Demo AI Task yang Menjalankan Perintah Bahasa Alami sebagai Intent → Effect → Snapshot

Halo.
Saya ingin membagikan demo manajemen task AI-native (TaskFlow)
untuk mendemonstrasikan library open-source yang sedang saya kembangkan secara pribadi,
@manifesto-ai/core.

TaskFlow, alih-alih sebuah produk yang sudah sepenuhnya jadi,
adalah aplikasi demo untuk menunjukkan
bagaimana model eksekusi yang diusulkan oleh @manifesto-ai/core
bekerja di aplikasi nyata.

Struktur inti yang diuji dalam proyek ini adalah sebagai berikut.

• LLM hanya menangani interpretasi bahasa alami → Intent
• Perubahan status yang sebenarnya dijalankan oleh aturan Runtime (Effect) yang eksplisit
• Semua hasil dicatat sebagai Snapshot sehingga bisa direproduksi, diverifikasi, dan di-streaming

Dengan kata lain, ini bukan "agen yang membuat LLM memanipulasi status secara langsung",
melainkan upaya untuk membuktikan struktur di mana
LLM berperan seperti compiler, sementara eksekusi ditangani oleh sistem.

Mengapa bereksperimen dengan struktur seperti ini

Pada pola agent yang ada, saya menemukan masalah-masalah berikut.

• Transisi status tersembunyi di dalam reasoning internal LLM
• Sulit mereproduksi hasil eksekusi
• Perubahan kebijakan atau debugging terasa sulit

Karena itu, saya membuat PoC untuk memeriksa
apakah struktur yang berpusat pada runtime, yang memisahkan makna (Intent) dan eksekusi (Effect),
benar-benar efektif.

Hal yang bisa dilihat di demo

• Interaksi alami seperti membuat / mengubah / melihat task serta mengontrol View dengan bahasa alami
• Alur eksekusi Intent → Effect → Snapshot
• Respons streaming berbasis SSE
• UI projection berbasis React + Zustand

Tautan

• Demo: https://taskflow.manifesto-ai.dev
• Core (@manifesto-ai/core): https://github.com/manifesto-ai/core
• Repo TaskFlow: https://github.com/manifesto-ai/taskflow

Karena proyek ini masih berada pada tahap riset/eksperimen, masih banyak bagian yang belum selesai.
Saya menyambut baik masukan maupun kritik tentang struktur atau arah pengembangannya 🙇‍♂️