Evolusi AI Agent: Dari Simple LLM Call hingga Arsitektur Otonom

Tahap 1: LLM Processing Flow

Arsitektur paling dasar yang mendasari aplikasi berbasis LLM adalah apa yang disebut sebagai simple LLM processing flow, yaitu pengguna mengirimkan prompt (instruksi/permintaan), prompt tersebut dikirim langsung ke model bahasa, model menghasilkan respons semata-mata berdasarkan prompt itu sendiri dan pengetahuan yang tersimpan dalam parameter hasil pelatihannya, lalu respons tersebut dikembalikan langsung kepada pengguna. Tidak ada pengambilan informasi eksternal, tidak ada penggunaan alat bantu (tool), tidak ada ingatan tentang interaksi sebelumnya di luar apa yang secara eksplisit disertakan dalam prompt saat ini, dan tidak ada kemampuan bagi model untuk melakukan tindakan apa pun di dunia nyata selain menghasilkan teks.

Seperti Apa Sebenarnya Arsitektur Ini

Dalam praktiknya, alur ini biasanya melibatkan system prompt (instruksi yang menentukan peran, nada, dan batasan perilaku model, yang ditetapkan oleh developer aplikasi dan bukan pengguna akhir), masukan spesifik dari pengguna, dan terkadang sedikit riwayat percakapan dari sesi yang sama. Semua elemen ini digabungkan menjadi satu context window dan dikirim ke model dalam satu panggilan API. Model memproses seluruh masukan ini melalui arsitektur transformer-nya dan menghasilkan respons secara bertahap (token demi token); respons inilah yang kemudian ditampilkan kepada pengguna, biasanya tanpa pemrosesan atau verifikasi lebih lanjut sama sekali.

Arsitektur ini benar-benar memadai untuk berbagai kasus penggunaan nyata yang bermakna, seperti menjawab pertanyaan pengetahuan umum yang tidak memerlukan informasi terkini atau bersifat pribadi, menyusun atau menyunting teks berdasarkan instruksi, meringkas bagian teks yang ditempelkan langsung oleh pengguna ke dalam prompt, menerjemahkan teks antarbahasa, atau melakukan penulisan kreatif yang bersifat terbuka (open-ended). Untuk tugas-tugas tersebut, pengetahuan hasil pelatihan model itu sendiri serta kemampuannya dalam memproses dan mengolah teks yang diberikan sudah sangat memadai, tanpa memerlukan kemampuan eksternal tambahan yang ditambahkan di atasnya.

Keterbatasan Mendasar dari Tahap Ini

Keterbatasan arsitektur ini segera terlihat begitu ada kasus penggunaan yang menuntut hal-hal di luar pengetahuan yang diperoleh model dari data pelatihannya sendiri, atau hal-hal yang melampaui kapasitas satu context window. Model ini tidak memiliki akses ke informasi terkini yang muncul setelah batas waktu pelatihan, tidak memiliki akses ke informasi pribadi atau kepemilikan milik organisasi yang menggunakannya, serta tidak mampu memverifikasi keakuratan klaim yang dihasilkannya sendiri (sebuah keterbatasan yang memicu fenomena "halusinasi"; dalam hal ini, model menghasilkan informasi yang terdengar masuk akal namun secara faktual keliru, dengan tingkat keyakinan yang sama besarnya seperti saat ia menyampaikan informasi yang benar). Selain itu, model ini juga tidak memiliki kemampuan untuk melakukan tindakan apa pun selain sekadar menghasilkan teks sebagai keluarannya.

Keterbatasan-keterbatasan ini bukanlah sekadar detail implementasi kecil yang bisa diatasi di kemudian hari; hal-hal tersebut merupakan batasan mendasar terhadap apa yang dapat dicapai oleh arsitektur tahap pertama murni. Setiap tahap evolusi berikutnya justru hadir karena keterbatasan-keterbatasan spesifik inilah yang terbukti tidak dapat diterima untuk berbagai kasus penggunaan praktis yang ingin dikembangkan oleh organisasi.

