Drama Rebranding yang Mengungkap Pergeseran Besar
Januari 2026. Peter Steinberger merilis Clawdbot — asisten AI personal yang langsung viral. Namun, popularitas membawa konsekuensi: Anthropic mengirim surat keberatan karena nama itu terlalu mirip dengan “Claude”.
Peter kemudian mencoba nama Moltbot — terinspirasi dari proses lobster melepas cangkang lama untuk tumbuh. Namun akhirnya ia menetap di OpenClaw.
Dramanya mungkin soal nama, tapi esensinya jauh lebih dalam: OpenClaw berhasil meraih ratusan ribu stars di GitHub dalam hitungan hari bukan karena branding, tapi karena ia memecahkan masalah kemandirian (autonomy) AI.
Apa yang Membuat OpenClaw Berbeda
OpenClaw bukan sekadar chatbot yang bisa diajak ngobrol. Ia adalah autonomous agent yang bisa benar-benar mengerjakan sesuatu di sistemmu — dan ini yang membuat orang langsung tertarik sekaligus khawatir:
- Browse web dan merangkum PDF
- Menjadwalkan kalender
- Membaca dan menulis file di sistemmu
- Mengirim email atas namamu
- Mengambil screenshot dan mengontrol aplikasi desktop
- Terintegrasi dengan WhatsApp, Telegram, dan messaging app lainnya
- Menyimpan memori persisten — ia ingat interaksi dari minggu atau bulan lalu
Memori persisten inilah yang menjadi pembeda sekaligus sumber kontroversi terbesar. Bukan karena fiturnya buruk — tapi karena ia mengubah agent dari “tool yang kamu panggil” menjadi “entitas yang terus berjalan dan mengingat”.
Sisi Gelap: Ketika Power Bertemu Kerentanan
Palo Alto Networks mempublikasikan analisis keamanan yang sangat detail tentang OpenClaw (saat itu masih bernama Moltbot) pada Januari 2026. Judulnya cukup provokatif: “Why Moltbot May Signal the Next AI Security Crisis”.
Argumen utamanya: OpenClaw memiliki akses ke root files, authentication credentials, browser history, cookies, dan semua folder di sistemmu. Kombinasi ini dengan memori persisten menciptakan attack surface yang sangat luas.
Palo Alto memperkenalkan konsep “Lethal Trifecta + 1” — memperluas konsep Simon Willison tentang tiga kerentanan fundamental AI agent:
graph TD
A["Lethal Trifecta (Simon Willison, 2025)"]
A --> B["1. Akses ke Private Data\n(credentials, personal info)"]
A --> C["2. Exposure ke Untrusted Content\n(web, messages, third-party)"]
A --> D["3. Kemampuan External Communication\n(send messages, API calls, execute)"]
E["+ Persistent Memory\n(Palo Alto, 2026)"] --> F["Time-shifted prompt injection\nMemory poisoning\nLogic bomb activation"]
B & C & D & E --> G["OpenClaw Attack Surface"]
Skenario serangan yang paling mengkhawatirkan: pesan WhatsApp yang berisi payload berbahaya tersimpan di memori persisten agent, lalu dieksekusi beberapa hari kemudian ketika kondisi tertentu terpenuhi — tanpa ada human-in-the-loop check.
Palo Alto memetakan kerentanan OpenClaw ke OWASP Top 10 for Agentic Applications 2026:
| OWASP Risk | Kerentanan OpenClaw |
|---|---|
| A01: Prompt Injection | Web results dan messages bisa inject instruksi berbahaya |
| A02: Insecure Tool Invocation | Tools dipanggil berdasarkan reasoning yang termasuk untrusted memory |
| A03: Excessive Autonomy | Root access + credential access + network, tanpa privilege boundaries |
| A04: Missing Human-in-the-Loop | Tidak ada approval untuk operasi destruktif |
| A05: Memory Poisoning | Semua memory tidak dibedakan berdasarkan sumber atau trust level |
| A06: Insecure Third-Party Skills | Skills pihak ketiga berjalan dengan full agent privileges |
Ini bukan berarti OpenClaw adalah produk yang buruk — ini adalah peringatan bahwa power yang besar membutuhkan governance yang setara. Dan peringatan ini berlaku untuk semua agent dengan akses luas, bukan hanya OpenClaw.
