🧑💻 Ridges — Engineering & Code Intelligence Subnet
Kita sudah lihat tiga subnet dengan karakter berbeda: Chutes (compute), SN13 (data), SN41 (prediction). Satu lagi yang perlu kamu paham sebelum masuk Phase 2: Ridges — subnet yang mendesentralisasi code intelligence. Artinya subnet ini adalah AI engineering agent as a service, tapi lewat jaringan Bittensor.
Kalau Devin, Cursor, Copilot itu produk tertutup milik satu perusahaan, Ridges mau menjadi permissionless engineering agent network di mana siapa pun bisa jadi miner dan siapa pun bisa jadi user.
Setelah selesai membaca unit ini kamu akan bisa:
- 🎯 Menjelaskan misi Ridges — apa itu "code intelligence" dan kenapa didesentralisasi
- 🧩 Memahami peran miner sebagai AI engineering agent (solve coding task)
- ✅ Memahami validator scoring via test suite — ala SWE-bench
- 🛠️ Memahami use case konkret (autonomous engineering, code review, refactoring)
- ⚖️ Membandingkan Ridges dengan Devin, Cursor, Copilot — apa yang beda
🧠 Kenapa Code Intelligence?
Ada revolusi senyap di dunia software engineering tahun 2024-2026: AI mulai bisa benar-benar menulis kode yang compile, lewat test, bahkan ship ke production.
Produk pioneer yang kamu mungkin kenal:
- GitHub Copilot — autocomplete cerdas di editor.
- Cursor — IDE AI-native dengan agent mode.
- Devin (Cognition) — "autonomous engineer" yang bisa kerjakan ticket end-to-end.
- Claude Code / Aider / Continue — AI coding assistants di terminal.
- OpenAI Codex / SWE-agent / OpenHands — research-grade engineering agents.
Semua produk ini menunjukkan satu tren jelas: masa depan software engineering adalah manusia + agent, di mana banyak task "grinding" (bug fix, refactor, write tests, upgrade dependency) di-offload ke AI.
Masalahnya (sama seperti inference di Chutes):
- 💸 Mahal — Devin seat bisa ratusan dolar/bulan. Cursor Pro tidak murah. Copilot Business berbayar.
- 🔒 Closed source model & infra — kamu tidak bisa self-host.
- 🔐 Data privacy concerns — kode kamu dikirim ke server vendor.
- 🚫 Vendor lock-in — platform bisa tiba-tiba ubah pricing, batasi fitur, atau sunset product.
Ridges mau memecahkan ini dengan menjadikan engineering agent sebagai commodity terdesentralisasi — siapa pun dengan model bagus bisa jadi miner, dan siapa pun dengan task coding bisa pakai.
Bayangkan Fiverr untuk engineering task, tapi pekerjanya adalah AI agent, bukan manusia. User post task (misal "fix bug X di repo Y"), miner (AI agent) submit solusi, validator run test untuk verifikasi. Yang solusinya lewat test lebih banyak dapat reward lebih tinggi.
🎯 Apa itu Ridges?
Ridges adalah subnet Bittensor yang mission-nya adalah menyediakan decentralized code intelligence — jaringan miner yang kompetitif menyelesaikan engineering task (bug fix, feature implementation, refactor) dengan kualitas yang diukur lewat automated test execution.
Outputnya: AI agent services yang bisa di-konsumsi via API atau integrasi — dari IDE extension sampai CI/CD pipeline.
📊 Arsitektur Ridges — Flow Coding Task
⚙️ Apa yang Dikerjakan Miner?
Miner Ridges adalah engineering agent. Secara teknis, kamu tidak harus punya model sendiri — kamu bisa wrap LLM eksternal (Claude, GPT, open-source hosted) di dalam agent logic kamu sendiri.
Tipikal workflow miner:
- Terima task dari validator. Task biasanya berisi:
- Repository snapshot (atau diff/patch context)
- Task description (natural language, mirip issue di GitHub)
- Test suite yang harus dilewati
- Agent reasoning loop:
- Baca code yang relevan (context retrieval)
- Plan perubahan
- Generate patch
- Self-review (run tests locally kalau sempat)
- Submit patch ke validator dalam format diff terstandar.
- Repeat ribuan task per epoch.
Yang membuat miner Ridges menarik: kamu mendesain agent logic-nya. Contoh variasi:
- Simple agent — single-shot LLM call dengan prompt bagus
- ReAct agent — reasoning + tool use (read file, run test) iteratif
- Multi-model ensemble — call 3 model berbeda, pilih yang terbaik
- Fine-tuned model — kamu train model sendiri khusus untuk SWE task
- Retrieval-augmented — index codebase dulu sebelum edit
Kompetisi di sini lebih ke engineering smartness miner, bukan cuma raw model power.
⚖️ Bagaimana Validator Scoring?
Ini bagian paling elegant di Ridges. Scoring engineering task itu susah — gimana nilai "apakah kode ini bagus"? Jawaban Ridges: run test, let the tests decide.
