Model bahasa dapat menjawab pertanyaan dalam satu kali proses, sementara AI agent dapat terus bekerja menuju suatu tujuan. Ia memutuskan langkah berikutnya dan menggunakan tool yang tersedia. Agent tersebut kemudian menyesuaikan pendekatannya setelah melihat hasilnya. Arsitektur agentic AI menyediakan struktur yang memungkinkan perilaku ini terjadi. Panduan ini menjelaskan komponen inti dan pola-pola umum melalui contoh praktis. Panduan ini juga menunjukkan cara memilih arsitektur tanpa menambah kompleksitas yang tidak perlu.
Apa itu arsitektur agentic AI?
Arsitektur agentic AI adalah desain sistem yang memungkinkan satu atau lebih AI agent mengejar suatu tujuan melalui penalaran dan tindakan yang berulang. Arsitektur ini menghubungkan model dengan tool dan konteks kerja. Ia juga menentukan bagaimana agent merencanakan langkah berikutnya dan menggunakan hasil baru untuk melanjutkan tugas. Model menyediakan kemampuan penalaran, sementara arsitektur mengubah kemampuan itu menjadi sistem operasi untuk pekerjaan berbasis tujuan. Arsitektur ini menentukan bagaimana informasi bergerak melalui alur kerja dan bagaimana agent menghasilkan hasil akhir.
Komponen inti arsitektur AI agent
Sebagian besar arsitektur AI agent menggunakan blok bangunan fungsional yang sama. Implementasinya bisa berbeda-beda, tetapi setiap blok menjawab pertanyaan desain yang berbeda. Blok ini menentukan bagaimana sistem memutuskan dan bertindak. Blok lain menentukan apa yang diingatnya. Blok-blok ini juga mengoordinasikan pekerjaan dan menjaga eksekusi tetap terkendali.
Penalaran, perencanaan, dan penguraian tugas
Lapisan penalaran mengubah tujuan menjadi tindakan berikutnya. Tugas yang lebih besar perlu diuraikan menjadi langkah-langkah dengan output yang jelas. Misalnya, “teliti pasar” terlalu luas. “Identifikasi kelompok pembeli dari sumber yang disetujui” lebih mudah dieksekusi dan dievaluasi. Rencana harus tetap bersifat sementara karena kegagalan tool atau bukti baru mungkin memerlukan perencanaan ulang.
Tool dan lapisan aksi
Tool memungkinkan agent memeriksa atau memengaruhi sistem di luar model. Pencarian dan query database adalah contoh umum. API bisnis dapat memperluas lapisan aksi lebih jauh lagi. Setiap tool memerlukan kontrak yang presisi dan input yang tervalidasi. Kegagalan harus eksplisit. Timeout tidak boleh terlihat seperti hasil kosong, dan penulisan sebagian tidak boleh terlihat seperti keberhasilan.
Memori, konteks, dan pengetahuan
Konteks mendukung keputusan saat ini, sementara memori menyimpan informasi yang berguna secara persisten. Sumber pengetahuan menyediakan fakta sesuai kebutuhan. Memori kerja mungkin menyimpan rencana yang sedang aktif. Memori berumur lebih panjang dapat menyimpan preferensi yang telah disetujui. Retrieval harus mengambil dokumen yang relevan tanpa menempatkan seluruh korpus ke dalam prompt. Setiap item yang disimpan memerlukan aturan akses dan asal-usul (provenance).
Orkestrasi dan koordinasi
Orkestrasi mengarahkan pekerjaan dan mengelola shared state. Dalam desain single-agent, ini bisa berupa loop eksekusi kecil. Desain multi-agent juga menetapkan peran dan menyelesaikan ketergantungan. Setiap agent memerlukan input yang ditentukan dengan output yang diharapkan. Orchestrator dapat membatasi jumlah iterasi dan konkurensi untuk mencegah perluasan yang tidak terkendali.
