1
Di Luar Chatbot: Arsitektur Agen Otonom
EvoClass-AI005Lecture 5
00:00

Selamat datang pada peralihan dari konsumsi AI pasif menjadi pengaturan AI aktif. Untuk memahami "Karyawan Digital," kita harus terlebih dahulu membedakan antara chatbot standar dan Agen Otonom. Sementara interaksi LLM tradisional bersifat reaktif—bergantung pada pola sederhana Masukan → Keluaran pola—agen otonom beroperasi dalam lingkaran rekursif yang didefinisikan oleh rumus:

$$ \text{Tujuan} + \text{Pemikiran} + \text{Alat} = \text{Hasil} $$

1. LLM sebagai Unit Pemrosesan Pusat

Dalam arsitektur ini, Large Language Model (LLM) bertindak sebagai "otak" atau CPU. Ia menyediakan logika inti dan kemampuan linguistik, tetapi agar bisa berfungsi sebagai karyawan, ia harus didukung oleh kerangka kerja yang memungkinkan persistensi dan eksekusi.

2. Tiga Pilar Arsitektur Agen

Agar otak ini efektif, ia bergantung pada tiga pilar:

  • Perencanaan: Menguraikan tujuan kompleks menjadi tugas-tugas kecil.
  • Memori: Menyimpan konteks dari interaksi sebelumnya dan data jangka panjang.
  • Aksi: Melaksanakan tugas di dunia digital melalui alat.

Kita tidak lagi hanya memberi instruksi; kita sedang merancang sistem yang mampu mengenali lingkungan dan melakukan koreksi diri saat menemui kesalahan.

Struktur Logika Agen
Question 1
What represents the "Brain" of an autonomous agent in this architecture?
The Database
The Large Language Model (LLM)
The User Interface
Question 2
Which pillar is responsible for breaking down a complex project into manageable sub-tasks?
Action
Memory
Planning
Challenge: Identifying Agentic Behavior
Analyze the workflow of an autonomous agent.
You ask an AI to "Find three flights to New York, pick the cheapest, and draft an email to my manager."
Step 1
Identify the "Reasoning" step in this workflow.
Solution:
The reasoning occurs when the agent compares the prices of the three flights and selects the lowest one based on the user's criteria.