Ada berbagai jenis agen AI. Beberapa hanya bereaksi terhadap input yang ada saat itu. Yang lain mengingat konteks, membandingkan opsi, belajar dari umpan balik, atau berkoordinasi dengan agen lain. Memilih jenis yang tepat membantu Anda menyesuaikan agen dengan alur kerja. Panduan ini menjelaskan jenis-jenis utama agen AI dan menggambarkan kemampuan agen AI yang kuat dengan menggunakan Kimi AI Agent sebagai contoh.
Mengapa Jenis Agen AI Penting dalam Praktik
Dari prediksi ke eksekusi
Sistem AI tradisional sering kali hanya berhenti pada tahap analisis atau rekomendasi tindakan terbaik berikutnya. Agen AI melangkah lebih jauh. Mereka mengamati situasi saat ini, memilih tindakan, menggunakan alat bila diperlukan, hingga tugas selesai atau sistem mencapai kondisi berhenti.
Pergeseran ini membuat pilihan desain menjadi lebih penting karena jenis pekerjaan yang berbeda memerlukan alur kerja yang berbeda pula. Memahami berbagai jenis agen AI membantu tim menghindari desain berlebihan untuk alur kerja sederhana dan desain yang kurang memadai untuk alur kerja yang kompleks.
Bagaimana jenis agen membentuk keputusan desain
Jenis agen memengaruhi hampir setiap keputusan implementasi: informasi apa yang disimpan agen, apakah agen merencanakan sebelum bertindak, bagaimana agen menangani ketidakpastian, bagaimana agen memilih di antara beberapa hasil yang sama-sama dapat diterima, dan apakah agen meningkat melalui umpan balik. Hal ini juga memengaruhi tata kelola. Agen reflek sederhana dapat diaudit melalui aturan, sementara sistem pembelajaran atau multi-agen memerlukan evaluasi, pencatatan log, dan pengaman (guardrail) yang lebih kuat.
Berbagai Jenis Agen AI
Ada lima jenis klasik agen cerdas dalam kecerdasan buatan: agen reflek sederhana, agen reflek berbasis model, agen berbasis tujuan, agen berbasis utilitas, dan agen pembelajaran. Sistem multi-agen sering dianggap sebagai pola orkestrasi yang lebih luas karena dapat menggabungkan beberapa jenis agen ke dalam satu alur kerja yang terkoordinasi. Keenam kategori di bawah ini bergerak dari logika pengambilan keputusan yang paling sederhana hingga desain yang paling kolaboratif dan adaptif.
| Jenis | Memori | Merencanakan ke depan | Belajar | Paling cocok untuk |
|---|---|---|---|---|
| Reflek Sederhana | Tidak | Tidak | Tidak | Tugas berbasis aturan yang sempit |
| Reflek Berbasis Model | Ya (status) | Tidak | Tidak | Tugas yang teramati sebagian |
| Berbasis Tujuan | Ya | Ya | Kadang-kadang | Alur kerja dengan tujuan jelas |
| Berbasis Utilitas | Ya | Ya | Kadang-kadang | Keputusan yang penuh trade-off |
| Pembelajaran | Ya | Bervariasi | Ya | Tugas yang kaya umpan balik dan sering berubah |
| Multi-Agent | Per agent | Per agent | Bervariasi | Pekerjaan paralel dan terspesialisasi |
1. Simple Reflex Agent
Simple reflex agent adalah jenis agent AI yang paling dasar. Agent ini mengamati kondisi lingkungan saat ini dan memilih tindakan dengan menerapkan aturan kondisi-tindakan yang telah ditentukan sebelumnya. Kemampuannya adalah bereaksi langsung terhadap persepsi saat ini tanpa mempertimbangkan persepsi masa lalu atau konsekuensi di masa depan.
Desain ini bekerja dengan baik ketika lingkungan dapat diamati sepenuhnya dan respons yang tepat sudah jelas. Sifatnya cepat, dapat diprediksi, dan mudah diaudit, tetapi gagal ketika konteks menjadi penting. Jika input tidak lengkap atau aturan tidak mencakup situasi baru, agent ini tidak memiliki lapisan penalaran yang lebih dalam untuk mengatasinya.
Karakteristik utama
Tindakan berbasis aturan: Agent memetakan input saat ini ke tindakan yang telah ditentukan sebelumnya.