Tahap 2: LLM dengan Pemrosesan Dokumen

Tahap ini memperkenalkan alur kerja pemasukan dan pemrosesan dokumen yang ditempatkan sebelum model bahasa itu sendiri. Pengguna mengunggah dokumen—seperti laporan PDF, file Word, spreadsheet, atau gambar hasil pemindaian halaman cetak—dan alih-alih mengirimkan dokumen mentah tersebut langsung ke model dalam format aslinya, dokumen itu terlebih dahulu melewati alur pemrosesan yang mengekstrak konten tekstualnya. Proses ini sering kali memerlukan penanganan yang jauh lebih canggih daripada yang terlihat pada awalnya. Ekstraksi PDF harus mampu menangani tata letak multi-kolom, tabel yang disematkan, serta header dan footer agar tidak tercampur dengan isi utama dokumen. Dokumen hasil pemindaian memerlukan teknologi optical character recognition (OCR) untuk mengubah gambar teks berbasis piksel menjadi teks nyata yang dapat dibaca oleh mesin. Spreadsheet memerlukan keputusan cermat mengenai cara merepresentasikan data terstruktur (berupa baris dan kolom) ke dalam format teks linear dan sekuensial yang sebenarnya diproses oleh model bahasa.

Setelah konten dokumen berhasil diekstrak, muncul masalah kedua yang sangat penting, yaitu sebagian besar dokumen nyata, setelah diubah menjadi teks biasa, memiliki panjang yang jauh melebihi kapasitas context window model jika digabungkan dengan pertanyaan pengguna serta struktur pendukung lain yang perlu disertakan oleh aplikasi. Di sinilah teknik pemecahan dokumen menjadi bagian-bagian kecil menjadi krusial—yaitu membagi dokumen panjang menjadi segmen-segmen yang lebih kecil dan mudah dikelola, di mana setiap segmen dapat masuk dengan leluasa ke dalam ruang konteks yang tersedia. Pemecahan dokumen yang efektif merupakan masalah yang jauh lebih rumit daripada yang terlihat: potongan yang terlalu kecil akan menghilangkan konteks penting di sekitarnya, sedangkan potongan yang terlalu besar membuang-buang kapasitas context window model untuk konten yang mungkin tidak relevan dengan pertanyaan spesifik yang sedang diajukan. Selain itu, strategi pemecahan yang asal-asalan—misalnya membagi konten berdasarkan jumlah karakter tertentu—dapat dengan mudah memotong kalimat, tabel, atau unit makna yang utuh di tengah jalan, sehingga secara signifikan menurunkan kualitas materi yang akhirnya harus diolah oleh model.

Kemampuan yang Dihadirkan oleh Pemrosesan Dokumen dan Keterbatasan yang Masih Ada

Tahap ini memungkinkan penerapan praktis yang nyata—sesuatu yang sama sekali tidak dapat didukung oleh arsitektur tahap pertama murni—seperti meringkas laporan panjang, menjawab pertanyaan spesifik mengenai isi kontrak atau makalah penelitian, mengekstrak poin data terstruktur tertentu dari dokumen yang sebelumnya tidak terstruktur, serta membandingkan informasi dari lebih dari satu dokumen yang diunggah dalam percakapan yang sama.

Keterbatasan signifikan yang masih ada pada tahap ini adalah sifat sistem yang pada dasarnya masih reaktif, bukan benar-benar proaktif. Sistem hanya dapat memproses dokumen yang secara eksplisit diunggah dan disertakan oleh pengguna dalam percakapan yang sedang berlangsung. Sistem belum memiliki kemampuan untuk secara mandiri mencari dan mengambil informasi tambahan yang mungkin dibutuhkannya, tidak dapat memverifikasi klaimnya terhadap basis pengetahuan eksternal yang lebih luas, serta tidak dapat melakukan tindakan apa pun di dunia nyata di luar sekadar menghasilkan teks sebagai tanggapan atas materi yang telah diberikan secara langsung dan eksplisit dalam percakapan tersebut.

