Akhirnya Datang Juga! Ralph TUI, Visualisasi Ralph Loop

Saya sebelumnya pernah menulis tutorial tentang ralph-loop, banyak teman yang setelah menjalankannya memberikan umpan balik yang seragam: Enak sih, Claude Code akhirnya bisa berjalan dalam waktu lama. Tetapi terkadang Anda mengamatinya seolah-olah tidak bergerak, Anda pasti merasa khawatir: "Apakah dia benar-benar maju, atau hanya berputar-putar di tempat?"

Inilah alasan mengapa saya baru-baru ini sibuk dengan ralph-tui.

ralph-tui tidak secara paksa mengikat Claude Code, ia mewarisi dan mengembangkan esensi dari ralph loop, dan memvisualisasikan tugas dan proses eksekusi tugas, yang secara signifikan menurunkan ambang batas untuk membuat model besar bekerja dalam waktu lama. Anda sepenuhnya dapat menghubungkan agent lain, model lain, yang buatan lokal, murah, dan dapat Anda jalankan dalam jangka panjang. Dengan ralph-tui, bagi kita orang biasa, maknanya tidak kurang dari beralih dari transmisi manual ke otomatis dengan cruise control.

Sebenarnya Apa Ini?

Anda dapat memahami ralph-tui sebagai "pengatur loop AI coding agent", hanya saja ia tidak puas dengan "bisa berjalan", ia lebih peduli tentang "Anda bisa melihat, bisa mengontrol, bisa memulihkan".

Cara kerjanya sangat sederhana:

• Anda memberinya setumpuk tugas (bisa dari PRD, bisa dari sistem tugas lain)
• Ia memilih yang prioritasnya paling tinggi
• Menyusun prompt
• Menjalankan agent untuk dieksekusi
• Menilai apakah tugas ini dianggap selesai atau tidak
• Menulis status
• Melanjutkan ke putaran berikutnya

Intinya adalah: Anda dapat melihat semua ini di terminal, dan Anda dapat menghentikan dan mengambil alih kapan saja. Secara resmi, posisinya juga ditulis dengan sangat jelas: sebuah agent loop orchestrator dengan TUI interaktif, dan mendukung TUI / headless / remote.

Mengapa Saya Katakan Ini Lebih Cocok untuk "Jangka Panjang"?

Masalah terbesar dengan menjalankan loop dengan skrip bukanlah tidak bisa dijalankan, tetapi Anda tidak tahu sudah sampai di mana.

Anda melihat log diperbarui dengan cepat, kipas juga berputar dengan senang, tetapi Anda tidak yakin:

• Apakah ia mengulangi perbaikan bug yang sama?
• Apakah ia terus mengubah bagian kode yang sama lalu mengubahnya kembali?
• Apakah ia sudah selesai, tetapi belum keluar?
• Apakah ia macet dalam loop tak terbatas pada pengujian tertentu?

Solusi ralph-tui sangat "teknis":

• Ada konsep sesi, status akan disimpan ke disk (.ralph-tui/session.json)
• Jika crash, dapat dipulihkan (crash recovery)
• Ada mekanisme penguncian, untuk menghindari Anda membuka beberapa instance dan mengacaukan direktori
• Bahkan dapat dijalankan secara headless di CI, atau bahkan remote membuka listener di ujung jauh, dan TUI lokal terhubung ke sana

Singkatnya: Ini lebih seperti "Anda mengelola seorang pekerja yang bisa menulis kode", daripada "Anda mengawasi skrip yang error".

Cara Memasang

ralph-tui ini adalah ekosistem Bun/TypeScript, jadi pemasangannya cukup mudah. Situs web resmi juga menyediakan halaman instalasi.

Pastikan mesin Anda memiliki bun terlebih dahulu:

bun --versionKemudian pasang ralph-tui (saya berikan contoh pemasangan yang umum di sini, lihat halaman instalasi resmi untuk detailnya):

bun add -g ralph-tuiSetelah selesai, periksa:

ralph-tui --helpJika Anda adalah penggemar Node dan tidak ingin menggunakan bun, juga bisa:

npm i -g ralph-tui

Jangan Langsung Melakukan Hal Besar, Jalankan Loop Tertutup Minimal

Saya sarankan untuk pertama kali menggunakan, jangan langsung melakukan "refactoring seluruh repo". Lakukan satu hal saja: Pastikan ia dapat menjalankan tugas kecil yang dapat diterima.

