\n| Outcome<\/td>\n | Jawaban<\/td>\n | Tujuan tercapai<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nLangkah 2: Planning & Task Decomposition<\/h3>\nSetelah ngerti tujuannya, agent mulai planning<\/strong>. Ini yang disebut task decomposition<\/strong> atau Chain-of-Thought Planning<\/strong>.<\/p>\nAgent akan memecah tujuan besar jadi langkah-langkah kecil:<\/p>\n Tujuan:<\/strong> “Analisis 20 kompetitor fashion”<\/p>\nTask breakdown:<\/h3>\n1. Identifikasi 20 website kompetitor fashion Indonesia<\/p>\n 2. Ekstrak data pricing dari tiap website<\/p>\n 3. Ekstrak strategi konten (blog, social media, newsletter)<\/p>\n 4. Kompilasi data ke format tabel komparatif<\/p>\n 5. Generate insight dan rekomendasi<\/p>\n 6. Format jadi PDF atau Google Doc<\/p>\n 7. Kirim via email ke tim marketing<\/p>\n Ada tiga pendekatan utama dalam planning:<\/p>\n a) Sequential Planning<\/strong><\/h3>\nLangkah berurutan \u2014 langkah 1 selesai baru lanjut langkah 2. Paling umum, cocok untuk tugas yang dependen.<\/p>\n b) Parallel Planning<\/strong><\/h3>\nBeberapa langkah bisa dikerjakan bersamaan \u2014 misal ekstrak data dari 20 website bisa dijalankan secara paralel.<\/p>\n c) Dynamic Re-planning<\/strong><\/h3>\nAgent menyesuaikan rencana di tengah jalan kalau nemu kendala. Misal, website A down \u2192 agent skip dan ganti website lain.<\/p>\n Langkah 3: Tool Calling \u2014 Agent Menggunakan Alat<\/h3>\nInilah yang bikin AI Agent beda dari chatbot biasa. Agent bisa memanggil tools eksternal<\/strong> untuk mengerjakan tugas.<\/p>\nJenis-jenis tools yang biasa digunakan:<\/p>\n \n\n\n| Tool<\/th>\n | Fungsi<\/th>\n | Contoh Penggunaan<\/th>\n<\/tr>\n<\/thead>\n | \n\n| Web Search<\/td>\n | Mencari informasi online<\/td>\n | Riset kompetitor, cek fakta<\/td>\n<\/tr>\n | \n| Browser Automation<\/td>\n | Navigasi website<\/td>\n | Scrape data, isi form<\/td>\n<\/tr>\n | \n| Code Executor<\/td>\n | Jalanin kode Python\/JS<\/td>\n | Analisis data, generate chart<\/td>\n<\/tr>\n | \n| File I\/O<\/td>\n | Baca\/tulis file<\/td>\n | Olah CSV, generate PDF<\/td>\n<\/tr>\n | \n| API Calls<\/td>\n | Akses layanan eksternal<\/td>\n | Kirim email, update CRM<\/td>\n<\/tr>\n | \n| Database<\/td>\n | Query data<\/td>\n | Ambil data pelanggan<\/td>\n<\/tr>\n | \n| Image Gen<\/td>\n | Generate gambar<\/td>\n | Bikin visual untuk laporan<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Tool calling bekerja lewat mekanisme function calling<\/strong> \u2014 LLM menghasilkan output JSON terstruktur yang mendefinisikan tool mana yang dipanggil, dengan parameter apa.<\/p>\nContoh output function call:<\/p>\n {
\n“function”: “search_web”,
\n“params”: {
\n“query”: “e-commerce fashion Indonesia terbesar 2026”,
\n“limit”: 20
\n}
\n}<\/p>\n Langkah 4: Execution \u2014 Eksekusi Aksi<\/h3>\nSetelah tool dipilih, agent mengeksekusinya. Hasil dari eksekusi ini akan dikembalikan ke agent untuk diproses lebih lanjut.<\/p>\n Ada dua mode eksekusi:<\/p>\n Synchronous (Sync)<\/h3>\nAgent nunggu hasil tool selesai. Cocok untuk tools cepat seperti query database atau kalkulasi sederhana.<\/p>\n Asynchronous (Async)<\/h3>\nAgent lanjut ke tugas lain sambil nunggu. Cocok untuk tools lambat seperti scraping banyak website atau generate gambar.<\/p>\n Langkah 5: Observation & Feedback Loop<\/h3>\nSetelah eksekusi, agent mengamati hasilnya<\/strong>. Apakah output sesuai harapan? Kalau ada error, agent bisa coba strategi alternatif.<\/p>\nInilah feedback loop<\/strong> \u2014 inti dari agentic behavior:<\/p>\nExecute \u2192 Observe \u2192 Evaluate \u2192 (Success \u2192 Next Step | Fail \u2192 Retry\/Replan)<\/p>\n Contoh konkret:<\/p>\n 1. Agent coba scrape website A \u2192 gagal (403 Forbidden)<\/p>\n 2. Agent observasi: kena blokir<\/p>\n 3. Agent evaluate: perlu rotate IP atau pake API<\/p>\n 4. Agent replan: coba pake proxy atau cari data dari sumber alternatif<\/p>\n Feedback loop inilah yang bikin AI Agent adaptif dan resilient.