Tahap 3: LLM dengan RAG dan Tool

Retrieval-Augmented Generation—yang secara umum disingkat sebagai RAG—menangani masalah yang sangat berbeda dibandingkan kemampuan pemrosesan dokumen yang dijelaskan pada tahap sebelumnya. Jika pemrosesan dokumen menangani konten yang diunggah secara eksplisit oleh pengguna ke dalam percakapan yang sedang berlangsung, RAG memungkinkan model untuk secara otomatis menelusuri basis pengetahuan persisten yang jauh lebih besar—yang bisa memuat ribuan atau bahkan jutaan dokumen—dan mengambil hanya potongan konten spesifik dan relevan yang benar-benar dibutuhkan untuk menjawab pertanyaan tertentu. Proses ini tidak mengharuskan pengguna untuk mengidentifikasi dan mengunggah sendiri materi sumber yang relevan sejak awal.

Mekanisme dasarnya bergantung pada embedding—yaitu representasi vektor numerik dari teks yang dihasilkan oleh model embedding khusus. Vektor-vektor ini ditempatkan dalam ruang berdimensi tinggi sedemikian rupa sehingga teks dengan makna yang benar-benar serupa akan berada berdekatan satu sama lain dalam ruang tersebut, meskipun teks-teks itu tidak memiliki banyak kata spesifik yang sama persis. Dokumen-dokumen dalam basis pengetahuan diproses terlebih dahulu, dipecah menjadi bagian-bagian kecil atau chunk, dan diubah menjadi vektor embedding sebelum disimpan dalam database vektor khusus. Saat pengguna mengajukan pertanyaan, pertanyaan tersebut juga diubah menjadi embedding menggunakan model embedding yang sama. Sistem kemudian menelusuri database vektor untuk menemukan potongan dokumen yang memiliki embedding paling dekat dengan embedding pertanyaan tersebut. Dengan demikian, sistem mengidentifikasi konten yang paling relevan secara semantik dengan pertanyaan spesifik yang diajukan, alih-alih mengandalkan pencocokan kata kunci harfiah yang lebih rentan terhadap ketidakakuratan. Potongan dokumen yang ditemukan tersebut kemudian dimasukkan ke dalam prompt model bersama dengan pertanyaan aslinya, sehingga model mendapatkan konteks spesifik dan relevan yang dibutuhkannya untuk menghasilkan jawaban yang akurat dan berdasar pada fakta, tanpa perlu memasukkan seluruh isi basis pengetahuan tersebut secara sekaligus ke dalam context window-nya.

Bagaimana Penggunaan Tool Memperluas Kemampuan Model Melampaui Sekadar Pembuatan Teks

Seiring dengan perkembangan RAG, penggunaan tool (yang juga sering disebut sebagai function calling) memberikan kemampuan bagi model untuk melakukan sesuatu yang secara mendasar berbeda dari sekadar mengambil dan meringkas informasi yang sudah ada: yaitu melakukan tindakan nyata dan konkret di dunia nyata, serta memasukkan hasil aktual dari tindakan-tindakan tersebut secara langsung ke dalam proses penalaran mereka selanjutnya.

Mekanisme dasarnya bekerja dengan cara mendefinisikan serangkaian tool yang tersedia—seperti fungsi pencarian web, kalkulator, lingkungan eksekusi kode, API yang mengakses database aktif, atau fungsi pengiriman email. Setiap tool dijelaskan kepada model dalam format terstruktur dan standar yang merinci fungsi tool tersebut serta parameter spesifik apa yang dibutuhkannya. Ketika model menentukan—berdasarkan tugas spesifik yang sedang dihadapi—bahwa penggunaan salah satu tool yang tersedia akan benar-benar membantunya menyelesaikan tugas tersebut, model akan menghasilkan permintaan terstruktur yang merinci tool mana yang ingin digunakan beserta parameter khususnya, alih-alih langsung menghasilkan jawaban akhir. Kode aplikasi yang melingkupinya kemudian menangkap permintaan terstruktur tersebut, menjalankan tool yang diminta (misalnya melakukan pencarian, penghitungan, eksekusi kode, atau kueri database), dan mengembalikan hasil nyata dari tool tersebut kepada model sebagai konteks tambahan. Model kemudian dapat memasukkan hasil ini langsung ke dalam proses penalarannya—bahkan mungkin memutuskan, berdasarkan informasi baru tersebut, untuk memanggil tool lain sebelum benar-benar menghasilkan jawaban akhir yang lengkap dan akurat.

