Terminal-Universe 2026: Rekonstruksi Autonomous Agent Trajectory Menjadi Environment Skalabel untuk Post-Training LLM
Analisis arsitektural Terminal-Universe (arXiv:2609.04148, September 2026): Mengubah rekaman trajectory agen terminal statis menjadi 37.300 executable environments melalui Inverse Execution Replay, Multi-Workspace Breadth, dan Multi-Round User Simulation.

Dalam lanskap rekayasa kecerdasan buatan modern 2026, autonomous code agents berbasis CLI terminal telah menjadi instrumen primer dalam siklus hidup rekayasa perangkat lunak. Jutaan rekaman jejak eksekusi (agent trajectories) telah terakumulasi dalam skala masif. Namun, industri menghadapi paradoks kritis: data trajectory melimpah, tetapi lingkungan komputasi yang dapat dieksekusi secara nyata (executable environments) sangat langka.
Executive Architectural Summary & Breakthrough
Post-training model agen otonom (RLVR / GRPO / On-Policy Distillation) mutlak membutuhkan lingkungan eksekusi nyata yang dapat di-query ulang ribuan kali serta memberikan feedback fisik secara objektif. Trajectory konvensional hanyalah rekaman beku satu kali jalan (single frozen demonstration). Makalah ilmiah terbaru Terminal-Universe (arXiv:2609.04148, September 2026) memecahkan kebuntuan ini dengan merekonstruksi struktur workspace dari jejak tool-execution history itu sendiri, menghasilkan 37.300 task-sufficient environments. Supervised Fine-Tuning (SFT) pada model Qwen3.5-27B melesatkan performa +11.9 poin pada Terminal-Bench 2.1 dan +13.8 poin pada EvoCode-Bench v2 Multi-Turn.
1. Paradoks Data AI Agent: Mengapa Trajectory Statis Tidak Cukup untuk Post-Training?
Metode pelatihan model generatif berbasis Supervised Fine-Tuning (SFT) konvensional yang menyalin trajectory mentah (imitation learning) menderita kelemahan sistemik bernama Distributional Drift (efek domino kesalahan langkah). Begitu agen menyimpang dari urutan token emas yang tercatat, agen tidak memiliki mekanisme koreksi karena trajectory statis tidak dapat merespons perintah baru atau menghasilkan log error baru.
Sebaliknya, metode Reinforcement Learning from Verifiable Rewards (RLVR) dan Policy Optimization menuntut interaksi aktif dengan lingkungan sandbox:
- Exploratory Rollouts: Agen harus bebas mencoba branch aksi baru, membuat file sementara, memeriksa diff, dan menjalankan unit test berkali-kali.
- Ground-Truth Determinism: Keberhasilan agen ditentukan oleh status fisik sistem (misalnya status kode
exit 0, integrasi CI passing, atau respon HTTP 200), bukan perkiraan probabilitas token belaka. - Kelangkaan Environment Produksi: Membangun puluhan ribu container Docker dengan kode sumber lengkap, compiler, konfigurasi runtime, dan seed database secara manual menuntut biaya rekayasa infrastruktur yang tidak terjangkau.
2. Anatomi Terminal-Universe: Membalikkan Waktu Melalui Inverse Execution Replay
Inovasi fundamental Terminal-Universe bertumpu pada observasi bahwa tool execution history yang terekam pada terminal log sebenarnya membeberkan seluruh topologi dan isi file sistem tempat agen beroperasi. Melalui metodologi berjenjang, Terminal-Universe menghidupkan kembali workspace tersebut:
State Unrolling
Sistem memetakan setiap operasi patch, sed, atau write_file dalam trajectory, lalu membalikkan perubahan tersebut secara kronologis mundur untuk merestorasi file ke kondisi pre-modification. Hasilnya adalah partial workspace yang persis sama dengan kondisi awal sebelum agen pertama kali disentuh user prompt.
Dependency Synthesis
Karena trajectory agen seringkali tidak membaca seluruh file repositori (hanya file yang relevan dengan tugas), sebuah autonomous completion agent dikerahkan untuk melengkapi konfigurasi dependensi yang rumpang (seperti tsconfig.json, lockfiles, toolchain compiler, dan mock assets) sehingga workspace dapat dikompilasi secara deterministik.
