Arsitektur AI Agent

AI Agent bukan sekadar chatbot. Agent bisa mengambil keputusan, menggunakan tools, dan bekerja secara otonom untuk menyelesaikan tugas kompleks.

Agent vs Chatbot

| Aspek | Chatbot | AI Agent | |-------|---------|----------| | Input → Output | Pertanyaan → Jawaban | Goal → Plan → Execute → Result | | Tools | Tidak ada | Bisa panggil API, baca file, dll. | | Memory | Conversation saja | Long-term memory + context | | Autonomy | Rendah | Tinggi (bisa multi-step) | | Loop | Single turn | Multi-step loop |

Core Components

┌─────────────────────────────────────┐
│            AI Agent                 │
│                                     │
│  ┌──────────┐    ┌──────────────┐  │
│  │   LLM    │    │   Memory     │  │
│  │ (Brain)  │    │ (Short/Long) │  │
│  └────┬─────┘    └──────────────┘  │
│       │                             │
│  ┌────▼─────┐    ┌──────────────┐  │
│  │ Planner  │    │   Tools      │  │
│  │          │◄──►│ (Actions)    │  │
│  └────┬─────┘    └──────────────┘  │
│       │                             │
│  ┌────▼─────┐    ┌──────────────┐  │
│  │ Executor │    │  Guardrails  │  │
│  │          │◄──►│ (Safety)     │  │
│  └──────────┘    └──────────────┘  │
└─────────────────────────────────────┘

Agent Loop

async function agentLoop(goal: string, maxIterations = 10) {
  const memory = new Memory();
  let iteration = 0;

  while (iteration < maxIterations) {
    // 1. THINK — LLM memutuskan langkah berikutnya
    const thought = await llm.call([{
      role: "system",
      content: buildSystemPrompt(goal, memory, tools),
    }, {
      role: "user",
      content: "Apa langkah berikutnya?",
    }]);

    const action = parseAction(thought.content);

    // 2. ACT — Execute action
    if (action.type === "tool_call") {
      const result = await executeTool(action.tool, action.params);
      memory.add("observation", result);
    } else if (action.type === "answer") {
      return action.content; // Selesai!
    } else if (action.type === "think") {
      memory.add("thought", action.content);
    }

    iteration++;
  }

  return "Mencapai batas iterasi maksimum.";
}

ReAct Pattern

Reasoning + Acting — pola agent paling populer:

Thought: User bertanya tentang gas fee. Saya perlu mencari informasi terbaru.
Action: search("gas fee ethereum 2026")
Observation: Gas fee rata-rata 15-30 gwei untuk transaksi standar...
Thought: Saya punya informasi cukup untuk menjawab.
Answer: Gas fee di Ethereum saat ini...

function buildReActPrompt(goal: string, memory: Memory) {
  return `Kamu adalah AI agent. Gunakan pola Thought/Action/Observation.

TOOLS yang tersedia:
${tools.map((t) => "- " + t.name + ": " + t.description).join("\n")}

GOAL: ${goal}

Riwayat:
${memory.getHistory()}

Langkah berikutnya (Thought → Action atau Answer):`;
}

Contoh Agent: Research Agent

const researchAgent = new Agent({
  name: "Research Assistant",
  goal: "Riset topik dan buat ringkasan",
  tools: [webSearch, readArticle, summarize],
  llm: "gpt-4o",
  maxIterations: 5,
});

const result = await researchAgent.run(
  "Riset tentang tren AI agents di 2026 dan buat ringkasan 500 kata"
);

Latihan

Buat agent sederhana yang bisa: (1) menerima topik, (2) mencari informasi, (3) merangkum, dan (4) menyimpan hasil. Gunakan ReAct pattern.