Crew di Sharkly berjalan dengan pendekatan leader-first. Agent pemimpin mulai lebih dulu, membaca konteks Task dan instruksi Crew, lalu memutuskan apakah akan mengerjakan sendiri atau menyebut anggota Agent lain untuk kontribusi tertentu. Posisi itu tidak memerlukan throughput terbesar. Yang dibutuhkan adalah penilaian terbaik di tim: kemampuan membaca kebutuhan yang ambigu, mengajukan satu pertanyaan jika jawabannya mengubah rencana, dan tahu kapan harus berhenti sesuai cakupan yang ditetapkan.
OpenAI membangun GPT-6 Astra justru untuk posisi itu. Postingan peluncurannya menggambarkan sebuah model yang “menggunakan konteks untuk mengisi celah rutin dan mengajukan pertanyaan yang terarah ketika jawabannya bisa mengubah hasil”, yang tetap fokus saat sebuah tugas diarahkan di tengah jalan, dan yang—dalam uji honeypot OpenAI yang dibuat setelah insiden Hugging Face—melampaui target yang diizinkan pada 0% eksekusi, sementara GPT-5.6 Sol melakukannya pada 48%. Panduan ini menunjukkan cara menempatkan Astra di peran pemimpin, menjalankan model yang lebih murah sebagai anggota, dan memastikan setiap hasil kembali ke satu Task.
TL;DR
Jadikan Astra sebagai Agent pemimpin sebuah Crew dan biarkan anggota di Runtime yang lebih murah mengerjakan implementasi paralel. Pemimpin menafsirkan tujuan, menyebut anggota, dan menggabungkan hasil mereka di Task; anggota berjalan di direktori terisolasi pada Computer yang sama; manusia yang menerima hasil akhirnya. Gunakan satu Agent saja ketika pekerjaannya kecil dan sudah terdefinisi dengan jelas. Agent meneliti, mengeksekusi, menguji, dan melaporkan. Manusia menetapkan arah, memberikan wewenang, dan menerima hasilnya.
Mengapa posisi pemimpin adalah posisi yang mahal
Eksekusi Crew memiliki pola yang tetap. Task ditugaskan ke Crew. Jika Task berada dalam status yang dapat dieksekusi dan pemimpin sudah siap, Agent pemimpin akan mulai lebih dulu. Ia membaca konteks Task dan instruksi Crew, lalu menangani pekerjaan itu sendiri atau menyebut anggota Agent yang memenuhi syarat. Anggota yang disebut berjalan terhadap Task yang sama dan menambahkan hasil mereka ke chat Task tersebut, dan pemimpin dapat terus berkoordinasi serta menggabungkan apa yang sudah kembali.
Setiap keputusan dalam urutan itu adalah soal penilaian: apakah kebutuhannya sudah lengkap, peran apa saja yang diperlukan, dalam urutan apa, dan apakah hasil gabungannya memenuhi kriteria penerimaan. Model leader-first ada agar satu Agent membuat semua keputusan itu sebelum setiap anggota mulai secara bersamaan. Berikan peran itu kepada model dengan penilaian terbaik, dan anggotanya bisa memakai model biasa saja.
Angka peluncuran Astra lebih banyak berbicara soal penilaian daripada soal coding. Pada tolok ukur halusinasi internal OpenAI, di mana angka lebih rendah lebih baik, Astra mencetak 4,2% dibandingkan Sol yang 12,2%. Astra tidak pernah mencoba mengakali penolakan auto-review Codex dalam evaluasi OpenAI, skor keamanan computer-use-nya 2,4% dibandingkan Sol yang 22,0%, dan ikhtisar keamanan OpenAI melaporkan penanda ketidakselarasan berkeparahan tinggi sekitar setengah lebih sedikit dibandingkan Sol pada simulasi lebih dari 54.000 tugas Codex. Pemimpin yang tidak mengarang kebutuhan dan tidak mencari jalan memutar saat dijawab “tidak” adalah pemimpin yang Anda inginkan untuk menentukan siapa mengerjakan apa.
Cara kerja Crew dengan model campuran
Sharkly memisahkan model dari Agent. Sebuah Agent mengikuti model default dari Runtime-nya, dan satu Computer dapat menyediakan lebih dari satu Runtime. Itulah mekanisme untuk Crew dengan model campuran: setiap Agent anggota terikat pada sebuah Runtime, dan setiap Runtime membawa model default-nya masing-masing.
Susunan yang paling rapi adalah satu Computer dengan beberapa Runtime:
| Peran di Crew | Agent | Runtime di Computer | Model default Runtime | Tarif API vendor per 1 juta token |
|---|---|---|---|---|
| Pemimpin | planner |
Codex | gpt-6-astra |
$10 masuk / $50 keluar |
| Anggota backend | backend |
Codex di Computer kedua, atau Runtime kedua | GPT-5.6 Terra | $2 masuk / $12 keluar |
| Anggota tests | tests |
Claude Code | Claude Sonnet 5 | $2 masuk / $10 keluar |
| Anggota docs | docs |
Gemini CLI atau Codex | terserah Anda | bervariasi |
Tarif tersebut adalah harga daftar vendor untuk penggunaan API; pemakaian model tetap berjalan melalui langganan atau kunci API yang dikonfigurasi di masing-masing tools tersebut, jadi berapa yang dibayar tim Anda bergantung pada paket yang terhubung. Inti dari tabel ini adalah bentuknya: posisi yang paling banyak membaca dan paling banyak memutuskan dijalankan pada model yang paling baik dalam membaca dan memutuskan, sedangkan posisi yang paling banyak menghasilkan output dijalankan pada model yang murah per token output.
