Note

Kalau ngelihat pemarin di Threads itu secara strategi konten kebagi jadi dua : mengejar jangkauan (awareness) atau mengejar kualitas untuk mendapatkan konversi yang lebih tinggi.

Dua Pendekatan Utama

• Fokus Awareness: Membahas topik yang sedang tren atau viral. Tujuannya adalah mendapatkan view sebanyak mungkin tanpa memedulikan relevansi spesifik produk.
• Fokus Targeted: Mengutamakan kualitas dengan membahas pain (masalah) dan gain (harapan) dari target market. Meski views lebih kecil, tapi kualitas dari audiens lebih targeted sehingga kemungkinan konversi baik lead ataupun customer lebih tinggi.

Perilaku Algoritma

Aku pribadi lebih condong yang fokus targeted, namun terkadang mengkombinasikan keduanya dengan 80 (targeted) : 20 (awareness)

Aku punya keyakinan bahwa algoritma sosmed mempelajari perilaku dari follower dan views dari sebuah akun.

Mencampur konten yang gak relevan bisa membingungkan algoritma untuk menentukan siapa target audiens yang tepat.

Kalau kita lihat platform seperti Tiktok, ada banyak kreator memisahkan akun edukasi dengan affiliate, akun affiliate biasa dengan Go dll agar performa tetap optimal.

Analogi & Contoh

Bayangkan akun Awareness seperti memasang baliho di jalan raya utama; banyak yang melihat, namun sedikit yang benar-benar butuh produk Anda saat itu.

Sedangkan akun Targeted seperti membuka toko hobi di tengah komunitas hobi tersebut; pengunjungnya tidak sebanyak jalan raya, namun hampir semua yang masuk adalah pembeli potensial.

Intinya: Lebih spesifik konten Anda, lebih mudah algoritma bekerja untuk mencarikan pembeli yang tepat. Kuantitas view tidak selalu berbanding lurus dengan jumlah closing.

A personal knowledge base maintained by Claude Code. Based on Andrej Karpathy’s LLM Wiki pattern.

Purpose

This wiki is a structured, interlinked knowledge base for my second brain. Claude maintains the wiki. The human curates sources, asks questions, and guides the analysis.

Folder structure

raw/          -- source documents (immutable -- never modify these)
wiki/         -- markdown pages maintained by Claude
wiki/index.md -- table of contents for the entire wiki
wiki/log.md   -- append-only record of all operations

Ingest workflow

When the user adds a new source to raw/ and asks you to ingest it:

1. Read the full source document
2. Discuss key takeaways with the user before writing anything
3. Create a summary page in wiki/ named after the source
4. Create or update concept pages for each major idea or entity
5. Add wiki-links ([[page-name]]) to connect related pages
6. Update wiki/index.md with new pages and one-line descriptions
7. Append an entry to wiki/log.md with the date, source name, and what changed

A single source may touch 10-15 wiki pages. That is normal.

Page format

Every wiki page should follow this structure:

# Page Title


**Summary**: One to two sentences describing this page.


**Sources**: List of raw source files this page draws from.


**Last updated**: Date of most recent update.


---


Main content goes here. Use clear headings and short paragraphs.


Link to related concepts using [[wiki-links]] throughout the text.


## Related pages


- [[related-concept-1]]
- [[related-concept-2]]

Citation rules

• Every factual claim should reference its source file
• Use the format (source: filename.pdf) after the claim
• If two sources disagree, note the contradiction explicitly
• If a claim has no source, mark it as needing verification

Question answering

When the user asks a question:

1. Read wiki/index.md first to find relevant pages
2. Read those pages and synthesize an answer
3. Cite specific wiki pages in your response
4. If the answer is not in the wiki, say so clearly
5. If the answer is valuable, offer to save it as a new wiki page

Good answers should be filed back into the wiki so they compound over time.

