Hari ini saya mulai Season 2 seri Belajar AI. Season 1 selesai di episode #25 — kita sudah bongkar teori machine learning dari nol sampai quantization GGUF. Season 2 ini beda arah: bukan lagi teori, tapi Applied & Agentic AI — tools yang benar-benar dipakai di lapangan 2025–2026. Dan dimulai dari pertanyaan paling dasar dulu: apa itu AI Agent?
Saya sempat salah paham lama waktu itu. Saya kira “AI Agent” itu cuma istilah marketing lain untuk chatbot. Ternyata setelah saya coba bangun sendiri, perbedaannya jelas banget — dan justru di perbedaan itu letak nilai sebenarnya.
Chatbot vs Agent: bedanya di siapa yang bertindak
Chatbot biasa: kamu tanya, dia jawab, selesai. Dia menghasilkan teks. Urusan eksekusi — buka file, kirim email, query database — semuanya urusan kamu. Ini seperti rekan kerja yang cuma bisa memberi saran verbal.
AI Agent: dia tidak cuma menjawab, tapi menjalankan tindakan lewat tools yang diberikan kepadanya. Minta “cari invoice yang belum dibayar bulan ini” → agent memanggil tool query database, membaca hasilnya, kalau perlu memanggil tool lagi, lalu menyerahkan hasil akhir. Ini seperti rekan kerja yang boleh membuka aplikasi dan mengeksekusi, bukan hanya bicara.
Perbedaan intinya bukan di kecerdasan modelnya — modelnya bisa sama persis. Bedanya di loop-nya.
Loop perceive–reason–act
Inti setiap agent itu satu hal sederhana yang diulang: perceive → reason → act, terus menerus sampai tugas selesai.
- Perceive (dengar): agent menerima input — permintaan user, hasil tool sebelumnya, keadaan sistem saat ini.
- Reason (berpikir): model menentukan langkah berikutnya: sudah selesai, atau perlu memanggil tool lain, atau menyerah karena informasi kurang.
- Act (bertindak): agent memanggil satu tool dengan parameter tertentu —
read_file,query_db,send_email. - Hasil tool kembali menjadi input baru → kembali ke perceive. Loop berputar lagi.
Ini persis cara kerja program dengan while loop dan callback: dapat data → proses → putuskan → panggil fungsi lain → hasilnya jadi data baru. Kalau kamu programmer, konsep ini tidak ada yang mistis. Agent itu program yang keputusan langkah berikutnya diambil oleh model, bukan ditulis manual oleh kita.
Sebutan lain yang beredar: ReAct (Reason + Act) — istilah dari paper tahun 2022 yang jadi referensi pola ini. Loop-nya: berpikir sebentar, bertindak, melihat hasil, ulangi.
Tool use: jembatan antara model dan dunia nyata
LLM murni itu “terkunci” di dalam teks: dia tidak bisa membuka file, tidak bisa query API, tidak tahu jam berapa sekarang. Tool use membuka pintunya. Kita memberi model daftar tool beserta deskripsi dan skema parameter; model memilih tool mana yang dipanggil dan dengan argumen apa; runtime kita yang mengeksekusi; hasilnya dikirim balik ke model.
Di episode #27 kita akan bedah ini sampai ke skema JSON-nya. Untuk sekarang, cukup ingat: agent = model + loop + tools. Hilangkan salah satu, dia balik jadi chatbot biasa.
Sisi sulitnya (jujur saja)
Membuat loop dasar ternyata gampang — beberapa puluh baris kode. Yang susah:
- Loop tak berujung. Model bisa memanggil tool yang sama berulang tanpa kemajuan. Butuh batas iterasi dan deteksi stuck.
- Hallucination parameter. Model kadang mengarang isi parameter tool. Validasi skema wajib.
- Latensi. Tiap iterasi = satu atau lebih panggilan model. Tugas 10 langkah bisa makan waktu menit.
- Biaya. Semakin banyak langkah, semakin banyak token. Loop yang salah arah = tagihan yang salah arah.
Ini berarti bagi saya: membangun agent itu 20% soal membuat loop jalan, 80% soal membuat loop tidak kacau. Dan bagian kedua itulah yang dibahas sisa season ini — function calling, guardrails, eval, observability.
Cara mulai praktis
Saya mulai dari yang paling sederhana: tulis satu tool get_current_weather berisi data dummy, beri tahu model skemanya, suruh dia menjawab pertanyaan cuaca. Saat model memanggil tool itu dengan parameter yang benar, rasanya seperti melihat program pertamaku jalan — kecil, tapi mengubah cara aku melihat arsitektur software.
Rekomendasiku: jangan langsung pakai framework. Tulis loop agent-nya manual dulu pakai API yang kamu pakai sehari-hari. Setelah paham loop-nya, framework seperti LangChain/LangGraph terasa jauh lebih masuk akal — topik episode #29.
Rangkuman
AI Agent = model + loop perceive–reason–act + tools. Bedanya dengan chatbot: dia mengeksekusi, bukan hanya menjawab. Konsepnya tidak mistis — sama dengan program loop/callback yang sudah kita tulis berkali-kali, bedanya keputusan langkah berikutnya diambil model. Tantangan sebenarnya ada di mengendalikan loop-nya, bukan membuatnya jalan.
Sampai jumpa di episode #27: Function Calling & Tool Use — di situ kita lihat persis bagaimana model “memilih” tool lewat JSON.
Sumber
- Anthropic Engineering — Building Effective Agents (Desember 2024)
- Yao et al. — ReAct: Synergizing Reasoning and Acting in Language Models (arXiv:2210.03629, 2022)
- OpenAI — Function Calling Guide (dokumentasi OpenAI Platform)
- Anthropic — Tool Use documentation
Komentar Terbaru