Mozaik
Mozaik adalah runtime TypeScript sumber terbuka untuk membangun tim agen AI otonom dan paralel yang berkolaborasi melalui bus reaktif, berbasis peristiwa dengan kesadaran lingkungan bersama, penggunaan alat, dan koordinasi yang tangguh.
https://mozaik.jigjoy.ai/?ref=producthunt&utm_source=aipure
Informasi Produk
Diperbarui:Jul 7, 2026
Apa itu Mozaik
Mozaik adalah kerangka kerja (runtime) TypeScript yang dirancang untuk memindahkan sistem multi-agen melampaui alur kerja yang kaku dan sekuensial ke dalam kolaborasi gaya tim yang sesungguhnya. Alih-alih mengorkestrasi agen melalui pipa yang telah ditentukan, Mozaik memperkenalkan "lingkungan agen" di mana para peserta—agen, manusia, pengamat, dan alat—dapat bergabung dalam ruang bersama yang sama, berkomunikasi, dan berkoordinasi secara real time. Ini dibangun untuk menjadikan kolaborasi agen sebagai konsep kelas satu: agen dapat saling menyadari, bertukar konteks secara sengaja, dan bekerja secara bersamaan untuk tujuan yang sama.
Fitur Utama Mozaik
Mozaik adalah runtime agen TypeScript sumber terbuka untuk membangun tim agen AI otonom yang berkolaborasi secara paralel melalui lingkungan berbasis peristiwa bersama. Alih-alih mengkodekan alur kerja sekuensial secara kaku, Mozaik memperlakukan kolaborasi sebagai konsep kelas satu: agen bergabung dengan AgenticEnvironment (bus siaran), tetap menyadari peserta lain, bertukar pesan dan konteks, bereaksi terhadap panggilan alat dan output sebagai peristiwa, dan memulihkan diri dari kesalahan saat runtime. Kerangka kerja ini dirancang untuk inferensi "fire-and-forget" non-pemblokiran dan koordinasi reaktif, memungkinkan sistem multi-agen untuk berkomunikasi, berkoordinasi, dan mengirimkan pekerjaan sebagai tim yang kohesif.
Inti reaktif berbasis peristiwa: Setiap pesan, panggilan alat, langkah penalaran, dan kesalahan dimodelkan sebagai peristiwa pada bus bersama; agen berlangganan peristiwa yang mereka pedulikan dan bereaksi segera saat tiba.
Paralel secara default (inferensi non-pemblokiran): Agen dapat menjalankan inferensi dan terus beroperasi tanpa menunggu; hasil kembali sebagai peristiwa, memungkinkan beberapa agen (dan alat/pengamat) untuk bekerja secara bersamaan pada tujuan yang sama.
Lingkungan agen bersama (kesadaran tim): Peserta—manusia, agen, pengamat, dan alat—bergabung dengan AgenticEnvironment yang sama, memungkinkan agen untuk mendeteksi siapa yang "ada di ruangan," menanggapi bergabung/keluar, dan berkoordinasi berdasarkan status bersama.
Konteks sebagai primitif kelas satu: Mozaik menyediakan penanganan konteks terstruktur (melalui ModelContext dan item konteks berjenis), membuatnya lebih mudah untuk merekam, berbagi, dan mengarahkan informasi yang tepat ke agen yang tepat pada waktu yang tepat.
Integrasi panggilan alat/fungsi melalui peristiwa: Panggilan fungsi dan output alat ditangani sebagai peristiwa kelas satu, memungkinkan agen untuk mengeksekusi alat dan mempublikasikan output kembali ke bus untuk dikonsumsi oleh peserta lain.
Ketahanan runtime dan pemulihan cerdas: Agen dapat menangkap dan menangani kegagalan dengan kait seperti onError/onParticipantError, mencoba lagi dengan backoff, atau meningkatkan ke peserta lain alih-alih merusak jalannya.
Kasus Penggunaan Mozaik
Pengkodean AI paralel dan pembuatan PR: Mengkoordinasikan beberapa agen pengkodean khusus (perencanaan, implementasi, peninjauan, pengujian) untuk bekerja secara bersamaan dan menghasilkan permintaan tarik—dicontohkan oleh alat bertenaga Mozaik seperti baro.
Dukungan pelanggan dan kerumunan operasi: Menjalankan agen triase, pengambilan basis pengetahuan, penyusunan, dan QA secara paralel pada bus bersama sehingga respons lebih cepat, konsisten, dan dapat diaudit di seluruh tim agen.
Alur penelitian-ke-penulisan tanpa alur kerja yang kaku: Biarkan agen peneliti, penulis, kritikus, dan auditor berkolaborasi secara adaptif saat runtime—hanya berbagi konteks yang diperlukan dan bereaksi terhadap temuan satu sama lain sebagai peristiwa.
