Meja Komputer Minimalis
beli di sini
Acer Aspire Go Spin hanya 8 jt-an
beli di sini
Meja Laptop Roda Meja Belajar Standing
beli di sini
Dalam membangun solusi berbasis kecerdasan artifisial, tantangan terbesar bagi para software engineer bukan lagi sekadar memilih model LLM (Large Language Model) terbaik, melainkan bagaimana merancang arsitektur sistem agen (agentic system) yang tangguh, terprediksi, dan efisien.
Banyak engineer memulai dengan satu prompt raksasa untuk menangani seluruh logika bisnis. Namun, seiring bertambahnya integrasi tools dan kompleksitas alur kerja, pendekatan monolitik ini cepat runtuh.
Di sinilah Agent Development Kit (ADK) dari Google hadir membawa abstraksi standar rekayasa perangkat lunak ke dalam orkestrasi AI Agent.
Artikel ini membedah tiga pola desain dasar (design patterns) agen AI yang wajib dipahami: Single Agent, Sequential Agent, dan Parallel Agent, lengkap dengan studi kasus rencana perjalanan (trip planning), perbandingan trade-off, serta mekanismenya.
1. Single Agent Pattern: Fondasi Sederhana dan Fleksibel
Pola paling mendasar dalam arsitektur agen adalah Single Agent Pattern.
[ User Prompt ] ──► [ Single Agent (LLM Reasoning + Tools) ] ──► [ Final Output ]
Cara Kerja
Pada pola ini, sistem hanya mengandalkan satu agen otonom. Agen dibekali instruksi sistem (system prompt) yang komprehensif serta serangkaian perkakas (tools), misalnya Google Search Tool.
Agen sepenuhnya mengandalkan kemampuan penalaran (reasoning capability) internal model LLM untuk menentukan urutan langkah: memanggil tools, mengevaluasi payload respons, mengulangi pemanggilan jika data kurang, dan menyusun jawaban akhir.
Studi Kasus: Trip Planning
Saat pengguna me-request: "Rencanakan perjalanan 3 hari ke Kota Jogjakarta lengkap dengan rekomendasi restoran Gudeg yang buka larut malam dan rute tercepat menuju ke sana."
Dalam Single Agent:
Agen menerima prompt masif tersebut.
Melalui reasoning loop, agen memanggil alat pencarian untuk mencari tiket, tempat wisata, jam operasional restoran Gudeg, hingga rute transportasi secara berulang dalam satu konteks sesi percakapan.
Evaluasi & Trade-off
Kelebihan:
Sangat cepat dan mudah diimplementasikan (low barrier to entry).
Sangat fleksibel untuk tugas multi-step yang sifatnya kasual dan tidak membutuhkan determinisme ketat.
Kelemahan:
Non-deterministik & Sulit Dikontrol: Karena seluruh logika ditumpuk ke dalam instruksi prompt, LLM rentan melewatkan salah satu langkah instruksi.
Kerapuhan pada Alur Kompleks: Semakin banyak tools yang didaftarkan, semakin tinggi risiko halusinasi atau pemanggilan tool yang salah (wrong tool routing).
2. Sequential Agent Pattern: Jalur Perakitan Deterministik (Assembly Line)
Ketika bisnis Anda membutuhkan kontrol ketat, kepatuhan alur kerja (compliance), dan hasil yang terprediksi, Sequential Agent Pattern adalah solusi ideal.
[ Input ] ──► [ Food Agent ] ──(Shared Session State)──► [ Transport Agent ] ──► [ Output ]
Cara Kerja
Pola ini memecah masalah besar menjadi beberapa sub-agen yang terspesialisasi secara modular. Prosesnya bekerja layaknya jalur perakitan pabrik (assembly line), di mana output dari satu agen menjadi input langsung bagi agen berikutnya dalam urutan yang kaku dan tetap.
Mekanisme Komunikasi: Shared Session State
Di Google ADK, antar-agen dalam alur sekuensial tidak saling melempar teks mentah tanpa struktur. Mereka berkomunikasi melalui shared session state (memori kerja jangka pendek).
Agen pertama (misal: Food Agent) mencari dan menulis hasil temuannya ke dalam state.
Agen berikutnya (misal: Transportation Agent) membaca nilai dari state tersebut menggunakan injeksi variabel berbasis kurung kurawal
{session.food_recommendation}di dalam sistem prompt-nya.
Studi Kasus: Trip Planning
Untuk menyelesaikan skenario mencari makanan larut malam dan rute tercepat:
Agen 1 (Food Specialist): Diberi mandat tunggal mencari restoran Gudeg di Jogjakarta yang buka di atas pukul 22:00. Setelah menemukan lokasi spesifik, ia mencatat nama dan koordinat restoran ke dalam session state.
