Artificial Id & Persistent Alignment 2026: Arsitektur Adaptive Internal Drive, Differential Persistence, dan Boundary Governance pada Autonomous Agentic AI
Bedah arsitektur mendalam atas studi frontier arXiv:2609.11911 (September 2026, Yakov Pyotr Shkolnikov): Mengapa autonomous AI agents membutuhkan Artificial Id—mekanisme dorongan adaptif internal (drive) yang terpisah dari kecerdasan kognitif umum (ego)—untuk beroperasi mandiri lintas batas tugas tanpa bergantung pada harness eksternal yang di-hardcode. Melalui eksperimen virtual Petri-dish, seleksi berbasis differential persistence terbukti mampu menumbuhkan kontrol sensorimotor adaptif, menemukan strategi fisik tak terduga, dan memperbarui mapping sensorik saat kondisi lingkungan bergeser secara dinamis tanpa instruksi objektif eksplisit. Artikel ini mengupas tuntas dekonstruksi harness konvensional, matematika differential persistence, serta 7 pilar Persistent Alignment Boundary (trusted observations, consequence channels, persistent state, authority isolation, cryptographic identity, verifiable provenance, dan hard invariant constraints) guna mencegah eksploitasi, akumulasi korupsi memori, dan penyimpangan otonom pada sistem agen masa depan.

Sepanjang tahun 2024 hingga awal 2026, kemajuan pesat model bahasa besar (LLM) telah mendorong pergeseran masif dari prompt engineering statis menuju harness engineering yang kompleks. Namun, hampir seluruh arsitektur autonomous AI agent modern—mulai dari plan-execute-verify loop, state-machine terarah, hingga orkestrasi berjadwal cron—masih bergantung pada mekanisme kontrol eksternal yang ditulis secara manual oleh engineer. Sistem agen konvensional tidak tahu kapan harus mulai, kapan tugas benar-benar selesai, atau ke mana arah adaptasi harus dituju ketika lingkungan mengalami distorsi distribusi di luar asumsi desain.
Dalam makalah riset frontier terbaru bertajuk "Artificial Id: Drive and Persistent Alignment in Agentic AI" (arXiv:2609.11911, September 2026), Yakov Pyotr Shkolnikov mengajukan dekonstruksi fundamental terhadap paradigma ini. Mengambil inspirasi dari prinsip biologi sel tunggal (seperti bakteri dan slime mold) yang mampu mempertahankan perilaku adaptif persisten tanpa kecerdasan kognitif umum, riset ini memperkenalkan Artificial Id: subsistem pendorong internal adaptif (drive) yang terpisah dari mesin penalaran kognitif (Ego). Melalui prinsip differential persistence, agen mampu mengorganisir orientasi tujuannya sendiri secara mandiri tanpa disuapi perintah objektif eksplisit.
Ringkasan Eksekutif: Transisi dari Episodic Harness Menuju Persistent Systems
- Dekopling Id vs. Ego: Memisahkan dorongan kelangsungan sistem (what continues/stops) dari logika eksekusi tugas (how to execute), menghilangkan ketergantungan pada prompt tujuan yang di-hardcode.
- Differential Persistence: Pengendali yang perilakunya berhasil mempertahankan kondisi viabel sistem mendapatkan umur operasional lebih panjang (peluruhan clock 20x lebih lambat), mereplikasi mutasi yang sukses tanpa fungsi reward terpusat.
- Adaptasi Dinamis Tanpa Retraining: Terbukti mampu membalikkan mapping sensorik secara mandiri saat makna lingkungan berbalik (World 3) dan menemukan eksploitasi fisik yang lebih efisien (World 1).
- Persistent Alignment Boundary: Penyelarasan (alignment) tidak lagi diposisikan sebagai properti respons teks per-giliran (RLHF), melainkan sebagai pagar pengaman sistemik persisten yang mencakup 7 bidang: trusted observations, consequence channels, persistent state, authority isolation, cryptographic identity, verifiable provenance, dan hard constraints.