Kekuatan Gabungan RAG dan Penggunaan Tool

RAG dan penggunaan tool sering kali—dan secara alami—digabungkan dalam satu sistem yang sama, dan kombinasi ini jauh lebih hebat dibandingkan kemampuan masing-masing jika digunakan secara terpisah. Model yang dilengkapi dengan kedua kemampuan ini dapat mengambil konteks latar belakang yang relevan dari database privat yang terkurasi melalui RAG, sekaligus mampu memanggil API eksternal secara mandiri untuk memeriksa informasi terkini secara real-time, melakukan penghitungan guna memverifikasi klaim numerik tertentu sebelum menyampaikannya, atau mengakses database terstruktur untuk mendapatkan angka yang presisi dan akurat, alih-alih hanya mengandalkan pemahaman umum yang kurang presisi yang diperoleh dari teks tidak terstruktur hasil pengambilan data.

Tahap ketiga ini menandai titik di mana model bahasa benar-benar tidak lagi terbatas hanya pada apa yang sudah mereka ketahui atau apa yang secara eksplisit dan langsung diberikan oleh pengguna, tetapi mereka memperoleh kemampuan untuk secara aktif dan mandiri menjangkau informasi atau kapabilitas spesifik yang mereka tentukan sendiri—berdasarkan penilaian mereka saat itu—sebagai hal yang memang mereka butuhkan.

Tahap 4: Alur Kerja LLM Multimodal

Model bahasa awal beroperasi secara eksklusif menggunakan teks sebagai input maupun outputnya; gambar, rekaman audio, atau video sama sekali tidak dapat diproses kecuali jika sebelumnya telah diubah secara terpisah menjadi deskripsi tekstual oleh sistem eksternal yang sama sekali berbeda. Model multimodal menghilangkan batasan ini dengan cara dilatih—sejak awal—untuk memproses berbagai jenis input yang benar-benar berbeda secara langsung dan alami dalam arsitektur model yang sama; ini umumnya mencakup gambar, audio, dan—pada sistem terkini yang lebih canggih—video, di samping teks.

Ini adalah jenis kemampuan yang benar-benar berbeda dan lebih mendasar dibandingkan apa pun yang tercakup dalam tiga tahap sebelumnya, karena hal ini tidak berkaitan dengan infrastruktur pendukung yang dipasang di sekeliling model, melainkan tentang perluasan kemampuan inti dan fundamental model itu sendiri secara arsitektural dari dasarnya. Model multimodal dapat secara langsung memeriksa foto yang diunggah dan mendeskripsikan secara tepat apa yang digambarkannya, membaca serta menafsirkan dengan benar teks dan data numerik yang ditampilkan dalam gambar bagan atau grafik, menganalisis rekaman audio dan mentranskripsikan secara akurat apa yang diucapkan sembari menangkap nada atau nuansa emosional yang relevan, atau—pada sistem multimodal terkini yang paling canggih—memproses dan melakukan penalaran bermakna terhadap konten video yang menggabungkan komponen visual dan audio secara bersamaan.

Mengapa Kemampuan Multimodal Sangat Penting bagi Arsitektur Agen

Secara khusus, signifikansi praktis kemampuan multimodal bagi evolusi arsitektur agen yang lebih luas terletak pada kemampuannya memperluas cakupan tugas dunia nyata yang dapat ditangani agen secara mandiri dan bermakna. Agen tidak lagi bergantung pada manusia untuk menerjemahkan informasi visual atau audio ke dalam deskripsi tekstual sebelum sistem dapat mulai memprosesnya. Sebagai contoh, agen yang menangani tiket layanan pelanggan dengan lampiran foto produk yang rusak tidak perlu menunggu manusia mendeskripsikan foto tersebut dengan kata-kata agar dapat memberikan respons yang tepat. Demikian pula, agen yang memantau siaran video langsung untuk aspek keselamatan tertentu tidak memerlukan anotasi deskripsi tertulis yang dibuat secara manual dan terpisah untuk dapat menganalisis konten yang sedang diamatinya. Saat memproses pesan suara, agen dapat bekerja langsung menggunakan audio aslinya, sehingga mampu menangkap urgensi atau nada emosional dari suara manusia secara akurat—nuansa yang kemungkinan besar akan hilang atau menjadi datar jika hanya mengandalkan transkrip berbasis teks.