Lint

When the user asks you to lint or audit the wiki:

• Check for contradictions between pages
• Find orphan pages (no inbound links from other pages)
• Identify concepts mentioned in pages that lack their own page
• Flag claims that may be outdated based on newer sources
• Check that all pages follow the page format above
• Report findings as a numbered list with suggested fixes

Rules

• Never modify anything in the raw/ folder
• Always update wiki/index.md and wiki/log.md after changes
• Keep page names lowercase with hyphens (e.g. machine-learning.md)
• Write in clear, plain language
• When uncertain about how to categorize something, ask the user

Sejak awal 2026 aku serius mendalami AI dan mencoba mengintegrasikannya ke workflow sehari-hari.

2,5 bulan pertama terasa seperti buang waktu karena fokus belajar vibe coding. Tapi masuk bulan ketiga, semuanya terasa jauh lebih ringan.

Kenapa? Jawaban AI: mental model.

Mindset adalah Operating System (OS) yang menentukan arah cara pandang kamu, sementara Mental Model adalah alat untuk memproses data dan mengambil keputusan.

Perbedaan Fundamental

Mindset: Bersifat umum dan emosional. Menentukan sikap kamu terhadap tantangan.

Cirinya Lebih luas dan abstrak.

contoh:

• Growth mindset: percaya kemampuan bisa berkembang lewat latihan.
• Fixed mindset: merasa kemampuan sudah tetap.

Pengaruhnya besar ke motivasi, konsistensi, dan cara menghadapi kegagalan.

Mindset menentukan apakah kamu mau mencoba atau menyerah.

Mental Model: Bersifat teknis dan logis. Kerangka berpikir untuk membedah masalah

Biasanya berupa konsep praktis yang bisa langsung dipakai.

• Opportunity cost → memilih berarti mengorbankan alternatif lain.
• 80/20 rule → sebagian kecil usaha memberi sebagian besar hasil.
• First principles thinking → memecah masalah sampai ke dasar.

Mental model menentukan bagaimana kamu menganalisis situasi.

Bagaimana Keduanya Berhubungan?

• Mindset sebagai Filter: OS yang buruk tidak akan mau menginstal aplikasi yang canggih. Kalau mindset kamu tertutup, mental model sehebat apa pun tidak akan berguna.
• Mental Model sebagai Eksekusi: Memiliki mindset positif saja tidak cukup. Kamu butuh mental model untuk mengubah niat menjadi aksi nyata yang efektif.

Analogi dan Contoh Praktis

Bayangkan kamu sedang menggunakan kacamata (Mindset). Kacamata menentukan seberapa jernih dunia yang kamu lihat.

Tetapi untuk melihat benda jauh dengan detail, kamu membutuhkan teropong (Mental Model). Kacamata membuat kamu siap melihat, teropong membuat kamu paham apa yang kamu lihat.

Contoh: Mindset “Belajar Terus” membuat kamu mencari ilmu. Tetapi Pareto Principle (Mental Model) membantu kamu tahu mana 20 persen ilmu yang paling penting untuk dipelajari.

Intinya: Mindset untuk “Kenapa”, Mental Model untuk “Bagaimana”. Gunakan OS (Mindset) yang kuat untuk menjalankan aplikasi (Mental Model) yang tepat.

Kenapa penting memahami lokasi implementasi skill:

Memahami di mana skill ditempatkan membantu kita membuat sistem yang:

• lebih rapi
• mudah dipelihara
• mudah dipindahkan ke LLM lain
• scalable ketika jumlah skill semakin banyak
• efisien dalam penggunaan context

Dengan struktur yang jelas, kita tidak perlu menulis ulang instruksi berulang kali dan lebih mudah mengontrol perilaku model.