Tanpa memori: Kondisi sebelumnya tidak memengaruhi keputusan berikutnya.
Prediktabilitas tinggi: Perilakunya mudah diuji ketika aturan dan input sudah diketahui.
Fleksibilitas rendah: Agent kesulitan menghadapi ambiguitas, informasi yang tidak lengkap, atau kondisi yang berubah.
Contoh
Filter email berbasis aturan yang mengarahkan pesan ketika sebuah kata kunci muncul.
Chatbot situs web dasar yang memberikan jawaban terskrip untuk maksud (intent) yang tetap.
2. Model-Based Reflex Agent
Model-based reflex agent menyempurnakan simple reflex agent dengan mempertahankan model internal dari lingkungan. Agent ini melacak kondisi yang relevan dan menggunakan model tersebut untuk menafsirkan makna input saat ini.
Ini berguna ketika agent tidak dapat melihat semuanya sekaligus. Misalnya, robot yang bergerak di gudang perlu mengingat di mana rintangan muncul, ke mana ia sudah bergerak, dan bagaimana lingkungan cenderung berubah. Agent ini mungkin masih menggunakan aturan kondisi-tindakan, tetapi aturan tersebut bekerja berdasarkan gambaran dunia yang lebih kaya.
Karakteristik utama
Kondisi internal: Agent menyimpan informasi tentang lingkungan.
Penanganan konteks yang lebih baik: Pengamatan masa lalu membantu menafsirkan input saat ini.
Berguna dalam visibilitas parsial: Agent dapat bertindak meskipun tidak semua informasi dapat langsung diamati.
Masih terbatas: Agent mungkin tidak merencanakan secara mendalam atau mengoptimalkan berbagai kemungkinan masa depan.
Contoh
Pemantau rantai pasok yang melacak kondisi inventaris sebelum memicu pengisian ulang stok.
Agent triase dukungan pelanggan yang mengingat pesan-pesan sebelumnya dalam tiket yang sama.
Sistem navigasi yang memperbarui model rutenya seiring perubahan kondisi lalu lintas.
3. Goal-Based Agent
Goal-based agent memilih tindakan dengan menanyakan apakah tindakan tersebut membawa sistem lebih dekat ke tujuan yang ditetapkan. Alih-alih sekadar bereaksi, agent ini mencari atau merencanakan urutan tindakan yang dapat mencapai tujuan tersebut. Agent juga dapat mengevaluasi langkah-langkah berikutnya yang mungkin, memilih rencana, menjalankan sebagian darinya, mengamati kemajuannya, dan menyesuaikan diri saat lingkungan berubah. Ini membuat agent lebih proaktif dibandingkan desain berbasis refleks.
Karakteristik utama
Tujuan eksplisit: Agent bertindak sesuai dengan status target atau hasil tugas tertentu.
Perencanaan: Agent dapat membandingkan urutan tindakan sebelum bertindak.
Pelacakan kemajuan: Agent dapat memeriksa apakah ia sedang bergerak menuju tujuan.
Kebutuhan komputasi dan kontrol lebih besar: Perencanaan bisa lebih lambat dan memerlukan kondisi berhenti yang jelas.
Contoh
Agent riset yang mengumpulkan sumber, mengekstrak bukti, dan menulis laporan.
Agent otomatisasi proyek yang memecah permintaan menjadi tugas-tugas dan menjalankannya secara berurutan.
Agent pengodean yang merencanakan perubahan, menjalankan pengujian, dan melakukan iterasi hingga perilaku yang diinginkan tercapai.
4. Utility-Based Agent
Utility-based agent melampaui sekadar penyelesaian tujuan dengan menilai kemungkinan hasil dan memilih tindakan dengan nilai ekspektasi tertinggi. Ini penting ketika ada beberapa jawaban yang dapat diterima, batasan yang saling bersaing, atau trade-off antara kecepatan, biaya, akurasi, preferensi pengguna, dan risiko.
Misalnya, goal-based travel agent hanya dapat menemukan rute dari satu kota ke kota lain. Utility-based travel agent dapat membandingkan rute berdasarkan harga, waktu tempuh, risiko transit, aturan bagasi, dan maskapai yang disukai. Agent ini tidak hanya bertanya apakah tujuan dapat tercapai, tetapi juga opsi mana yang terbaik berdasarkan kriteria yang dipilih.