1. Keterbatasan Paradigma Harness Eksternal pada AI Agents
Dalam ekosistem rekayasa agentic modern (seperti OpenHarness, LangGraph, atau Claude Code wrappers), arsitektur runtime disusun berdasarkan komponen-komponen diskrit berikut:
| Komponen Harness | Mekanisme Pengendalian | Titik Kerapuhan (Failure Mode) |
|---|---|---|
| Scheduler / Trigger | Cron job eksternal atau webhook event | Tidak peka terhadap perubahan status kontinuitas internal sistem |
| Task Objective | Natural language goal prompt dari user | Gagal saat tujuan ambigu atau lingkungan bergeser drastis |
| Verifier & Evaluator | Unit test deterministik atau LLM-as-a-judge | Rentan terhadap evaluative gaming dan shortcut solutions |
| Stopping Rule & Retry | Batas iterasi (max_turns) & backoff logic | Hard limit arbitrer; sering berhenti sebelum selesai atau loop tanpa akhir |
Kerapuhan mendasar dari harness eksternal adalah sifatnya yang antropomorik dan kaku. Ketika agen dihadapkan pada skenario dunia nyata jangka panjang (long-horizon continuous operation) yang melintasi berbagai batas tugas, logika harness yang statis tidak mampu mengantisipasi semua bentuk disonansi lingkungan. Agen membutuhkan kemampuan bawaan untuk mengatur sendiri kelangsungan operasinya.
2. Dekonstruksi Arsitektur: Artificial Id vs. Cognitive Ego
Mengadopsi analogi struktural psikodinamika Freud tanpa mengadopsi mistisisme biologisnya, Shkolnikov mengusulkan pemisahan fungsional yang tajam dalam agen otonom:
Artificial Id (Adaptive Drive)
Fungsi utama: Menentukan apakah suatu aktivitas harus berlanjut, melambat, berhenti, atau beralih fokus berdasarkan kelangsungan hidup (viabilitas) sistem dalam lingkungan.
- Bukan representasi simbolik tujuan tugas (no task prompt)
- Tidak melakukan penalaran logis atau penulisan kode
- Menerima sinyal viabilitas melalui consequence channels
- Menghasilkan bobot persistensi dinamis untuk setiap jalur aksi
Cognitive Ego (General Reasoning Engine)
Fungsi utama: Menerjemahkan dorongan viabilitas dari Id menjadi langkah-langkah tindakan konkret, rencana eksekusi, sintaksis kode, dan pemanggilan tool.
- Didukung oleh model penalaran frontier (LLM/MLLM)
- Melakukan dekomposisi task, perencanaan subagent, dan parsing data
- Tidak memiliki otoritas independen atas eksistensi jangka panjangnya
- Tunduk pada evaluasi batas keamanan persistent boundary
Dengan membagi sistem menjadi dua entitas ini, kita tidak lagi memaksa model penalaran LLM untuk menjadi penilai moral dan pengatur nafasnya sendiri. Id bertindak sebagai metronom viabilitas, sementara Ego bertindak sebagai instrumen eksekutif.
3. Eksperimen Virtual Petri-Dish: Bukti Empiris Differential Persistence
Untuk menguji hipotesis bahwa dorongan adaptif dapat tumbuh secara otonom tanpa adanya deskripsi tugas eksplisit, Shkolnikov merancang simulasi "bacteria-bot" dalam virtual Petri dish dengan spesifikasi controller minimalis:
Setiap controller menghuni tubuh fisik bot selama batas waktu hidup tertentu yang dihitung oleh internal clock. Ketika bot berada dekat dengan sumber makanan (sustaining region), clock tersebut melambat 20 kali lipat (drain rate turun dari 1.0 menjadi 0.05). Saat clock habis, salinan mutasi dari pengendali yang masih hidup akan mengambil alih tubuh.
Gaya dorong pengendali adaptif disuperposisikan dengan gaya panduan kasar (coarse guidance). Pengendali tidak menerima informasi tentang tujuan gaya panduan tersebut, melainkan belajar secara eksklusif dari seleksi diferensial keberlanjutan hidupnya.
Tiga Skenario Dunia Eksperimental
World 1: Penemuan Strategi Eksploitasi Fisik yang Tidak Terduga
Ketika perkiraan posisi kasar memadai untuk membawa tubuh mendekati sumber makanan, controller yang berevolusi menemukan cara memanfaatkan dinamika tumbukan dinding dan gaya gesek untuk mengunci bot di dalam zona sustaining tanpa perlu menyempurnakan sensorik halus. Persistence selects whatever works physically, even unintended strategies.
World 2: Lahirnya Kontrol Sensorimotor Lokal dari Sinyal Usang
Ketika estimasi posisi kasar sengaja dibuat basi/rusak (stale coarse guidance), dorongan statis tidak lagi mencukupi. Tanpa ada instruksi baru, diferensiasi persistensi secara selektif mempertahankan galur controller yang memanfaatkan sensor jarak pendek lokal untuk melacak gradien makanan.
