Show HN: Lathe – Belajar domain baru dengan LLM tanpa melewatinya

• Lathe adalah eksperimen untuk menggunakan LLM agar mengajar, bukan menggantikan proses berpikir, dengan menghasilkan tutorial teknis berbasis praktik dari prompt sehingga pengguna bisa belajar dengan mengikuti langsung secara manual di UI lokal
• Mendukung pembuatan tutorial satu bagian maupun multi-bagian, serta menyediakan LLM skills untuk bertanya, memverifikasi tutorial, memperluas dengan bagian baru, dan menambahkan tag pencarian
• Tutorial dapat dibuat dari sesi LLM percakapan di Claude Code, Cursor, dan Codex, sementara CLI lathe yang dibuat dengan Go menangani penyimpanan, pengelolaan, perenderan, dan status persisten tutorial
• CLI sendiri tidak memanggil LLM; tombol web dan perintah lathe verify·lathe extend bekerja dengan menyediakan skill command untuk ditempel ke sesi LLM
• UI web lokal dijalankan dengan lathe serve dan port default 4242; daftar tutorial mendukung pencarian berdasarkan judul, topik, tag, repositori, versi alat, serta pengurutan terbaru/terlama/berdasarkan judul, dan filter status/jenis/tag/versi
• UI pembacaan menyediakan navigasi daftar isi di sidebar kanan, catatan samping di tengah isi, dan soal latihan untuk pembaca di akhir tutorial
• Semua tutorial mencatat sumber yang digunakan, model, dan prompt yang membentuk gaya tutorial; catatan sumber dapat dilihat di field sources pada metadata.json dan panel sumber di UI
• Tutorial disimpan di jalur global ~/.lathe/tutorials/ dalam direktori per slug, dan terdiri dari metadata.json serta file bagian seperti part-01.md atau index.md
• Instalasi dilakukan dengan menaruh satu biner mandiri lathe di $PATH, serta mendukung Homebrew cask untuk macOS, skrip instalasi curl | sh, go install berbasis Go 1.25+, dan build dari source
• Skills dibundel ke dalam biner dan dapat dipasang ke lokasi untuk Claude Code, Cursor, dan Codex dengan lathe skills install
• Gaya tutorial dikendalikan oleh voice, dengan plainspoken dan companion tersedia secara bawaan, dan voice kustom dapat dibuat dengan /lathe-voice
• Voice hanya mengubah gaya bahasa, bukan akurasi, riset, kutipan, verifikasi, atau struktur; voice kustom dikonfigurasi untuk menolak penyamaran tokoh nyata, manipulasi kredensial, dan penyangkalan bahwa karya ditulis oleh LLM
• Verifikasi bersifat opsional dan dijalankan di sesi LLM percakapan dengan /lathe-verify <slug>; verifikasi membuat file di direktori scratch baru mktemp -d, menjalankan perintah dan blok ## Checkpoint, lalu mencatat hasilnya
• Status verifikasi adalah salah satu dari unverified, verifying, verified, failed, skipped, atau extending; jika alat yang dibutuhkan tidak tersedia, status dicatat sebagai skipped, bukan gagal
• Verifikasi berjalan di bawah model izin LLM biasa sehingga pemanggilan alat bisa dilihat dan disetujui; direktori scratch hanyalah konvensi untuk menyimpan artefak build di luar repositori, bukan batas keamanan
• Karena Lathe adalah LLM, ia bisa gagal dengan cara yang sama seperti kegagalan LLM pada umumnya, dan untuk pembuatan tutorial disarankan memakai model “thinking” terbesar yang tersedia
• Saat ini use case uji internalnya adalah Claude Code di macOS; konfigurasi lain mungkin berfungsi tetapi dinyatakan belum terverifikasi
• Tidak dimaksudkan untuk penulisan konten selain penggunaan pribadi untuk pembelajaran pribadi

[GN⁺]

