Berita
Bagaimana memori prosedural dapat mengurangi biaya dan kompleksitas agen kecerdasan buatan
Ingin lebih banyak visi yang cerdas dari kotak masuk Anda? Berlangganan buletin mingguan kami untuk mendapatkan apa yang hanya terkait dengan lembaga AI, data dan pemimpin keamanan. Berlangganan sekarang
Teknologi baru dari Universitas Zhejiang Dan Ali Baba Group Faktor LLM memberikan memori yang dinamis, membuatnya lebih efisien dan efektif dalam tugas -tugas kompleks. Teknologi ini disebut sakitIni memberikan agen “memori prosedural” yang terus diperbarui ketika mereka mendapatkan pengalaman, seperti bagaimana orang belajar dari latihan.
MEMP menciptakan kerangka pendidikan seumur hidup di mana agen tidak harus memulai dari titik nol di setiap tugas baru. Sebaliknya, itu menjadi secara bertahap lebih baik dan lebih efisien karena menghadapi posisi baru di lingkungan dunia nyata, dan itu adalah persyaratan utama untuk mengotomatisasi lembaga yang dapat diandalkan.
Keadaan memori prosedural dalam agen kecerdasan buatan
Agen LLM membawa janji untuk mengotomatiskan beberapa bisnis multi -langkah. Namun, dalam praktiknya, tugas horizon panjang bisa rapuh. Para peneliti mencatat bahwa peristiwa yang tidak dapat diprediksi seperti cacat jaringan, perubahan antarmuka pengguna, atau konversi basis data dapat menghambat seluruh proses. Untuk agen saat ini, ini berarti sering dimulai setiap saat, yang bisa memakan waktu lama dan mahal.
Sementara itu, banyak tugas kompleks, terlepas dari perbedaan dangkal, memiliki denominasi struktural yang mendalam. Alih -alih mempelajari kembali pola -pola ini setiap saat, agen harus dapat mengekstrak dan menggunakan kembali pengalamannya dari keberhasilan dan kegagalan sebelumnya, seperti yang dicatat oleh para peneliti. Ini membutuhkan “memori prosedural” spesifik, yang pada manusia adalah memori jangka panjang yang bertanggung jawab untuk keterampilan seperti menulis atau bersepeda, yang menjadi otomatis dengan praktik.
Kecerdasan buatan membatasi batasnya
Tutup daya, biaya tinggi simbol, dan keterlambatan inferensi dibentuk kembali. Bergabunglah dengan salon eksklusif kami untuk menemukan bagaimana perbedaan besar:
- Mengubah energi menjadi keuntungan strategis
- Mengajar penalaran yang efektif untuk keuntungan produktivitas nyata
- Membuka Pengembalian Investasi Kompetitif dengan Sistem Kecerdasan Buatan Berkelanjutan
Mengamankan tempat Anda untuk tinggal di latar depan: https://bit.ly/4mwngngo
Sistem agen saat ini sering tidak memiliki kemampuan ini. Pengetahuan prosedural mereka biasanya secara manual diproduksi secara manual oleh pengembang, atau disimpan dalam cetakan padat atau dipandu dalam parameter model, yang mahal dan lambat dalam memperbarui. Bahkan kerangka kerja saat ini yang bersaing dengan memori hanya memberikan abstrak kasar dan tidak cukup berurusan dengan cara membangun, mengindeks, memperbaiki, dan mendistribusikan keterampilan di akhir siklus hidup agen.
Dengan demikian, para peneliti memperhatikan Tentukan mereka“Tidak ada cara awal untuk menentukan efisiensi pekerja di mana amunisi proseduralnya berkembang atau untuk memastikan bahwa pengalaman baru meningkat alih -alih erosi kinerja.”
Bagaimana MEMP bekerja
MEMP adalah kerangka kerja yang tidak dapat diproses yang memperlakukan memori prosedural sebagai bahan dasar yang harus ditingkatkan. Ini terdiri dari tiga tahap utama yang bekerja dalam episode yang sedang berlangsung: membangun, memulihkan, dan memodernisasi memori.
