Akèh-akèhé tim AI sing ngupaya ningkataké kinerja agen milih cara sing padha: jendhéla konteks luwih gedhé, dokumen luwih akèh, lan prompt luwih pinter. Artikel iki mratélakaké yèn naluri kuwi babar pisan klèru. Sing kurang dudu informasi luwih akèh. Nanging kontrol. Lapisan kontrol sing dirancang kanthi apik mbédakaké agen sing mung bisa digunakaké ing demo saka agen sing bisa digunakaké ing produksi.
Mènèhi agen AI memori luwih gedhé, dokumen luwih akèh, utawa jendhéla konteks luwih dawa ora ndadèkaké luwih pinter—mung luwih alon lan larang. Peningkatan sing nyata asalé saka mulang agen supaya milih apa sing dibutuhaké lan kapan perlu, tinimbang ngolah kabèh bebarengan.
Reliabilitas asalé saka loop, dudu model. Sing mbédakaké agen sing nyengsemaké ing demo saka agen sing tetep andal ing produksi dudu mutu AI-né, nanging apa sistemé mriksa gawéané dhéwé. Agen sing ngrancang, tumindak, ngamati, lan verifikasi ing saben langkah bisa nemokaké kaluputané dhéwé tinimbang yakin nalika nglakoni kesalahan.
Akèh-akèhé agen AI saiki sejatiné mung chatbot nganggo langkah tambahan—ora nduwé mekanisme kanggo ngerti apa isih ana ing jalur sing bener, kapan kudu mandheg, utawa kapan kudu nyoba cara liya. Lapisan kontrol sing bener—kritéria kasil sing cetha, status terstruktur, lan pamriksaan validasi—ngowahi barang sing mung wujudé kaya agen dadi sistem sing nyata-nyata bisa dipercaya.
What did you have for lunch yesterday?
Sampeyan mesthiné ora muter kabèh memori sing tau diduwèni nganti nemokaké “wingi + mangan awan”. Sampeyan langsung tumuju bagéan pengalaman sing ngemot konsep kasebut. Iki analogi sing migunani kanggo nggawé agen:
Jendhéla konteks sing gedhé dudu memori.
Tumpukan dokumen sing dijupuk dudu pangerten.
Ranté pikiran sing dawa dudu reliabilitas.
Kabèh kuwi mung bahan. Nanging sing ndadèkaké agen krasa kaya agen padha karo sing njalari otak ora mriksa kabèh riwayat urip kanthi brute-force: kontrol.
Survei anyar—Agentic Reasoning for Large Language Models—kanthi apik ngringkes (lan mènèhi jeneng) owah-owahan sing dirasakaké akèh pangembang: saka nalar ing njero model dadi nalar liwat interaksi. Tulisan iki dudu ringkesan makalah kasebut. Iki upaya kanggo ngetrapaké owah-owahan kasebut dadi rancangan sistem praktis:
Yèn sampeyan nggawé agen kaya chatbot nganggo alat, pola gagalé bakal tetep kaya chatbot—nanging kesalahané luwih larang.
Suwé-suwé, pedoman baku kanggo “nggawé model luwih pinter” kurang luwih yaiku: prompt luwih apik, ranté pikiran, konsistensi mandiri / peningkatan adhedhasar sampling, lan mbokmenawa panelusuran.
ReAct dadi titik balik amarga ndadèkaké “pikiran → tumindak → pengamatan” krasa lumrah. Nanging gatèkaké watesan sing ora diucapaké: akèh-akèhé isih dadi “inferensi conto pisanan, nanging tokené luwih akèh”. Survei iki luwih landhep: nalar agentik negesaké peningkatan interaksi nalika tes—ngowahi inferensi dadi proses iteratif sing tansah nglibataké model, memori, lan lingkungan.
Yèn sampeyan tau nggawé (utawa nganggo) agen sing nyengsemaké ing demo nanging ringkih ing alur kerja nyata, tulisan iki kanggo sampeyan.