Guardrail, observabilitas, dan pengawasan manusia
Guardrail menentukan apa yang boleh dilakukan oleh agent. Guardrail dapat memblokir pemanggilan tool yang tidak aman atau membatasi akses ke sistem sensitif. Observabilitas menyimpan catatan keputusan agent dan hasil tool, sehingga kegagalan lebih mudah diselidiki. Pengawasan manusia menambahkan langkah persetujuan sebelum tindakan berdampak besar seperti mengirim pembayaran atau mengubah data produksi. Bersama-sama, kontrol-kontrol ini menjaga pekerjaan otomatis tetap terlihat dan berada dalam batas yang disepakati.
Pola, diagram, dan contoh arsitektur agentic AI
Pola arsitektur menjelaskan bagaimana kendali bergerak melalui sebuah sistem. Contoh arsitektur agentic AI berikut memasangkan setiap pola dengan use case yang sesuai. Diagram-diagram ini menekankan hubungan antar-agent, bukan detail infrastruktur.
Arsitektur single-agent
Arsitektur single-agent memiliki satu loop keputusan dan satu pemilik tugas. Arsitektur ini sering kali menjadi titik awal yang tepat karena state tetap lokal dan eksekusi mudah dilacak.
Misalnya, asisten dukungan internal dapat membaca tiket dan mencari di basis pengetahuan yang disetujui. Kemudian ia menyusun draf tanggapan. Satu agent dapat menangani loop ini. Pola ini bekerja dengan baik untuk cakupan yang terbatas, tetapi tugas yang besar dapat membebani satu konteks secara berlebihan.
Arsitektur multi-agent berurutan dan paralel
Arsitektur sekuensial meneruskan pekerjaan dari satu agen khusus ke agen berikutnya. Misalnya, alur kerja penerbitan dapat mengirim materi sumber ke agen riset. Temuannya diteruskan ke agen penulisan, lalu agen peninjau memeriksa draf yang sudah selesai.
Struktur ini memperjelas kepemilikan tugas, tetapi output awal yang lemah dapat membatasi setiap tahap selanjutnya. Setiap penyerahan tugas perlu divalidasi.
Arsitektur paralel mengirimkan subproblem yang independen ke beberapa agen. Tugas due diligence dapat memisahkan bukti produk dari bukti pasar. Langkah sintesis menggabungkan hasilnya. Perusahaan yang mengevaluasi pasar baru dapat menugaskan agen terpisah untuk permintaan pelanggan dan aktivitas pesaing. Agen lain dapat memeriksa regulasi lokal. Agen sintesis menggabungkan temuan setelah semua cabang selesai.
Pekerjaan paralel dapat mengurangi waktu penyelesaian dan meningkatkan cakupan. Namun, ini juga menciptakan duplikasi dan konflik yang harus diselesaikan melalui sintesis.
Arsitektur router dan hierarkis
Router mengirimkan setiap permintaan ke agen dengan alat yang tepat. Misalnya, router layanan pelanggan dapat mengarahkan pertanyaan faktur ke agen penagihan. Masalah login diteruskan ke agen akses akun, sementara kesalahan produk diteruskan ke dukungan teknis.
Klasifikasi yang tidak pasti membutuhkan cadangan. Permintaan dengan tingkat keyakinan rendah dapat diteruskan ke agen umum atau ke manusia.
Arsitektur hierarkis menempatkan manajer di atas para pekerja. Manajer memecah tujuan menjadi bagian-bagian dan memeriksa hasil kerja para pekerja.
Ini cocok untuk dependensi yang berubah-ubah, tetapi manajer bisa menjadi hambatan. Ringkasan pekerja yang terstruktur mengurangi beban konteksnya.
Arsitektur network atau swarm
Arsitektur network atau swarm memungkinkan beberapa spesialis berbagi temuan selagi tugas berkembang. Misalnya, sistem respons insiden dapat menghubungkan agen yang memeriksa log aplikasi dan deployment terbaru. Agen lain memeriksa peringatan keamanan atau dependensi layanan. Mereka memperbarui state bersama hingga sistem mengidentifikasi kemungkinan penyebab dan mengusulkan respons.
Desain network membutuhkan skema pesan dan aturan penyelesaian konflik. Desain ini juga membutuhkan kontrol penghentian yang kuat. Swarm sebaiknya digunakan untuk skala yang benar-benar besar, bukan sekadar label default untuk pekerjaan multi-agen.
