secara standar ke model besar (misalnya, menanyakan tinggi blok terbaru di chain tertentu, menarik data harga dari bursa, membaca PDF riset lokal). Sedangkan Agent Skill adalah “aturan perilaku (SOP)”, yang mengatur bagaimana model besar harus bertindak setelah mendapatkan data tersebut (misalnya, laporan riset harus menyertakan model ekonomi token, output harus mengandung peringatan risiko).

Di titik ini, mungkin ada penggemar yang berpendapat: “Karena Agent Skill juga bisa menjalankan kode Python, saya tinggal menulis logika koneksi database atau API di Script, lalu semua bisa dilakukan oleh Skill!”

Memang, secara rekayasa, Agent Skill bisa menarik data. Tapi, ini sangat tidak profesional dan sangat tidak dianjurkan.

Ada dua alasan utama:

Mekanisme operasi dan pemeliharaan status: Script Agent Skill bersifat “tanpa status” (stateless). Setiap eksekusi adalah proses independen, selesai langsung hilang. Sedangkan MCP adalah layanan jangka panjang yang bisa mempertahankan koneksi ke sumber data eksternal (misalnya, WebSocket long connection). Ini tidak bisa dilakukan oleh script biasa.

Keamanan dan stabilitas: Membiarkan AI menjalankan script Python dengan hak akses tertinggi setiap saat sangat berisiko. MCP menyediakan lingkungan terisolasi dan mekanisme otentikasi yang standar.

Oleh karena itu, dalam membangun sistem riset kripto tingkat tinggi, solusi terbaik bukanlah memilih salah satu, melainkan menggabungkan keduanya: “MCP sebagai sumber data, Skill sebagai pengolah dan aturan.”

Contoh nyata dari kombinasi ini adalah proyek

opennews-mcp

yang dikembangkan oleh Web3 developer Cryptoxiao. Di sini, MCP menyediakan API yang dapat diakses Skill untuk membangun pusat intelijen berita kripto otomatis.

Inti logika Skill ini adalah: mengemas kemampuan API yang disediakan MCP ke dalam perintah yang dirancang sebagai agen cerdas yang ditujukan untuk tujuan riset.

Sistem ini memberi AI empat kemampuan utama:

Modul 1: Penemuan sumber berita

Ini adalah pintu masuk ke kemampuan alat. Melalui discovery.py, AI dapat secara dinamis mengetahui dari mana saja ia bisa mendapatkan informasi.

Modul 2: Pencarian berita multi-dimensi

Ini adalah modul pencarian utama, diimplementasikan oleh news.py, menyediakan berbagai metode pencarian berita dari yang sederhana hingga kompleks.

Modul 3: Analisis dan wawasan berbasis AI

Menggunakan hasil analisis dari backend 6551.io, AI dapat langsung mengakses “opini” daripada sekadar “fakta”.

Inti wawasan: Saat AI memanggil alat ini, ia tidak tahu bahwa MCP secara internal melakukan dua langkah: “mengambil data” dan “menyaringnya”. Bagi AI, ini hanya memanggil alat yang langsung mengembalikan berita berkualitas tinggi atau berita positif, menyederhanakan alur kerja AI secara signifikan.

Modul 4: Aliran berita real-time

Ini adalah fitur “killer” dari opennews-mcp, diimplementasikan oleh realtime.py, yang memberi kemampuan AI untuk mendengarkan peristiwa secara langsung.

Ketika alat berbasis MCP ini dimasukkan ke dalam alur perintah Agent Skill, AI Anda secara resmi berubah dari “asisten ngobrol umum” menjadi “analisis Web3 tingkat Wall Street”. Ia dapat secara otomatis menjalankan alur kerja rumit yang sebelumnya memakan waktu berjam-jam:

Contoh alur kerja 1: Penelitian cepat token baru (DD)

Instruksi: “Lakukan riset mendalam tentang proyek @NewCryptoCoin yang baru diluncurkan.”

Langkah dasar: Agent otomatis memanggil opentwitter.get_twitter_user untuk mendapatkan data Twitter resmi.

Verifikasi silang: memanggil opentwitter.get_twitter_kol_followers untuk menganalisis siapa saja KOL atau VC utama yang diam-diam mengikuti proyek.

Pencarian media: memanggil opennews.search_news_by_coin untuk mencari liputan media dan PR.

Filter sinyal: memanggil opennews.get_high_score_news untuk menyaring berita tidak relevan dan fokus pada artikel berkualitas tinggi.

Laporan akhir: Agent menyusun laporan riset lengkap sesuai format yang sudah dipasang di Skill, berisi analisis fundamental, struktur token, popularitas media, dan peringkat AI.

Contoh alur 2: Deteksi sinyal trading berbasis peristiwa real-time

Instruksi: “Pantau pasar sepanjang waktu, cari peluang trading mendadak di sektor ZK (Zero-Knowledge).”

Deploy sentinels: Agent memanggil opennews.subscribe_latest_news untuk membangun koneksi WebSocket dan memantau berita terkait “ZK” atau “Zero-Knowledge Proof” yang terkait token tertentu.

Deteksi peluang: saat menemukan berita positif dari proyek tertentu (misalnya SomeCoin) yang mengumumkan terobosan ZK dan indikator sentimen menunjukkan posisi Long, langsung hentikan tidur.

Resonansi emosi komunitas: Agent melakukan pencarian Twitter secara cepat untuk memeriksa apakah KOL utama di bidang ZK turut menyebarkan berita tersebut.

Peringatan: jika memenuhi syarat “rilis media pertama + resonansi komunitas”, Agent langsung mengirimkan alert trading dengan tingkat kepastian tinggi ke pengguna.

Dengan menggabungkan Agent Skill yang mengatur logika perilaku dan MCP yang menghubungkan ke data utama, alur riset kripto otomatis dan profesional ini pun selesai secara lengkap.

Tentang BlockBooster

BlockBooster adalah perusahaan manajemen aset alternatif generasi baru yang berfokus pada era digital. Kami menggunakan teknologi blockchain untuk berinvestasi, menginkubasi, dan mengelola aset inti di era digital—mulai dari proyek Web3 asli hingga aset dunia nyata (RWA). Sebagai pencipta nilai bersama, kami berkomitmen mengungkap dan melepaskan potensi jangka panjang aset, serta membantu mitra dan investor kami meraih nilai luar biasa dalam gelombang ekonomi digital.

Penafian

Artikel/blog ini hanya untuk referensi, mewakili pandangan pribadi penulis, dan tidak mewakili posisi BlockBooster. Artikel ini tidak bertujuan memberikan: (i) saran investasi atau rekomendasi; (ii) tawaran atau ajakan untuk membeli, menjual, atau memegang aset digital; atau (iii) saran keuangan, akuntansi, hukum, atau pajak. Memiliki aset digital, termasuk stablecoin dan NFT, sangat berisiko tinggi, fluktuasi harga besar, bahkan bisa menjadi tidak berharga. Anda harus mempertimbangkan kondisi keuangan sendiri secara cermat sebelum melakukan transaksi atau memegang aset digital. Jika ada pertanyaan terkait kondisi tertentu, konsultasikan dengan penasihat hukum, pajak, atau investasi Anda. Informasi yang disediakan di sini (termasuk data pasar dan statistik, jika ada) hanya untuk referensi umum. Kami telah berusaha sebaik mungkin saat menyusun data dan grafik ini, tetapi tidak bertanggung jawab atas kesalahan faktual atau kekurangan di dalamnya.