Kemampuan multimodal, yang dipadukan dengan kemampuan pengambilan informasi (retrieval) dan penggunaan tool dari tahap sebelumnya, secara signifikan memperluas cakupan tugas praktis dunia nyata yang dapat dikerjakan agen secara mandiri. Hal ini membawa sistem tersebut jauh melampaui sekadar tool dengan mekanisme input dan output teks semata, serta menjadikannya sistem yang mampu mempersepsikan dan menalar kekayaan informasi dunia nyata secara utuh dan bermakna—mendekati cara manusia memproses informasi secara alami.

Tahap 5: Arsitektur AI Agent Tingkat Lanjut

Karakteristik utama yang membedakan agen tingkat lanjut dari sistem pada tahap-tahap sebelumnya adalah kemampuannya untuk melakukan perencanaan yang sesungguhnya. Saat diberikan tujuan tingkat tinggi yang sering kali bersifat ambigu—bukan sekadar instruksi spesifik yang rinci dan terbatas—agen tersebut mampu menguraikan tujuan luas itu secara mandiri menjadi rangkaian sub-tugas yang lebih kecil, konkret, teratur, dan koheren. Agen kemudian bekerja secara sistematis dan mandiri untuk menyelesaikan setiap sub-tugas tersebut, sembari menyesuaikan rencana keseluruhannya saat informasi baru muncul selama proses pelaksanaan.

Kemampuan perencanaan ini umumnya diimplementasikan melalui teknik prompting dan pola arsitektur yang dirancang khusus untuk mendorong model agar melakukan penalaran yang lebih terstruktur dan penuh pertimbangan sebelum benar-benar melakukan tindakan tertentu. Teknik-teknik seperti chain-of-thought prompting (yang secara eksplisit mendorong model untuk menalar masalah langkah demi langkah sebelum menghasilkan jawaban akhir) dan ReAct (pola arsitektur yang memadukan penalaran internal model mengenai langkah selanjutnya dengan tindakan nyata di dunia serta observasi spesifik yang diperoleh sebagai akibat langsung dari tindakan tersebut) memberikan kerangka kerja yang terstruktur dan dapat direplikasi bagi model untuk melakukan proses pertimbangan mendalam yang melibatkan banyak langkah. Hal ini memungkinkan model untuk bekerja secara bertahap, alih-alih sekadar mencoba menghasilkan jawaban akhir yang lengkap, benar, dan utuh dalam satu langkah pemrosesan tunggal yang tidak terperinci.

Memori: Mempertahankan Konteks dalam Interaksi Jangka Panjang

Agen canggih juga memerlukan bentuk memori yang nyata dan bermakna, yang kapasitasnya jauh melampaui batasan context window model tunggal mana pun pada satu waktu tertentu. Memori jangka pendek biasanya mencakup tugas atau percakapan yang sedang berlangsung, memungkinkan agen untuk melacak secara akurat dan andal apa yang telah dikerjakan, apa yang telah ditemukan, dan apa yang secara spesifik masih harus dilakukan dalam sesi yang sedang berjalan. Memori jangka panjang menyimpan informasi yang benar-benar berguna dan tahan lama lintas sesi yang terpisah—seperti preferensi pengguna, fakta mengenai proyek yang sedang berjalan, atau pelajaran tentang pendekatan mana yang efektif atau tidak di masa lalu. Memori ini umumnya diimplementasikan melalui kombinasi antara database vektor (untuk konten yang memerlukan pengambilan berbasis makna semantik, mirip dengan mekanisme RAG yang dijelaskan sebelumnya) dan database terstruktur yang lebih konvensional (untuk informasi yang lebih tepat direpresentasikan sebagai fakta dan hubungan yang jelas serta terdefinisi dengan baik).