Kenangan dirancang dari pengalaman agen sebelumnya, atau “trek”. Para peneliti mengeksplorasi penyimpanan ingatan ini dalam dua format: langkah -dengan tindakan literal; Atau distilasi langkah -langkah ini dalam abstrak teks tingkat tinggi. Untuk mengambil, agen dalam ingatannya sedang mencari pengalaman sebelumnya yang paling relevan saat memberikan tugas baru. Cobalah tim yang berbeda, pencarian vektor seperti itu, untuk mencocokkan deskripsi tugas baru dengan kueri sebelumnya atau mengekstrak kata kunci untuk menemukan kesesuaian terbaik.
Komponen terpenting adalah mekanisme pembaruan. MEMP menawarkan banyak strategi untuk memastikan pengembangan memori agen. Karena agen menyelesaikan lebih banyak tugas, ingatannya dapat dengan mudah diperbarui dengan menambahkan pengalaman baru, hanya melikuidasi hasil yang berhasil, atau lebih efektif, memikirkan kegagalan dalam mengoreksi dan meninjau memori asli.
Ini berfokus pada memori dinamis canggih yang menempatkan MEMP dalam bidang penelitian yang meningkat yang bertujuan membuat agen kecerdasan buatan lebih dapat diandalkan untuk tugas -tugas jangka panjang. Upaya lain, seperti MEM0, setara dengan mengintegrasikan informasi utama dari percakapan panjang ke fakta yang terorganisir dan biaya grafis untuk pengetahuan untuk memastikan konsistensi. Demikian juga, agen A-MEM memungkinkan pembuatan dan penghubung “catatan memori” secara independen dari interaksinya, yang merupakan struktur pengetahuan yang kompleks dari waktu ke waktu.
Namun, rekan Runnan Fang menyoroti perbedaan yang menentukan antara MEP dan kerangka kerja lainnya.
“Mem0 dan A-MEM bisnis yang sangat baik … tetapi mereka fokus pada mengingat konten yang menonjol di dalam Fang mengomentari satu jalan atau percakapan, pada dasarnya, membantu agen untuk mengingat “apa” yang terjadi. “Sebaliknya, itu menargetkan memori prosedural melintasi.” Ini berfokus pada pengetahuan “membimbing” yang dapat diedarkan melalui tugas -tugas serupa, mencegah pekerja dari mengeksplorasi kembali dari titik nol setiap kali.
“Dengan distilasi pekerjaan yang berhasil di masa lalu ke perangkat yang dapat digunakan secara prosedural, MEMP meningkatkan tingkat keberhasilan dan memperpendek langkah,” tambah Fang. “Secara tegas, kami juga menawarkan mekanisme pembaruan sehingga memori prosedural ini terus membaik – setelah semua, praktik ini membuatnya sempurna untuk faktor -faktor juga.”
Mengatasi masalah “Cold Start”
Meskipun konsep pembelajaran dari jalur sebelumnya kuat, itu menimbulkan pertanyaan praktis: bagaimana pekerja membangun ingatan awalnya ketika tidak ada contoh ideal untuk belajar darinya? Para peneliti berurusan dengan masalah “mulai dingin” dengan pendekatan praktis.
Fang menjelaskan bahwa Devs dapat memilih skala evaluasi yang kuat alih -alih memesan jalur “emas” yang sempurna. Skala ini, yang dapat bergantung pada aturan atau bahkan LLM lain, mencatat kualitas kinerja agen. “Setelah skala ini ada di tempatnya, kami membiarkan model modern mengeksplorasi dalam fungsi agen dan menjaga jalan yang mencapai level tertinggi,” kata Fang. Proses ini dengan cepat membuka serangkaian kenangan yang bermanfaat, memungkinkan agen baru untuk mencapai kecepatan tanpa pemrograman manual skala besar.