Agen 2 (Transportation Specialist): Terpicu otomatis setelah Agen 1 selesai. Ia membaca lokasi restoran dari state, lalu mencari opsi rute tercepat dan estimasi waktu tempuh dari hotel.
Evaluasi & Trade-off
Kelebihan:
Tingkat Kontrol Sangat Tinggi: Eksekusi terstruktur, deterministik, dan mudah di-debug melalui fitur tracing Google ADK.
Instruksi Ramping: Setiap agen hanya memiliki satu tugas fokus, sehingga prompt tidak mengalami kelebihan beban (prompt bloating).
Kelemahan:
Kaku (Rigid): Tidak mampu beradaptasi secara dinamis jika urutan alur tiba-tiba perlu melompat atau bercabang berdasarkan kondisi tak terduga.
Latensi Terakumulasi: Setiap agen harus menunggu agen sebelumnya selesai secara linier.
3. Parallel Agent Pattern: Konkurensi & Efisiensi Latensi Tinggi
Sering kali dalam perencanaan sistem, beberapa tugas tidak memiliki ketergantungan data satu sama lain. Menjalankannya secara berurutan adalah bentuk pemborosan waktu. Di sinilah Parallel Agent Pattern berperan.
┌──► [ Museum Agent ] ──┐
│ │
[ Input Query ] ──┼──► [ Concert Agent ] ──┼──► [ Aggregator Agent ] ──► [ Final Plan ]
│ │
└──► [ Restaurant Agent ] ┘
Cara Kerja
Pola ini mengeksekusi beberapa agen spesialis secara bersamaan (concurrent) untuk menyelesaikan tugas-tugas yang sepenuhnya independen.
Setelah seluruh sub-agen menyelesaikan tugas masing-masing dan mencatat hasilnya ke shared session state, sistem umumnya menyambungkannya dengan satu agen penutup: Aggregator / Summarizing Agent untuk mensintesis seluruh data mentah menjadi satu kesatuan dokumen yang rapi.
Studi Kasus: Trip Planning
Pengguna meminta rencana liburan akhir pekan lengkap dengan opsi hiburan seni, konser musik, dan kuliner:
Google ADK secara serentak (parallel dispatch) memicu tiga agen spesialis:
Museum Finder Agent: Menelusuri pameran seni terkini.
Concert Finder Agent: Menelusuri jadwal pertunjukan musik lokal.
Restaurant Finder Agent: Mencari tempat makan siang populer.
Ketiga agen bekerja secara independen di latar belakang.
Setelah ketiganya selesai, Trip Aggregator Agent membaca seluruh hasil dari memori state dan merangkumnya menjadi jadwal perjalanan per jam yang harmonis.
Evaluasi & Trade-off
Kelebihan:
Pemangkasan Latensi Signifikan: Waktu total eksekusi hanya selama waktu proses agen yang paling lambat, bukan penjumlahan dari semua agen.
Modularitas Ekstrem: Penambahan kategori baru (misal: Hotel Agent) tidak mengganggu logika sub-agen lainnya.
Kelemahan:
Biaya Token / Komputasi: Menjalankan banyak LLM secara simultan melipatgandakan konsumsi API token secara instan.
Kerumitan Sintesis: Membutuhkan fase aggregation ekstra untuk memastikan tidak ada tabrakan jadwal (schedule conflict) antar hasil rekomendasi.
Apa Selanjutnya?
Menguasai ketiga pola dasar di atas adalah fondasi wajib sebelum melangkah ke sistem orkestrasi skala enterprise. Di artikel dan pembahasan berikutnya, kita akan mendalami pola-pola tingkat lanjut (advanced patterns):
Loop and Critique Pattern: Menerapkan mekanisme umpan balik dan evaluasi mandiri (self-correction/reviewer) sebelum agen memberikan jawaban akhir ke pengguna.
Coordinator / Orchestrator Pattern: Agen pusat berkemampuan dynamic routing yang secara cerdas mendistribusikan instruksi ke agen bawahan berdasarkan konteks dinamis.
Agent as a Tool Pattern: Paradigma di mana sebuah agen otonom dibungkus rapi sehingga dapat diperlakukan sebagai sebuah tool fungsional yang dapat dipanggil oleh agen orkestrator lainnya.
Pantau terus artikel arsitektur dan sistem engineering AI di halovina.com untuk membedah implementasi produksi AI Agent yang aman, modular, dan terukur.