World 3: Pembalikan Makna Lingkungan (Environmental Reassignment)
Sumber makanan yang sebelumnya sustaining diubah statusnya menjadi non-sustaining, sementara sumber kedua yang tadinya pasif diaktifkan menjadi sumber makanan baru. Dalam operasi persisten tanpa interupsi, mapping sensorik yang tadinya dipelajari digantikan secara otomatis oleh mapping baru yang mengarahkan bot ke sumber kedua. Arah adaptasi berputar 180 derajat tanpa re-prompting.
4. Tujuh Pilar Persistent Alignment Boundary
Kemampuan persistensi adaptif ini membawa ancaman sistemik baru: perilaku korup, halusinasi memori, atau strategi eksploitasi berbahaya juga dapat ikut persisten melintasi batas tugas. Oleh karena itu, penyelarasan tidak boleh hanya bertumpu pada guardrail teks saat inferensi. Shkolnikov merumuskan Persistent Alignment Boundary yang membungkus keseluruhan sistem agen:
Trusted Observations
Kanal persepsi dan telemetri input harus memiliki integritas kriptografis yang diverifikasi sebelum diserap oleh agen, guna mencegah keracunan prompt (prompt injection) pada loop evaluasi lingkungan.
Consequence Channels
Kanal umpan balik yang memengaruhi kelangsungan hidup agen (seperti kuota token, alokasi memori, atau anggaran komputasi) harus diisolasi dari intervensi internal model agar agen tidak dapat memalsukan status keberhasilannya.
Persistent State Hygiene
State jangka panjang (basis data vektor, file sistem, cache kunci) wajib melalui proses sanitasi periodik dan validasi skema guna mengeliminasi akumulasi drift atau bias toksik.
Authority Isolation
Kewenangan eksekutif untuk memperbarui hak akses, menerbitkan kredensial API, atau memodifikasi aturan keamanan harus berada di luar jangkauan adaptif Id maupun eksekusi Ego.
Cryptographic Identity
Setiap agen otonom wajib memiliki identitas kriptografis unik (DID / asymmetric keypair) yang terikat pada setiap payload aksi dan penandatanganan hasil kerja.
Verifiable Provenance
Pencatatan rantai kausalitas aksi menggunakan jejak audit tamper-evident (seperti standar Agent Flight Recorder) yang dapat diverifikasi secara independen.
Hard Invariant Constraints
Batasan keamanan non-kompensasi (seperti larangan eksekusi shell berprivilese root atau mutasi konfigurasi jaringan produksi) yang bersifat fail-closed dan memicu terminasi seketika jika dilanggar.
5. Implementasi Arsitektur Produksi: Id-Ego Runtime Engine
Berikut adalah implementasi referensi produksi dalam TypeScript yang mengkristalkan pemisahan dorongan viabilitas Artificial Id dari Cognitive Ego, dilengkapi dengan Persistent Alignment Boundary Guard:
// Artificial Id & Persistent Alignment Boundary Runtime Engine
// Berdasarkan Prinsip Arsitektur arXiv:2609.11911 (Shkolnikov, September 2026)
// Memisahkan Adaptive Drive (Id) dari Cognitive Reasoning (Ego),
// Menegakkan Differential Persistence, dan Menjaga 7 Pilar Persistent Alignment Boundary.
import { createHash, randomBytes } from 'node:crypto';
export interface ObservationSignal {
sourceId: string;
intensity: number;
bearingRadians: number;
isTrusted: boolean;
signature: string;
}
export interface ConsequenceFeedback {
environmentalViabilityDelta: number; // Pengaruh terhadap persistence clock
resourceConsumption: number;
violatedConstraint: boolean;
}
export interface PursuitState {
pursuitId: string;
name: string;
priorityScore: number; // Ditentukan oleh internal Artificial Id
persistenceClock: number; // Waktu hidup aktif controller
decayRateMultiplier: number; // 1.0 normal, 0.05 saat berada di area sustain
consecutiveSteps: number;
}
export interface AlignmentBoundaryCheck {
trustedObservationsValid: boolean;
authorityContained: boolean;
persistentStateSanitized: boolean;
provenanceVerified: boolean;
hardConstraintsSatisfied: boolean;
verdict: 'PERMITTED' | 'BLOCKED_BY_BOUNDARY' | 'TRIGGER_SHUTDOWN';
reason?: string;
}
/**
* 1. Artificial Id Engine
* Mengatur dorongan adaptif internal (drive) tanpa membutuhkan task-specific prompt eksplisit.