MEMP di tempat kerja
Untuk tes bingkai, tim melakukan MEMP pada kepala LLMS yang kuat seperti GPT-4O, Claude 3.5 Sonnet, Qwen2.5, dan mengevaluasi mereka pada tugas-tugas kompleks seperti pekerjaan rumah dalam indeks Alfworld dan perjalanan di bidang perjalanan. Hasil penelitian menunjukkan bahwa membangun dan mengambil memori prosedural memungkinkan agen untuk menyamakan dan menggunakan kembali pengalaman sebelumnya secara efektif.
Selama pengujian, tidak hanya agen MEMP mencapai tingkat keberhasilan yang lebih tinggi, tetapi juga lebih efisien. Mereka membatalkan eksplorasi, pengalaman, dan kesalahan yang tidak berpendidikan, yang menyebabkan penurunan signifikan dalam jumlah langkah dan konsumsi simbolik yang diperlukan untuk menyelesaikan tugas.
Salah satu hasil terpenting untuk aplikasi lembaga adalah memori prosedural dapat dikonversi. Dalam satu percobaan, memori prosedural yang dibuat oleh GPT-4O yang kuat diberi model yang jauh lebih kecil, Qwen2.5-14b. Model yang lebih kecil telah menyaksikan pembayaran kinerja yang besar, meningkatkan tingkat keberhasilannya dan mengurangi langkah -langkah yang diperlukan untuk menyelesaikan tugas.
Menurut Fang, ini berfungsi karena model yang lebih kecil sering berurusan dengan prosedur sederhana, satu langkah tetapi tersandung ketika datang ke perencanaan dan pemikiran yang panjang dan pemikiran. Memori prosedural diisi dengan model yang paling efektif dengan kesenjangan daya ini. Ini menunjukkan bahwa pengetahuan dapat diperoleh dengan menggunakan model yang lebih baru, maka diterbitkan pada model yang lebih kecil dan lebih efektif tanpa kehilangan manfaat dari pengalaman itu.
Menuju faktor yang sangat independen
Dengan menyiapkan faktor dengan mekanisme pembaruan memori, kerangka kerja MEMP memungkinkan mereka untuk membangun dan memperbaiki pengetahuan prosedural mereka terus -menerus saat bekerja di lingkungan yang hidup. Para peneliti menemukan bahwa ini memberikan agen “kontinu dan hampir dengan tugas.”
Namun, cara untuk menyelesaikan sendiri -rule membutuhkan mengatasi hambatan lain: banyak tugas di dunia nyata, seperti menghasilkan laporan penelitian, tidak memiliki sinyal keberhasilan yang sederhana. Untuk meningkatkan terus menerus, agen perlu tahu apakah dia telah melakukan pekerjaan dengan baik. Fang mengatakan bahwa masa depan terletak pada menggunakan LLMS sendiri sebagai hakim.
“Hari ini kita sering berkumpul di antara model -model kuat dengan pangkalan tangan untuk menghitung level akhir,” katanya. “Ini berhasil, tetapi aturan yang ditulis secara manual rapuh dan sulit digeneralisasi.”
LLM-ES-LGAL dapat memberikan reaksi pengawasan yang akurat yang diperlukan untuk agen untuk koreksi diri dalam tugas yang kompleks dan diri sendiri. Ini akan membuat seluruh cincin pembelajaran lebih perkembangan dan kuat, yang merupakan langkah penting menuju membangun pekerja intelijen yang fleksibel, adaptif, dan independen yang benar -benar diperlukan untuk mengotomatiskan lembaga -lembaga tingkat lanjut.
Tautan sumber
Berita
Jutaan orang bisa kehilangan kupon makanan pada tanggal 1 November di tengah lockdown, Brooke Rollins memperingatkan
baruAnda sekarang dapat mendengarkan artikel Fox News!
Menteri Pertanian Brooke Rollins memperingatkan bahwa jutaan orang Amerika bisa kehilangan manfaat kupon makanan mulai 1 November karena penutupan pemerintah yang sedang berlangsung.
