"Agen" saat ini adalah kata yang paling kelewat sarat makna di dunia perangkat lunak. Para vendor memakainya untuk chatbot, untuk skrip terjadwal, untuk apa pun yang ditempeli satu kunci API. Namun, di balik semua kebisingan itu, ada pola nyata yang layak dipelajari. Jika Anda ingin membangun agen AI tahun ini, tugas pertama adalah memisahkan pola itu dari pemasaran, sebagian karena cukup banyak proyek "agen" yang orang sketsakan sebenarnya lebih baik dibangun sebagai otomasi biasa, dalam satu sore saja, dengan biaya sepersekian.
Panduan ini melakukan tiga hal. Ia mendefinisikan apa itu agen sebenarnya, dalam satu kalimat yang bisa Anda pakai ulang di rapat perencanaan. Ia menyajikan tiga jalur pembangunan yang cocok dengan keterampilan Anda: platform tanpa kode, framework untuk pengembang, dan pilihan ketiga yang jujur, yaitu tidak membangun agen sama sekali. Dan ia menelusuri satu contoh nyata, sebuah agen triase kotak masuk, dari tujuan hingga pengaman.
Tak satu pun dari ini menuntut latar belakang pembelajaran mesin. Semuanya menuntut Anda jelas tentang apa yang Anda inginkan dari benda itu.
Apa itu agen AI sebenarnya
Lepaskan mereknya, dan sebuah agen adalah tiga bagian yang berjalan dalam sebuah loop:
- Sebuah model yang memutuskan apa yang harus dilakukan berikutnya
- Seperangkat alat yang boleh ia panggil: mencari di basis data, membaca email, memberi label, menyusun draf pesan
- Sebuah tujuan dengan syarat berhenti, agar loop tahu kapan ia selesai
Sebuah agen adalah loop: model yang memutuskan, alat yang bertindak, dan tujuan yang menyatakan kapan harus berhenti.
Loop-lah bagian yang penting. Chatbot menjawab sebuah pesan lalu menunggu. Alur kerja menjalankan langkah-langkah tetap yang sama setiap kali. Agen membaca situasi, memilih sebuah alat, melihat hasilnya, lalu memutuskan lagi, berulang sampai tujuan tercapai atau anggaran habis. Titik keputusan di tengah loop itulah keseluruhan perbedaan antara agen dan segala hal lain yang dijual sebagai agen.
Ia juga memberi Anda uji yang bersih untuk proyek Anda sendiri. Jika Anda bisa menggambar setiap langkah sebagai diagram alur sebelum apa pun berjalan, Anda tidak butuh agen — Anda butuh alur kerja, itulah jalur tiga di bawah, dan itu bukan hal yang memalukan. Agen baru sepadan dengan kerumitannya hanya ketika langkah berikutnya benar-benar bergantung pada apa yang muncul di langkah sebelumnya.
Tiga cara membangun agen AI
Jalur mana yang Anda tempuh lebih ditentukan oleh siapa yang membangun dan seperti apa bentuk masalahnya, ketimbang oleh ambisi. Direktori ToolPotion memuat 700 alat untuk membangun agen AI. Inti dari ketiga jalur ini adalah bahwa Anda seharusnya tidak pernah perlu mengevaluasi lebih dari segelintir saja.
Jalur 1: platform agen tanpa kode
Ini rute bagi orang yang memiliki prosesnya (seorang pemimpin dukungan, seorang manajer operasi, seorang PM), bukan bagi orang yang menulis kodenya.
Microsoft Copilot Studio memungkinkan Anda membangun agen yang terhubung ke data bisnis Anda, merespons perintah bahasa alami, dan diterapkan ke aplikasi Microsoft 365 atau sebuah situs web. Jika perusahaan Anda memang sudah berjalan di atas Microsoft, inilah jarak terpendek antara sebuah gagasan dan sebuah agen yang sudah diterapkan: akses model, koneksi data, dan salurannya sudah berada di tempat rekan-rekan Anda bekerja. Semakin jauh tumpukan teknologi Anda dari milik Microsoft, semakin kecil manfaat yang ia berikan.
Voiceflow mendekati masalah dari sisi percakapan: Anda merancang alur agen obrolan dan suara secara visual, meluncurkannya di berbagai saluran, dan menyempurnakannya berdasarkan transkrip nyata. Ia sangat cocok untuk agen dukungan yang menghadap pelanggan. Ia berbentuk keliru jika agen Anda tak pernah berbicara dengan manusia.
Kompromi bersama pada jalur ini: Anda menyewa loop-nya. Ketika agen berulah, melakukan debug berarti mengeklik-klik antarmuka seorang vendor alih-alih membaca log Anda sendiri, dan berpindah ke platform lain nanti berarti membangun ulang. Jujurlah juga soal apakah Anda memang sedang membangun sebuah agen: banyak proyek pada tingkat ini sebenarnya adalah chatbot, dan jika itu menggambarkan proyek Anda, direktori alat untuk membangun chatbot adalah tempat berbelanja yang lebih spesifik.