Arsitektur generator–critic dan hybrid
Pola generator–critic memisahkan pembuatan dari evaluasi. Generator menghasilkan kandidat. Critic memeriksa kriteria yang ditetapkan dan meminta revisi atau menerima hasilnya.
Pola ini cocok untuk output dengan rubrik yang jelas. Misalnya, critic dapat memeriksa laporan untuk memastikan dukungan sumber dan kelengkapan bagian yang diperlukan. Arsitektur hybrid menggabungkan beberapa pola bila diperlukan. Setiap penambahan harus menyelesaikan masalah yang benar-benar teramati, bukan sekadar membuat diagram terlihat rumit.
Cara memilih arsitektur agent AI yang tepat
Arsitektur agent AI yang tepat mengikuti kebutuhan tugas, bukan tren. Mulailah dengan struktur dependensi dan risiko dari alur kerja tersebut. Kemudian, perkirakan apakah spesialisasi atau eksekusi paralel menciptakan nilai yang cukup untuk membenarkan koordinasi tambahan.
Sesuaikan arsitektur dengan dependensi tugas
Petakan tugas sebagai graf dependensi. Jika satu aktor dapat menyelesaikan setiap langkah menggunakan konteks lokal, gunakan satu agen saja. Jika setiap tahap bergantung pada output tervalidasi dari tahap sebelumnya, pertimbangkan agen sekuensial. Jika beberapa cabang bersifat independen, agen paralel bisa membantu.
Gunakan router ketika permintaan masuk ke dalam kategori yang stabil dengan alat yang berbeda-beda. Gunakan hierarki ketika sistem harus membuat dan mengawasi rencana yang berubah-ubah. Simpan desain network atau swarm untuk pekerjaan skala luas di mana eksplorasi terdesentralisasi memberikan manfaat yang jelas.
Uji utamanya adalah apakah penyerahan tugas mengubah keahlian atau izin yang dibutuhkan. Jika tidak, agen tambahan mungkin hanya menciptakan overhead.
| Pola | Paling cocok untuk | Keunggulan utama | Trade-off utama | Pemicu umum |
|---|---|---|---|---|
| Agen tunggal | Alur kerja terbatas dengan konteks bersama | Status dan pelacakan yang sederhana | Konteks dapat menjadi terlalu berat | Satu pemilik dapat menyelesaikan tugas |
| Agen berurutan | Dependensi tahap yang jelas | Pengalihan tugas yang terspesialisasi | Kesalahan dapat merambat | Setiap tahap membutuhkan peran yang berbeda |
| Agen paralel | Cabang kerja yang independen | Waktu pengerjaan lebih singkat | Biaya sintesis dan duplikasi | Cabang tidak saling menghalangi |
| Router | Kategori permintaan yang stabil | Alat dan prompt yang spesifik | Risiko salah rute | Kategori membutuhkan izin yang berbeda |
| Hierarkis | Rencana dinamis dengan pekerja yang diawasi | Kontrol tugas terpusat | Manajer menjadi hambatan | Dependensi berubah selama eksekusi |
| Jaringan atau swarm | Eksplorasi luas dalam skala besar | Cakupan yang fleksibel | Koordinasi dan penghentian yang sulit | Banyak cabang berguna dapat berjalan bersamaan |
| Generator–kritikus | Output dengan kriteria yang dapat diuji | Kontrol kualitas yang terfokus | Iterasi revisi menambah biaya | Rubrik evaluasi yang jelas sudah tersedia |
Pertimbangan produksi untuk arsitektur AI agent
Sistem produksi membutuhkan beberapa kontrol yang sering diabaikan pada tahap prototipe.
Keandalan, observabilitas, dan kondisi penghentian
Perkirakan bahwa alat bisa gagal dan buat percobaan ulang agar aman. Lacak setiap eksekusi agar operator dapat melihat rencana aktif dan hasil alat. Setiap alur kerja juga membutuhkan aturan penghentian yang jelas, seperti tercapainya kriteria keberhasilan atau mencapai batas anggaran tertentu.