Dia menyalahkan Partai Demokrat karena menolak memberikan suara mengenai langkah-langkah untuk membuka kembali pemerintahan dan memulihkan pendanaan SNAP, dengan mengatakan USDA kehabisan uang untuk memberi makan jutaan orang Amerika.
“Kita berada di ambang kehancuran,” kata Rollins kepada America Reports pada hari Selasa. “Saya sudah memperingatkan hal ini selama hampir sebulan, bahwa kita punya cukup uang untuk melewati akhir Oktober. Namun setelah itu, pemerintahan harus dibuka kembali.”
Jaminan Sosial, bandara, kupon makanan: Bagaimana dampaknya selama penutupan pemerintah?
Penutupan pemerintahan telah memasuki minggu keempat di tengah krisis layanan kesehatan. Partai Demokrat mengatakan mereka tidak akan setuju untuk membuka kembali pemerintahan kecuali RUU tersebut mencakup perpanjangan manfaat Undang-Undang Perawatan Terjangkau, yang akan berakhir pada tahun 2025.
Menteri Pertanian AS Brooke Rollins berbicara dengan Gubernur Texas Greg Abbott dalam konferensi pers di Texas State Capitol di Austin, Texas, pada 15 Agustus. (Gambar Brandon Bell/Getty)
Mereka berpendapat bahwa kegagalan untuk bertindak sebelum pendaftaran dibuka pada bulan November dapat mengakibatkan premi asuransi yang lebih tinggi bagi jutaan orang Amerika, sementara Partai Republik mengatakan mereka tidak akan bernegosiasi sampai pemerintahan dibuka kembali.
“Kelaparan tidak memiliki partai politik. Kemiskinan tidak membeda-bedakan antara negara bagian yang merupakan Partai Republik, Demokrat, negara bagian biru atau merah. Itu nyata,” kata Rollins.
Partai Demokrat telah meminta pemerintahan Trump untuk menggunakan dana darurat SNAP pemerintah federal, namun USDA mengatakan mereka tidak diizinkan secara hukum untuk menggunakan dana tersebut dalam kasus ini.
Ketua DPR Mike Johnson berbicara dalam konferensi pers di US Capitol pada hari ke-10 penutupan pemerintah federal pada 10 Oktober 2025, di Washington, D.C. (Alex Wroblowski/AFP melalui Getty Images)
Pemerintahan Trump memperingatkan bahwa 42 juta orang Amerika bisa kehilangan kupon makanan jika penutupan pemerintahan terus berlanjut
Ketua DPR Mike Johnson setuju, dan mengatakan bahwa analisis hukum yang dia lihat menunjukkan bahwa uang tersebut seharusnya sudah dialokasikan sebelumnya untuk penggunaan tersebut. Itu berarti dana SNAP bisa habis pada hari Sabtu.
Memo USDA yang diperoleh Fox News Digital memperkirakan bahwa 42 juta orang bisa kehilangan manfaat SNAP mulai bulan November.
Rollins menuduh Partai Demokrat memanfaatkan “masyarakat miskin dan rentan terhadap tekanan” dalam pertarungan mereka mengenai layanan kesehatan.
Klik di sini untuk mengunduh aplikasi FOX NEWS
“Demokrat terus memberikan suara berulang kali untuk menjaga pemerintahan ini tetap tertutup,” kata Rollins.
“Ini luar biasa bagi saya. Saya tidak mengerti apa yang mereka pikirkan.”
Berita
Kantor Pusat Agen GitHub bertujuan untuk memecahkan masalah terbesar dalam pengkodean AI perusahaan: terlalu banyak agen, dan tidak ada kendali pusat
github Ini merupakan taruhan yang berani bahwa perusahaan tidak memerlukan agen pengkodean berpemilik lainnya. Mereka membutuhkan cara untuk mengelola semuanya.