Takjlèntrèhaké pola sing kerep dakdeleng (lan mesthi waé tau dakgawé dhéwé):
Jupuk model obrolan sing apik
Tambah sawetara alat (panelusuran, kueri DB, mbokmenawa eksekusi kode)
Tambah RAG
Tambah prompt sistem “you are an autonomous agent”
Lebokaké kabèh menyang while-loop nganti mandheg utawa entèk wektu
Sugeng, sampeyan saiki nduwé barang sing wujudé kaya agen. Nanging biyasané gagal kanthi cara sing bisa diprakirakaké:
Konteks kegedhèn: saben asil pengamatan ditambahaké; prompt dadi lapisan arkéologis.
Alat digunakaké sembarangan: “alaté salah nanging tetep yakin” dadi pola gagal baku.
Ora ana syarat mandheg: sistem terus mlaku amarga bisa, dudu amarga kudu.
Ora ana disiplin pendasaran: sistem ora ngerti yèn salah kajaba dipeksa mriksa.
Memori = riwayat obrolan: sejatiné mung nulis log banjur ngarani kuwi sinau.
Mula “agen” kerep katon ajaib ing demo nanging semrawut ing produksi. Pengalaman kita ngoperasèkaké sistem agentik ing produksi uga nuduhaké iki: nalika sing dievaluasi dudu manèh model nanging sistem, pola gagalé nyakup navigasi, tata cara panggunaan alat, pemangkasan konteks, lan rancangan evaluasi—ora mung “apa modelé mangsuli kanthi bener”.
Dadi pitakoné: agen sing dikarepaké kuwi kaya apa?
Supaya ora abstrak banget, iki conto alur kerja prasaja sing gampang dibayangaké wong akèh: “Book me a flight from London to New York next Tuesday. Arrive before 6pm. Keep it under £900. Aisle seat.”
Implementasi umum sing “wujudé kaya agen” kaya mangkéné:
Langsung njupuk akèh dokumen maskapai / kawicaksanan lelungan (sanajan durung ana sing dibutuhaké).
Nelpon alat panelusuran, nèmpèlaké dhaptar asil sing dawa menyang prompt, banjur “milih siji”.
Mesen kesusu tanpa verifikasi watesan (wektu tekan / bagasi / kursi / kawicaksanan).
Yèn gagal, sistem nyoba manèh nganggo cara sing rada béda—nanging tanpa ngerti kanthi cetha apa sing owah utawa apa sing wis disinaoni.
Penyebab gagalé dudu amarga model ora bisa nalar, nanging amarga sistem ora ngendhalèni alur kerjané.
Versi sing luwih agentik nganggep tugas iki minangka proses interaktif kanthi status lan pamriksaan sing cetha:
RANCANG: jlèntrèhaké manèh watesan + dhaptar informasi sing kurang (contone, “which airport preference?” / “is 1 stop ok?”).
TUMINDAK: nelpon panelusuran penerbangan nganggo kueri terstruktur (rentang tanggal, watesan wektu tekan, anggaran).
AMATI: simpen asil ing objèk status sing ringkes (5 calon paling apik kanthi rega/wektu tekan/transit), dudu tumpukan data gedhé sing ditempelaké.
ANYARI: sampurnakaké kueri yèn watesan ora kacukupan (contone, “arrival before 6pm is too strict—widen time window or raise budget?”).
VERIFIKASI: lakokaké validator (“arrival < 18:00,” “price ≤ £900,” “policy compliant,” “seat selection available”).
MANDHEG: mung sawisé API pemesanan ngasilaké konfirmasi lan kabèh validator lolos.
Owah-owahané ora ketara, nanging nemtokaké. Njupuk informasi ditindakaké kanthi syarat (dudu refleks), konteks dikelola (status ditata, ora mung ditumpuk), lan verifikasi dadi bagéan saka loop (ora dipasrahaké marang pangguna). Gantinen “mesen penerbangan” nganggo “nggawé pesenan tuku”, “mbalèkaké dhuwit”, “ngowahi konfigurasi produksi”, utawa “ngirim PR”; intiné padha: nalika agen bisa tumindak, loop luwih penting tinimbang prompt.
