Seorang Database Administrator (DBA) Oracle Applications membangun sistem operasi berbasis agen AI pribadi yang dirancang khusus untuk mengotomatiskan tugas harian tanpa mengorbankan keamanan lingkungan produksi. Berbeda dengan pendekatan umum yang menyerahkan akses shell penuh ke model bahasa besar, pengembang yang dikenal sebagai rkondoju memilih membangun lapisan kernel kepercayaan yang memberlakukan aturan ketat: tidak ada aksi yang menyentuh produksi tanpa persetujuan eksplisit, jejak audit lengkap, dan pencatatan biaya token hingga ke empat angka desimal. Sistem ini, yang dinamai AgentOS, mendemonstrasikan bagaimana arsitektur kepercayaan (trust architecture) bisa lebih kritis dibandingkan kecerdasan model itu sendiri.
AgentOS mengelola enam keterampilan (skills) yang masing-masing berupa folder terpisah dengan manifes YAML sendiri: ebs-dba untuk diagnostik read-only Oracle/EBS seperti ringkasan AWR, top SQL, dan sesi pemblokiran; patch-triage yang memparsing advisori CPU Oracle dan memfilter berdasarkan tumpukan teknologi spesifik (19c + EBS R12.2.11) dengan prioritas CISA KEV; daily-brief yang berjalan otomatis pukul 07.00 menggunakan model Haiku hemat biaya sekitar Rp150 per eksekusi; research untuk pencarian web dengan sitasi; project-runner untuk build, test, dan deploy yang selalu memerlukan persetujuan; serta content-pipeline yang hanya menyusun draf tanpa kemampuan menerbitkan. Arsitektur modular ini memungkinkan penambahan keterampilan baru semudah menempatkan folder baru.
Inti inovasi terletak pada model izin berbasis tier yang ditegakkan oleh kernel, bukan oleh keputusan model. Setiap alat terdaftar dalam salah satu dari empat tingkatan: read (dijalankan otomatis), write, spend, dan prod-touch. Semua alat Oracle didaftarkan sebagai read-only, artinya tidak ada jalur tulis ke database sama sekali. Setiap pemanggilan di luar tier read dihentikan dengan pratinjau dry-run dan menunggu persetujuan manual satu kali pakai (single-use) yang dicocokkan dengan hash argumen persis. Eksekusi terjadwal (cron) yang tidak bisa meminta persetujuan akan memarkir panggilan tertahan di antrean dan mengirim notifikasi. Pendekatan ini mencegah replay attack di mana persetujuan untuk `npm run build` tidak bisa disalahgunakan untuk `rm -rf`.
Pengujian nyata justru mengungkap celah yang terlewat uji unit: model pernah menjalankan `sqlite3 -header -column` dengan bendera yang tidak diantisipasi, dan aturan awalan longgar yang ditulis pengembang akan membiarkan perintah DELETE lolos tanpa persetujuan. Kasus ini kini menjadi bagian dari rangkaian regresi. Pengalaman ini menguatkan tesis pengembang bahwa eksekusi langsung (live runs) menemukan kerentanan yang tidak terdeteksi oleh pengujian sintetis. Setiap eksekusi dicatat ke SQLite dan file JSONL per-jalannya, mencatat setiap putaran model, pemanggilan alat dengan argumen dan durasi, keputusan persetujuan, serta akumulasi biaya token secara real-time.
Dashboard berbasis FastAPI di localhost — berupa satu file HTML tanpa CDN dan tanpa data keluar mesin — menampilkan alur audit langsung via Server-Sent Events (SSE). Dari terminal, pengembang bisa meluncurkan jalannya dan menyaksikan proses berpikir agen di browser: koneksi server MCP, SQL yang dieksekusi, biaya yang berdetak, dan kartu persetujuan merah dengan pratinjau JSON saat gerbang terpicu. Tumpukan teknologi mencakup Python 3.12+ dengan dependensi dipin oleh uv, Anthropic Claude Opus 4.8 untuk penalaran berat dan Haiku 4.5 untuk tugas ringan, Model Context Protocol (MCP) untuk alat, SQLite untuk memori dan antrean persetujuan, serta APScheduler + launchd untuk penjadwalan. Total 30 pengujian termasuk pengujian end-to-end kernel loop melawan server MCP nyata via stdio.
Langkah berikutnya adalah mengubah sistem dari reaktif (menjawab saat diminta atau berjalan terjadwal) menjadi proaktif: loop sentinel yang memeriksa database langsung setiap beberapa detik — sesi pemblokiran, tekanan tablespace, tumpukan permintaan konkuren — dan memicu agen investigasi otomatis yang mengirim laporan akar masalah sebelum DBA sempat membuka terminal. Visi ini menggeser peran AI dari asisten pasif menjadi operator proaktif yang tetap dibatasi oleh gerbang keamanan yang sama. Pola ini, menurut pengembang, layak menjadi standar industri untuk orkestrasi agen di lingkungan berisiko tinggi.
Dari perspektif industri teknologi Indonesia, implementasi ini menawarkan cetak biru (blueprint) bagi perusahaan yang mengelola sistem kritis — perbankan, e-commerce, telekomunikasi — untuk mengadopsi AI agenik tanpa melanggar kebijakan keamanan dan kepatuhan regulasi seperti POJK atau PDP. Pemisahan keras antara lapisan penalaran (model) dan lapisan penegakan kebijakan (kernel) memungkinkan audit independen dan sertifikasi yang sulit dicapai pada arsitektur monolitik di mana model menentukan batas-batasnya sendiri. Biaya operasional yang terukur per tugas (cost-per-task) juga mengubah AI dari kotak hitam biaya menjadi item anggaran yang bisa diprediksi dan dioptimalkan.
Praktisi infrastruktur dan keamanan di Indonesia sebaiknya mempelajari pola approval-gate berbasis tier dan audit trail granular ini sebagai fondasi untuk membangun platform agen internal. Dengan ekosistem MCP yang berkembang, organisasi bisa mengemas alat internal (CLI, API, skrip) sebagai server MCP standar dan mendaftarkannya ke kernel kepercayaan serupa, memperoleh visibilitas penuh dan kontrol atas setiap aksi agen. Hal ini relevan khususnya saat Bank Indonesia dan OJK semakin menekankan tata kelola risiko teknologi dan audit trail sistem informasi.