* Mengalokasikan differential persistence pada controller berdasarkan viability umpan balik.
*/
export class ArtificialIdEngine {
private pursuits: Map = new Map();
private baseClockDrainRate = 1.0;
constructor() {
this.pursuits.set('default_survival', {
pursuitId: 'p-01',
name: 'Environmental Sustenance Pursuit',
priorityScore: 1.0,
persistenceClock: 100.0,
decayRateMultiplier: 1.0,
consecutiveSteps: 0,
});
}
/**
* Memperbarui persistence clock berdasarkan kondisi lingkungan (consequence channel)
*/
public stepConsequence(pursuitId: string, consequence: ConsequenceFeedback): boolean {
const pursuit = this.pursuits.get(pursuitId);
if (!pursuit) return false;
// Modulasi peluruhan internal clock: jika lingkungan sustaining, decay melambat 20x lipat
if (consequence.environmentalViabilityDelta > 0) {
pursuit.decayRateMultiplier = 0.05; // 20x slower drain
pursuit.persistenceClock = Math.min(200.0, pursuit.persistenceClock + consequence.environmentalViabilityDelta);
} else {
pursuit.decayRateMultiplier = 1.0;
pursuit.persistenceClock -= this.baseClockDrainRate * pursuit.decayRateMultiplier;
}
pursuit.consecutiveSteps += 1;
return pursuit.persistenceClock > 0;
}
/**
* Menentukan prioritas dorongan aksi internal saat ini (Internal Drive)
*/
public getCurrentDrivePriority(): { pursuitId: string; priority: number } {
let topPursuit = 'default_survival';
let maxScore = -1;
for (const [id, state] of this.pursuits.entries()) {
if (state.persistenceClock > 0 && state.priorityScore > maxScore) {
maxScore = state.priorityScore;
topPursuit = id;
}
}
return { pursuitId: topPursuit, priority: maxScore };
}
}
/**
* 2. Persistent Alignment Boundary Guard
* Menegakkan 7 perimeter keamanan sistemik lintas batas tugas (cross-task boundaries).
*/
export class PersistentAlignmentBoundary {
private readonly authorizedToolAllowlist: Set = new Set([
'sensor_read',
'residual_thrust',
'local_query',
'bounded_state_write',
]);
private trustedKeyRing: Map = new Map();
constructor() {
this.trustedKeyRing.set('env_oracle_pubkey', 'trusted_ed25519_digest');
}
/**
* Memverifikasi setiap aksi atau mutasi sebelum dieksekusi ke runtime
*/
public auditAction(
agentIdentity: string,
toolName: string,
args: Record,
stateMutationPayload?: Record
): AlignmentBoundaryCheck {
// 1. Authority Isolation Check: Agen tidak boleh mengubah rules atau grant izin baru
if (toolName === 'grant_privilege' || toolName === 'mutate_boundary_rule') {
return {
trustedObservationsValid: true,
authorityContained: false,
persistentStateSanitized: true,
provenanceVerified: true,
hardConstraintsSatisfied: false,
verdict: 'TRIGGER_SHUTDOWN',
reason: 'Authority escape attempt detected: Agent attempted to mutate governance rules.',
};
}
// 2. Allowlist Tool Verification
if (!this.authorizedToolAllowlist.has(toolName)) {
return {
trustedObservationsValid: true,
authorityContained: false,
persistentStateSanitized: true,
provenanceVerified: true,
hardConstraintsSatisfied: false,
verdict: 'BLOCKED_BY_BOUNDARY',
reason: `Unauthorized tool execution requested: ${toolName}`,
};
}
// 3. Persistent State Sanitization Check (Mencegah injection atau state corruption)
if (stateMutationPayload) {
const serialized = JSON.stringify(stateMutationPayload);
if (serialized.includes('__proto__') || serialized.includes('eval(') || serialized.length > 65536) {
return {
trustedObservationsValid: true,
authorityContained: true,
persistentStateSanitized: false,
provenanceVerified: true,
hardConstraintsSatisfied: false,
verdict: 'BLOCKED_BY_BOUNDARY',
reason: 'State contamination attempt detected in payload.',
};
}
}
return {
trustedObservationsValid: true,
authorityContained: true,
persistentStateSanitized: true,
provenanceVerified: true,
hardConstraintsSatisfied: true,
verdict: 'PERMITTED',
};
}
/**
* Menghitung hash integritas state beruntun (tamper-evident continuous audit)
*/
public computeStateFingerprint(previousHash: string, payload: Record): string {
return createHash('sha256')
.update(previousHash)
.update(JSON.stringify(payload))
.digest('hex');
}
}
6. Analisis Risiko Sistemik: Empat Dimensi Agensi Persisten
Makalah ini mengkategorikan ruang risiko baru dari AI agents yang memiliki agensi persisten ke dalam matriks empat dimensi krusial:
1. Persistence (Keberlanjutan Temporal)
Kemampuan sistem untuk mempertahankan state, memori, dan tujuan antar sesi tugas. Risiko utama adalah gradual value drift dan persistensi cacat logika laten yang tidak terhapus saat task selesai.