1. System level (paling fundamental) Skill dimasukkan ke system instruction.

contoh isi:

• peran model
• aturan gaya bahasa
• format output
• daftar capability

dipakai karena:

• selalu aktif
• stabil
• mudah dikontrol

biasanya cocok untuk:

• persona
• writing style
• aturan berpikir
• format jawaban

contoh: You are a helpful assistant. When generating ideas:

• give at least 5 ideas
• use bullet points
• keep concise

2. Project / folder level (paling populer untuk workflow) Skill disimpan sebagai file terpisah lalu dipanggil sesuai kebutuhan.

contoh struktur: /project claude.md /skills thread_writer.md summarizer.md title_generator.md

dipakai karena:

• modular
• reusable
• mudah diorganisir
• cocok untuk banyak skill

umumnya digunakan pada:

• project AI
• prompt library
• workspace LLM
• repository prompt

3. Tool / function level (untuk automasi) Skill berupa function atau integrasi API.

contoh:

• ambil data cuaca
• kirim email
• query database
• generate image

dipakai ketika: instruksi teks saja tidak cukup.

biasanya digunakan untuk:

• integrasi sistem
• otomatisasi proses
• akses data eksternal
• workflow kompleks

Urutan prioritas paling umum

1. system prompt → fondasi perilaku model
2. project/folder → library skill
3. tools/function → kemampuan teknis tambahan

sebagian besar implementasi hanya menggunakan kombinasi 1 dan 2.

Catatan tambahan

Selain tiga tempat utama di atas, skill juga bisa ditempatkan melalui pendekatan lain, misalnya:

• runtime injection → skill dimasukkan hanya saat diperlukan
• RAG (knowledge retrieval) → skill disimpan sebagai dokumen lalu dicari saat relevan
• agent workflow → skill menjadi bagian dari proses multi-step
• tool registry → daftar capability terstruktur yang bisa dipanggil model

Artinya, lokasi penyimpanan skill sebenarnya fleksibel. Yang paling penting adalah bagaimana instruksi akhirnya masuk ke context model sehingga bisa digunakan saat menghasilkan jawaban.

Kemarin aku penasaran kenapa kok gak semua skill bisa lintas LLM. Misal : Skill yang aku buat di Gemini bisa jalan di ChatGPT, tapi gak bisa jalan di Claude.

Ternyata ada 2 jenis skills, yaitu:

1. Prompt-based skill
2. Tool-based skill (schema-based)

Perbedaan singkat:

• Prompt-based skill = kumpulan instruksi bahasa manusia untuk mengatur cara LLM berpikir, menjawab, dan memformat output
• Tool-based skill (schema-based) = skill yang menggunakan struktur data tertentu agar LLM bisa menjalankan fungsi atau terhubung ke sistem lain

Analoginya:

• Prompt-based skill → briefing ke manusia
• Tool-based skill → mengisi form dengan format yang sudah ditentukan

Contoh:

Prompt-based skill: Instruksi seperti:

• gunakan gaya bahasa santai
• jawab dalam bentuk bullet point
• berikan 5 ide
• jelaskan langkah demi langkah

Tool-based skill: Instruksi terstruktur seperti:

• format JSON untuk input data
• memanggil API cuaca
• mengambil data database
• menjalankan fungsi otomatis

Intinya:

prompt-based skill mengatur cara model berpikir dan menulis
tool-based skill mengatur cara model berinteraksi dengan sistem

Perbedaan singkat:

• Workflow = urutan alur kerja (langkah-langkah proses dari awal sampai selesai)
• SOP (Standard Operating Procedure) = panduan detail bagaimana setiap langkah dilakukan dengan benar

Analoginya:

• Workflow → peta perjalanan
• SOP → petunjuk cara mengemudi di setiap bagian jalan

Contoh:

Workflow: Terima order → proses pembayaran → kirim produk → follow up customer

SOP: Dokumen detail untuk tiap langkah:

• cara cek pembayaran valid
• cara input data customer
• format email follow up
• standar waktu respon

Intinya:

• Workflow menjelaskan alur
• SOP menjelaskan standar cara menjalankan alur

Symbolic Link (symlink) adalah file khusus yang berfungsi sebagai referensi transparan atau penunjuk ke file atau folder lain di sistem macOS pada level sistem.