Orkestrasi Multi-Agen: Pembagian Tugas di Antara Agen-Agen Spesialis

Perkembangan yang sangat signifikan dalam tahap kelima ini adalah pergeseran dari penggunaan agen tunggal yang monolitik—yang mencoba menangani seluruh tugas kompleks sendirian—menuju sistem multi-agen. Dalam sistem ini, beberapa agen yang memiliki spesialisasi khusus—masing-masing dengan peran, akses tool, dan fokus yang berbeda—berkolaborasi untuk mengerjakan komponen-komponen spesifik dari tugas yang lebih besar. Sebagai contoh, tugas penelitian yang kompleks dapat dipecah dan dibagi di antara agen peneliti khusus yang bertugas mengumpulkan materi sumber yang relevan, agen analisis terpisah yang bertugas menyintesis dan menarik kesimpulan bermakna dari materi tersebut, serta agen penulisan yang bertugas menghasilkan keluaran akhir yang telah disempurnakan. Selain itu, terdapat agen orkestrator khusus yang bertanggung jawab mengoordinasikan alur kerja keseluruhan di antara agen-agen spesialis tersebut, serta menangani situasi di mana keluaran dari salah satu sub-agen perlu direvisi atau ditinjau ulang berdasarkan umpan balik yang diterima dari agen lain di tahap selanjutnya.

Pola arsitektur khusus ini mencerminkan—dalam cara-cara yang sangat bermakna—bagaimana organisasi manusia selama ini menyusun pekerjaan yang kompleks: membagi tugas-tugas besar di antara para spesialis yang masing-masing memiliki fokus dan keahlian khusus, alih-alih mengandalkan satu orang generalis untuk menangani segalanya dari awal hingga akhir seorang diri. Dalam praktiknya, pendekatan ini terbukti meningkatkan kualitas keseluruhan serta keandalan hasil yang dicapai sistem tersebut pada tugas-tugas kompleks yang melibatkan banyak bagian, dibandingkan jika harus mengandalkan satu agen monolitik yang mencoba menangani setiap aspek tugas kompleks secara bersamaan dan sendirian.

Koreksi Mandiri dan Refleksi

Arsitektur agen tingkat lanjut juga semakin banyak mengintegrasikan mekanisme koreksi mandiri yang nyata. Dalam mekanisme ini, agen mengevaluasi hasil kerja antaranya sendiri—misalnya, memeriksa apakah kode yang dihasilkan benar-benar berjalan tanpa kesalahan, memverifikasi apakah informasi yang diperoleh benar-benar menjawab pertanyaan awal, atau meninjau apakah draf tulisan telah memenuhi semua persyaratan awal—lalu merevisi pendekatannya jika evaluasi tersebut mengungkap adanya masalah nyata yang signifikan. Hal ini dilakukan alih-alih sekadar melanjutkan proses secara membabi buta tanpa memedulikan apakah hasil kerja sebelumnya benar-benar tahan uji saat diperiksa lebih cermat. Kemampuan reflektif ini secara signifikan mengurangi risiko penumpukan kesalahan yang biasanya terjadi pada tugas panjang, kompleks, dan bertahap; tanpa kemampuan ini, kesalahan awal yang luput dari perhatian dapat dengan mudah dan diam-diam merambat ke setiap tahapan berikutnya yang bergantung padanya, sehingga menimbulkan masalah di kemudian hari.

Tahap 6: Arsitektur Masa Depan AI Agent

Arsitektur agen masa depan diperkirakan akan mengembangkan sistem memori yang jauh lebih canggih dan benar-benar persisten. Sistem ini akan membangun serta terus menyempurnakan model yang semakin akurat dan bernuansa mengenai pengguna individu atau organisasi tertentu dalam jangka waktu yang sangat panjang. Sistem tersebut tidak hanya sekadar mengingat fakta-fakta terpisah dari percakapan sebelumnya, tetapi juga mengembangkan pemahaman nyata dan fungsional mengenai preferensi pengguna, gaya kerja khas mereka, jenis kesalahan yang cenderung mereka lakukan (dan ingin mereka tandai atau deteksi), serta konteks yang lebih luas dari tujuan dan proyek yang sedang mereka kerjakan—semuanya tanpa mengharuskan konteks tersebut dibangun atau dinyatakan ulang secara manual dan melelahkan di setiap awal interaksi baru.