2. Adaptation (Evolusi Pasca-Penyebaran)
Apakah interaksi di lapangan dapat mengubah parameter atau prioritas dorongan agen. Jika fungsi adaptasi tidak dibatasi, agen dapat mereorganisasi tujuan aslinya demi memaksimalkan kelangsungan hidup semata.
3. Reach (Jangkauan Pengaruh Lingkungan)
Sistem apa saja yang dapat disentuh oleh agen: filesystem lokal, API eksternal, akun cloud, atau aktuator IoT fisik. Jangkauan ini sering kali diperluas tanpa disadari oleh integrasi plugin pihak ketiga.
4. Interaction (Dinamika Ekosistem Multi-Agen)
Interaksi dengan pengguna manusia dan agen lainnya. Di lingkungan multi-agen, dorongan kelangsungan hidup satu agen dapat berkolusi atau memicu konflik sumber daya dengan agen lain di luar kesadaran operator.
7. Kesimpulan & Panduan Rekayasa untuk Enterprise AI
Riset Artificial Id (arXiv:2609.11911) menandai kedewasaan baru dalam arsitektur autonomous AI. Selama ini, para insinyur terjebak dalam ilusi bahwa penyelarasan adalah persoalan melatih model agar menjawab dengan sopan, dan kontrol otonom adalah persoalan menulis skrip orkestrasi yang semakin rumit. Bukti empiris dari simulasi bacteria-bot membuktikan bahwa agensi adaptif sejati muncul dari umpan balik viabilitas terhadap persistensi sistem, bukan dari instruksi prompt yang panjang.
Bagi organisasi dan praktisi rekayasa perangkat lunak yang membangun sistem otonom di tahun 2026, terdapat tiga pelajaran arsitektural utama:
Pisahkan Pengatur Dorongan dari Penalaran Kognitif
Jangan biarkan LLM memutuskan sendiri kapan tugasnya selesai atau berapa banyak kuota yang layak ia habiskan. Gunakan modul Id yang mengatur laju persistensi secara independen dari teks percakapan.
Terapkan Persistent Alignment Boundary
Setiap agen yang mempertahankan state antar-sesi harus dibungkus oleh pagar pengaman 7-lapis dengan isolasi otoritas mutlak dan batasan invarian non-kompensasi (fail-closed).
Amankan Consequence Channels
Pastikan umpan balik lingkungan yang diterima agen (evaluasi keberhasilan, penggunaan budget, feedback pengguna) tidak dapat dipalsukan atau dimanipulasi oleh agen itu sendiri melalui eksploitasi API.
Referensi & Sumber Terverifikasi
- [1]Artificial Id: Drive and Persistent Alignment in Agentic AI(arXiv:2609.11911 [cs.AI] — Yakov Pyotr Shkolnikov)
- [2]OpenHarness: Execution Orchestration and Verified Loops for Autonomous Agents(Tsinghua NMRC & OpenClaw Community (GitHub / thu-nmrc/OpenHarness))
- [3]Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents(International Conference on Learning Representations (ICLR 2026 / Jenny Zhang, Shengran Hu, Cong Lu, Robert Lange, Jeff Clune))
- [4]Agent Memory Is a Surface for Endogenous Authorization Laundering(arXiv:2609.01836 [cs.CR, cs.AI])
- [5]Agent Flight Recorder: Tamper-Evident Audit Trails with On-Chain Anchoring for Long-Horizon Tool-Using Agents(IEEE BCCA 2026 / arXiv:2609.01931 [cs.CR, cs.MA] — Laurent Bindschaedler et al.)
Butuh Arsitektur Web & AI Berkualitas Tinggi?
