Apa itu osFoundry dan bagaimana ruang kerja AI desktop ini dibagi?

Senin pukul 9:40, ada empat tab browser yang terbuka: satu chatbot untuk bertanya, satu lagi karena kamu tidak sepenuhnya percaya yang pertama, satu editor dengan coding agent, dan satu aplikasi catatan berisi riset minggu lalu. Masing-masing tahu sebagian pekerjaanmu, tapi tidak ada yang tahu sisanya. Belum sampai jam makan siang, kamu sudah menyalin paragraf konteks yang sama ke tiga jendela berbeda.

Satu aplikasi, bukan lima tab

osFoundry adalah ruang kerja AI untuk desktop: satu aplikasi tempat kamu mengobrol dengan model AI, menyerahkan pekerjaan ke agent dan tim agent, menyimpan catatan dan pengetahuan yang bisa dicari, menjalankan model terbuka di komputer sendiri, dan membuat aplikasi kecil untuk dipakai tim. Modelnya bisa berasal dari tiga tempat: mesinmu sendiri, penyedia cloud lewat API key milikmu, atau GPU cloud sewaan. Aplikasinya dibagi menjadi beberapa kategori, dan setiap kategori berisi beberapa layar. Chat adalah tempat kamu berbicara dengan model (Maestro, Multi chat, Branchspace, dan lainnya). Workstation adalah tempat agent mengerjakan tugas yang lebih panjang (Code, Agent, Agent team, Loop, Terminal). Knowledge menyimpan tulisanmu dan apa yang diingat AI. Local Model dipakai untuk mencari, memasang, dan menguji model terbuka. Custom App untuk tool internal, dan Discover untuk riset web dan berita. Kalau kamu pernah memakai VS Code, perbandingan paling dekat adalah editor dengan activity bar yang setiap ikonnya membuka tool berbeda, bedanya di sini tool-tool itu adalah permukaan AI yang berbagi proyek, memori, dan model yang sama.

Seperti apa layar yang umum

Kebanyakan orang mulai dari kategori Chat, jadi ini tempat yang pas untuk memahami cara layar osFoundry disusun. Ini adalah Multi chat dalam mode Council, dengan data contoh: tiga model diberi pertanyaan yang sama, lalu saling menilai jawaban satu sama lain.

• Deretan tab di atas (Maestro, Model chat, Multi chat, Research, Wiki, Code) berpindah di antara permukaan area Chat: agent Maestro lengkap, chat tanya-jawab sederhana dengan sumber yang dikutip, beberapa model sekaligus, riset mendalam, dokumentasi kode, dan coding agent.
• Saklar Compare / Council menentukan cara model bekerja sama. Compare menampilkan jawaban berdampingan supaya kamu yang menilai. Council membuat mereka menjawab secara terpisah, saling memberi peringkat tanpa tahu siapa penulisnya, lalu menulis sintesis.
• Setiap kolom adalah satu model dengan label penyedia: di sini Anthropic, Ollama (berjalan lokal), dan OpenAI. Kamu bisa mencampur model cloud dan lokal di layar yang sama.
• Panel kanan menampilkan tahap-tahap proses (Answers, Ranking, Synthesis) dan tabel Peer review, jadi kamu bisa melihat siapa memberi skor apa, bukan hanya membaca jawaban akhirnya.
• Tombol Run memberi tahu berapa panggilan model yang akan dilakukan sebelum kamu menekannya (di sini "Run · 7 calls"). Mematikan peer ranking akan menurunkan angka itu.

Banyak layar osFoundry mengikuti pola ini: daftar di kiri, pekerjaan di tengah, dan inspector di kanan yang menunjukkan bagaimana sebuah hasil didapat.

Minggu pertama seorang developer solo

Ken mengurus sebuah toko online kecil sendirian. Dia ingin AI yang paham codebase-nya, dan sebagian pekerjaan ingin dia simpan di laptopnya sendiri.

Hari Senin dia membuka Local Model, lalu Explore. Layar ini membaca spesifikasi mesinnya dulu (16 GB memori dalam contoh ini) lalu memberi badge pada setiap model terbuka: Fits, Tight, atau Too big. Dia memasang model dengan badge hijau dan mengajukan beberapa pertanyaan di Playground, yang menjalankan prompt yang sama di dua model berdampingan dan menunjukkan seberapa cepat masing-masing mulai menjawab.

Hari Selasa dia harus mengubah fungsi pemformat harga dan tidak yakin bagian mana saja yang bergantung padanya. Dia membuka proyek di IDE, klik kanan pada fungsi itu, dan memilih Show Code Graph.

Panel ini menampilkan semua pemanggil, menandai relasi mana yang dibaca langsung dari kode dan mana yang hanya disimpulkan, lalu merangkum Impact of change: berapa simbol, file, dan test yang bisa terdampak. Dia mengklik salah satu pemanggil untuk melompat ke baris itu, dan memakai Send to chat untuk membawa grafnya ke percakapan dengan Maestro.

Hari Kamis dia mulai menyerahkan tugas-tugas kecil ke coding agent. Di layar ADE, setiap tugas punya worktree sendiri, dan tab Changes menampilkan diff-nya. Dia mengklik gutter di samping baris yang tidak dia setujui, mengetik catatan, lalu mengirim semua catatan yang belum terkirim ke agent sekaligus. Dia menutup minggu itu dengan model lokal yang dia percaya untuk pertanyaan cepat dan kebiasaan mengecek dampak sebelum refactoring.

Minggu pertama seorang pemimpin tim kecil

Aiko memimpin empat orang dan merilis versi baru setiap dua minggu. Masalahnya bukan menulis kode, tapi tahu apa yang sedang dikerjakan semua orang, entah manusia atau agent.