Keamanan, izin, dan persetujuan manusia
Berikan setiap agen hanya izin yang diperlukan untuk perannya. Validasi argumen alat di luar prompt, dan perlakukan konten yang diambil sebagai data yang tidak tepercaya. Wajibkan persetujuan manusia sebelum agen mengambil tindakan yang sensitif atau tidak dapat dibatalkan.
Manajemen konteks, memori, dan state bersama
Simpan hanya informasi yang relevan dalam konteks aktif. Simpan memori jangka panjang secara sengaja, dengan aturan akses yang jelas. Dalam sistem multi-agen, gunakan pemeriksaan versi atau log peristiwa agar agen tidak diam-diam menimpa pekerjaan satu sama lain.
Evaluasi dan kontrol biaya
Evaluasi alur kerja secara lengkap pada tugas-tugas yang representatif. Lacak hasil yang berhasil, bukan hanya respons model. Bandingkan kualitas tersebut dengan total latensi dan biaya untuk memastikan setiap agen tambahan memberikan nilai yang terukur.
Kesalahan umum saat merancang arsitektur agentic AI
Menambahkan beberapa agen sebelum membuktikan bahwa satu agen saja tidak cukup.
Memberikan agen lebih banyak konteks atau akses alat daripada yang mereka butuhkan.
Menggunakan eksekusi paralel untuk tugas dengan dependensi yang ketat.
Membiarkan status bersama tanpa aturan kepemilikan atau penyelesaian konflik.
Mengabaikan kriteria keberhasilan dan kondisi berhenti yang jelas.
Coba Kimi Agent tanpa perlu membangun dari nol
Arsitektur kustom menawarkan kontrol yang detail, tetapi juga membutuhkan pekerjaan orkestrasi dan evaluasi. Kimi Agent menyediakan pengalaman agent umum bagi pengguna yang ingin menyelesaikan tugas knowledge-work bertahap tanpa membangun sendiri tumpukan tersebut.
Perencanaan berbasis tujuan dan eksekusi tugas
Kimi Agent dapat menginterpretasikan sebuah tujuan dan merencanakan pekerjaan yang diperlukan. Selanjutnya, tugas tersebut dijalankan dalam pengalaman produk. Ini memberikan cara langsung untuk menggunakan alur kerja agentic tanpa harus merancang planner atau tool loop terlebih dahulu.
Riset Mendalam, pembuatan situs web, dan presentasi
Kimi Agent dilengkapi dengan berbagai fitur berbeda. Misalnya, ia dapat membuat situs web dan menyusun presentasi PPT. Kemampuan-kemampuan ini membantu pengguna mengubah permintaan yang luas menjadi hasil kerja yang terstruktur melalui satu pengalaman produk.
Penanganan dokumen, spreadsheet, dan file multimodal
Kimi mendukung penalaran multimodal dan alur kerja berbasis file. Kimi dapat bekerja dengan dokumen PDF dan Word. File Excel dan PPT juga didukung. Kimi juga menangani gambar dan file TXT, sementara video menjadi format input lainnya. Hal ini memungkinkan Kimi Agent memproses materi sumber yang melampaui teks chat biasa.
Kapan menggunakan Kimi Agent Swarm
Kimi Agent Swarm menyediakan kemampuan multi-agent terpisah untuk tugas yang mendapat manfaat dari eksekusi paralel berskala luas. Ia dapat mengoordinasikan banyak unit kerja khusus untuk pencarian skala besar atau tugas batch. Pekerjaan berjangka panjang dengan jalur riset yang independen juga dapat memperoleh manfaat dari pendekatan ini.
Kesimpulan
Arsitektur AI agentic mengubah respons model menjadi alur kerja yang terkendali. Desain terbaik biasanya adalah desain paling sederhana yang mampu memenuhi kebutuhan dependensi dan risiko tugas. Mulailah dengan satu agent dan tentukan tool-nya. Tetapkan kondisi berhenti yang eksplisit, lalu ukur kegagalan yang sebenarnya terjadi. Tambahkan routing atau koordinasi multi-agent hanya ketika hal itu menyelesaikan hambatan tertentu. Jika Anda ingin eksekusi tugas agentic tanpa membangun lapisan orkestrasi, Kimi Agent memberikan titik awal yang praktis.