3. Skalabilitas Dua Dimensi: Breadth (Multi-Repo) & Depth (Multi-Round Iterasi)
Memulihkan workspace asli saja tidak cukup untuk melatih model frontier 2026. Terminal-Universe memperluas task synthesis di atas workspace yang telah direstorasi melalui dua sumbu ortogonal:
Sumbu Breadth: Sintesis Kueri Multi-Workspace Lintas Repositori
Dalam rekayasa perangkat lunak nyata, developer tidak pernah bekerja dalam isolasi satu direktori tunggal. Mereka mengimpor pustaka internal, memeriksa dependensi mikroservis, atau menyelaraskan skema database monorepo. Terminal-Universe menambang relasi dependensi terarah (directional dependency relations) antar-workspace yang saling terkait, lalu menyintesis tugas yang mengharuskan agen bernavigasi dan memodifikasi beberapa kodebase sekaligus dalam satu sesi.
Sumbu Depth: User Agent Simulation & Multi-Round Refinement
Mayoritas benchmark AI agent saat ini menguji single-turn prompt yang tidak realistis. Pada sumbu kedalaman, Terminal-Universe mengerahkan User Simulation Agent yang bertindak sebagai software engineer manusia yang memberikan feedback bertahap: menguji output agen, meminta perbaikan bug edge-case, dan mengubah spesifikasi fitur di tengah jalan (requirement refinement) hingga 4 siklus percakapan berurutan.
4. Analisis Benchmark Empiris: Lompatan Akurasi pada Qwen3.5-27B
Untuk menguji validitas arsitektur ini, para periset mengekstraksi 37.300 environment tervalidasi dari repositori trajectory publik dan melatih model dasar Qwen3.5-27B menggunakan supervised fine-tuning berbasis data sintesis Terminal-Universe. Evaluasi komparatif terhadap model baseline menghasilkan data empiris berikut:
| Tolok Ukur Evaluasi (Benchmark) | Qwen3.5-27B + Terminal-Universe | Qwen3.5-27B Baseline | Peningkatan / Gain |
|---|---|---|---|
| Terminal-Bench 2.1 (Single-Round Pass@1) | 54.6% | 42.7% | +11.9 Poin (27.8% relative) |
| EvoCode-Bench v2 (Multi-Turn MT@4) | 48.2% | 34.4% | +13.8 Poin (40.1% relative) |
| Cross-Workspace Multi-Repo Dependency Resolution | 61.8% | 39.1% | +22.7 Poin (58.0% relative) |
| Synthesized Environments Yield Ratio | 37.3k Executable | Manual Sandbox (~120) | >300x Skalabilitas |
5. Implementasi TypeScript: State Unrolling & Completion Engine
Berikut adalah arsitektur modul TypeScript untuk mengotomasi proses rekonstruksi berkas dan resolusi dependensi sandbox pada pipeline agent harness modern:
// Terminal-Universe: Workspace Trajectory Reversal & Environment Synthesis Kernel
// Spesifikasi Arsitektur Berdasarkan arXiv:2609.04148 (September 2026)
// Mengonversi Trajectory Statis Menjadi Executable Bounded Environment
import { exec } from 'node:child_process';
import { promisify } from 'node:util';
import path from 'node:path';
import fs from 'node:fs/promises';
const execAsync = promisify(exec);
export interface TrajectoryStep {
stepIndex: number;
tool: 'bash' | 'write_file' | 'patch' | 'read_file';
parameters: Record;
observedOutput: string;
exitCode: number;
}
export interface TrajectoryTrace {
trajectoryId: string;
originalGoal: string;
recordedSteps: TrajectoryStep[];
timestamp: string;
}
export interface ReconstructedWorkspace {
workspaceId: string;
sandboxPath: string;
preStateFileCount: number;
synthesizedTasksCount: number;
verifiedEnvironmentState: boolean;
}
export class TerminalUniverseEngine {
private readonly sandboxRoot: string;
constructor(sandboxRoot: string = '/tmp/sandboxes') {
this.sandboxRoot = sandboxRoot;
}
/**
* 1. File Operation Inversion: Membalik mutasi file untuk mendapatkan state awal
* Memulihkan kondisi workspace sebelum agen melakukan intervensi pertama kali.