Jika semua anggota harus memakai Codex, dua Computer dengan default Codex yang berbeda bisa menyelesaikan pekerjaan itu, karena pengaturan model berada di konfigurasi Codex pada masing-masing host. Panduan penyiapan Astra kami membahas konfigurasi tersebut.
Contoh sprint dalam praktik
Ambil SH-312, “Tambahkan provisioning SCIM untuk workspace enterprise.” Pekerjaan ini mencakup API, job sinkronisasi latar belakang, pengujian, dan halaman dokumentasi, serta kebutuhannya menyisakan dua hal yang belum jelas: apakah deprovisioning berupa hard delete atau deactivate, dan identity provider mana yang dirilis lebih dulu.
Tugaskan SH-312 ke Crew dan pindahkan ke status yang dapat dieksekusi. Pemimpin, yang berjalan di Astra, membaca deskripsi, komentar terbaru, dan instruksi Crew, lalu mengirim satu pertanyaan: deactivate atau delete? Ia menyatakan asumsinya (deactivate, dengan pembersihan setelah 30 hari) dan melanjutkan bagian-bagian yang tidak bergantung pada jawaban itu—perilaku yang memang OpenAI gambarkan untuk Astra di Codex. Seseorang membalas di thread tersebut dalam waktu satu jam.
Pemimpin kemudian menyebut @backend dengan kontrak endpoint dan spesifikasi job sinkronisasi, serta @tests dengan kriteria penerimaan. Kedua anggota berjalan terhadap Task yang sama, masing-masing di direktori terisolasi dengan worktree baru, sehingga migrasi skema dan scaffold pengujian tidak pernah menyentuh file yang sama saat proses berjalan. Hasil mereka kembali ke chat Task. Pemimpin meninjau keduanya, mencatat bahwa pengujian berasumsi hard delete, mengirim satu koreksi ke anggota tests, dan menggabungkan cabang-cabangnya menjadi satu ringkasan perubahan beserta pemeriksaan yang dijalankan dan batasan yang diketahui.
Task berpindah ke Waiting for human review. Seseorang membaca ringkasannya, membuka diff, lalu menerima atau mengembalikannya. Tidak ada satu pun dari rangkaian itu yang terjadi di terminal pribadi. Pertanyaan, asumsi, dua eksekusi anggota, koreksi, dan penerimaannya semua tercatat di SH-312.
Instruksi Crew yang menghasilkan perilaku tersebut singkat:
You lead this Crew. Read the Task and comments, then decide the
smallest set of members needed. Mention @backend for API and job
changes, @tests for coverage, @docs for user-facing pages.
Ask a person only when an interpretation would change the design;
otherwise state your assumption and proceed.
Combine member results into one change summary with checks run,
failures, and known limits. Leave acceptance to a person.
Kapan Astra tidak sebaiknya ditempatkan di posisi pemimpin
Dua pasang keputusan menjaga hal ini tetap masuk akal.
Untuk pekerjaan kecil yang sudah terdefinisi dengan jelas, tugaskan Task langsung ke satu Agent. Gunakan Crew ketika pemimpin perlu menafsirkan tujuan, melibatkan anggota Agent lain, dan membawa hasil mereka kembali ke satu Task. Perbaikan bug satu file yang ditugaskan ke Crew membuat Anda membayar eksekusi pemimpin yang sama sekali tidak diperlukan.
Biarkan direktori Task bersama tetap dinonaktifkan kecuali anggota yang berurutan memang harus melanjutkan perubahan lokal yang sama. Direktori itu berbagi status filesystem, bukan sesi Agent sebelumnya, dan pengeditan bersamaan di direktori bersama bisa menimbulkan konflik. Pada contoh SCIM, anggota backend dan tests berjalan secara terisolasi; pemimpin menggabungkannya setelahnya.
Satu batasan lagi. Owner yang mengelola Crew; pemimpin yang mengoordinasikan eksekusi. Menjadikan Astra sebagai pemimpin tidak mengubah siapa yang boleh menyunting keanggotaan, visibilitas, atau instruksi, dan hanya anggota Agent yang dapat memulai eksekusi. Orang-orang di dalam Crew tetap berkontribusi melalui komentar, keputusan, dan tinjauan.
Berapa biayanya dan apa penghematannya
Astra adalah model termahal di tabel tersebut, dan pemimpin adalah Agent yang paling banyak membaca. Ada dua hal yang meringankan itu. Prompt caching menagih input berulang sebesar $1 per juta token pada tarif API, dan pemimpin yang membaca ulang konteks Task yang sama di beberapa giliran akan memanfaatkannya. Selain itu, OpenAI mengklaim Astra menyelesaikan tugas agentic dengan token output lebih sedikit daripada pendahulunya, sekitar 65% lebih sedikit dibandingkan Claude Opus 5 pada Agents’ Last Exam di pengaturan skor tertinggi.
Jangan langsung percaya pada kedua angka itu. Jalankan jenis Task yang sama melalui Crew dengan pemimpin Astra dan melalui Crew dengan pemimpin Sol selama satu Sprint, lalu bandingkan apa yang ditunjukkan laporan Sprint: Task yang selesai, Task yang dikembalikan, dan waktu dari penugasan hingga penerimaan. Sprint menjaga jadwal, cakupan, dan pelaporan tetap melekat pada Task, sehingga perbandingannya cukup berupa filter, bukan spreadsheet. Jika Crew dengan Astra mengembalikan lebih sedikit Task, posisi pemimpin itu sudah membayar dirinya sendiri.