Jalur 2: framework dan kode, untuk pengembang
Pengembang mendapat lebih banyak kendali dan lebih banyak pekerjaan rumah. Loop-nya Anda tulis sendiri: pilih sebuah model, definisikan setiap alat sebagai sebuah fungsi, ungkapkan tujuannya dalam sebuah prompt sistem, dan tetapkan batas keras pada jumlah iterasi dan pengeluaran.
Pilihan model lebih penting di sini daripada di mana pun. Claude Opus dibuat persis untuk pekerjaan ini: sebuah model penalaran yang dirancang untuk pemrograman dan agen, dengan jendela konteks 1 juta token yang mampu menampung konteks setara satu kotak surat atau satu basis kode utuh sepanjang tugas yang berjalan lama. Peringatannya adalah disiplin biaya: model garis depan pada setiap putaran loop akan menumpuk, jadi arahkan langkah-langkah murah (klasifikasi, pemformatan) ke model yang lebih kecil dan simpan yang besar untuk keputusan.
Untuk pembangunan pertama, framework yang sempit mengalahkan yang umum. Vanna 2.0 adalah contoh yang bagus: sebuah framework sumber terbuka untuk agen yang mengueri basis data perusahaan dalam bahasa sehari-hari, dengan dukungan bagi banyak penyedia LLM dan basis data, plus kontrol akses serta memori agen untuk pemakaian produksi. Jika agen pertama Anda adalah "jawab pertanyaan dari data kami", itu berarti sebagian besar kerangkanya sudah ditulis. Seperti pada framework sumber terbuka mana pun, penerapan dan pemeliharaan adalah tanggung jawab Anda.
Lebih banyak pilihan, dari pustaka orkestrasi hingga perkakas evaluasi, ada di direktori framework AI.
Jalur 3: Anda tidak butuh agen — Anda butuh alur kerja
Ini adalah hasil jujur yang paling lazim dari uji diagram alur, dan ia layak diperlakukan sebagai jalur sungguhan alih-alih hadiah hiburan.
Jika langkah-langkahnya sudah diketahui, sebuah alat alur kerja dengan satu langkah model untuk bagian yang samar memberi Anda sebagian besar nilainya tanpa satu pun ketakterdugaan loop. Zapier membangun alur kerja dan agen AI melintasi lebih dari 9.000 aplikasi, dengan pengaman dan kontrol akses untuk tim, meski model harga per-tugasnya terasa perih begitu volume membesar. Make memberi Anda kanvas visual seret-dan-jatuhkan, 3.000+ integrasi, dan paket gratis untuk membuat prototipe. Skenario besar cenderung berubah menjadi semrawut di kanvas itu. n8n paling cocok untuk tim teknis (kode di tempat yang Anda perlukan, tanpa kode di tempat yang tidak, dan Anda bisa mengelolanya sendiri), tetapi ia mengandaikan ada seseorang di tim yang nyaman membaca JSON.
Sebuah alur kerja dengan satu langkah LLM yang di-prompt dengan baik bukanlah agen kelas dua. Ia adalah alat yang tepat, selesai lebih cepat, dan ia gagal dengan cara yang bisa Anda perkirakan.
| Jalur | Paling cocok untuk | Waktu memulai | Kelemahannya |
|---|---|---|---|
| Platform agen tanpa kode | Pemilik proses tanpa insinyur | Beberapa hari | Loop sewaan: debug yang buram, terkunci vendor |
| Framework dan kode | Pengembang | Satu-dua minggu | Evaluasi, pemantauan, pemeliharaan jadi milik Anda |
| Alur kerja plus satu langkah LLM | Siapa pun dengan proses yang terdefinisi | Beberapa jam | Tak sanggup menangani tugas terbuka |
Sebuah contoh yang dikerjakan: agen triase kotak masuk
Katakanlah Anda mengelola kotak masuk dukungan bersama dan tujuannya adalah: setiap pesan yang masuk diberi label menurut jenis dan tingkat urgensi, diarahkan ke pemilik yang tepat, dan, bila aman, dijawab dengan sebuah draf. Beginilah wujudnya sebagai sebuah agen, jalur mana pun yang Anda pakai membangunnya.
- Tujuan, ditulis. "Triase setiap pesan baru; berhenti ketika ia sudah diberi label, ditugaskan, dan sudah didraf atau dieskalasi." Syarat berhenti bukan hiasan: ia yang menjaga loop agar tidak berkeliaran.
- Alat-alatnya. Membaca pesan. Mencari utas terdahulu dan CRM untuk pengirim ini. Memberi label. Menugaskan seorang pemilik. Menyusun draf balasan. Perhatikan apa yang hilang: mengirim. Itu disengaja.
