Seluruh Artikel Bermanfaat
  • Home
  • Microsoft office
    • Microsoft Word
    • Microsoft Excel
    • Microsoft Power Point
  • About
  • Contact

AI AGENT ENGINEERING & AUTONOMOUS SYSTEMS - LEVEL 21

 Willong     Oktober 24, 2026     Microsoft Excel     No comments   

AI AGENT ENGINEERING & AUTONOMOUS SYSTEMS

Dari Chatbot menjadi AI yang Bisa Bekerja

Pada Level 20 kita sudah mempelajari:

  • LLM

  • Prompt Engineering

  • Embedding

  • Vector Database

  • RAG

  • Fine-Tuning

  • LoRA / PEFT

  • Tool Calling

  • Text-to-SQL

  • Multimodal AI

  • AI Governance

Sekarang kita naik ke tahap berikutnya:

AI AGENT ENGINEERING

Perbedaannya sederhana.

Chatbot biasa

User
 ↓
Question
 ↓
LLM
 ↓
Answer

AI Agent

User
 ↓
Goal
 ↓
AI Agent
 ↓
Plan
 ↓
Tools
 ↓
Observe
 ↓
Reason
 ↓
Act
 ↓
Verify
 ↓
Result

Agent tidak hanya menghasilkan teks.

Agent dapat menjalankan pekerjaan.


1. Apa Itu AI Agent?

AI Agent adalah sistem AI yang dapat:

  • memahami tujuan,

  • membuat rencana,

  • menggunakan tools,

  • mengambil informasi,

  • melakukan tindakan,

  • mengevaluasi hasil,

  • dan menyelesaikan workflow.

Contoh:

User:

"Cari produk dengan penjualan turun paling besar dan buat laporan."

Agent:

1. Ambil data sales
2. Bandingkan periode
3. Hitung perubahan
4. Ranking produk
5. Cari penyebab
6. Buat laporan
7. Simpan laporan

Ini sudah lebih dari sekadar chatbot.


2. Agent Loop

Salah satu konsep paling penting:

        ┌──────────────┐
        │     GOAL     │
        └──────┬───────┘
               ↓
            PLAN
               ↓
            ACTION
               ↓
             TOOL
               ↓
           OBSERVE
               ↓
           EVALUATE
               │
        ┌──────┴──────┐
        │             │
      DONE          CONTINUE
        │             │
        ▼             └──────► PLAN
      RESULT

Agent melakukan loop sampai tujuan tercapai atau batas eksekusi tercapai.


3. Goal

Agent membutuhkan tujuan yang jelas.

Contoh:

Goal:
"Analisis penurunan penjualan bulan ini."

Agent harus menentukan:

Apa yang harus dilakukan?
Data apa yang diperlukan?
Tool apa yang diperlukan?
Kapan pekerjaan dianggap selesai?

4. Planning

Agent memecah pekerjaan besar menjadi tugas kecil.

Contoh:

GOAL
 ↓
Analisis sales
 ↓
TASK 1: Ambil data
 ↓
TASK 2: Hitung perubahan
 ↓
TASK 3: Cari produk bermasalah
 ↓
TASK 4: Cari wilayah bermasalah
 ↓
TASK 5: Cari kemungkinan penyebab
 ↓
TASK 6: Buat rekomendasi

Ini disebut:

Task Decomposition


5. ReAct Pattern

Salah satu pola agent yang penting adalah:

REASON
 ↓
ACT
 ↓
OBSERVE
 ↓
REASON
 ↓
ACT
 ↓
OBSERVE

Contoh:

Reason:
Saya membutuhkan data sales.

Act:
Panggil SQL Tool.

Observe:
Data berhasil diperoleh.

Reason:
Saya perlu membandingkan bulan lalu.

Act:
Panggil SQL Tool lagi.

Observe:
Data tersedia.

Kemudian agent melanjutkan analisis.


6. Tool

Tool adalah kemampuan eksternal yang dapat digunakan agent.