<\/p>\n Langkah 6: Memory \u2014 Mengingat dan Belajar<\/h3>\nAI Agent punya sistem memori yang memungkinkannya mengingat konteks dan belajar dari pengalaman:<\/p>\n \n\n\n| Tipe Memori<\/th>\n | Fungsi<\/th>\n | Contoh<\/th>\n<\/tr>\n<\/thead>\n | \n\nWorking Memory<\/strong><\/td>\n| Menyimpan konteks tugas saat ini<\/td>\n | Langkah apa yang udah dikerjakan<\/td>\n<\/tr>\n | \nShort-term Memory<\/strong><\/td>\n| Konteks percakapan<\/td>\n | Percakapan dengan user sebelumnya<\/td>\n<\/tr>\n | \nLong-term Memory<\/strong><\/td>\n| Pengetahuan dari tugas sebelumnya<\/td>\n | Preferensi user, pola error<\/td>\n<\/tr>\n | \nShared Memory<\/strong><\/td>\n| Dibagi antar agent<\/td>\n | Multi-agent system<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Implementasi teknis memori biasanya menggunakan vector database<\/strong> (seperti ChromaDB, Pinecone, atau Weaviate) untuk menyimpan dan mencari informasi relevan.<\/p>\nLangkah 7: Output & Handoff<\/h3>\nSetelah semua langkah selesai, agent menghasilkan output akhir<\/strong>. Bentuknya bisa bermacam-macam:<\/p>\n– Response langsung<\/strong> ke user (teks di chat)
\n– File<\/strong> (PDF, spreadsheet, dokumen)
\n– Aksi sistem<\/strong> (email terkirim, database terupdate, task terbuat)
\n– Handoff<\/strong> ke agent lain (di multi-agent system)<\/p>\nAgent juga bisa meminta konfirmasi<\/strong> ke user sebelum menjalankan aksi yang kritis atau irreversible.<\/p>\nStudi Kasus: AI Agent untuk Content Research<\/h2>\nBiar lebih konkret, ini contoh cara kerja AI Agent untuk tugas content research:<\/p>\n Prompt user:<\/h3>\n> “Buat outline artikel tentang 10 tools AI untuk UKM, lengkap dengan pricing dan review.”<\/p>\n Langkah agent:<\/h3>\n1. \u27a4 Search web untuk trending AI tools untuk UKM 2026<\/p>\n 2. \u27a4 Buka 3 artikel review teratas<\/p>\n 3. \u27a4 Ekstrak nama tools, pricing, fitur<\/p>\n 4. \u27a4 Cek harga di website resmi tiap tools<\/p>\n 5. \u27a4 Baca user review di G2\/Capterra<\/p>\n 6. \u27a4 Kompilasi jadi tabel komparatif<\/p>\n 7. \u27a4 Generate outline artikel (H2, H3, poin)<\/p>\n 8. \u27a4 Tampilkan ke user + tanya apakah perlu revisi<\/p>\n Total waktu: ~2-3 menit. Bandingkan kalau dikerjakan manual: 2-3 jam.<\/p>\n Optimasi Performa AI Agent<\/h2>\nBiar agent bekerja optimal, ada beberapa hal yang perlu diperhatikan:<\/p>\n – Prompt engineering<\/strong> \u2014 Tujuan harus jelas dan terukur
\n– Tool selection<\/strong> \u2014 Pilih tools yang stabil dan punya dokumentasi jelas
\n– Error handling<\/strong> \u2014 Kasih fallback plan kalau tool gagal
\n– Rate limiting<\/strong> \u2014 Jangan overload API
\n– Context management<\/strong> \u2014 Jaga konteks tetap relevan, nggak melebar
\n– Cost tracking<\/strong> \u2014 Monitor token usage biar nggak boncos<\/p>\nKenapa Kadang AI Agent Gagal?<\/h2>\nRealistis aja \u2014 AI Agent nggak selalu sempurna. Beberapa penyebab kegagalan:<\/p>\n \n\n\n| Masalah<\/th>\n | Penyebab<\/th>\n | Solusi<\/th>\n<\/tr>\n<\/thead>\n | \n\n| Hallucination<\/td>\n | LLM percaya diri ngasih info salah<\/td>\n | Tambah verification step<\/td>\n<\/tr>\n | \n| Tool error<\/td>\n | API down, rate limit, auth failed<\/td>\n | Retry logic + fallback<\/td>\n<\/tr>\n | \n| Infinite loop<\/td>\n | Agent stuck planning terus<\/td>\n | Max iteration limit<\/td>\n<\/tr>\n | \n| Context overflow<\/td>\n | Prompt+history kepanjangan<\/td>\n | Summarization + chunking<\/td>\n<\/tr>\n | \n| Wrong tool<\/td>\n | LLM salah milih tools<\/td>\n | Better tool descriptions<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nFAQ<\/h2>\nQ1: Apakah setiap AI Agent butuh LLM?