Opini Hacker News

• Pendekatan serupa, yaitu membiarkan LLM terus memberikan tanya jawab bergaya Socrates tentang topik yang diminati, juga bagus
  Ia terus melempar pertanyaan yang lebih mendalam sehingga kita sampai pada jawabannya sendiri, dan dalam proses itu kita jadi memikirkan masalahnya dengan serius, yang membantu pemahaman, pembelajaran, dan daya ingat
  Karena itu saya membuat skill Socratic-quiz yang bisa dipakai di coding agent atau alat serupa apa pun: https://pchalasani.github.io/claude-code-tools/plugins-detai...
  Misalnya, saya memakainya untuk lebih memahami hal-hal yang bertentangan dengan intuisi seperti diabetes/insulin, dopamin dan motivasi, atau implementasi Claude, dan ini juga membantu mengurangi apa yang disebut utang kognitif
  LLM yang kuat ternyata cukup mahir dalam kuis seperti ini, dan menunjukkan sesuatu yang mirip theory of mind

  • Dalam kasus ini saya penasaran bagaimana penurunan panjang konteks ditangani
    Pertanyaan yang lebih sulit kemungkinan baru muncul saat konteksnya sudah hampir penuh
  • Jika sumber kekuatannya adalah LLM, lalu tanpa LLM, Anda ini apa?
  • Ini bisa berguna jika dipakai untuk melengkapi belajar dari materi yang sebenarnya
    Saya dengan enteng bilang saya "memahami" topik rumit seperti diabetes/insulin atau dopamin dan motivasi, tetapi untuk benar-benar memahaminya perlu banyak belajar
    Sebagai pembelajaran berbasis rasa ingin tahu, ini masuk akal, tetapi saya ragu jika dijadikan cara untuk mempelajari hal yang benar-benar penting atau serius
    Cara tradisional dengan mencari materi dan mengikuti pelajaran yang terarah lebih rapi dan cepat daripada metode ini

• Sepertinya akan selalu ada kelompok orang dengan rentang yang tepat seperti dulu
  Ada orang yang rasa ingin tahunya tinggi sehingga ingin atau perlu memahami apa yang mereka lakukan, dan ada juga yang tidak, jadi mereka hanya ingin mengeksekusi
  Kebutuhan itu sendiri adalah sifat kepribadian mendasar yang membentuk ahli
  LLM adalah alat impian bagi orang-orang yang penuh rasa ingin tahu ini, dan justru akan makin mempercepat mereka
  Hampir tidak ada “kerugian” nyata; yang terjadi hanya orang yang tidak terlalu peduli jadi bisa bekerja lebih mudah
  Ini baik bagi mereka dan juga baik bagi orang-orang yang ingin tahu, jadi secara keseluruhan menguntungkan

  • Rasanya keduanya benar, dan tergantung pada objeknya sekaligus pada apa yang sedang dilakukan
    Kadang menyenangkan dan menarik untuk menggali sesuatu secara mendalam dalam waktu lama
    Sebaliknya, ada juga saat ketika saya tidak terlalu penasaran mengapa sesuatu tidak bekerja, dan hanya ingin membuatnya berfungsi lalu lanjut ke hal yang memang ingin saya kerjakan
    Pada akhirnya terasa bahwa LLM berguna dalam kedua kasus
  • Sebagian orang mungkin akan terus punya rasa ingin tahu terlepas dari lingkungannya, tetapi sebagian lain bisa terdorong untuk menumbuhkan atau kehilangan rasa ingin tahu bergantung pada pengalaman hidup
    Tombol “beri saya jawabannya sekarang” yang selalu ada di samping mereka bisa menjadi kekuatan besar yang menarik mereka ke arah ketidakpedulian

• Menurut saya ini ide yang cukup segar
  Kekuatan besar LLM adalah bahwa ia merupakan alat belajar yang hebat
  Banyak orang ingin memakainya untuk menghasilkan sesuatu, tetapi pengetahuan yang bisa didapat dari sana tampaknya diremehkan
  Mungkin ini tutor terbaik yang pernah bisa kita miliki
  Selain itu, saya kurang suka suasana yang menuntut orang mengungkap apakah mereka berniat menghasilkan uang dari proyeknya atau tidak
  Mencari uang tidak seharusnya didemonisasi atau dipandang sinis