Arsitektur OpenClaw: Empat Komponen Utama
Berdasarkan analisis mendalam dari AIMultiple, OpenClaw terdiri dari empat komponen utama:
graph TD
A["Gateway\n(background service, front door)\nManages messaging platform connections"] --> B["Agent\n(LLM reasoning engine)\nInterprets intent"]
B --> C["Skills\n(modular capabilities)\nbrowser, filesystem, calendar, API"]
B --> D["Memory\n(persistent storage)\nMarkdown files, long-term context"]
E["User via WhatsApp/Telegram"] --> A
A --> F["Host Machine\n(local execution)"]
Yang membuat arsitektur ini unik dibanding agent lain:
vs Visual Agents — Visual agents mengambil screenshot, memproses pixel data, dan menghitung koordinat untuk simulasi klik mouse. OpenClaw bypass GUI sepenuhnya — ia tidak “melihat” ikon file untuk memindahkannya, ia langsung mengeksekusi shell command (mv /downloads/*.pdf /documents). Hasilnya: tidak ada grounding errors, beroperasi di machine speed bukan human interface speed.
vs CLI Agents — CLI agents seperti Claude Code atau Open Interpreter berjalan dalam terminal window dan hanya merespons ketika user menginput command. Mereka menderita “session amnesia” — tutup terminal, context hilang. OpenClaw berjalan sebagai gateway daemon 24/7, mempertahankan memori jangka panjang di file lokal (MEMORY.md), dan bisa menginisiasi interaksi sendiri melalui Heartbeat Engine dan cron job integration.
Moltworker: OpenClaw di Cloudflare Workers
Salah satu deployment pattern yang menarik adalah Moltworker — cara menjalankan OpenClaw di Cloudflare Workers (serverless) alih-alih VPS tradisional.
Dalam setup ini:
- Execution logic OpenClaw berjalan di Cloudflare Workers
- Agent memory, logs, dan artifacts disimpan di Cloudflare R2 (object storage)
- R2 menyediakan free tier hingga 10GB — deployment kecil bisa berjalan tanpa biaya infrastruktur tambahan
Cocok untuk: chat-based assistants, on-demand automation agents, dan personal/experimental agents dengan traffic rendah. Tidak cocok untuk: long-running autonomous agents atau agents yang butuh GPU atau local filesystem access.
Masalah yang Belum Terpecahkan: AI Tahu Banyak tapi Sering Salah
Di luar isu keamanan, ada paradoks yang dialami siapapun yang pernah serius menggunakan AI coding agent: model yang sangat canggih, tapi sering menghasilkan kode yang salah untuk library atau framework tertentu.
Bukan karena modelnya bodoh. Tapi karena dokumentasi ditulis untuk manusia, bukan untuk AI.
Dokumentasi manusia menyebar informasi di puluhan halaman, mengasumsikan pembaca akan browsing secara non-linear, dan sering melewatkan detail teknis yang “sudah jelas” bagi developer berpengalaman. LLM tidak bisa memegang seluruh dokumentasi dalam context window-nya sekaligus — dan bahkan kalau bisa, performa model menurun drastis ketika context terlalu panjang.
Hasilnya: AI menggunakan API yang sudah deprecated, melewatkan best practice yang tidak eksplisit, dan membuat keputusan yang salah karena tidak punya konteks yang tepat.
Saya sendiri mengalami ini berkali-kali. Minta agent untuk setup sesuatu dengan library tertentu, hasilnya compile tapi tidak bekerja seperti yang diharapkan — karena agent menggunakan pattern dari versi lama yang masih ada di training data-nya. Tidak ada yang salah dengan modelnya. Yang kurang adalah konteks yang tepat tentang versi ini, project ini, keputusan yang sudah dibuat di sini.
SKILL.md adalah jawaban untuk masalah ini.
Apa Itu SKILL.md?
SKILL.md adalah file markdown yang hidup bersama kode atau dokumentasimu, berisi instruksi yang dioptimalkan untuk AI agent — bukan untuk manusia.