Karakteristik utama
Fungsi utilitas: Agent memberikan nilai pada kemungkinan hasil.
Manajemen trade-off: Agent menyeimbangkan tujuan dan batasan yang saling bersaing.
Kualitas keputusan lebih baik: Agent dapat memilih di antara beberapa solusi yang valid.
Desain lebih sulit: Fungsi utilitas harus mencerminkan prioritas pengguna dan bisnis yang nyata.
Contoh
Asisten portofolio yang menyeimbangkan imbal hasil, volatilitas, dan batasan likuiditas.
Perencana logistik yang memilih rute berdasarkan waktu pengiriman, biaya bahan bakar, dan keandalan.
Agent layanan pelanggan yang memprioritaskan eskalasi berdasarkan sentimen, urgensi, dan nilai akun.
5. Learning Agent
Learning agent meningkatkan perilakunya seiring waktu dengan menggunakan umpan balik dari pengalaman. Agent dapat menyesuaikan kebijakan, menyempurnakan model, memperbarui preferensi, atau meningkatkan performa setelah mengamati apa yang berhasil dan apa yang gagal. Pembelajaran dapat berasal dari data terlabel, sinyal reinforcement, umpan balik manusia, hasil evaluasi, atau pola penggunaan.
Karakteristik utama
Loop umpan balik: Agent mengukur performa dan menggunakan hasilnya untuk melakukan perbaikan.
Kemampuan adaptasi: Agent dapat menangani pola baru lebih baik daripada seperangkat aturan statis.
Ketergantungan pada evaluasi: Pembelajaran yang baik membutuhkan sinyal kualitas yang jelas.
Kebutuhan tata kelola: Tim harus memantau drift, perilaku yang tidak diinginkan, dan kualitas data.
Contoh
Agent rekomendasi yang belajar dari klik, pembelian, dan penilaian eksplisit.
Agent deteksi penipuan yang beradaptasi seiring perubahan perilaku pelaku kejahatan.
Agent tutor yang menyesuaikan penjelasan berdasarkan kesalahan yang dibuat oleh peserta didik.
6. Sistem Multi-Agent
Sistem multi-agent menggunakan beberapa agent yang bekerja sama, bersaing, mendelegasikan tugas, atau memiliki spesialisasi masing-masing. Setiap agent bisa memiliki peran, kumpulan tool, cakupan memori, atau tujuan tersendiri. Sebuah koordinator dapat menugaskan pekerjaan dan menyatukan hasilnya, atau para agent dapat berinteraksi lebih langsung tergantung pada arsitekturnya.
Sistem multi-agent berguna ketika satu agent tunggal akan terlalu lambat atau berisiko melewatkan sudut pandang penting. Sistem ini dapat memparalelkan riset, membagi kumpulan dokumen yang besar, mensimulasikan tinjauan ahli, atau menjalankan alur kerja terpisah sebelum menggabungkan hasilnya. Tantangan desainnya terletak pada koordinasi: sistem perlu cara untuk membagi pekerjaan, menghindari duplikasi, menyelaraskan perbedaan pendapat, dan menghasilkan output akhir yang koheren.
Karakteristik utama
Spesialisasi: Agent yang berbeda dapat fokus pada subtugas, tool, atau sudut pandang yang berbeda pula.
Eksekusi paralel: Pekerjaan dapat didistribusikan untuk mempercepat waktu penyelesaian.
Lapisan koordinasi: Sistem memerlukan penugasan tugas, pelacakan dependensi, dan sintesis hasil.
Kompleksitas lebih tinggi: Evaluasi dan tata kelola harus mencakup baik agent individu maupun hasil gabungan akhirnya.
Contoh
Sebuah swarm riset yang menugaskan sub-agent yang berbeda ke kategori sumber yang berbeda.
Sebuah tim software beranggotakan agent, di mana satu agent mengedit kode, satu menulis pengujian, dan satu lagi meninjau risiko keamanan.
Sebuah sistem analisis pasar dengan agent terpisah untuk pesaing, pelanggan, harga, dan regulasi.
Sebuah alur kerja produksi konten di mana agent periset, penyusun outline, penulis, editor, dan pemeriksa fakta berkolaborasi.