• Belakangan ini saya sering memakai pola umum ini dalam pekerjaan
  Tugas yang deterministik dibuat sebagai aplikasi CLI kustom, lalu skill ditempelkan ke agent harness, dan skill itu dijalankan di dalam agen agar menghasilkan output melalui CLI dan penalaran bergaya agen
  Misalnya, jika diminta “buatkan ringkasan untuk eksekutif tentang aktivitas backlog tim-tim ini selama sebulan terakhir”, dalam 5–10 menit saya bisa membaca dokumen beberapa halaman yang juga dilengkapi kutipan tiket yang dianalisis
  Tidak perlu merepotkan orang atau meminta pekerjaan tambahan lain; cukup menjaga backlog tetap mutakhir dan detail seperti biasa
  Ini menempati posisi yang sangat berguna di antara penggunaan agen murni yang sulit menghasilkan output konsisten dalam pekerjaan berulang, dan situasi ketika kita harus membuat atau membeli aplikasi penuh untuk setiap tugas kecil

  • Pendekatan ini bekerja dengan baik dan saya setuju
    Hanya saja saya terus merasa ingin membalikkannya
    Struktur yang saya inginkan kebanyakan adalah program CLI tradisional yang memuat sebagian besar pengetahuan dan keputusan workflow dalam kode nyata, lalu hanya pada langkah workflow tertentu saja memanggil coding agent “sedikit sekali”
    Saya belum tahu bagaimana mengimplementasikannya
    Saya juga penasaran apakah pustaka seperti ini sudah ada, dan kalau ada bagaimana cara kerjanya
    Agar benar, sepertinya perlu ada layanan latar belakang yang bisa diajak berinteraksi oleh perangkat lunak CLI melalui soket IPC lokal yang sudah dikenal
    Misalnya, caranya mirip daemon docker
    Tetapi saya belum tahu perangkat lunak atau framework coding agent yang mengekspos kemampuan IPC seperti itu
  • Setuju
    Saya rasa pertama kali melihat pola ini dalam beberapa karya Simon Willison, mungkin di Rodney dan Showboat
    Dalam workflow tertentu, kombinasi Skills + CLI memberi keseimbangan yang baik antara fleksibilitas LLM dan konsistensi CLI
  • Penasaran apakah bisa memberi beberapa contoh tugas deterministik
    Dalam contoh tadi, apakah tugas deterministiknya adalah “mengambil backlog tim ini”, sedangkan bagian LLM-nya adalah “memproses tiap backlog” dan “menggabungkan ringkasan”?

• Saya baru saja memperbarui skill /grill-me yang populer tepat untuk tujuan ini
  Kemarin saya menjalani sesi pertanyaan yang sangat menekan namun sangat bernas sampai ke detail terakhir tentang apa yang tepatnya terjadi saat memuat dataset yang sangat besar di pandas

  • Apakah ada tempat Anda memublikasikan versi itu?

• Cara yang keren
  Belum lama ini aku bilang ke seorang teman bahwa pemrograman dipelajari dengan mengetik kode langsung dengan tangan
  Jadi aku menyarankan agar dia mencoba menghasilkan contoh pembelajaran minimal dengan LLM yang disesuaikan dengan minat dan kebutuhannya
  Aku mencoba metode belajar pemrograman ala Zed Shaw, yaitu mengetik ulang contoh kode dengan tangan seperti latihan studi dalam musik atau seni
  Aku mencobanya pada bahasa pemrograman yang sudah kupelajari cukup lama tetapi masih sulit dikuasai, dan hanya dalam beberapa jam mengetik, kefasihanku meningkat jauh
  Aku sadar bahwa dengan mengetik selama beberapa jam, aku menulis lebih banyak kode daripada saat belajar selama beberapa minggu
  Kalau belum mengenal bahasanya, menghasilkan kode sendiri sangat lambat dan penuh kesalahan, tetapi mengetik kode yang benar relatif sederhana
  Jadi ketika pendekatannya kuubah menjadi “cukup mengetik secara membabi buta”, setidaknya dari sisi membaca dan memori otot, dalam beberapa jam aku mendapat lebih banyak latihan daripada beberapa minggu sebelumnya
  Tentu pemahaman juga penting, tetapi menurut pengalamanku itu sumbu yang terpisah dan umumnya datang setelah ingatan dan kefasihan
  Sangat berbeda antara memahami sesuatu secara teoretis dan benar-benar bisa memakainya
  Prinsip umum yang mendasari ini adalah hipotesis input dari Stephen Krashen: https://en.wikipedia.org/wiki/Input_hypothesis
  Isinya bahwa anak belajar bahasa dengan sekadar mendengarkan dan terekspos pada input, dan orang dewasa juga bisa belajar dengan cara yang sama
  Aku juga pernah menemui pembahasan ini di situs hebat All Japanese All The Time, yang mungkin sekarang sudah tidak ada
  Penulisnya menguji hipotesis itu sendiri dengan banyak mendengarkan bahasa Jepang, dan katanya menjadi fasih dalam setahun
  https://web.archive.org/web/20080705194055/http://www.alljap...