- Loop pada satu pesan. Sebuah permintaan pengembalian dana masuk. Model membacanya, mencari riwayat pelanggan, menemukan langganan tahunan dan sebuah keluhan dari Maret, memberinya label penagihan/tinggi, menugaskannya ke pemilik penagihan, menyusun draf balasan yang merujuk keluhan sebelumnya, lalu berhenti.
- Pengamannya. Batas atas untuk iterasi loop, batas atas pengeluaran per pesan, dan sebuah label eskalasi-ke-manusia yang wajib dipakai agen kapan pun ia tidak yakin.
Kini bagian jujurnya. Sebagian besar pipeline ini bukan agen. Pelabelan dan pengarahan adalah pengklasifikasi plus aturan, wilayah yang nyaman bagi Make atau n8n. Loop baru berguna hanya pada langkah ketiga, ketika hasil pencarian menentukan apa yang mesti dikatakan draf. Jika penulisan draf yang sadar-konteks itu tidak bernilai bagi Anda, bangun versi alur kerjanya dan rampungkan sebelum Jumat.
Dan periksa sisi membeli sebelum sama sekali membangun. Untuk kotak masuk pribadi, Shortwave sudah menata, mendraf, mencari, dan menjadwalkan email dari perintah sederhana. Membangun sendiri baru masuk akal untuk kotak surat bersama dengan aturan pengarahan yang tak mungkin diketahui produk siap pakai mana pun. Dua puluh menit di direktori 553 agen AI siap pakai adalah cara murah untuk mengetahui apakah agen Anda sudah ada.
Kapan ia rusak, dan bagaimana Anda akan tahu
Agen gagal dengan sopan. Tak ada jejak tumpukan ketika model menerapkan label yang salah atau mendraf omong kosong dengan penuh percaya diri: loop selesai, melaporkan sukses, dan kerusakannya baru muncul beberapa hari kemudian dalam sebuah utas pelanggan yang kebingungan.
Itu sebabnya keteramatan adalah bagian dari pembangunan, bukan tambahan untuk nanti. LangSmith merekam jejak setiap langkah yang diambil sebuah agen, menandai kegagalan, dan melacak biaya serta latensi, dengan SDK untuk Python, TypeScript, Go, dan Java. Ia bekerja entah Anda memakai framework saudaranya atau tidak. Langfuse adalah padanannya yang sumber terbuka, menyatukan pelacakan, pengelolaan prompt, dan evaluasi, dan Anda bisa mengelolanya sendiri. Salah satu dari keduanya adalah satu lagi bagian infrastruktur yang harus dijalankan atau dibayar. Menjalankan agen dengan mata tertutup secara andal berbiaya lebih mahal.
Maka, minggu pertama Anda tampak seperti ini: tuliskan kalimat tujuan beserta syarat berhentinya, daftarkan alat-alat yang boleh disentuh agen, jalankan uji diagram alur, dan pilih jalur yang ditunjuk uji itu. Membangun adalah separuh yang mudah. Meraih cukup kepercayaan untuk mengeluarkan manusia dari loop, itulah proyeknya.
Pertanyaan yang sering diajukan
Bisakah saya membangun agen AI tanpa memrogram?
Bisa. Platform seperti Microsoft Copilot Studio dan Voiceflow memungkinkan Anda mendefinisikan tujuan sebuah agen, koneksi datanya, dan salurannya lewat antarmuka visual. Meski begitu, tanpa kode bukan berarti tanpa kerja: Anda tetap harus menentukan tujuannya, memilih alatnya, memasang pengaman, dan meninjau transkrip, jadi harapkan konfigurasi dan pengujian yang terukur dalam hitungan hari.
Apa perbedaan antara agen AI dan chatbot?
Chatbot merespons sebuah pesan lalu menunggu pesan berikutnya. Agen bekerja menuju sebuah tujuan dengan memanggil alat dalam sebuah loop, memutuskan sendiri langkah berikutnya berdasarkan apa yang dikembalikan langkah sebelumnya. Banyak produk yang dipasarkan sebagai agen sebenarnya chatbot dengan satu panggilan API yang ditempelkan. Ujinya adalah apakah sistem memilih sendiri tindakan berikutnya.
Apakah saya butuh keterampilan pembelajaran mesin untuk membangun agen AI?
Tidak. Anda memanggil model lewat API atau platform alih-alih melatihnya. Definisi proses yang jelas, prompt yang lumayan, dan pengetahuan tentang data serta alat Anda sendiri jauh lebih penting bagi agen pertama daripada teori pembelajaran mesin.
Berapa lama waktu membangun agen AI pertama Anda?
Alur kerja dengan satu langkah LLM bisa berjalan pada hari yang sama. Agen di platform tanpa kode biasanya memakan waktu beberapa hari untuk konfigurasi dan pengujian. Prototipe berkode di atas sebuah framework memakan satu-dua minggu. Ekor panjang dalam setiap kasus adalah kepercayaan: mengevaluasi keluaran dan mengencangkan pengaman sebelum Anda mencabut peninjauan manusia biasanya memakan waktu lebih lama daripada pembangunannya sendiri.