Inisialisasi

Buka direktori secara acak:

mkdir ralph-tui-demo && cd ralph-tui-demo ralph-tui setupIni akan masuk ke proses panduan interaktif, sederhananya adalah "memasang ralph-tui ke repositori Anda", ia akan:- Secara otomatis mendeteksi agent apa saja yang terpasang di mesin Anda (seperti Claude Code, OpenCode, dll.)

• Membuat file konfigurasi di dalam proyek: .ralph-tui/config.toml
• Sekaligus memasang skills terkait pembuatan PRD/konversi tugas (Anda tidak perlu repot melakukannya secara manual nanti)

Saran pribadi saya: Jangan malas saat pertama kali, setup harus dijalankan satu kali.

Membuat PRD Proyek

Setelah setup selesai, langkah selanjutnya adalah tahapan paling inti dari tutorial resmi, yang juga paling cocok untuk ditulis sebagai demo di akun publik: create-prd.

ralph-tui create-prd --chat perintah ini akan masuk ke dalam alur percakapan, di mana ia akan menanyakan target kebutuhan, batasan, dan standar penerimaan seperti seorang manajer produk. Setelah selesai bertanya, ia akan langsung menghasilkan dua hal di dalam proyek (ini yang paling penting):

• Sebuah file markdown PRD: ./tasks/prd-feature.md
• Sebuah file tugas yang dapat langsung dieksekusi: ./prd.json

Sampai tahap ini, Anda baru benar-benar masuk ke dalam "siklus tertutup standar" ralph-tui:

Kebutuhan (PRD) → Tugas (prd.json) → Eksekusi (run)

Jalankan (run)

Setelah memiliki prd.json, menjalankan (run) menjadi hal yang wajar:

ralph-tui run --prd ./prd.json Anda akan melihat TUI muncul, dan mulai melakukan loop: memilih tugas → mengeksekusi → menilai selesai → menulis status → selesai atau putaran berikutnya.

Saat pertama kali menjalankan, saya sangat menyarankan untuk menambahkan batas iterasi, kurung dulu di dalam sangkar:

ralph-tui run --prd ./prd.json --iterations 5 Setelah selesai, periksa perubahan, jalankan pengujian, dan lihat apakah PRD dan tugas sesuai dengan harapan. Setelah memastikan jalur ini berfungsi, baru lepaskan iterasi, lalu gunakan headless/remote, ini adalah ritme yang dapat diandalkan.

Saat ini, Anda pada dasarnya dapat memastikan: loop ini benar-benar berjalan.

Bagaimana Cara Memilih Model/Agent? Kejujuran tentang Menghemat Uang

Saya tahu banyak orang yang paling peduli tentang: "Bisakah saya tidak menggunakan Claude Code? Bisakah saya menggunakan model yang lebih murah?"

Jawabannya adalah: Bisa.

ralph-tui sendiri mendukung Anda untuk menentukan agent dan model (ada contoh di dokumen run resmi).

Misalnya, menggunakan Claude Opus:

ralph-tui run --prd ./prd.json --agent claude --model opus Tapi jujur, saya sendiri tidak akan menggunakan Opus untuk melakukan pekerjaan seperti "melengkapi pengujian, memperbaiki lint", terlalu mahal. Kebiasaan saya adalah membagi menjadi beberapa lapisan:

• Model Murah: Menjalankan banyak pekerjaan berulang (melengkapi pengujian, melengkapi komentar, memperbaiki format, menambahkan batasan)
• Model Mahal: Hanya muncul di node penting (penyesuaian arsitektur, bug sulit, logika inti)

Jika Anda adalah pengembang biasa, pola pikir ini lebih penting. Karena Anda bukan anggaran perusahaan besar, Anda harus membuat biaya terkendali agar dapat berjalan lama.