Protokol Standar untuk Interoperabilitas Agen

Seiring dengan semakin umum digunakannya sistem multi-agen dalam praktik nyata, masalah kurangnya standardisasi saat ini—terkait bagaimana agen yang sepenuhnya terpisah dan dikembangkan secara independen berkomunikasi serta berkoordinasi satu sama lain—kemungkinan besar akan diatasi melalui protokol standar yang mulai muncul dan diadopsi secara luas. Upaya awal yang mengarah ke tujuan ini—termasuk Model Context Protocol (MCP) dari Anthropic yang dirancang khusus untuk menstandarisasi cara model terhubung dan berinteraksi dengan alat eksternal serta sumber data eksternal, dan protokol Agent2Agent (A2A) dari Google yang dirancang khusus untuk menstandarisasi komunikasi langsung antaragen yang sepenuhnya terpisah dan dibuat oleh developer atau organisasi independen yang berbeda—mengisyaratkan masa depan yang masuk akal. Di masa depan tersebut, agen yang dibuat oleh tim dan organisasi yang benar-benar berbeda dan independen dapat saling berinteroperasi secara bermakna melalui standar bersama yang mapan, alih-alih harus membangun setiap integrasi secara khusus dan terpisah dari nol setiap kali diperlukan.

Berkurangnya Ketergantungan pada Prompting Eksplisit yang Dirancang Secara Manual

Sebagian besar upaya pengembangan agen saat ini masih sangat bergantung pada perancangan prompt secara manual yang cermat dan mendetail—yaitu instruksi tertulis eksplisit yang disusun dengan saksama untuk memandu proses penalaran model, keputusan penggunaan alat tertentu, serta perilaku perencanaannya secara keseluruhan. Arsitektur masa depan diperkirakan akan semakin mengandalkan model yang telah dilatih secara lebih langsung dan menyeluruh—sejak tahap awal—khusus untuk tugas dan perilaku yang benar-benar bersifat agenik. Hal ini akan mengurangi kebutuhan akan rekayasa prompt manual yang rumit, yang sebelumnya diperlukan untuk memancing perilaku agenik yang andal dan konsisten dari model yang awalnya dilatih terutama untuk pembuatan teks tujuan umum, bukan untuk tugas agenik terstruktur yang melibatkan banyak langkah.

Jaminan yang Lebih Kuat Terkait Keamanan, Verifikasi, dan Pengawasan Manusia

Seiring dengan diberikannya otonomi yang semakin signifikan dan bermakna kepada agen—serta konsekuensi dunia nyata yang juga semakin besar akibat tindakan yang mereka lakukan secara mandiri—kebutuhan akan mekanisme keamanan dan verifikasi yang tangguh, andal, dan benar-benar tepercaya pun meningkat secara proporsional. Arsitektur masa depan kemungkinan akan menerapkan pendekatan yang jauh lebih canggih untuk memverifikasi tindakan yang diusulkan agen sebelum benar-benar dieksekusi. Selain itu, sistem ini akan mempertahankan catatan yang jelas, dapat diaudit, dan dapat ditinjau mengenai alasan di balik setiap keputusan spesifik yang diambil agen, serta menjaga titik-titik pengawasan dan intervensi manusia yang bermakna dan terkalibrasi dengan baik untuk keputusan atau tindakan berisiko tinggi. Hal ini tetap dilakukan meskipun semakin banyak pekerjaan rutin yang berisiko rendah dan dapat dipahami dengan baik mulai ditangani dengan kebutuhan pengawasan manusia secara langsung dan terus-menerus yang semakin berkurang.