Contoh:

SQL Tool
Search Tool
CRM Tool
ERP Tool
Email Tool
Calendar Tool
File Tool
API Tool
Python Tool
Calculator

LLM sendiri tidak harus melakukan semuanya.

LLM menentukan:

"Tool mana yang diperlukan?"


7. Tool Schema

Tool harus mempunyai definisi yang jelas.

Contoh konsep:

{
  "name": "get_sales",
  "description": "Mengambil data penjualan",
  "parameters": {
    "start_date": "date",
    "end_date": "date",
    "product": "string"
  }
}

Agent mengetahui:

Nama Tool
Tujuan Tool
Parameter
Format Input
Format Output

8. Function Calling

Agent dapat memilih function berdasarkan kebutuhan.

Contoh:

User:
"Berapa sales hari ini?"

Agent memutuskan:

Function:
get_sales()

Backend menjalankan function.

Kemudian hasil dikembalikan:

Sales = Rp87.500.000

LLM membuat jawaban.


9. Tool Result

Jangan memberikan hasil tool dalam format yang tidak jelas.

Lebih baik:

{
  "status": "success",
  "total_sales": 87500000,
  "currency": "IDR",
  "period": "2026-10-05"
}

Agent dapat memproses hasil tersebut dengan lebih aman.


10. Agent State

Agent perlu mengetahui kondisi pekerjaannya.

Contoh:

STATE

goal:
Analisis sales

completed:
- get_sales
- compare_period

pending:
- analyze_product
- generate_report

errors:
none

State memungkinkan agent melanjutkan workflow dengan terstruktur.


11. Short-Term Memory

Short-term memory menyimpan konteks pekerjaan saat ini.

Contoh:

User:
Analisis sales.

Agent:
Saya akan mengambil data.

Tool:
Data sales tersedia.

Agent:
Saya menemukan penurunan 12%.

Agent perlu mempertahankan konteks tersebut selama workflow.


12. Long-Term Memory

Long-term memory dapat digunakan untuk informasi yang memang perlu dipertahankan.

Contoh:

Perusahaan menggunakan target:
Rp1 Miliar/bulan

Pada percakapan berikutnya agent dapat menggunakan informasi tersebut jika memang disimpan dan diizinkan.

Namun tidak semua percakapan harus disimpan.


13. Memory Architecture

              AGENT
                │
       ┌────────┴────────┐
       ▼                 ▼
SHORT-TERM          LONG-TERM
 MEMORY               MEMORY
       │                 │
       ▼                 ▼
Conversation        Vector DB
State               Database
Task                Profile
Context             Knowledge

Memory harus memiliki:

  • permission,

  • retention policy,

  • deletion mechanism,

  • audit.


14. Agent dengan RAG

Agent dapat menggunakan RAG sebagai salah satu tool.

Agent
  │
  ├── SQL Tool
  ├── CRM Tool
  ├── RAG Tool
  ├── Search Tool
  └── Email Tool

Jika user bertanya:

"Apa aturan retur Produk A?"

Agent:

RAG Tool
 ↓
Product Policy
 ↓
Relevant Document
 ↓
LLM
 ↓
Answer

15. Agent dengan SQL

Contoh:

"Produk apa yang penjualannya turun lebih dari 20%?"

Agent:

Question
 ↓
Plan
 ↓
SQL Tool
 ↓
Database
 ↓
Result
 ↓
Analysis

SQL dapat menghitung:

Current Sales
Previous Sales
Growth %

Kemudian agent menjelaskan hasilnya.


16. Agent dengan API

Agent dapat menggunakan API.

Contoh:

Weather API
Payment API
Shipping API
Marketplace API
CRM API
ERP API

Misalnya:

"Apakah pesanan #123 sudah dikirim?"

Agent:

Order Tool
 ↓
API
 ↓
Tracking
 ↓
Result

Kemudian:

"Pesanan #123 sudah dikirim dan sedang dalam perjalanan."


17. Agent dengan File

Agent dapat bekerja dengan:

Excel
CSV
PDF
DOCX
JSON

Contoh:

"Analisis file sales.xlsx."