Survei ing ndhuwur nata nalar agentik dadi telung lapisan: dhasar (ngrancang/nggunakaké alat/panelusuran), ngrembaka dhéwé (umpan balik + memori), lan kolektif (koordinasi multiagen).
Nanging gagasan sing luwih jero yaiku: nalar dadi prinsip kanggo nata perencanaan, pengambilan keputusan, lan verifikasi—ora mung ngasilaké ranté pikiran sing katon mlebu nalar. Iki katon abstrak nganti sampeyan nggandhèngaké karo owah-owahan ing arsitektur. Ana telung poin utama sing kudu diélingi:
Agen sing apik ora kena nganggep njupuk informasi minangka “mesthi kudu ditindakaké”. Iki keputusan, dudu refleks.
Iki pedoman praktisé:
Yèn sistem sampeyan njupuk informasi saben giliran, sampeyan ora nggawé sistem retrieval—sampeyan nggawé pajeg konteks.
Iki kerep banget kedadéan ing pakaryan nyata. Nalika ndandani insiden produksi, sampeyan ora nglebokaké kabèh log menyang konteks; sampeyan nemtokaké metrik/log sing kudu dijupuk sabanjuré adhedhasar hipotesis saiki. Kuwi sing diarani “retrieval agentik”. Iki pola sing luwih nyata:
Temtokaké apa sampeyan perlu njupuk informasi
Yèn perlu: susun kueri, jupuk, waca sekilas, ekstrak
Yèn buktiné bertentangan: jupuk manèh
Sawisé kuwi lagi sintesis
Ing kéné “RAG agentik” wiwit béda saka RAG tradisional: njupuk informasi dadi langkah nalar sing disengaja, dudu tahap baku ing pipeline.
Nalika sampeyan mandheg ngevaluasi “model” lan wiwit ngevaluasi “sistem”, pelacakan status lan tracing dadi penting.
Salah siji bab sing saiki wis dijlentrehaké industri yaiku observabilitas kanggo alur kerja agen. Contoné, Agents SDK saka OpenAI dilengkapi tracing bawaan lan dasbor Traces sing nyathet operasi agen (generasi, panggilan alat, handoff, guardrail, lan prastawa kustom), supaya sampeyan bisa ndandani masalah lan ngaudit kedadéan saben langkah.
Kuwi dudu fitur “apik yèn ana”. Kuwi sing mbédakaké sistem sing bisa didandani saka sistem sing mung bisa ditaksir adhedhasar rasa.
Miturutku, bagéan survei sing paling gampang ditindaklanjuti yaiku katrangané sing gamblang babagan umpan balik. Umpan balik dipérang dadi telung pola: umpan balik reflektif (ngasilaké → ngritik → ndandani), adaptasi parametrik (sinau liwat fine-tuning / RL), lan umpan balik adhedhasar validator (nyoba manèh nganti lolos validator).
Akèh-akèhé tim kuduné miwiti saka umpan balik adhedhasar validator amarga pancèn ora nyenengaké, nanging efektif. Yèn sampeyan bisa nulis validator apa waé sing nglakokaké unit test, mriksa skema, netepaké aturan / watesan bisnis (“ora kena mbalèkaké dhuwit luwih saka X tanpa eskalasi”), utawa mesthèkaké kabeneran fakta (“wajib ana sitasi”), output model sing nondeterministik bisa diowahi dadi asil sing nyata-nyata bisa dipercaya.
Salah siji owah-owahan sing sadurungé ora disadari iki prasaja: ing jagaté agen, reliabilitas kerep luwih asal saka loop tinimbang model.
Iki disiplin loop paling prasaja sing daktemokaké lan bisa ningkataké prilaku kanthi konsisten tanpa pelatihan:
Makarya kanthi langkah: Rancang → Tumindak → Amati → Anyari,
Sawisé saben Tumindak, ringkesen Asil Pengamatan dadi 1–3 poin,
Mandheg nalika kritéria kasil wis kacukupan utawa anggaran wis entèk; balèkaké asil paling apik sing dingertèni + kahanan sing isih durung mesthi.