Bukan README. Bukan dokumentasi API. Ini adalah cheat sheet untuk agent — berisi keputusan yang sudah dibuat untuknya, gotchas yang sering dilupakan, dan batasan yang harus direspek.
Formatnya sederhana:
---
name: git-release
description: Create consistent releases and changelogs
license: MIT
compatibility: opencode
metadata:
audience: maintainers
workflow: github
---
## What I do
- Draft release notes from merged PRs
- Propose a version bump
- Provide a copy-pasteable `gh release create` command
## When to use me
Use this when you are preparing a tagged release.
## Gotchas
- Never use `git tag` directly — always use `gh release create`
- Version bumps follow semver strictly
- Always check CHANGELOG.md exists before creating release
Frontmatter-nya minimal: name (required, 1-64 karakter, lowercase alphanumeric), description (required, max 1024 karakter), dan beberapa field opsional.
Tiga Level Progressive Disclosure
Salah satu desain paling cerdas dari agent skills adalah progressive disclosure — cara agent memuat informasi secara bertahap sesuai kebutuhan:
graph TD
A["Level 1: Metadata\n(selalu dimuat, ~100 tokens)\nname + description"] --> B["Agent melihat skill tersedia"]
B --> C{"Skill relevan\nuntuk task ini?"}
C -->|Ya| D["Level 2: Instructions\n(dimuat saat triggered, ~5k tokens)\nworkflows, procedures, best practices"]
C -->|Tidak| E["Skip — tidak masuk context"]
D --> F{"Butuh resource\ntambahan?"}
F -->|Ya| G["Level 3: Resources & Code\n(dimuat sesuai kebutuhan)\nscripts, templates, reference data"]
F -->|Tidak| H["Eksekusi dengan instruksi yang ada"]
Ini mencegah context bloat — agent tidak perlu membawa semua instruksi setiap saat. Hanya yang relevan yang masuk ke working memory.
Bagaimana Berbagai Tool Mengimplementasikan Skills
OpenCode
OpenCode mencari SKILL.md di beberapa lokasi secara hierarkis:
.opencode/skills/<name>/SKILL.md # project-local
~/.config/opencode/skills/<name>/SKILL.md # global
.claude/skills/<name>/SKILL.md # Claude-compatible
.agents/skills/<name>/SKILL.md # agent-compatible
Dokumentasi lengkap: opencode.ai/docs/skills
Claude Code (Anthropic)
Anthropic mendokumentasikan agent skills di platform.claude.com/docs/en/agents-and-tools/agent-skills/overview. Skills di Claude Code berjalan di VM environment dengan filesystem access — memungkinkan skills untuk menjalankan scripts dan mengakses resources secara langsung.
Perbedaan penting antar platform Claude:
- Claude API: Tidak ada network access untuk skills
- Claude Code: Full network access
- Claude.ai: Bervariasi tergantung settings
Cursor
Cursor mengimplementasikan skills sebagai bagian dari sistem rules-nya. Dokumentasi di cursor.com/docs/skills.
Gemini CLI
Google Gemini CLI juga mendukung skills dengan format yang kompatibel. Dokumentasi di geminicli.com/docs/cli/skills.
GitHub Copilot CLI
Copilot CLI mengimplementasikan skills melalui AGENTS.md dan Agent Skills — memungkinkan kustomisasi behavior yang konsisten across models, sessions, dan delegated work.
Ekosistem yang Tumbuh: Dari Tool ke Standar Universal
SKILL.md bukan hanya fitur satu tool. Ia sedang menjadi open standard yang diadopsi secara luas.
Mintlify mengumumkan bahwa semua dokumentasi yang dihosting di platform mereka otomatis menghasilkan file /.well-known/skills/default/SKILL.md. Setiap kali dokumentasi diupdate, SKILL.md-nya diregenerasi otomatis. Artikel lengkap: mintlify.com/blog/skill-md.
TIP
Standar /.well-known/skills/ ini memungkinkan AI agent untuk “menemukan” kemampuan sebuah website secara otomatis hanya dengan membaca root directory-nya, mirip seperti robots.txt atau sitemap.xml.