Dia mulai dari Message, chat tim. Channel dan DM bekerja seperti di Slack, dengan satu perbedaan: agent AI adalah anggota channel. Seseorang me-mention agent dengan @ di #release, dan balasan serta run-nya muncul kembali di channel itu, tempat semua orang bisa melihatnya.

Berikutnya dia menyiapkan Agent team di Workstation. Agent pemimpin mengoordinasikan anggota spesialis, dan layarnya memisahkan Team mail, Handoffs, Sub-agents, dan Proposals ke tab masing-masing, jadi dia bisa mengaudit siapa menyerahkan apa ke siapa. Untuk pengecekan yang terjadi di setiap rilis, dia mengubah tim itu menjadi Loop: sebuah trigger (misalnya setiap pagi hari kerja), batas jumlah putaran dan percobaan ulang, serta kriteria keberhasilan. Loop berjalan per putaran sampai kriterianya terpenuhi dan mencatat kriteria mana yang lolos di setiap putaran.

Saat beberapa agent mengerjakan repository yang sama, dia memakai Code. Setiap agent punya branch dan worktree sendiri, dan tidak ada yang di-merge dengan sendirinya. Dia memilih dua run yang sudah selesai, menekan Preview combined merge, dan melihat file mana yang bentrok sebelum ada apa pun yang menyentuh branch utama.

Untuk review per baris, dia memakai catatan yang sama seperti Ken: catatan yang disematkan ke kode, dikirim ke agent lengkap dengan file, baris, dan kodenya. Di akhir minggu dia punya satu channel tempat pekerjaan agent muncul, pengecekan rilis yang berjalan sendiri, dan tahap review yang terjadi sebelum merge, bukan sesudahnya.

Minggu pertama seorang peneliti dan penulis

Lena menulis laporan panjang tentang kebijakan tempat kerja. Dia butuh sumber yang bisa dicek, dan dia sudah pernah kena batunya gara-gara jawaban AI yang terdengar sangat yakin.

Untuk pertanyaan yang tidak cukup dijawab oleh satu model, dia memakai Multi chat dalam mode Council, layar yang dibahas di atas. Kalau dua reviewer memberi skor rendah pada sebuah jawaban, dia tahu harus menggali lebih dalam.

Untuk pertanyaan yang lebih besar, dia membuka Agents, menekan New session, dan memilih Deep Research Team yang sudah siap pakai. Pemimpinnya memecah pertanyaan menjadi beberapa bagian dan memberikan masing-masing ke satu anggota, seperti Data Researcher dan Search Specialist.

Reviewer terpisah mengecek setiap langkah sebelum sampai ke dia, dan langkah tanpa sumber dikembalikan lalu dijalankan ulang. Jawaban akhirnya berupa tabel dengan sumber di setiap baris, ditambah catatan singkat tentang di mana sumber-sumbernya berbeda pendapat dan apa yang belum tercakup (data contoh di screenshot).

Proses menulisnya sendiri terjadi di Knowledge. Di Paper, dia menyorot satu kalimat di drafnya dan menempelkan ruang berpikir ke kalimat itu, dengan tab seperti Academic search, Browser, atau sesi Maestro yang hanya membahas bagian tersebut. File pendukung dan komentar disimpan di sebuah Note. Di Discover dia menyimpan pencarian di Browser dan mengikuti channel kata kunci di News, jadi bahan bacaan untuk satu laporan masih ada untuk laporan berikutnya.

Bagaimana area-area ini saling mengoper pekerjaan

Kategori-kategori ini bukan produk terpisah; mereka saling mengoper pekerjaan. Local Model adalah lapisan di bawahnya: model yang kamu pasang dari Explore akan muncul di pemilih model Maestro, Multi chat, dan sesi agent.

Knowledge memberi masukan ke Chat: Memory menunjukkan apa yang Maestro ketahui tentang pekerjaanmu, dan Indexed Folders memungkinkan kamu memilih folder mana yang boleh dicari agent. Sesi agent, run Agent team, dan Loop melapor ke channel di Message. Workstation (layar dengan nama itu) memungkinkan kamu membuka channel, catatan, file, dan sesi agent berdampingan dalam satu tata letak. Kalau sesuatu yang kamu bangun dengan agent perlu menjadi tool untuk tim, ia pindah ke Custom App, tempat sebuah Room menampung aplikasi milik tim di samping chat Maestro tim itu sendiri. Key dan penyedia untuk semua ini ada di Configuration. Ikhtisar platform mencantumkan setiap layar kalau kamu ingin peta lengkapnya.

Pertanyaan yang sering muncul di minggu pertama

Apakah saya harus memakai semuanya?
Tidak. Kebanyakan orang mulai dari satu area, biasanya Maestro di Chat atau Explore di Local Model, lalu menambah area lain saat ada tugas yang membutuhkannya. Kategori-kategori ini berbagi proyek dan memori, jadi apa pun yang kamu kerjakan di awal tidak perlu diulang nanti.

Apakah data saya keluar dari komputer?
Tidak, kalau kamu memakai model lokal; model itu berjalan di perangkatmu. Model cloud yang kamu hubungkan lewat API key milikmu bisa melihat apa yang kamu kirim, dan pemakaian itu ditagih oleh penyedianya. Halaman local-first menjelaskan bagaimana keduanya dipisahkan.

Apakah ini hanya untuk developer?
Tidak. Code, IDE, dan Terminal memang tool untuk developer, tapi Message, Paper, Note, Research, Multi chat, dan Discover juga dibuat untuk penulis, analis, dan pemimpin tim.

Berapa biayanya?
Aplikasi desktopnya gratis diunduh, dan menjalankan model lokal tidak dikenai biaya pemakaian dari osFoundry. Kamu bisa mendapatkannya di halaman unduhan.