Apa itu agen AI
Bagian 7 · Dasar agen dan harness
| Istilah | Arti |
|---|---|
| large language models | Model AI yang dilatih dengan sangat banyak teks sehingga pandai membuat dan menyunting tulisan, dan menjadi dasar chatbot seperti ChatGPT, Gemini, dan Claude. |
| AI workflow | Rangkaian langkah yang melibatkan LLM tetapi jalurnya sudah ditentukan manusia, misalnya selalu mencari di kalender sebelum menjawab pertanyaan. |
| AI agent | Sistem tempat LLM menerima tujuan lalu sendiri memutuskan langkah, memakai tools, menilai hasil sementara, dan mengulang sampai tujuan tercapai. |
| control logic | Istilah teknis untuk jalur atau aturan tetap yang dibuat manusia dan harus diikuti sebuah AI workflow, sehingga sistem gagal bila pertanyaan keluar dari jalur itu. |
| decision maker | Pihak yang menentukan langkah dan cara mencapai tujuan, yang pada workflow adalah manusia sedangkan pada AI agent digantikan oleh LLM. |
| tools | Aplikasi atau layanan yang dipakai untuk bertindak, seperti Google Sheets, Perplexity, Claude, atau layanan cuaca, yang dipilih sendiri oleh agent. |
| ReAct | Kerangka yang paling umum untuk AI agent, gabungan reason dan act, karena agent harus bernalar tentang langkah terbaik lalu bertindak lewat tools. |
| RAG | Retrieval augmented generation, proses yang membuat model AI mencari informasi dulu sebelum menjawab, dan menurut video ini hanyalah salah satu jenis AI workflow. |
| Perplexity | Mesin pencari berbasis AI yang di contoh make.com dipakai untuk merangkum artikel berita secara real-time sebelum postingan ditulis Claude. |
| Google Sheets | Aplikasi spreadsheet daring buatan Google yang di contoh video dipakai untuk mengumpulkan tautan artikel berita sebagai langkah pertama workflow. |
| autonomously | Secara mandiri tanpa campur tangan manusia, seperti ketika agent sendiri menambah langkah kritik dan memperbaiki postingan LinkedIn sampai cukup bagus. |
| iterations | Putaran mencoba, menilai, dan memperbaiki hasil berulang kali, yang pada workflow dikerjakan manusia tetapi pada agent dilakukan sendiri oleh LLM. |
Video ini menjelaskan AI agent untuk orang tanpa latar belakang teknis yang sudah rutin memakai alat AI. Pembicara menyusun jalur belajar tiga tingkat: large language model, AI workflow, lalu AI agent, dengan contoh yang sering ditemui sehari-hari. Pertanyaan utamanya adalah apa sebenarnya yang membedakan agent dari chatbot dan workflow biasa, karena istilah seperti RAG dan ReAct sering terdengar menakutkan padahal sederhana. Jawabannya terletak pada siapa yang mengambil keputusan. Selama manusia menentukan jalur yang harus diikuti, sistem itu tetap workflow, sebanyak apa pun langkahnya. Sistem baru menjadi agent ketika LLM menggantikan manusia sebagai pengambil keputusan. Pemahaman ini penting agar penonton bisa menilai klaim produk yang menyebut dirinya agentic dan melihat dampaknya bagi pekerjaan mereka.
Di tingkat satu, chatbot seperti ChatGPT, Gemini, dan Claude pandai menulis email, tetapi gagal menjawab kapan jadwal ngopi berikutnya karena tidak punya akses kalender dan bersifat pasif. Di tingkat dua, workflow diberi aturan untuk selalu memeriksa Google Calendar, namun gagal saat ditanya cuaca karena hanya mengikuti control logic buatan manusia. RAG disebut sekadar jenis workflow yang mencari informasi sebelum menjawab. Contoh nyatanya adalah alur make.com yang mengumpulkan tautan berita di Google Sheets, merangkumnya dengan Perplexity, meminta Claude menulis postingan LinkedIn dan Instagram, lalu berjalan setiap hari pukul 8 pagi. Di tingkat tiga, agent harus bernalar dan bertindak lewat tools, sehingga konfigurasi umumnya disebut ReAct, serta mampu beriterasi sendiri, misalnya menambah LLM pengkritik sampai postingan memenuhi praktik terbaik LinkedIn. Demo agent visi dari Andrew menunjukkan agent mencari klip pemain ski dalam rekaman video tanpa diberi tag manual.
Kata kunci
- AI agents
- AI workflows
- large language models
- decision maker
- Memahami agen AI lewat tiga tingkat: LLM, AI workflow, lalu AI agent, memakai contoh sehari-hari.
- Membedakan workflow (jalur ditetapkan manusia, control logic) dari agen yang LLM-nya menjadi pengambil keputusan.
- Mengenali sifat kunci agen: bernalar, memakai tools, mengamati hasil, dan mengulang sampai tujuan tercapai, termasuk istilah RAG dan ReAct.
Tulis catatan pribadimu untuk modul ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.