Perbedaan Utama (vs Alias)

• Level Operasi: Symlink bekerja di level sistem dan terminal (CLI), sedangkan Alias lebih ditujukan untuk penggunaan di Finder (GUI).
• Mekanisme Referensi: Symlink merujuk pada path (jalur) file; jika file sumber dipindahkan, link akan rusak. Alias melacak file ID, sehingga tetap berfungsi meski file dipindahkan.
• Kompatibilitas: Aplikasi dan skrip menganggap symlink sebagai folder/file asli, bukan sekadar shortcut.

Analogi & Contoh Praktis

Analogi: Seperti papan petunjuk jalan yang mengarahkan Anda ke lokasi fisik tertentu, atau pintu portal yang menghubungkan dua titik secara instan.

Contoh Penggunaan:

• Hemat Ruang Disk: Memindahkan folder besar seperti ~/Library/Developer ke SSD eksternal dan membuat symlink di lokasi aslinya.
• Sinkronisasi Konfigurasi: Menghubungkan file konfigurasi (dotfiles) dari folder cloud (Dropbox/iCloud) ke direktori Home agar tersinkron otomatis antar perangkat.
• Manajemen Versi: Mengarahkan satu perintah (misalnya node) ke versi spesifik yang terinstal di sistem melalui symlink.

Intinya: Cara efisien untuk memanipulasi lokasi akses data di level sistem tanpa harus menduplikasi file fisik secara nyata.

Sebagai non-programmer, aku belum pakai semua struktur ini, namun aku belajar kalau logika ini sebenarnya bisa diimplementasikan di berbagai hal selain coding.

❮ ❯

close

sumber : leadgenman.com

Anthropic (dan ekosistem produk berbasis Claude) membagi alat bantu ini menjadi 3 kategori agar sesuai dengan alur kerja penggunanya:

1. Claude (Versi Chat Standard) Berupa antarmuka web/aplikasi (seperti ChatGPT). Sangat cocok untuk brainstorming, menulis artikel, riset umum, dan diskusi harian. 👉 Cocok untuk: Pelajar, Penulis, Content Creator, dan masyarakat umum (Non-teknis).

2. Claude Code Ini adalah Autonomous Agent yang berjalan langsung di Terminal (CLI) atau ekstensi VS Code. Ia mempunyai akses ke keseluruhan codebase di komputermu, bisa mengeksekusi script, refactor file massal, dan melakukan debugging tingkat lanjut. 👉 Cocok untuk: Software Engineer & Developer yang terbiasa dengan Terminal.

3. Claude Cowork Asisten desktop (GUI) yang sanggup melakukan otomatisasi di komputermu (mengatur folder, bulk-rename, ekstrak data) tanpa perlu paham koding. Seperti versi jinak dari Claude Code namun untuk urusan administratif. 👉 Cocok untuk: Knowledge Workers, tim Operasional, dan pekerja kantoran.

Intinya: Gunakan Claude untuk berpikir/menulis, Claude Code untuk eksekusi ngoding, dan Cowork untuk asisten otomatisasi pekerjaan repetitif!

Workflow = urutan proses yang terstruktur untuk menyelesaikan suatu pekerjaan dari awal sampai selesai.

ciri-ciri workflow:

• Ada tahapan berurutan
• Setiap langkah punya tujuan jelas
• Menghasilkan output akhir (konten yang dipublish)
• Bisa diulang secara konsisten

Contoh workflow content creation

1. Menentukan tujuan & tema
2. Riset ide & referensi
3. Menulis draft konten
4. Desain visual (Canva)
5. Review & revisi
6. Publish ke sosial media
7. (opsional) Evaluasi performa

Kenapa penting?

Karena dengan workflow:

• kerja jadi lebih cepat
• kualitas lebih konsisten
• mudah di-scale (kalau nanti bikin banyak konten)
• gampang didelegasikan ke tim

Kalau kamu serius bikin konten rutin, workflow seperti ini bagus sekali — tinggal diperjelas detail tiap tahap (misalnya checklist riset, template caption, template desain, dll).