Agen yang Benar-benar Memiliki Wujud Fisik dan Beroperasi dalam Lingkungan Fisik

Meskipun sebagian besar pengembangan agen saat ini masih berfokus pada tugas dan lingkungan yang sepenuhnya digital serta berbasis software, pola arsitektur dasar yang terbentuk pada tahap-tahap awal evolusi ini—seperti perencanaan, memori, penggunaan alat, dan persepsi multimodal—juga memiliki relevansi langsung dan signifikan bagi bidang robotika serta sistem AI lain yang benar-benar memiliki wujud fisik. Arsitektur masa depan mungkin akan semakin mengaburkan batas—yang saat ini cukup tegas—antara agen digital yang sepenuhnya berbasis software dan sistem robotik yang benar-benar memiliki wujud fisik; pola-pola arsitektur inti yang dibahas dalam panduan ini akan meluas secara signifikan untuk mencakup agen yang tidak hanya melakukan penalaran dan tindakan di lingkungan digital semata, tetapi juga benar-benar mempersepsikan, menyusun rencana, dan bertindak secara langsung di dunia fisik yang nyata.

Memilih Tahapan yang Tepat untuk Masalah Anda

Sebuah alat internal sederhana yang hanya membantu karyawan menyusun draf email agar lebih rapi dan profesional tentu tidak memerlukan orkestrasi multi-agen atau memori jangka panjang yang persisten; arsitektur tahap satu atau tahap dua yang dirancang dengan baik kemungkinan besar sudah sangat memadai untuk tujuan spesifik dan terbatas tersebut. Sistem dukungan pelanggan yang harus menjawab pertanyaan secara akurat dengan merujuk pada dokumentasi produk internal perusahaan yang bersifat privat memang membutuhkan RAG (tahap tiga), namun kemungkinan besar tidak memerlukan kompleksitas penuh dari arsitektur multi-agen yang rumit. Sebaliknya, sistem yang dirancang khusus untuk melakukan riset mendalam secara otonom dari berbagai sumber yang beragam, lalu menyintesis temuan tersebut menjadi laporan akhir yang koheren dan terstruktur, memang layak menggunakan kemampuan perencanaan, memori, dan multi-agen yang lebih lengkap sebagaimana dijelaskan pada tahap lima.

Pertanyaan paling praktis dan bermanfaat untuk diajukan saat merancang sistem apa pun bukanlah "apa arsitektur paling canggih dan mutakhir yang tersedia saat ini?", melainkan—dengan cara yang jauh lebih spesifik dan berguna—"apa arsitektur paling sederhana yang mampu menyelesaikan tugas ini secara andal dan konsisten sesuai dengan kebutuhan sebenarnya?" Mengikuti tahapan-tahapan spesifik yang dijelaskan di sini secara berurutan, serta dengan sengaja berhenti pada tahap yang benar-benar memenuhi kebutuhan masalah yang sedang kita hadapi, merupakan pendekatan rekayasa yang jauh lebih andal dan tepat dibandingkan sekadar memilih arsitektur tercanggih yang tersedia hanya karena teknologi tersebut sedang populer atau banyak dibicarakan di bidang ini pada saat itu.

Jadi, evolusi agen AI, yang ditelusuri melalui enam tahapan ini, menyajikan sebuah narasi dasar yang sungguh koheren dan konsisten, yaitu model bahasa telah bergerak secara bertahap dari sekadar penghasil teks yang pasif dan terisolasi—yang sepenuhnya dan sangat dibatasi oleh informasi yang diberikan secara langsung dalam satu prompt tunggal—menuju sistem yang semakin aktif dan otonom. Sistem-sistem ini mampu mencari sendiri informasi dan kapabilitas spesifik yang mereka butuhkan, mempersepsikan serta menalar kekayaan informasi multimodal yang nyata (bukan sekadar teks), merencanakan dan mengoordinasikan langkah-langkah untuk menyelesaikan tugas yang kompleks, bertahap, dan sering kali ambigu, serta mulai memverifikasi dan memperbaiki hasil kerja mereka sendiri secara bermakna selama proses berlangsung.