<\/h3>\nYa. LLM adalah “otak” yang menangani reasoning, planning, dan natural language understanding.<\/p>\n Q2: Bahasa pemrograman apa yang dipakai untuk bikin AI Agent?<\/h3>\nPython paling dominan (ekosistem LangChain, CrewAI), diikuti JavaScript\/TypeScript untuk web-based agents.<\/p>\n Q3: Berapa lama waktu yang dibutuhkan agent untuk menyelesaikan satu tugas?<\/h3>\nTergantung kompleksitas. Tugas sederhana: detik-menit. Tugas kompleks (multi-step, banyak tool): menit-jam.<\/p>\n Q4: Bisakah AI Agent error dan looping terus?<\/h3>\nBisa. Makanya implementasi max iteration limit, timeout, dan human oversight itu wajib.<\/p>\n Q5: Apakah AI Agent bisa belajar dari kesalahan sendiri?<\/h3>\nBisa \u2014 melalui memory system dan feedback loop. Tapi untuk learning yang lebih permanen, butuh fine-tuning model.<\/p>\n Disclaimer<\/h2>\nPenjelasan di atas merepresentasikan arsitektur umum AI Agent per Juni 2026. Implementasi spesifik bisa berbeda tergantung framework, model, dan use case. Selalu lakukan testing menyeluruh sebelum deploy agent ke lingkungan produksi.<\/p>\n dYOR (Do Your Own Research)<\/h2>\nLanjut belajar dengan:<\/p>\n – Dokumentasi: LangGraph, Agents SDK (OpenAI), Google ADK
\n– Paper: “ReAct: Synergizing Reasoning and Acting in Language Models”
\n– Tutorial: Build your first AI Agent dengan Python
\n– Praktik: Coba AutoGPT atau BabyAGI
\n– Ikuti: GitHub trending repos untuk AI Agent frameworks<\/p>\n Saatnya Praktek Bikin AI Agent!<\/h2>\nTeori udah dikuasai. Sekarang saatnya praktek. Tapi belajar bikin AI Agent dari nol \u2014 apalagi kalau kamu bukan programmer \u2014 bisa makan waktu berminggu-minggu penuh frustrasi.<\/p>\n KomuniTech adalah platform belajar Karyawan AI untuk bisnis.<\/strong> Bukan kursus rekaman yang kamu tonton sendirian \u2014 di KomuniTech, kamu didampingi tim sampai AI Agent-mu benar-benar jalan, didukung komunitas praktisi aktif dan garansi hasil.<\/p>\nRobbie Jeo, CEO KomuniTech, menegaskan, “Kami tidak hanya mengajarkan teori \u2014 kami memastikan setiap peserta bisa membangun dan menjalankan AI Agent nyata untuk bisnis mereka.”<\/p>\n Jangan cuma baca \u2014 action! Mulai bangun AI Agent pertamamu bareng KomuniTech hari ini. \ud83d\ude80<\/p>\n","protected":false},"excerpt":{"rendered":" AI Agent bekerja dalam siklus agentic loop: pertama menerima tujuan dari user, lalu memecahnya jadi subtugas (planning), memilih dan menggunakan tools yang tepat (tool calling), menjalankan aksi (execution), mengamati hasilnya (observation), dan mengulangi siklus sampai tujuan tercapai. Otaknya adalah LLM, tubuhnya adalah tool integrations. — Pendahuluan Di artikel sebelumnya kita udah bahas apa itu AI […]<\/p>\n","protected":false},"author":0,"featured_media":104,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[8,6,10],"class_list":["post-39","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-agent","tag-agentic-ai","tag-ai-agent","tag-cara-kerja-ai-agent"],"_links":{"self":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/39","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/comments?post=39"}],"version-history":[{"count":2,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/39\/revisions"}],"predecessor-version":[{"id":58,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/39\/revisions\/58"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media\/104"}],"wp:attachment":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media?parent=39"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/categories?post=39"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/tags?post=39"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} | | | | | | | |