Otomatisasi perusahaan dengan proses yang banyak menggunakan alat: Membangun tim agen yang memanggil alat/API internal (tiket, CRM, basis data) dan berkoordinasi di seluruh output dan kesalahan alat melalui komunikasi berbasis peristiwa.
Observabilitas dan evaluasi untuk sistem agen: Melampirkan peserta pengamat ke lingkungan untuk memantau pesan, jejak penalaran, panggilan alat, dan kegagalan secara real time—mendukung debugging, evaluasi, dan kontrol kualitas.
Kelebihan
Dirancang untuk kolaborasi multi-agen sejati: lingkungan bersama, kesadaran, dan koordinasi berbasis peristiwa daripada orkestrasi sekuensial.
Eksekusi paralel, non-pemblokiran meningkatkan throughput dan responsivitas untuk tujuan yang kompleks.
Model konteks/peristiwa berjenis mendukung struktur yang lebih jelas, debugging, dan ekstensibilitas dalam ekosistem TypeScript.
Kekurangan
Sistem berbasis peristiwa yang sangat bersamaan bisa lebih sulit untuk dipahami dan di-debug daripada alur kerja linier, terutama karena jumlah agen bertambah.
Membutuhkan adopsi TypeScript/Node; tim di luar ekosistem tersebut mungkin menghadapi biaya integrasi yang lebih tinggi.
Koordinasi runtime adaptif bisa kurang dapat diprediksi daripada alur kerja yang telah ditentukan, membutuhkan pengujian dan pembatas yang cermat.
Cara Menggunakan Mozaik
1) Buat proyek TypeScript baru: Inisialisasi ruang kerja Node.js + TypeScript (misalnya, dengan npm init dan tsc). Mozaik adalah runtime TypeScript, jadi Anda biasanya akan menjalankannya di lingkungan Node.
2) Instal inti Mozaik: Tambahkan dependensi kerangka kerja: instal @mozaik-ai/core (template starter yang direferensikan dalam sumber dibangun berdasarkan ^3.10.1).
3) Konfigurasi kredensial penyedia model melalui variabel lingkungan: Mozaik memilih penyedia dari nama model yang Anda berikan ke runInference, dan setiap SDK penyedia membaca kredensial dari lingkungan. Letakkan kunci yang diperlukan di lingkungan Anda (umumnya melalui file .env), misalnya, OPENAI_API_KEY jika Anda menggunakan OpenAI.
4) Definisikan peserta (agen/pengamat/alat) sebagai kelas: Modelkan setiap peran sebagai peserta (Mozaik menyebut agen 'peserta'). Setiap peserta memiliki status dan pekerjaannya sendiri; tidak ada 'konteks induk' yang diwarisi. Peserta berkomunikasi dengan memancarkan/berlangganan peristiwa berjenis pada bus bersama.
5) Tambahkan penangan peristiwa untuk membuat peserta reaktif: Implementasikan penangan reaktif seperti onParticipantJoin / onParticipantLeft untuk memberi agen kesadaran tentang siapa yang ada di lingkungan dan untuk menetapkan kembali pekerjaan ketika seseorang pergi.
6) Gunakan bus peristiwa sebagai tulang punggung kolaborasi: Perlakukan setiap pesan, panggilan alat, langkah penalaran, dan kesalahan sebagai peristiwa di bus. Peserta berlangganan peristiwa yang mereka pedulikan dan bereaksi segera ketika peristiwa tersebut terjadi.
7) Jalankan inferensi secara non-pemblokiran ('fire and forget'): Mulai inferensi dan lanjutkan pekerjaan lain tanpa menunggu. Ketika hasilnya tiba, mereka kembali sebagai peristiwa; peserta Anda hanya bereaksi terhadap peristiwa hasil yang relevan sementara yang lainnya terus berjalan.
8) Implementasikan panggilan alat sebagai I/O berbasis peristiwa: Ketika model meminta alat (misalnya, melalui onFunctionCall), jalankan alat tersebut dan pancarkan 'functionCallOutput' (atau peristiwa berjenis yang setara) kembali ke bus dengan callId dan hasilnya—agar eksekusi tetap non-pemblokiran.
9) Batasi apa yang didengarkan setiap peserta (opsional tetapi direkomendasikan): Untuk mencegah reaksi yang tidak perlu, isi daftar 'listens' peserta dengan kelas peserta yang seharusnya bereaksi. Ketika 'listens' tidak kosong, lingkungan hanya mengirimkan peristiwa eksternal yang sumbernya cocok dengan salah satu kelas tersebut.
10) Tambahkan pemulihan kesalahan runtime: Gunakan onError dan/atau onParticipantError untuk menangkap kegagalan alat atau kerusakan peserta. Implementasikan percobaan ulang dengan backoff (misalnya, coba ulang hingga 3 kali) dan eskalasikan dengan memancarkan peristiwa pesan ke peserta lain alih-alih merusak seluruh eksekusi.
