AI Agent: Dari Menjawab ke Mengerjakan

Sebuah LLM polos cuma bisa satu hal: menerima teks, mengeluarkan teks. Agent adalah lingkaran di sekeliling LLM: model boleh meminta tindakan (cari data, hitung, kirim email, panggil API), sistem menjalankannya, hasilnya dikembalikan ke model, dan siklus berlanjut sampai tujuan tercapai.

Anatomi agent

1. Otak — LLM yang menafsirkan situasi dan memutuskan langkah.
2. Tools — fungsi yang bisa dipanggil: cari_di_database, kirim_email, hitung_total. Didefinisikan dengan nama, deskripsi, dan skema parameter.
3. Loop — pola reason → act → observe → repeat: model berpikir, bertindak lewat tool, melihat hasilnya, lalu memutuskan langkah berikut.
4. Memory & state — riwayat langkah, hasil antara, dan konteks tugas.
5. Guardrails — batas: daftar tool yang boleh, maksimal iterasi, persetujuan manusia untuk aksi berbahaya.

Contoh alurnya

Tugas: "Cek pesanan #1234 dan kabari pelanggan kalau sudah dikirim."

1. Model memanggil lihat_pesanan(1234) → hasil: status "dikirim", resi JNE-XXX.
2. Model memanggil kirim_wa(pelanggan, "Pesananmu sudah dikirim, resi JNE-XXX...").
3. Model menyimpulkan: selesai.

Tidak ada satu baris pun logika "kalau status dikirim maka..." yang ditulis kamu — keputusannya diambil model dari konteks. Itu kekuatannya sekaligus risikonya.

Kapan pakai agent, kapan tidak

Pakai agent kalau jalannya tugas tidak bisa dipetakan di awal — banyak cabang, data baru terus muncul, keputusan tergantung hasil langkah sebelumnya. Contoh: riset, diagnosis, asisten operasional.

Tidak perlu agent kalau alurnya sudah pasti. Workflow tetap (form → validasi → kirim) lebih murah, lebih cepat, dan bisa diuji. Agent untuk yang memang butuh keleluasaan.

Prinsip biar tidak meledak

• Mulai dari 1–2 tool sederhana. Agent dengan 15 tools susah di-debug dan sering salah pilih.
• Deskripsi tool itu 50% dari keberhasilan. Model memilih tool dari deskripsinya — tulis seperti menjelaskan ke intern yang pintar.
• Batas keras. Maksimal iterasi, timeout, dan daftar aksi yang wajib konfirmasi manusia (kirim ke pelanggan, hapus data, bayar).
• Log semua langkah. Trace tool-call adalah satu-satunya cara kamu bisa tahu kenapa agent mengambil jalan itu.

Coba langsung

Di Playground Tool-Calling Agent kamu melihat loop-nya terjadi secara nyata: model memilih tool, sistem mengeksekusi, hasil kembali, model menyimpulkan — semua langkahnya tercetak di log.