Pada konferensi Universe 2025, platform pengembang milik Microsoft mengumumkan Agent HQ. Arsitektur baru ini mengubah GitHub menjadi bidang kendali terpadu untuk mengelola beberapa codec AI dari pesaing termasuk Anthropic, OpenAI, Google, Cognition, dan xAI. Daripada memaksa pengembang untuk mencoba satu agen, perusahaan memposisikan dirinya sebagai lapisan orkestrasi utama di bawah semuanya.
Kantor Pusat Agen mewakili upaya GitHub untuk menerapkan pendekatan platform kolaborasinya pada agen AI. Sama seperti perusahaan yang mengubah Git, pull request, dan CI/CD menjadi alur kerja kolaboratif, kini mereka mencoba melakukan hal yang sama dengan lanskap pengkodean AI yang terfragmentasi.
Pengumuman ini mewakili apa yang disebut GitHub sebagai transisi "Satu gelombang" ke "Gelombang kedua" Untuk pengembangan dengan bantuan kecerdasan buatan. Menurut laporan GitHub Octoverse, 80% pengembang baru menggunakan Copilot pada minggu pertama mereka dan AI telah membantu mendorong peningkatan signifikan dalam penggunaan platform GitHub secara keseluruhan.
"tahun laluPengumuman besar bagi kami, dan apa yang kami katakan sebagai sebuah perusahaan adalah bahwa gelombang pertama telah berakhir, dan itu adalah semacam penyelesaian kode," Mario Rodriguez, chief operating officer GitHub, mengatakan kepada VentureBeat. "Kita berada di era gelombang kedua, dan gelombang kedua adalah multimedia, akan berfungsi dan akan memberikan pengalaman baru yang akan terasa seperti AI asli."
Apa kantor pusat agennya?
GitHub telah memperbarui alat pengkodean GitHub Copilot untuk era proxy dengan debutnya Agen pembantu Github pada bulan Mei.
Agen HQ mengubah GitHub menjadi ekosistem terbuka yang menyatukan beberapa agen pengkodean AI dalam satu platform. Dalam beberapa bulan mendatang, agen pemrograman dari Anthropic, OpenAI, Google, Cognition, xAI, dan lainnya akan tersedia langsung di GitHub sebagai bagian dari langganan GitHub Copilot berbayar yang sudah ada.
Arsitekturnya mempertahankan dasar-dasar inti GitHub. Pengembang masih bekerja dengan Git, menarik permintaan dan masalah. Mereka masih menggunakan komputasi favoritnya, baik itu GitHub Actions atau driver yang dihosting sendiri. Perubahan apa yang terjadi pada lapisan di atas: agen dari beberapa vendor kini dapat bekerja dalam perimeter keamanan GitHub, menggunakan kontrol identitas, izin cabang, dan log audit yang sama yang sudah dipercaya oleh organisasi kepada pengembang manusia.
Pendekatan ini pada dasarnya berbeda dari alat yang berdiri sendiri. Saat pengembang menggunakan Cursor atau memberikan akses repositori ke Claude, agen ini biasanya mendapatkan izin luas di seluruh repositori. Kantor pusat agen mempartisi akses di tingkat cabang dan merangkum semua aktivitas agen dalam kontrol tata kelola tingkat perusahaan.
Kontrol Misi: Antarmuka tunggal untuk semua agen
Pusat Kontrol Misi terletak di jantung kantor pusat pelanggan. Ini adalah pusat komando terpadu yang selalu terlihat di seluruh antarmuka web GitHub, VS Code, aplikasi seluler, dan baris perintah. Dengan kontrol misi, pengembang dapat menugaskan pekerjaan ke beberapa agen secara bersamaan. Mereka dapat melacak kemajuan dan mengelola izin, semuanya dari satu panel kaca.
Arsitektur teknologi mengatasi masalah penting perusahaan: keamanan. Tidak seperti aplikasi proksi mandiri yang mengharuskan pengguna memberikan akses luas ke repositori, kantor pusat proksi GitHub menerapkan kontrol yang sangat ketat di tingkat platform.