Workflow:

Upload File
 ↓
Read
 ↓
Validate
 ↓
Analyze
 ↓
Generate Report

18. Agent dengan Python

Python dapat menjadi tool untuk pekerjaan analitik.

Contoh:

Agent
 ↓
Python Tool
 ↓
Pandas
 ↓
Data Analysis
 ↓
Chart
 ↓
Result

Agent dapat meminta Python melakukan perhitungan yang lebih kompleks.


19. Agent dengan Database

Arsitektur:

AI Agent
    │
    ▼
Database Tool
    │
    ▼
Read-only DB
    │
    ▼
Query

Untuk keamanan, gunakan database account khusus:

AI_ANALYST_READONLY

Permission:

SELECT = YES
INSERT = NO
UPDATE = NO
DELETE = NO
DROP = NO

20. Guardrails

Agent yang memiliki tools harus mempunyai guardrails.

Contoh:

Input Validation
Permission Check
Tool Allowlist
Output Validation
Budget Limit
Time Limit
Action Limit
Human Approval

21. Action Limit

Agent jangan dibiarkan menjalankan loop tanpa batas.

Misalnya:

Max Tool Calls = 20
Max Runtime = 5 minutes
Max Cost = $1

Jika melewati batas:

STOP

22. Human Approval

Tindakan tertentu harus membutuhkan approval.

Contoh:

AI:
Saya ingin mengubah harga Produk A
dari Rp100.000 menjadi Rp90.000.

[APPROVE] [REJECT]

Setelah manager approve:

AI
 ↓
Pricing API
 ↓
Harga berubah

23. Risk-Based Autonomy

Tidak semua tugas memiliki risiko yang sama.

Level 1 — Low Risk

Read Data
Search
Summarize
Analyze

AI dapat otomatis.

Level 2 — Medium Risk

Create Draft
Create Report
Prepare Email

AI dapat melakukan tetapi mungkin membutuhkan review.

Level 3 — High Risk

Transfer Money
Delete Data
Change Price
Approve Payment

Wajib human approval.


24. Multi-Agent System

Satu agent tidak selalu cukup.

Kita dapat membangun beberapa agent.

Contoh:

                ORCHESTRATOR
                     │
       ┌─────────────┼─────────────┐
       ▼             ▼             ▼
  SALES AGENT   FINANCE AGENT   INVENTORY AGENT
       │             │             │
       ▼             ▼             ▼
     SALES          FINANCE       STOCK

25. Sales Agent

Tugas:

Sales analysis
Customer analysis
Sales forecasting
Product analysis

Tools:

SQL
CRM
BI
Forecast Model

26. Finance Agent

Tugas:

Revenue
Expense
Cash flow
Budget
Financial report

Tools:

Finance DB
Accounting API
Excel
Report Generator

27. Inventory Agent

Tugas:

Stock monitoring
Reorder
Slow moving products
Stockout prediction

Tools:

ERP
Warehouse API
Forecast Model

28. Agent Orchestrator

Orchestrator menentukan agent mana yang bekerja.

User:

"Penjualan turun dan beberapa produk mulai habis."

Orchestrator:

Sales Agent
      ↓
Inventory Agent
      ↓
Combine Result
      ↓
Final Analysis

29. Multi-Agent Workflow

USER
  ↓
ORCHESTRATOR
  │
  ├──► SALES AGENT
  │       ↓
  │    Sales Analysis
  │
  ├──► INVENTORY AGENT
  │       ↓
  │    Stock Analysis
  │
  └──► FINANCE AGENT
          ↓
       Margin Analysis
             │
             ▼
        ORCHESTRATOR
             │
             ▼
       FINAL REPORT

30. Agent-to-Agent Communication

Agent harus memiliki format komunikasi yang jelas.