Vercel merilis skills CLI — tool untuk menginstall skills dari URL ke berbagai agent sekaligus:
# Install skill dari URL dokumentasi
npx skills add https://mintlify.com/docs
# Skills otomatis terdeteksi dan diinstall ke semua agent yang terdeteksi
agentskills.so menjadi direktori komunitas untuk berbagi skills — mirip npm registry tapi untuk instruksi agent.
awesome-agent-skills adalah kurasi komunitas dari skills terbaik yang tersedia.
CommandCodeAI/agent-skills menyediakan koleksi skills yang bisa langsung diinstall.
Anthropic sendiri memaintain repository skills resmi di github.com/anthropics/skills, termasuk skill untuk membuat skills baru.
5 Agent Skills yang Dipakai Engineer Setiap Hari
Matt Pocock dari AIHero.dev mendokumentasikan 5 skills yang ia gunakan setiap hari dalam artikel 5 Agent Skills I Use Every Day. Ini adalah contoh nyata bagaimana skills mengubah cara kerja dengan AI:
1. /grill-me — Flesh Out an Idea
npx skills@latest add mattpocock/skills/grill-me
Hanya tiga kalimat, tapi sangat impactful:
“Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one by one. And finally, if a question can be answered by exploring the code base, explore the code base instead.”
Konsep “design tree” dari buku The Design of Design oleh Frederick P. Brooks — kamu harus menjelajahi semua cabang keputusan sebelum commit ke kode. Skill ini memaksa Claude untuk bertanya 16-50 pertanyaan sebelum mulai coding.
2. /write-a-prd — From Conversation to Document
npx skills@latest add mattpocock/skills/write-a-prd
Setelah mencapai shared understanding, skill ini membuat Product Requirements Document lengkap dengan user stories. Workflow-nya: interview → eksplorasi repo → sketch modules → tulis PRD → submit sebagai GitHub issue.
3. /prd-to-issues — Breaking Down the Destination
npx skills@latest add mattpocock/skills/prd-to-issues
Mengubah PRD menjadi Kanban board berisi independent issues. Setiap issue adalah “vertical slice” — potongan tipis yang menembus semua integration layers, bukan horizontal slice dari satu layer. Ini memungkinkan multiple agents bekerja paralel.
4. /tdd — Test-Driven Development
npx skills@latest add mattpocock/skills/tdd
Memaksa agent mengikuti red-green-refactor loop. Skill ini berisi filosofi tentang refactoring, mocking, dan deep modules. Menurut Matt: “Doing really good TDD has been the most consistent way to improve agent outputs.”
5. /improve-codebase-architecture — Making Code Agent-Friendly
npx skills@latest add mattpocock/skills/improve-codebase-architecture
Mengeksplorasi codebase untuk menemukan “deepening opportunities” — tempat di mana shallow modules bisa diperdalam untuk membuat testing lebih mudah dan agent output lebih baik. “If you have a garbage code base, the AI will produce garbage within that code base.”
Menulis SKILL.md yang Efektif
Berdasarkan praktik terbaik dari komunitas dan artikel Deep Dive: SKILL.md oleh Abhijay Kumar:
1. Decision tables untuk tribal knowledge
## Component Selection
| Need | Use |
| -------------------------- | ------------- |
| Hide optional details | `<Accordion>` |
| Sequential steps | `<Steps>` |
| Code in multiple languages | `<CodeGroup>` |
2. Explicit boundaries
## What agents can do
- Update content in any .mdx file
- Add new pages to existing sections
## Requires human action
- Custom domain setup (needs DNS access)
- Billing changes (needs dashboard access)
3. Gotchas section — ini yang paling sering dilewatkan tapi paling berharga:
## Gotchas
- Never use `mint.json` — it's deprecated, use `docs.json` only
- Every MDX file needs a `title` frontmatter at minimum
- Images must be in `/public/images/`, not `/assets/`
4. Link ke dokumentasi lengkap
SKILL.md adalah cheat sheet, bukan pengganti docs. Selalu sertakan link ke dokumentasi lengkap untuk konteks yang lebih dalam.
Panduan untuk Pemula
Untuk yang baru mulai, artikel What Are Agent Skills: Beginner’s Guide oleh Debbie O’Brien di dev.to adalah titik masuk yang bagus.