Ingin Lebih Nyaman? Serahkan "Menulis PRD" ke Agent

ralph-tui memiliki desain yang saya suka: ia mendukung skills (sederhananya adalah serangkaian perintah tambahan untuk agent).

Cara instalasi resmi adalah dengan menggunakan add-skill:

bunx add-skill subsy/ralph-tui --all Atau instal ke agent tertentu, misalnya claude-code:

bunx add-skill subsy/ralph-tui -a claude-code -g -y Setelah diinstal, Anda dapat menggunakan slash command di dalam sesi agent:

/ralph-tui-prd /ralph-tui-create-json /ralph-tui-create-beads Ini sangat mirip dengan menginstal plugin di IDE Anda, hanya saja plugin ini digunakan untuk agent. Tujuannya adalah untuk mengurangi waktu "memindahkan kebutuhan secara manual", sehingga kebutuhan → tugas → eksekusi lebih seperti jalur perakitan.

Kapan Harus Menggunakannya? Kapan Tidak?Saya kurang suka narasi "semua bisa diselesaikan dengan AI", karena mudah menyesatkan. Alat tetaplah alat, berharga hanya jika sesuai dengan skenario.

Skenario yang Cocok untuk ralph-tui

Anda punya banyak pekerjaan seperti ini:

• Menambah tes (terutama proyek lama)
• Memperbaiki lint / format
• Refactoring bertahap (mengumpulkan kode yang berulang)
• Menambah tipe data secara massal, memperbaiki batasan
• Setelah dekomposisi kebutuhan, dorong secara bertahap berdasarkan antrian tugas

Jenis pekerjaan ini memiliki kesamaan: Banyak tugas, tingkat pengulangan tinggi, dapat diterima, dapat didorong secara iteratif.

Skenario yang Tidak Cocok untuk Memaksakan ralph-tui

Anda ingin melakukan hal seperti ini:

• Refactoring besar sekali jalan, standar penerimaan tidak jelas
• Kebutuhan itu sendiri tidak jelas, bergantung pada pengetahuan implisit di kepala Anda
• Membutuhkan banyak komunikasi/konfirmasi lintas tim
• Membutuhkan Anda untuk membuat penilaian produk

Tugas semacam ini, agent loop hanya akan memperbesar kekacauan.

Apa Perbedaan antara ralph-tui dan ralph-loop (ralph-claude-code)?

ralph-claude-code lebih seperti "plugin autopilot Claude Code": skrip menjalankannya, menjalankan loop, deteksi keluar, pembatasan laju, dan pemutus sirkuit semuanya ditangani untuk Anda. Anda menginginkan "cepat", dan itu akan cepat.

ralph-tui lebih seperti "konsol kontrol rekayasa agent loop": ia tidak terpaku pada model tertentu, juga tidak terpaku pada sistem tugas tertentu. Ia ingin menyelesaikan masalah rekayasa seperti "berjalan lama, dapat diamati, dapat dikendalikan, dapat dipulihkan, dapat dikendalikan dari jarak jauh".

Jadi, bagaimana cara memilih?

• Anda adalah pengguna Claude Code, dan ingin menjalankannya dengan cepat → ralph-claude-code
• Anda ingin menghubungkan model yang berbeda, ingin menghemat uang, dan ingin mengelola loop sebagai layanan → ralph-tui

Terakhir: Jangan Biarkan Repositori Anda Menjadi Laboratorium

Saya sendiri memiliki beberapa aturan ketat saat menjalankan agent loop, tulis di sini dan ikuti, kemungkinan gagal akan jauh lebih kecil:

• Jalankan di branch, jangan bermain-main di main.
• Saat pertama kali menjalankan, selalu tambahkan --iterations, konfirmasikan secara bertahap bahwa ia tidak akan menjadi gila.
• Tugas harus dapat diterima: baik dapat menjalankan tes, menjalankan lint, atau membandingkan file output.
• Anda harus belajar berhenti: melihatnya mulai berputar-putar, berhenti lebih cerdas daripada terus membakar uang.
• Model murah untuk pekerjaan kasar, model mahal untuk pekerjaan penting: biaya dioperasikan, bukan didoakan.Alamat Proyek: https://github.com/subsy/ralph-tui