• Ide yang sangat keren, dan terasa seperti cara menggunakan LLM dengan waras di masa yang kacau ini
  Saat memulai proyek baru dan semuanya terasa penuh gesekan, ini bisa jadi cara yang bagus untuk membuka suasana

  • Sebenarnya itulah kasus penggunaan utamaku
    Ini menurunkan hambatan untuk masuk ke proyek baru, lalu setelah mulai terbiasa, memberi landasan untuk membawanya lebih dalam sendiri

• Menurutku ini menyentuh area yang menarik
  Aku juga memikirkan hal serupa saat menyiapkan wawancara desain sistem
  Aku bereksperimen dengan beberapa seri tulisan blog tentang merancang Twitter dan merancang WhatsApp: https://prepcommons.com/
  Tetap saja, ini butuh usaha yang jauh lebih besar daripada sekadar menangani permintaan awal
  AI membuat semua orang bisa menghasilkan hasil yang rata-rata, tetapi untuk menghasilkan sesuatu yang bagus masih tetap dibutuhkan selera dan penilaian
  Mungkin hal yang sama juga berlaku untuk kuliah atau materi ajar

• Proyek yang keren, jadi aku berniat mencobanya
  Saat mempelajari topik baru, aku cukup suka pendekatan memasukkan semua materi yang kumiliki ke dalam “proyek” LLM, lalu memintanya mengajar berdasarkan konten yang sebenarnya untuk mempercepat proses
  Di saat yang sama, kalau semuanya disusun persis seperti yang kuinginkan, aku khawatir pemahaman yang dibangun dengan melihat sumber asli secara langsung dan bersusah payah memahaminya akan melemah
  Jadi pendekatan seperti ini, yang tetap agak meredakan kemalasan intelektual yang dipicu LLM sambil lebih berfokus pada benar-benar mengerjakannya sendiri, sangat cocok dengan seleraku

• Yang lebih membuatku penasaran adalah pengalaman benar-benar memakai alat vibe coding buatan sendiri ini
  Dari perkenalannya saja, aku kurang tahu apakah kamu benar-benar memakainya dan menyukainya
  Kamu bilang memakainya dan kadang juga membantahnya, dan itu sendiri mungkin bisa menjadi satu strategi belajar
  Lalu “menguji apakah tutorialnya bisa dikompilasi dengan model lain” rasanya agak sulit disebut sebagai fitur
  Tentu aku tidak mengharapkan tutorial yang sempurna tanpa cela dari satu kali permintaan
  Aku juga kurang paham kenapa harus memakai ini alih-alih prompt tulisan tangan, dan aku penasaran kenapa mode Study ChatGPT gagal
  Karena kelihatannya menarik

  • Aku sudah cukup banyak memakainya dan sangat menyukainya
    Tentu saja kamu juga bisa membuat prompt sendiri
    Nilai yang kulihat adalah bahwa skill/prompt yang bisa dipakai ulang menyusun tutorial sedemikian rupa sehingga Claude membantuku memikirkan dan mempelajari konsep baru, alih-alih hanya memberiku kode untuk disalin-tempel
    Dan berkat UI lokal, mengikuti tutorial jauh lebih nyaman daripada menggulir output markdown Claude
    Rangkaian tutorialnya tetap tersimpan, jadi nanti aku bisa dengan mudah melanjutkan topik yang menarik atau pengembangan tutorial dengan /lathe-extend
    Namun ini hanya alat yang secara pribadi membantuku; tidak harus begitu untuk semua orang
    Aku belum pernah mencoba ChatGPT Study, jadi akan kulihat lebih lanjut. Terima kasih sudah memberi tahu