Riset Luas

​

Apa itu Riset Luas?

Riset Luas adalah pendekatan Manus untuk menangani tugas yang melibatkan pemrosesan banyak item serupa—seperti menganalisis 100 produk, meneliti 50 perusahaan, atau menghasilkan 20 konten. Alih-alih menggunakan satu Agen AI tunggal yang memproses item secara berurutan, Riset Luas menyebarkan ratusan agen independen yang bekerja secara paralel. Setiap agen menerima konteks khusus sendiri dan memproses satu item secara independen. Arsitektur ini memecahkan batasan jendela konteks yang menyebabkan sistem AI tradisional menurun kualitasnya seiring bertambahnya jumlah item.

​

Masalah Jendela Konteks

Sistem AI tradisional, termasuk sebagian besar chatbot, beroperasi dengan jendela konteks tetap—batas seberapa banyak informasi yang dapat mereka proses secara aktif sekaligus. Ketika diminta untuk menganalisis banyak item secara berurutan:

• Item 1-5: Analisis terperinci dan menyeluruh dengan konteks penuh tersedia
• Item 10-20: Deskripsi menjadi lebih pendek seiring konteks terisi
• Item 30+: Ringkasan umum dan peningkatan kesalahan karena konteks sebelumnya dikompresi atau hilang

Penurunan kualitas ini terjadi karena AI harus menyimpan semua item sebelumnya di memori saat memproses yang baru. Penelitian menunjukkan bahwa “ambang batas fabrikasi” ini biasanya terjadi sekitar 8-10 item untuk sebagian besar sistem AI.

​

Cara Kerja Riset Luas

Riset Luas menggunakan arsitektur yang secara fundamental berbeda: 1. Dekomposisi Tugas: Agen utama menganalisis permintaan Anda dan memecahnya menjadi sub-tugas independen (misalnya, “teliti perusahaan #1”, “teliti perusahaan #2”, dll.) 2. Penerapan Agen Paralel: Setiap sub-tugas ditugaskan ke agen khusus dengan jendela konteks baru miliknya sendiri 3. Pemrosesan Independen: Agen bekerja secara bersamaan, masing-masing melakukan penelitian menyeluruh tanpa bersaing untuk ruang konteks 4. Sintesis Hasil: Agen utama mengumpulkan semua sub-tugas yang telah selesai dan merakitnya ke dalam format yang Anda minta (tabel, laporan, set data, dll.) Hasil: Item #250 menerima kedalaman analisis yang sama dengan item #1, karena masing-masing memiliki agen khusus dan jendela konteks penuh sendiri.

​

Mulai Cepat

​

Permintaan Sederhana

​

Permintaan Terperinci

​

Permintaan Kreatif

​

Contoh Nyata

​

Contoh 1: Meneliti 250 Peneliti AI

Output: Basis data lengkap dengan 250 profil terperinci Putar Ulang: https://manus.im/share/IXdMjxObbFKbIjUUkBk4EH?replay=1 Mengapa Ini Berhasil:

• Tidak ada alat AI lain yang dapat menangani skala ini
• Setiap peneliti mendapatkan penelitian yang independen dan menyeluruh
• Pembuatan tabel otomatis dengan semua kolom terisi
• Kualitas yang konsisten dari peneliti #1 hingga #250

​

Contoh 2: Membandingkan 100 Model Sepatu Kets

Keluaran: Tabel riset pasar komprehensif dengan 100 produk Putar Ulang: https://manus.im/share/3zvs5smekSmn4lS14n9QNg?replay=1 Mengapa Ini Berhasil:

• Menyelam mendalam ke setiap produk secara independen
• Ekstraksi data terstruktur dalam skala besar
• Pengorganisasian dan pengurutan otomatis
• Tidak ada penurunan kualitas di seluruh 100 item

​

Contoh 3: Menganalisis Garis Waktu AGI

Keluaran: Analisis komprehensif dengan visualisasi data Putar Ulang: https://manus.im/share/GajPnKzrpM4pEbpcrKDmx0?replay=1 Mengapa Ini Berhasil:

• Mensintesis informasi dari puluhan sumber
• Membuat representasi visual dari temuan
• Mengidentifikasi pola dan pencilan
• Memberikan ringkasan berbasis bukti

​

Contoh 4: Meneliti 20 Biografi

Keluaran: 20 biografi komprehensif dengan struktur yang konsisten Putar Ulang: https://manus.im/share/ayLBetEJkfSIVuWKo2toPn?replay=1 Mengapa Ini Berhasil:

• Setiap biografi mendapatkan penelitian yang menyeluruh dan independen
• Struktur yang konsisten di semua profil
• Menyelam mendalam ke berbagai sumber per orang
• Tidak ada jalan pintas atau konten generik

​

Contoh 5: Mengedit Foto Profil LinkedIn Secara Massal

Output: 50 gambar profil yang diedit secara profesional Putar Ulang: https://manus.im/share/5iT2464ldyvdf1FMxUOCsW?replay=1 Mengapa Ini Berhasil:

• Menggantikan alat micro-SaaS untuk pemrosesan gambar secara massal
• Pengeditan yang konsisten diterapkan pada semua gambar
• Pipa unduhan dan pemrosesan otomatis
• Hasil profesional dalam skala besar

​

Contoh 6: Ekstrak Pustaka Prompt GitHub

Output: Basis data terstruktur dari 100+ prompt Putar Ulang: https://manus.ai/share/wxTg2q4hV6GN4YY4KnQeFx?replay=1 Mengapa Ini Berhasil:

• Mengekstrak dan menyusun informasi dalam skala besar
• Kategorisasi dan penandaan otomatis
• Membuat basis data yang terorganisir dan dapat dicari
• Menangani tugas web scraping yang kompleks

​

Kasus Penggunaan berdasarkan Kategori

​

Mengapa Wide Research vs. Alat Lain

​

Kapan Menggunakan Wide Research

Sempurna Untuk:

• Intelijen kompetitif (analisis 50+ pesaing)
• Riset pasar (bandingkan 100+ produk)
• Riset akademik (tinjau 30+ makalah)
• Pembuatan prospek (meneliti 200+ prospek)
• Pembuatan konten (menghasilkan 20+ item serupa)
• Ekstraksi data (mengikis dan menyusun 100+ halaman)
• Pemrosesan batch (mengedit 50+ gambar/file)

Tidak Ideal Untuk:

• Analisis mendalam tunggal (gunakan mode Agent reguler)
• Tugas yang membutuhkan ketergantungan sekuensial
• Penelitian interaktif waktu nyata
• Tugas dengan kurang dari 10 item

​

Kiat untuk Hasil yang Lebih Baik

Spesifik tentang struktur:

• ✅ “Buat tabel dengan kolom: nama, perusahaan, peran, email, LinkedIn”
• ❌ “Teliti orang-orang ini”

Tentukan skala di awal:

• ✅ “Analisis semua 100 perusahaan dalam daftar ini”
• ❌ “Analisis beberapa perusahaan”

Jelaskan format output yang diinginkan:

• ✅ “Atur dalam spreadsheet yang dapat diurutkan dengan filter”
• ❌ “Berikan hasilnya kepada saya”

Sertakan kriteria evaluasi:

• ✅ “Nilai setiap produk berdasarkan: harga, fitur, ulasan, ketersediaan”
• ❌ “Bandingkan produk-produk ini”

​

Pertanyaan Umum

​