Contoh:

{
  "from": "sales_agent",
  "to": "inventory_agent",
  "task": "check_stock",
  "products": [
    "Product A",
    "Product B"
  ]
}

Response:

{
  "status": "success",
  "products": [
    {
      "name": "Product A",
      "stock": 12
    }
  ]
}

31. Workflow vs Agent

Tidak semua pekerjaan membutuhkan agent.

Gunakan workflow jika prosesnya:

Tetap
Terstruktur
Predictable

Contoh:

Ambil data
 ↓
Hitung
 ↓
Generate PDF
 ↓
Email

Agent lebih cocok jika:

Tujuan kompleks
Langkah tidak selalu sama
Perlu reasoning
Perlu memilih tools

32. Agent Evaluation

Agent harus dievaluasi.

Pertanyaan:

Apakah agent memilih tool yang benar?
Apakah hasilnya benar?
Apakah agent berhenti ketika selesai?
Apakah agent aman?
Apakah agent terlalu banyak memanggil tool?

Metric:

Task Success Rate
Tool
  • Share This:  
  •  Facebook
  •  Twitter
  •  Google+
  •  Stumble
  •  Digg
Kirimkan Ini lewat EmailBlogThis!Bagikan ke XBerbagi ke Facebook
Posting Lebih Baru Posting Lama Beranda

0 Comments:

Posting Komentar

Label

  • Microsoft Excel (35)
  • Microsoft Power Point (27)
  • MICROSOFT WORD (47)

Popular Posts

  • Tutorial Microsoft Excel untuk Pemula
    Tutorial Microsoft Excel untuk Pemula: Panduan Lengkap dari Nol Microsoft Excel adalah salah satu aplikasi yang banyak digunakan untuk mengo...
  • Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis
      Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis Setelah menguasai Excel tingkat pemula dan menengah, tahap berikutn...
  • Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional
     Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional Setelah menguasai Excel tingkat lanjutan, kini saatnya masuk ke...
  • TUTORIAL MICROSOFT WORD - LEVEL 1
      TUTORIAL MICROSOFT WORD MENGENAL MICROSOFT WORD UNTUK PEMULA Tujuan Pembelajaran Setelah menyelesaikan Level 1, pembaca diharapkan mampu: ...
  • Tutorial Cara Membuat Surat Undangan Profesional di Microsoft Word - Level 17
      T utorial Cara Membuat Surat Undangan Profesional di Microsoft Word Tujuan Pembelajaran Setelah mengikuti tutorial ini, pembaca diharapkan...
  • Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional - Level 19
     Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional Tujuan Pembelajaran Setelah menyelesaikan tutorial ini, pembaca diharapkan...
  • Tutorial Enterprise AI & Data Architect - Level 15
    Enterprise AI & Data Architect Membangun Platform Data, BI, Machine Learning, dan AI Terintegrasi Level 15 adalah tahap ketika kita berh...
  • DEEP LEARNING & NEURAL NETWORKS - LEVEL 19
       DEEP LEARNING & NEURAL NETWORKS Dari Neural Network Dasar sampai Transformer Deep Learning adalah cabang Machine Learning yang menggu...
  • TUTORIAL MICROSOFT WORD - LEVEL 12
     TUTORIAL MICROSOFT WORD  MEMBUAT FOOTNOTE DAN ENDNOTE DI MICROSOFT WORD Tujuan Pembelajaran Setelah menyelesaikan Level 12, pembaca diharap...
  • Tutorial Machine Learning & Advanced Analytics - Level 13
      Tutorial Machine Learning & Advanced Analytics Dari Data Engineering Menuju Prediksi dan Sistem Cerdas Pada Level 12 kita sudah memban...

Pages

  • Beranda
  • Tentang Saya

Blog Archive

  • November 2026 (51)
  • Oktober 2026 (58)

Laporkan Penyalahgunaan

Seluruh Artikel Bermanfaat

Willong
Indonesia
Lihat profil lengkapku

Popular Posts

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

November 16, 2026
Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word -  Level 42

Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word - Level 42

November 16, 2026
Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

November 18, 2026

Copyright © Seluruh Artikel Bermanfaat | Powered by Blogger