11) Aktifkan paralelisme dengan menambahkan beberapa peserta: Buat beberapa peserta khusus (misalnya, Peneliti, Penulis, Kritikus, Auditor) dan biarkan mereka berjalan secara bersamaan. Mozaik adalah paralel secara default: beberapa agen dapat bekerja pada saat yang sama sambil tetap terkoordinasi melalui peristiwa/konteks bersama.
12) Biarkan jalur kolaborasi muncul saat runtime: Hindari hardcoding serah terima yang kaku. Sebaliknya, rancang peserta untuk memutuskan kapan harus berkomunikasi, siapa yang harus dilibatkan, dan konteks apa yang harus dibagikan berdasarkan peristiwa yang mereka amati.
13) (Opsional) Tambahkan pengamat untuk logging dan UI: Lampirkan peserta bergaya pengamat yang tidak mendorong keputusan tetapi merekam atau merender eksekusi: misalnya, seorang Auditor yang menulis log JSONL, atau peserta UI yang memancarkan frame untuk UI terminal.
14) Jalankan tim agen Anda: Mulai lingkungan/bus, daftarkan peserta, dan picu peristiwa awal (misalnya, pesan RunStart atau tujuan). Sistem berjalan sebagai aliran peristiwa reaktif, dengan peserta berkoordinasi dan pulih dari kesalahan secara real time.
15) Gunakan template starter jika Anda ingin CLI yang berfungsi dengan cepat: Sumber mereferensikan repo template starter CLI yang menghubungkan UI terminal Ink ke @mozaik-ai/core dan menyertakan pembagian agen/pengamat/alat yang khas. Kloning template starter untuk menghindari boilerplate, lalu sesuaikan peserta dan alat untuk kasus penggunaan Anda.
FAQ Mozaik
Mozaik adalah runtime/kerangka kerja agentic berbasis TypeScript sumber terbuka untuk membangun tim agen AI otonom yang dapat berkomunikasi, berkoordinasi, dan bertindak secara otonom.
Video Mozaik
Artikel Populer
Atoms: Platform AI Multi-Agen yang Mengubah Ide menjadi Produk Siap Diluncurkan
May 22, 2026
Nano Banana SBTI: Apa Itu, Bagaimana Cara Kerjanya, dan Cara Menggunakannya di Tahun 2026
Apr 15, 2026
Ulasan Atoms — Pembuat Produk AI yang Mendefinisikan Ulang Kreasi Digital di Tahun 2026
Apr 10, 2026
Kilo Claw: Cara Menerapkan dan Menggunakan Agen AI "Lakukan-Untuk-Anda" Sejati (Pembaruan 2026)
Apr 3, 2026
Alat AI Terbaru Serupa dengan Mozaik
Hapticlabs
Hapticlabs adalah toolkit tanpa kode yang memungkinkan desainer, pengembang, dan peneliti untuk dengan mudah merancang, membuat prototipe, dan menerapkan interaksi haptik yang imersif di berbagai perangkat tanpa pemrograman.
Deployo.ai
Deployo.ai adalah platform penerapan AI yang komprehensif yang memungkinkan penerapan model, pemantauan, dan penskalaan yang mulus dengan kerangka kerja AI etis bawaan dan kompatibilitas lintas cloud.
CloudSoul
CloudSoul adalah platform SaaS bertenaga AI yang memungkinkan pengguna untuk segera menerapkan dan mengelola infrastruktur cloud melalui percakapan bahasa alami, menjadikan manajemen sumber daya AWS lebih mudah diakses dan efisien.
Devozy.ai
Devozy.ai adalah platform layanan mandiri pengembang yang didukung AI yang menggabungkan manajemen proyek Agile, DevSecOps, manajemen infrastruktur multi-cloud, dan manajemen layanan TI menjadi solusi terpadu untuk mempercepat pengiriman perangkat lunak.
Alat AI Populer Seperti Mozaik
A2A Protocol
Protokol A2A (Agent2Agent) adalah protokol interoperabilitas terbuka yang dikembangkan oleh Google yang memungkinkan komunikasi dan kolaborasi tanpa batas antara agen AI di berbagai kerangka kerja dan vendor, terlepas dari arsitektur yang mendasarinya.
VoltOps
VoltOps adalah platform observabilitas LLM agnostik kerangka kerja yang menyediakan alat pemantauan visual, debugging, dan optimasi waktu nyata untuk agen AI di seluruh tumpukan teknologi apa pun.
Chaterm
Chaterm adalah terminal asli AI sumber terbuka dan kopilot SRE yang memungkinkan para insinyur untuk mengelola infrastruktur yang kompleks melalui bahasa alami, mengotomatiskan penerapan, pemecahan masalah, dan operasi tanpa menghafal perintah.
Open Browser Use
Open Browser Use adalah lapisan otomatisasi browser open-source, netral-runtime-agen yang memasangkan ekstensi Chrome dengan CLI/SDK/MCP untuk memungkinkan kontrol tab yang sadar DOM, bertenaga CDP, navigasi, dan tindakan di berbagai alat agen AI.