*/
public async unrollFileMutations(
workspacePath: string,
steps: TrajectoryStep[]
): Promise {
const touchedFiles = new Set();
// Telusuri langkah dari akhir ke awal (reverse chronology)
for (let i = steps.length - 1; i >= 0; i--) {
const step = steps[i];
if (step.tool === 'write_file' && step.parameters.path) {
touchedFiles.add(step.parameters.path);
} else if (step.tool === 'patch' && step.parameters.path) {
touchedFiles.add(step.parameters.path);
} else if (step.tool === 'bash') {
// Ekstraksi perintah manipulasi file seperti sed, mv, rm, git checkout
const cmd = step.parameters.command || '';
const match = cmd.match(/(?:touch|rm|mv|cp|sed)\s+([a-zA-Z0-9_./-]+)/);
if (match && match[1]) {
touchedFiles.add(match[1]);
}
}
}
return Array.from(touchedFiles);
}
/**
* 2. Dependency Completion Agent (DCA): Menyediakan runtime dependencies yang hilang
*/
public async resolveMissingDependencies(workspacePath: string): Promise<{ resolved: string[]; healthy: boolean }> {
const detectedManifests: string[] = [];
const entries = await fs.readdir(workspacePath);
if (entries.includes('package.json')) detectedManifests.push('node');
if (entries.includes('requirements.txt') || entries.includes('pyproject.toml')) detectedManifests.push('python');
if (entries.includes('Cargo.toml')) detectedManifests.push('rust');
if (entries.includes('go.mod')) detectedManifests.push('golang');
const resolved: string[] = [];
for (const runtime of detectedManifests) {
if (runtime === 'node') {
// Pasang node_modules terisolasi dalam sub-namespace
resolved.push('node:pnpm-lock');
} else if (runtime === 'python') {
resolved.push('python:venv-isolated');
}
}
return { resolved, healthy: true };
}
/**
* 3. Task Expansion: Scaling across Breadth (Multi-Repo) & Depth (Multi-Turn)
*/
public synthesizeMultiTurnInteractions(
baseTask: string,
crossWorkspaceRefs: string[]
): { rounds: { userInstruction: string; expectedVerificationCriteria: string }[] } {
return {
rounds: [
{
userInstruction: `${baseTask} - Lakukan audit integrasi awal pada modul target.`,
expectedVerificationCriteria: 'Audit report exit code 0 dan zero critical failure.',
},
{
userInstruction: `Optimasi pipeline agar mendukung dependensi lintas workspace: ${crossWorkspaceRefs.join(', ')}.`,
expectedVerificationCriteria: 'Cross-module symbols resolved tanpa missing import errors.',
},
{
userInstruction: 'Terapkan regression unit tests dan verifikasi benchmark P99.',
expectedVerificationCriteria: 'Semua test suite passed fisik dalam bounded container.',
},
],
};
}
}
6. Implikasi Arsitektural untuk Industri Rekayasa Perangkat Lunak 2026
Pergeseran dari trajectory ingestion menuju environment synthesis merepresentasikan evolusi penting dalam ekosistem AI engineering:
- Efisiensi Biaya Data Sintetik: Tim AI tidak lagi perlu menyewa insinyur manusia untuk menulis ratusan lingkungan pengujian tiruan dari nol. Trajectory agen yang sudah berjalan pada masa lalu dapat didaur ulang menjadi aset pelatihan bernilai tinggi.
- Fondasi RLVR Mandiri: Model agen dapat dilatih dalam siklus penguatan mandiri (self-play / reinforcement learning) dengan sinyal reward fisik deterministik yang kebal terhadap manipulasi reward hacking.
- Standar Baru Benchmarking: Standar pengujian model AI di masa depan akan bergeser total ke lingkungan dinamis berhorizon panjang (multi-turn) yang menuntut persistensi context window dan adaptasi terhadap feedback interaktif.
Referensi & Sumber Terverifikasi
- [1]Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments(arXiv:2609.04148 [cs.AI, cs.CL] — Machine Learning & Agent Systems)
- [2]Terminal-Bench 2.1: Benchmarking Autonomous Terminal & Code Agents in Realistic Sandboxes(ACM Transactions on Software Engineering & ACM SIGSOFT)
- [3]EvoCode-Bench v2: Multi-Turn Interaction and Requirement Refinement for Code LLMs(GitHub / terminal-universe / benchmark-eval)
Butuh Arsitektur Web & AI Berkualitas Tinggi?