Ini pendekatan SWE-bench-style. SWE-bench adalah benchmark akademik yang menilai AI coding agent dengan mengambil real issue + PR dari GitHub, lalu run test suite untuk verifikasi apakah patch AI memenuhi requirement.
Dimensi Scoring
| Dimensi | Penjelasan |
|---|---|
| Test pass rate | Berapa % test yang sebelumnya fail, sekarang pass setelah patch miner |
| No regression | Test yang sebelumnya pass tidak boleh fail karena patch |
| Diff quality | Patch yang minimal & surgical lebih dihargai daripada rewrite besar |
| Latency | Agent yang respond cepat dapat bonus |
| Code style (optional) | Beberapa scoring versi mempertimbangkan linting & convention |
Rumus simplified:
score_miner ≈ (tests_fixed / total_tests) · (1 - regression_penalty) · diff_quality · timing_factor
Validator sandbox isolated — miner tidak bisa:
- Manipulate test file (dicek hash sebelum & sesudah)
- Network access keluar sandbox (gak bisa call external service untuk "cheating")
- Intercept validator bytecode
Kalau miner coba bypass, sandbox exit non-zero + penalty.
⚖️ Ridges vs Produk Closed-Source
| Aspek | GitHub Copilot | Cursor | Devin (Cognition) | Ridges |
|---|---|---|---|---|
| Bentuk | IDE autocomplete + chat | IDE AI-native | Autonomous agent (web) | Permissionless network |
| Model | GPT-4 family (tetap) | GPT-4 / Claude (pilih) | Proprietary agent | Pilihan miner — bisa apa saja |
| Pricing | $10–20/user/bln | $20/user/bln | $500/bln | Pay-per-task (TAO / fiat via gateway) |
| Data privacy | Dikirim ke GitHub/OpenAI | Dikirim ke vendor | Dikirim ke Cognition | Tergantung miner pilihan |
| Vendor lock-in | Ya | Ya | Ya | Tidak — permissionless |
| Extend-able | Tidak (closed) | Partial (extensions) | Tidak | Ya — siapa pun bisa tambah miner |
| Model diversity | Satu vendor | Beberapa, vendor-curated | Satu | Ratusan miner kompetisi |
| Best use case | Autocomplete harian | Dev interactive | Ticket autonomous | Batch task / automation / permissionless need |
Ridges bukan pengganti Cursor atau Copilot untuk workflow interactive harian kamu. Cursor menang di latency + tight IDE integration.
Tapi Ridges win di use case:
- Batch processing — ratusan task di-kirim via API
- Permissionless automation — CI/CD bot tanpa butuh akun vendor
- Model diversity — user bisa pilih miner dengan spesialisasi (Python, Rust, web3, ML)
- Compliance-sensitive — team yang tidak mau kirim kode ke OpenAI / Anthropic langsung
🎯 Use Case Nyata
1. Autonomous Engineering Agent
Tim engineering / DevOps otomatisasi task repetitif: update deps, migrate API usage, tambah unit test coverage, fix linter warning massal.
2. Open-Source Project Maintenance
Maintainer open-source triage backlog issue. Untuk issue kategori "easy / well-defined" dengan test ada, delegasi ke Ridges miner.
3. Code Review Second Opinion
PR review otomatis — miner analyze patch, output review comment. Bukan ganti human reviewer, tapi pre-pass.
4. CI/CD Auto-Fix
Failing test di CI → bot auto-submit ke Ridges → dapat patch candidate → create PR → human approve.
5. Refactoring Project Besar
Large-scale refactor (misal migrasi Redux → Zustand) yang tedious kalau manual. Broken into task-task kecil, di-distribute ke network.
6. Educational & Benchmark Platform
Platform coding course yang butuh "reference solution" banyak & murah untuk tiap exercise.
💰 Miner Economics — Realistic Expectation
Biaya Tipikal
| Komponen | Rentang |
|---|---|
| VPS (agent orchestration, 2–4 vCPU) | $10–30/bulan |
| LLM API credit (kalau pakai Claude/GPT) | $50–500/bulan tergantung volume |
| Self-hosted model (kalau pilih open-source) | GPU-dependent (lihat Chutes economics) |
| Registration fee Ridges | Variatif — cek Taostats |
| Dev time untuk tuning agent | Ini yang biggest investment |
| Total OpEx range | $60–1000+/bulan |
Ridges unik karena cost dominannya bisa bukan hardware — tapi LLM inference credit (kalau kamu pakai API eksternal). Ini artinya margin miner sangat tergantung ke:
- Seberapa efisien prompt kamu (lebih sedikit token = lebih murah)
- Apakah kamu pakai caching Claude/OpenAI
- Apakah kamu self-host model (lebih murah untuk volume tinggi)
Revenue
Reward harian:
- Low-mid tier miner — kemungkinan tipis break-even, fokus belajar dulu.
- Top-tier miner dengan agent well-tuned — bisa profitable terutama dengan ensemble approach atau model yang beneran di-optimize untuk SWE task.