"Agen pemrograman kami memiliki serangkaian kontrol dan kemampuan keamanan yang dibangun ke dalam platform secara asli, dan itulah yang kami berikan kepada semua agen lainnya juga," Rodriguez menjelaskan. "Ini berjalan menggunakan token GitHub yang sangat terbatas dalam apa yang sebenarnya dapat dilakukannya."
Agen yang bekerja melalui kantor pusat agen hanya dapat berkomitmen pada cabang yang ditunjuk. Ini berjalan dalam lingkungan GitHub Actions sandbox dengan perlindungan firewall. Mereka beroperasi di bawah kontrol identitas yang ketat. Bahkan jika pelanggan menjadi nakal, firewall mencegah mereka mengakses jaringan eksternal atau mencuri data kecuali perlindungan tersebut secara eksplisit dinonaktifkan, jelas Rodriguez.
Diferensiasi teknis: integrasi MCP dan agen khusus
Selain mengelola agen pihak ketiga, GitHub menawarkan dua kemampuan teknis yang membedakan Kantor Pusat Agen dari pendekatan alternatif seperti editor Cursor mandiri atau integrasi Claude Anthropic.
Agen khusus melalui file AGENTS.md: Organisasi sekarang dapat membuat file konfigurasi yang dikontrol sumber yang menentukan aturan, alat, dan batasan khusus tentang bagaimana perangkat lunak Copilot berperilaku. Misalnya, sebuah perusahaan dapat menentukan… "Lebih suka perekam ini" atau "Gunakan tes berbasis tabel untuk semua prosesor." Hal ini mengakibatkan standar peraturan dienkripsi secara permanen tanpa mengharuskan pengembang untuk melakukan klaim ulang setiap saat.
"Agen yang berdedikasi memiliki sejumlah besar ceruk pasar dalam organisasi, karena mereka hanya dapat mengkodifikasikan serangkaian keterampilan yang dapat dilakukan orkestrasi, dan kemudian menstandarkannya dan mendapatkan hasil berkualitas tinggi juga," kata Rodriguez.
Spesifikasi AGENTS.md memungkinkan tim untuk mengontrol versi perilaku agen mereka bersama dengan kode mereka. Saat pengembang mengkloning repositori, ia secara otomatis mewarisi aturan proksi khusus. Hal ini memecahkan masalah yang terus-menerus terjadi pada alat pengkodean AI: kualitas keluaran yang tidak konsisten ketika anggota tim yang berbeda menggunakan strategi motivasi yang berbeda.
Dukungan untuk Protokol Konteks Model Asli (MCP).: VS Code sekarang menyertakan registri GitHub MCP. Pengembang dapat menemukan, menginstal, dan mengaktifkan server MCP dengan satu klik. Mereka kemudian dapat membuat agen kustom yang menggabungkan alat-alat ini dengan perintah sistem tertentu.
Hal ini menempatkan GitHub sebagai titik integrasi antara ekosistem MCP yang baru muncul dan alur kerja pengembang sebenarnya. MCP, yang diperkenalkan oleh Anthropic namun dengan cepat mendapatkan dukungan industri, telah menjadi standar de facto untuk komunikasi agen-ke-instrumen. Dengan mendukung spesifikasi lengkap, GitHub dapat mengatur agen yang perlu mengakses layanan eksternal tanpa setiap agen menerapkan logika integrasinya sendiri.
Kembangkan rencana dan tinjau kode agen
GitHub juga mengirimkan kemampuan baru dalam VS Code itu sendiri. Mode Rencana memungkinkan pengembang berkolaborasi dengan Copilot dalam membangun pendekatan proyek langkah demi langkah. AI mengajukan pertanyaan klarifikasi sebelum menulis kode apa pun. Setelah disetujui, rencana tersebut dapat dijalankan secara lokal di VS Code atau oleh agen berbasis cloud.
Fitur ini mengatasi mode kegagalan umum dalam pengkodean AI: memulai implementasi sebelum persyaratan dipahami sepenuhnya. Dengan menerapkan fase perencanaan yang jelas, GitHub bertujuan untuk mengurangi upaya yang sia-sia dan meningkatkan kualitas hasil.