Kimi AI Agent menggabungkan berbagai jenis agent
Kimi adalah asisten AI yang dikembangkan oleh Moonshot AI. Kimi mendukung pencarian web, pemikiran mendalam, penalaran multimodal, percakapan konteks panjang, dan eksekusi tugas secara agentic. Kimi paling tepat dipahami sebagai permukaan agent yang komprehensif: pengguna menyatakan sebuah tujuan, dan Kimi merencanakan serta menjalankan pekerjaan tersebut mencakup riset, pembuatan konten, dokumen, slide, spreadsheet, situs web, dan alur kerja terkait lainnya.
Fitur utama
Perencanaan tugas otonom: Kimi AI Agent dapat mengubah permintaan umum menjadi serangkaian langkah, lalu bekerja menuju hasil yang diminta.
Pencarian web real-time: Kimi dapat menggunakan pencarian web untuk mengambil informasi terkini ketika sebuah tugas bergantung pada fakta, sumber, atau konteks pasar yang terbaru.
Alur kerja Riset Mendalam: Untuk tugas yang berat pada riset, Kimi dapat mengumpulkan, membandingkan, dan mensintesis informasi menjadi laporan yang lebih kaya serta output dalam berbagai format.
Pembuatan dokumen, slide, sheet, dan situs web: Kimi memiliki permukaan khusus tugas untuk Docs, Slides, Sheets, dan Websites, sehingga hasil kerja agent dapat berupa artefak yang benar-benar dapat digunakan, bukan hanya teks biasa.
Pemrosesan file: Pusat bantuan Kimi menyebutkan bahwa Kimi mendukung file umum seperti PDF, Word, Excel, PPT, gambar, TXT, dan video, dengan batasan yang terdokumentasi untuk ukuran dan jumlah file.
Penalaran multimodal: Kimi dapat bernalar lintas teks, gambar, grafik, dokumen, dan materi unggahan lainnya ketika alur kerja membutuhkan pemahaman visual atau dokumen.
Orkestrasi Agent Swarm: Untuk pekerjaan yang luas atau dapat diparalelkan, K2.6 Agent Swarm [Beta] dapat mengoordinasikan banyak sub-agent sehingga berbagai bagian tugas berjalan pada saat yang bersamaan.
Bagi pengguna yang memilih di antara berbagai jenis AI agent, intinya sederhana: gunakan desain bergaya reflex untuk otomatisasi yang sempit, desain berbasis tujuan atau utilitas untuk alur kerja yang melibatkan perencanaan dan trade-off, serta desain multi-agent ketika tugas cukup luas untuk mendapat manfaat dari spesialisasi dan kerja paralel. Kimi AI Agent menghadirkan gagasan-gagasan ini ke dalam ruang kerja yang berhadapan langsung dengan pengguna, di mana tujuannya bukan sekadar menjawab, melainkan menyelesaikan pekerjaan nyata.
Cara Memilih Jenis AI Agent yang Tepat
Mulailah dari lingkungan tugas Anda, bukan dari label teknologinya. Gunakan reflex agent sederhana ketika tugasnya sempit, aturannya stabil, dan biaya dari tindakan yang salah rendah. Pilih model-based agent ketika Anda memerlukan status atau memori, goal-based agent ketika Anda memiliki target yang jelas, dan utility-based agent ketika Anda harus menyeimbangkan prioritas yang saling bersaing.
Gunakan learning agent ketika performa perlu meningkat seiring umpan balik dan Anda dapat menetapkan sinyal kualitas yang andal. Gunakan sistem multi-agent ketika alur kerja Anda secara alami terbagi menjadi alur kerja paralel, peran ahli, atau sudut pandang independen. Jika Anda membutuhkan semua kemampuan ini, gabungkan secara sengaja alih-alih memaksa satu jenis agent untuk melakukan semuanya.
Kesimpulan
Jenis-jenis utama AI agent merepresentasikan tingkat konteks, otonomi, dan kemampuan adaptasi yang berbeda-beda. Untuk otomatisasi alur kerja, agent terbaik tidak selalu yang paling kompleks. Agent terbaik adalah yang paling sesuai dengan ketidakpastian, risiko, dan hasil yang diinginkan dari tugas tersebut. Tool seperti Kimi AI Agent menunjukkan bagaimana konsep-konsep ini kian menjadi antarmuka alur kerja sehari-hari: pengguna mendeskripsikan sebuah tujuan, dan agent membantu mengubahnya menjadi riset, file, situs web, slide, spreadsheet, kode, atau hasil kerja lainnya.