Cara paling mudah untuk mulai:
# Install skills CLI
npm install -g skills
# Cari skills yang tersedia
npx skills search git
# Install skill dari komunitas
npx skills add mattpocock/skills/tdd
# Atau install dari URL dokumentasi
npx skills add https://your-docs-url.com
Implikasi Keamanan: Jangan Abaikan
Kembali ke peringatan Palo Alto Networks — ada beberapa prinsip keamanan yang harus diikuti ketika menggunakan agent skills:
Hanya gunakan skills dari sumber yang dipercaya. Skills dari sumber tidak dikenal bisa berisi instruksi berbahaya yang akan dieksekusi agent dengan privilege penuh.
Audit semua file dalam skill directory — bukan hanya SKILL.md, tapi juga scripts, templates, dan resources yang disertakan.
Waspadai skills yang meminta akses luar biasa — network calls yang tidak relevan, akses ke credentials, atau operasi file yang tidak sesuai dengan tujuan skill.
Gunakan permission system yang disediakan OpenCode:
{
"permission": {
"skill": {
"*": "allow",
"internal-*": "deny",
"experimental-*": "ask"
}
}
}
Mengapa Ini Penting: Shift dalam Nilai AI
Seperti yang diargumentasikan dalam artikel What Are Agent Skills oleh Tahir Balarabe:
“The value shifts from the raw capability of the AI to the quality of the Skills built for it. The AI is the engine. The Skills are the specialized attachments.”
Model LLM yang lebih besar tidak selalu lebih baik untuk task spesifik. Model yang lebih kecil dengan konteks yang tepat — termasuk SKILL.md yang relevan — sering menghasilkan output yang lebih akurat dan lebih konsisten.
Ini juga mengubah cara kita berpikir tentang dokumentasi. Dokumentasi bukan lagi hanya untuk manusia — ia adalah input untuk sistem AI yang akan bekerja dengan produkmu.
graph TD
A["Full Documentation\n(untuk manusia yang browsing)"]
B["README\n(untuk developer baru)"]
C["SKILL.md\n(untuk AI agent)"]
D["llms.txt\n(untuk LLM training/context)"]
A --> B --> C --> D
style C fill:#4a9eff,color:#fff
Penutup
Dari drama rebranding Clawdbot → Moltbot → OpenClaw, peringatan keamanan dari Palo Alto Networks, hingga lahirnya SKILL.md sebagai open standard yang diadopsi Mintlify, Vercel, OpenCode, Claude, Cursor, dan Gemini CLI — ada satu benang merah yang jelas: ekosistem AI agent sedang membangun infrastruktur untuk membuat AI bekerja lebih presisi dan lebih aman.
Bukan dengan membuat model lebih besar. Tapi dengan memberikan konteks yang lebih tepat, pada waktu yang tepat, dalam format yang dioptimalkan untuk mesin — sambil membangun governance yang setara dengan power yang diberikan.
SKILL.md adalah langkah kecil tapi signifikan dalam arah itu. Dan yang menarik adalah ia lahir bukan dari lab riset besar, tapi dari komunitas developer yang frustrasi dengan AI yang terlalu sering salah — lalu memutuskan untuk memperbaikinya sendiri.
Familiar? Itu memang cara open source bekerja.
Referensi lengkap:
- What are Clawdbot, Moltbot, and OpenClaw? — Medium
- Why Moltbot May Signal the Next AI Security Crisis — Palo Alto Networks
- Moltbot Overview — AIMultiple
- agentskills.so — Community Skills Directory
- awesome-agent-skills — GitHub
- Agent Skills Overview — Anthropic
- agent-skills — CommandCodeAI GitHub
- What Are Agent Skills? — Medium (Tahir Balarabe)
- Agent Skills — OpenCode Docs
- 5 Agent Skills I Use Every Day — AIHero.dev
- Agent Skills — Cursor Docs
- Skills — Gemini CLI Docs
- What Are Agent Skills: Beginner’s Guide — dev.to
- SKILL.md — Anthropic Skills Repository
- skill.md: An open standard — Mintlify
- Deep Dive: SKILL.md — Medium (Abhijay Kumar)
Comments