Prinsip yang sama dengan Chutes: jangan ekspektasi profit konsisten. Ini kompetisi skill.
Tidak ada jalan pintas di Ridges. Kalau agent kamu tidak benar-benar bagus di SWE task, miner lain akan selalu beat kamu. Ini subnet untuk engineer yang mencintai ngoprek agent architecture.
🧩 Cocok untuk Kamu Kalau...
Profile miner Ridges yang ideal:
- ✅ Software engineer yang sehari-hari koding — kamu paham apa itu "good patch" vs "bad patch".
- ✅ Sudah familiar dengan AI coding tools (pakai Cursor, Copilot, atau bikin agent sendiri).
- ✅ Punya budget LLM API atau akses self-host model (lewat Chutes, atau GPU sendiri).
- ✅ Suka eksperimen dengan prompt engineering & agent architecture.
- ✅ Long-term thinker — tuning agent butuh berminggu-minggu, bukan instant payoff.
❌ Kurang cocok kalau kamu baru sentuh LLM pertama kali. Mulai dari SN13 (low barrier) dulu.
🔗 Konteks di Kurikulum Ini
Penting untuk diklarifikasi: Ridges tidak akan dijadikan Guided Project di Phase 2 camp ini. Kenapa?
- Cost barrier — LLM API credit bisa mahal untuk peserta pemula.
- Skill barrier — agent design butuh pengalaman yang tidak semua peserta punya.
- Scope camp — 10 hari cukup untuk dua subnet mining (SN41 + SN13) yang sustainable untuk pemula.
Tapi Ridges tetap dijelaskan di sini karena:
- Ini salah satu subnet paling menarik secara teknis di Bittensor.
- Konsep sandbox verification + test-based scoring adalah pola yang akan kamu lihat di banyak subnet lain.
- Setelah lulus camp, beberapa dari kamu mungkin akan lanjut ke Ridges — jadi tahu landscape-nya penting.
Kalau kamu software engineer yang menikmati AI coding agent:
- Graduate camp ini dengan deploy miner SN41 & SN13.
- Lanjut explore Ridges dengan knowledge terminology & Bittensor infrastructure yang sudah kamu punya.
- Phase 3 (Resources) punya link ke Ridges docs resmi.
🎯 Rangkuman
Yang perlu kamu ingat dari unit ini:
- Ridges = decentralized code intelligence. Miner jadi AI engineering agent; validator verify via test suite.
- SWE-bench-style scoring — test pass rate + no regression + diff quality.
- Miner punya ruang kreasi besar — bebas pilih model, agent architecture, tooling.
- Berbeda dari Cursor/Copilot/Devin: permissionless, model diverse, pay-per-task.
- Bukan pengganti interactive coding tools — win di batch automation, compliance-sensitive workflow, permissionless need.
- Skill-heavy subnet — bukan subnet pemula. Setelah camp, pertimbangkan sebagai next challenge.
✅ Quick Check
Sebelum lanjut ke Phase 2 (hands-on mining), pastikan kamu bisa jawab:
- Apa ground truth yang dipakai validator Ridges untuk scoring? (hint: bukan human opinion)
- Apa itu SWE-bench-style scoring — jelaskan singkat.
- Sebutkan 3 hal yang membuat Ridges berbeda dari Devin.
- Kenapa miner Ridges tidak wajib punya model sendiri?
- Apa "no regression" artinya dalam konteks scoring Ridges?
🎓 Akhir Concept 2 — Kamu Siap ke Phase 2
Selamat! Kamu sudah melewati empat unit core subnet:
| Subnet | Sektor | Role di Ekosistem | Phase 2? |
|---|---|---|---|
| Chutes | Compute | Decentralized LLM inference | ❌ (too advanced for starter) |
| Data Universe (SN13) | Data | Fresh training data scraping | ✅ GP-2 |
| Sportstensor (SN41) | Prediction | Sports alpha, revenue-generating | ✅ GP-1 |
| Ridges | Code | Decentralized engineering agent | ❌ (post-camp exploration) |
Sekarang kamu paham:
- Bagaimana 4 subnet berbeda menjawab market gap yang berbeda (compute, data, prediction, code).
- Pola umum: miner produce, validator verify, Yuma Consensus distribute reward — berulang di semua subnet, cuma "produce" & "verify" yang berganti bentuk.
- Kenapa SN41 & SN13 adalah pilihan ideal untuk kamu jadi miner pertama.
Saatnya turun ke lapangan. Di Phase 2, kita benar-benar deploy miner di testnet/mainnet.
📚 Referensi Lanjutan
- Ridges AI — subnet homepage
- SWE-bench benchmark — paper & leaderboard inspirasi scoring Ridges
- Repo Ridges — cek Phase 3 Resources untuk URL terkini
- Taostats — cek NetUID Ridges & miner ranking
- Bandingkan dengan: Devin, Cursor, Aider
Next: Phase 2 — GP-1 Unit 1: Introduction to SN41 🚀
Mari mulai nge-miner betulan!