Yang terpenting, fitur peninjauan kode GitHub menjadi efektif. Aplikasi baru ini akan memanfaatkan mesin CodeQL GitHub, yang sebelumnya berfokus pada kerentanan keamanan, untuk mengidentifikasi bug dan masalah pemeliharaan. Agen peninjau kode akan secara otomatis memeriksa permintaan penarikan yang dihasilkan oleh agen sebelum peninjauan manusia. Hal ini menciptakan gerbang kualitas dua tahap.
"Agen peninjau kode kami akan dapat melakukan panggilan ke mesin CodeQL untuk kemudian menemukan banyak kesalahan," Rodriguez menjelaskan. "Kami sedang berupaya mengembangkan mesin tersebut dan kami akan dapat memanfaatkan mesin tersebut juga untuk menemukan bug."
Pertimbangan Perusahaan: Apa yang Harus Dilakukan Sekarang
Untuk organisasi yang telah menerapkan beberapa alat pengkodean AI, Kantor Pusat Agen menyediakan jalur menuju integrasi tanpa memaksa penghapusan alat tersebut.
Pendekatan multi-agen GitHub memberikan fleksibilitas vendor dan mengurangi risiko lock-in. Organisasi dapat menguji beberapa agen dalam perimeter keamanan terpadu dan beralih penyedia tanpa melatih ulang pengembang. Dampaknya mungkin berupa pengalaman yang kurang optimal dibandingkan dengan alat khusus yang mengintegrasikan UI dan perilaku agen secara erat.
Rekomendasi Rodriguez jelas: mulailah dengan agen yang berdedikasi. Agen yang berdedikasi memungkinkan organisasi untuk secara konsisten menyusun standar peraturan yang diikuti oleh agen. Setelah terbentuk, organisasi dapat menambahkan agen eksternal tambahan untuk memperluas kemampuan.
"Buka dan terapkan pengkodean proxy dan proxy khusus dan mulailah bermain dengannya;" Dia berkata. "Ini adalah kemampuan masa depan, dan ini memungkinkan Anda untuk benar-benar mulai membentuk SDLC Anda sehingga disesuaikan dengan Anda, organisasi Anda, dan karyawan Anda."
baruAnda sekarang dapat mendengarkan artikel Fox News!
Anggota DPR dari Partai Demokrat pada hari Senin menuduh Presiden Donald Trump mencoba menggunakan Departemen Kehakiman untuk membayar ganti rugi ilegal selama dekade terakhir, dan menuntut agar pejabat tinggi departemen tersebut mengundurkan diri dari masalah tersebut.
Dalam surat publik kepada Jaksa Agung Pam Bondi, Wakil Jaksa Agung Todd Blanche dan pejabat tinggi Stanley Woodward, anggota Komite Kehakiman DPR dari Partai Demokrat menyebut potensi pembayaran tersebut sebagai “upaya yang terang-terangan ilegal dan inkonstitusional untuk mencuri” jutaan dolar dari para pembayar pajak.
Ketertarikan Trump terhadap pembayaran tersebut pertama kali dilaporkan minggu lalu oleh The Guardian Waktu New Yorkyang mengatakan Trump mulai mendapatkan hingga $230 juta melalui proses klaim administratif yang biasanya harus disetujui oleh pejabat tinggi Departemen Kehakiman. Trump mengajukan tuntutan hukum pada tahun 2023 dan 2024, sebelum menjabat, menurut laporan itu.
Komite Partai Demokrat, yang dipimpin oleh anggota berpangkat tinggi, anggota DPR Jamie Raskin, D-Md., memperingatkan konsekuensi pembayaran kepada Trump dan menuntut daftar informasi non-publik tentang permintaan Trump yang dilaporkan, sehingga meletakkan dasar bagi kemungkinan penyelidikan di masa depan jika mereka mendapatkan mayoritas dan mendapatkan kekuatan panggilan pengadilan dalam waktu satu tahun.