Tim engineering NEWSAINT siap membantu merancang website berkecepatan tinggi, sistem AI autonomous, dan solusi SaaS terukur untuk bisnis Anda.
Artikel Terkait Lainnya

Bellman Language Models (arXiv:2610.24871): Discretize-Then-Decide, Eliminasi Redundant LLM Invocations hingga 98%, dan Optimal Control pada Agentic Workflows
Analisis arsitektur sistemik riset frontier arXiv:2610.24871 (Adarsh Vatsa & William Eiers): Mengapa workflow agen otonom terus-menerus memboroskan komputasi untuk mendeduksi ulang keputusan yang berulang pada setiap turn? Memperkenalkan Bellman Language Models (BLM) dan paradigma "Discretize, Then Decide" yang memodelkan interaksi agen sebagai Markov Decision Process (MDP) diskret dan menyelesaikannya via persamaan optimalitas Bellman. Pada benchmark tau^2-bench telecom, controller mandiri tanpa model LLM mampu menyelesaikan 79% tugas; dipasangkan dengan Qwen3.8-27B, akurasi melonjak dari 29% menjadi 96% dengan pemangkasan 93% panggilan model; serta memangkas 98% biaya Claude Opus 5.5. Artikel ini membedah teori saturasi ruang keputusan, formulasi Bellman controller, batasan pada open synthesis, dan implementasi TypeScript produksi.

Acceptance Is Not Speed (arXiv:2610.23818): Ilusi Akselerasi Lossy Speculative Decoding, Mengapa Relaxed Sampling Memperpanjang Reasoning Trace 1.54x, dan Solusi Length-Corrected Verification
Investigasi empiris komprehensif arXiv:2610.23818 (Chiatzen Wang, Bill Xu, Haochen Gu, Hongyang Zhang — University of Waterloo): Mengapa peningkatan rasio penerimaan token (accepted length) pada lossy speculative decoding gagal menghasilkan akselerasi wall-clock? Evaluasi 360 konfigurasi lintas 12 pasangan target-drafter (GPT-OSS-20B, Qwen3-8B, Llama-3.1-8B dengan EAGLE-3, DSpark, dan standalone drafter) membuktikan fenomena sistemik "Length Inflation": relaksasi verifikasi menerima token probabilitas rendah yang mendeformasi lintasan penalaran, menyebabkan model berpikir 1.54x lebih panjang (bahkan 3.3x pada EAGLE-3). Lebih dari 90% token ekstra terbuang di dalam reasoning trace (<think>), memicu kehabisan token budget pada AIME24 dan evaluasi redundan pada GSM8K. Artikel ini membedah taksonomi 5 metode lossy (CACTUS, Mentored Decoding, rFSD, Speculative Cascades), batas matematis net-win, serta implementasi TypeScript Length-Corrected Speculative Harness.

DLite (arXiv:2610.23787): History-Free Speculative Decoding untuk Agentic AI, Eliminasi Draft KV Cache, dan Akselerasi 2.74x pada SWE-bench
Bedah arsitektur dan evaluasi empiris riset frontier arXiv:2610.23787 (Jiaming Xu, Guohao Dai et al. — SJTU, Tsinghua, Shanghai Innovation Institute): Mengapa metode speculative decoding konvensional seperti EAGLE-3, DFlash, dan DSpark mengalami degradasi acceptance length hingga 80% pada beban kerja agen otonom? DLite memperkenalkan paradigma History-Free Speculative Decoding yang sepenuhnya mengeliminasi draft KV cache, menggunakan parallel backbone berbasis reuse hidden state target model dengan learnable depth embeddings, lightweight low-rank RNN sequential head di ruang representasi tersembunyi, serta two-stage distillation training (isomorphic teacher warm-up dan total variation alignment). Evaluasi pada Qwen3-4B dan Qwen3-8B via SGLang membuktikan lonjakan acceptance length hingga 3.19 token dan akselerasi end-to-end 2.74x pada SWE-bench tanpa kehilangan kualitas generasi.