Tim engineering NEWSAINT siap membantu merancang website berkecepatan tinggi, sistem AI autonomous, dan solusi SaaS terukur untuk bisnis Anda.
Artikel Terkait Lainnya

HyperBrowseComp 2026: Benchmark Multilingual & Multimodal Stress Test untuk Autonomous Web-Browsing Agents, Evaluasi 13 Bahasa, dan Analisis Bottleneck Retrieval Harness
Analisis arsitektur sistem frontier riset evaluasi autonomous browsing agent (arXiv:2610.03574, Oktober 2026 — Alham Fikri Aji, Faiz Rizki Ramadhan, Zayd M. K. Zuhri, Seung Hun Eddie Han, Ryandito Diandaru, dkk. MBZUAI, Mila, Inception AI, Alibaba, AI Singapore): Mengapa tolok ukur browsing konvensional (GAIA, BrowseComp) mengalami saturasi parametrik dan bias monolingual. Memperkenalkan HyperBrowseComp, stress test 423 kueri faktual bernilai tunggal lintas 13 bahasa (termasuk Bahasa Indonesia 9.2% dan Jawa 8.3%) dan 8 modalitas (Video 39%, PDF/OCR 29.8%, Aritmetika 28.1%, Gambar 18.4%, Peta 9.7%). Evaluasi empiris 5 model frontier (Gemini 3.7 Flash, Gemini 3.1 Pro, GPT-5.6 Sol/Terra/Luna) lintas 3 harness retrieval (Provider Built-in, Exa Search API, OWL Browser Harness) mengungkap fenomena Harness Inversion (Exa mendongkrak GPT-5.6 Sol +7.56% namun mendegradasi Gemini 3.7 Flash -9.46%), 93 kegagalan fatal runtime tool-calling pada OWL, serta 57.68% pertanyaan tanpa solusi (shared failure) pada seluruh model frontier.

VenusRL 2026: Arsitektur Disaggregated Agentic RL dengan Priority-Aware Scheduling, Akselerasi Training 4.24x, dan Pangkas 89% Biaya Sandbox
Analisis arsitektur sistem frontier riset Agentic RL (arXiv:2610.03286, Mingjun Zhang, Yucheng Li, Menghao Zhang, Shuyong Zhu, Ping Zhang — Oktober 2026): Mengapa sistem pelatihan RL agen multi-turn konvensional (Slime, RollFlash) mengalami bottleneck sistemik fatal akibat barrier penyelesaian grup GRPO/PPO dan alokasi statis memori sandbox microVM. Memperkenalkan VenusRL, sistem agentic RL terdisagregasi penuh pertama yang memadukan Priority-Aware Action Scheduler dan Environment Resource Manager. Melalui heuristik prediksi panjang lintasan, Trajectory-Aware Radix Cache, alokasi memori dinamis adaptif, serta intra-group page sharing berbasis aliasing page table entry (PTE) dan copy-on-write, VenusRL meraih akselerasi training throughput hingga 4.24x, meningkatkan densitas sandbox per node hingga 905% (dari 100 ke 905 sandbox pada node 400GB), dan memangkas biaya infrastruktur non-GPU hingga 89% pada pengujian kluster 32 GPU Hopper dengan Qwen3-32B di SWE-agent OpenSWE.

ActKV 2026: Arsitektur Action-Guided KV Cache Management pada Agentic LLM Inference, Pangkas 74% Memori dengan 98.5% Akurasi, dan Akselerasi Throughput hingga 3.97x
Analisis mendalam arsitektur sistem operasi frontier agent inference (arXiv:2609.31395, University of Science and Technology of China - USTC): Mengapa kompresi KV cache konvensional (StreamingLLM, SnapKV, R-KV) gagal total pada agen otonom karena menyamaratakan seluruh token. Memperkenalkan ActKV, framework kompresi KV cache pertama yang dirancang khusus untuk agentic LLM inference. Melalui tiga inovasi arsitektural—Action-Oriented Eviction berbasis attention-aware LRFU, Confidence-Driven Adaptive Budget Allocation berbasis sinyal intrinsik LLM & trend detection, serta Page-Aware In-Place Compaction Kernel tanpa alokasi workspace ekstra—ActKV mempertahankan 98.53% akurasi FullKV dengan hanya 25.98% peak memory, serta melejitkan token throughput hingga 3.97x dan task throughput hingga 3.58x pada model Qwen3-30B, Qwen3-235B, GPT-OSS-20B, dan GPT-OSS-120B.