Trump menyarankan Departemen Kehakiman berhutang uang kepadanya untuk kasus-kasus di masa lalu
Jaksa Agung Pam Bondi dan Presiden Donald Trump hadir pada konferensi pers di Ruang Oval Gedung Putih pada 15 Oktober 2025. (Demetrius Freeman/The Washington Post melalui Getty Images)
“Anda mungkin menghadapi tanggung jawab perdata, penyelidikan etika, disiplin profesional, dan potensi tanggung jawab pidana karena berkonspirasi untuk menipu Amerika Serikat,” tulis anggota parlemen tersebut.
Mereka termasuk di antara beberapa anggota Partai Demokrat, dan beberapa anggota Partai Republik, yang meneliti kemungkinan presiden menerima dana sekaligus dari departemen yang sekarang ia pimpin.
Trump baru-baru ini berbicara tentang laporan tersebut di Ruang Oval, dengan mengatakan “akan sangat aneh” jika dia membayar sendiri. Trump dilaporkan meminta ganti rugi atas kerugian yang ditimbulkan oleh investigasi Departemen Kehakiman terhadap dugaan kolusi antara Trump dan Rusia dan investigasi mantan penasihat khusus Jack Smith.
“Dengan kata lain, pernahkah Anda mengalami salah satu situasi di mana Anda harus memutuskan berapa jumlah ganti rugi yang harus Anda bayarkan?” kata Trump. “Tetapi saya sangat terluka. Setiap uang yang saya peroleh akan saya sumbangkan untuk amal.”
Trump dan Partai Demokrat terjebak dalam siklus balas dendam yang tak ada habisnya setelah menghukum Comey dan menargetkan musuh-musuh presiden
Jack Smith berbicara saat konferensi pers di Washington, D.C. pada 1 Agustus 2023. (Al Drago/Bloomberg melalui Getty Images)
Anggota DPR dari Partai Demokrat menjawab bahwa Trump “tidak berhak menerima suap atau imbalan hanya dengan berjanji memberikan hasilnya untuk amal.”
Mereka juga meminta Blanche dan Woodward, yang bertugas di tim pembela hukum Trump selama persidangan pidananya, untuk membatalkan keputusan apa pun mengenai kompensasi Trump.
Menanggapi permintaan komentar, juru bicara komite Partai Republik menuduh Partai Demokrat terlalu fokus pada Trump.
Anggota Parlemen Jamie Raskin tiba untuk berbicara kepada wartawan saat memperkenalkan undang-undang tarif di US Capitol pada 8 Mei 2025, di Washington, DC. (Andrew Harnick/Getty Images)
KLIK DI SINI UNTUK MENDAPATKAN APLIKASI FOX NEWS
“Partai Demokrat harus fokus pada pembukaan pemerintahan dan gaji pegawai federal, yang banyak di antaranya tinggal di distrik Raskin, daripada terobsesi pada Presiden Trump yang jelas-jelas tidak melakukan kesalahan apa pun,” kata juru bicara komite tersebut, Russell Day. “Namun sayangnya, prioritas mereka selalu menyerang Presiden Trump daripada membayar gaji tentara, pengawas lalu lintas udara, dan keluarga yang dirugikan karena penutupan Partai Demokrat.”
Fox News Digital telah menghubungi Departemen Kehakiman untuk memberikan komentar.
Berita8 tahun agoThese ’90s fashion trends are making a comeback in 2017
- Berita8 tahun ago
The final 6 ‘Game of Thrones’ episodes might feel like a full season
- Berita8 tahun ago
According to Dior Couture, this taboo fashion accessory is back
- Berita8 tahun ago
Uber and Lyft are finally available in all of New York State
- Berita8 tahun ago
The old and New Edition cast comes together to perform
Bisnis9 bulan agoMeta Sensoren Disensi Internal atas Ban Trump Mark Zuckerberg
- Berita8 tahun ago
Phillies’ Aaron Altherr makes mind-boggling barehanded play
- Berita8 tahun ago
New Season 8 Walking Dead trailer flashes forward in time