Tujuané dudu supaya model dadi kakehan omong. Tujuané supaya sistem gampang dimangertèni lan dipeksa “nyambung karo kasunyatan” ing saben langkah. Conto sing gampang dipahami insinyur yaiku pendasaran loop tertutup kaya CI:
Rancang: usulaké dhaptar owah-owahan
Tumindak: lakokaké tes / lint
Amati: parsing kegagalan
Anyari: tambal lan coba manèh
Sawetara pitakon iki biyasané bisa mbukak rancangan agen sing ora disengaja:
“Apa agenku milih informasi sing perlu dijupuk, utawa aku mesthi njupuk kabèh?”
Yèn njupuk informasi tansah ditindakaké tanpa syarat, sampeyan kudu nanggung latensi, biaya, konteks sing saya encer, lan risiko sampah mlebu / sampah metu sing luwih dhuwur.
“Apa agenku bisa ngerti yèn dhèwèké salah?”
Yèn siji-sijiné sinyal umpan balik kanggo agen sampeyan yaiku “pangguna dadi jèngkèl”, tegesé sampeyan nglakokaké RL nganggo kasangsarané manungsa. Loop nyoba manèh adhedhasar validator minangka cara paling resik kanggo mriksa asil nganggo kasunyatan.
“Apa memori bisa ditulisi lan saya apik suwiné?”
Yèn “memori” sampeyan mung nambahi riwayat obrolan, sejatiné sampeyan mung nulis log. Cara survei iki njlèntrèhaké memori iku penting: memori dadi konteks sing terus tuwuh lan disampurnakaké agen sairing wektu—ora mung transkrip.
Log ngandhani apa sing wis kedadéan, déné memori ngandhani apa sing kudu ditindakaké mbésuk. Riwayat obrolan iku transkrip. Memori iku kawicaksanan sing terus owah babagan apa sing pantes digawa menyang tugas sabanjuré.
Kanggo miwiti, gawé tabel cilik “piwulang sing dipikolehi” nganggo jinis tugas, alat, lan pola kegagalan minangka kunci, sarta apa sing kasil lan sing kudu diéndhani minangka nilainé. Tujuané dudu nggawé grafik kawruh sing sampurna. Tujuané yaiku nggawé prilaku sing mupangaté terus ngrembaka: memori + umpan balik ngowahi agen saka “pambantu tanpa status” dadi sistem sing saya apik sairing wektu.
Ana godhaan kanggo nambahi agen supaya ngrampungaké masalah, nanging iki kerep malah nggandhakaké beban koordinasi. Pola “tim minimal sing layak” sing apik:
Koordinator: mecah tugas + maringi tugas
Eksekutor: nelpon alat / nindakaké owah-owahan
Kritikus/evaluator: mriksa kabeneran/risiko
Panjaga memori: nulis/ngurasi piwulang
Yèn sampeyan ora bisa njlèntrèhaké tanggung jawab saben agen, mbokmenawa sampeyan durung mbutuhaké akèh agen.
Yèn kita tenan nampa owah-owahan paradigma iki, kita mesthiné mandheg nglebokaké kabèh menyang prompt, nganggep kegagalan minangka output pungkasan, lan ngevaluasi agen kaya chatbot. Banjur kita wiwit nganggep agen kaya wujud sakjané: sistem piranti lunak sing nganggo basa minangka bidang kontrol—lan reliabilitasé asal saka loop.
Sadurungé nambah model manèh, tambahana loop evaluasi. Sadurungé njupuk kabèh informasi, gawé prosesé dadi bersyarat. Rilis siji validator sadurungé ngrilis sepuluh. Anggepen memori minangka keputusan kawicaksanan, dudu basis data. Lan nalika arep nganggo multiagen, wiwitana nganggo rong agen, dudu rong puluh. Iki dudu aturan, nanging pola sing wis kabukten bisa bertahan ing produksi.