Agen Virtual AI: Dari Percakapan hingga Tugas yang Selesai

Agen virtual AI memahami bahasa alami dan mengidentifikasi tujuan pengguna. Agen ini dapat menggunakan pengetahuan dan alat yang disetujui untuk menyelesaikan tugas di berbagai sistem yang terhubung. Berbeda dari chatbot tradisional, agen ini juga dapat mengeskalasikan permintaan yang kompleks ke manusia. Panduan ini menjelaskan prosesnya dan membandingkan agen virtual dengan alat-alat terkait. Setelah itu, panduan ini membahas penggunaan bisnis dan adopsi yang bertanggung jawab sebelum menjelaskan pengukuran kinerja.

Apa itu agen virtual AI?

Agen virtual AI adalah sistem perangkat lunak cerdas yang memahami tujuan pengguna dan berupaya mencapainya melalui percakapan. Model bahasa menginterpretasikan permintaan, sementara pengetahuan bisnis menyediakan fakta yang diperlukan untuk memberikan respons yang akurat. Ketika permintaan membutuhkan lebih dari sekadar jawaban, agen menggunakan API dan alur kerja yang disetujui untuk mengambil data atau menyelesaikan langkah berikutnya. Kemampuan untuk berpindah dari pemahaman ke eksekusi inilah yang membedakannya dari chatbot biasa.

Bagaimana cara kerja agen virtual AI?

Agen virtual AI bekerja melalui siklus berkelanjutan: memahami permintaan, memutuskan apa yang dibutuhkan, mengambil tindakan yang disetujui, dan mengevaluasi hasilnya. Berbeda dari chatbot yang umumnya hanya menghasilkan balasan, agen ini dapat mengambil informasi eksternal dan berinteraksi dengan sistem bisnis. Proses ini berlanjut hingga tugas selesai atau bantuan manusia diperlukan.

1. Agen menginterpretasikan permintaan

Proses dimulai ketika agen menerima permintaan dalam bahasa alami. Model bahasa mengidentifikasi hasil yang diinginkan pengguna. Misalnya, “Paket saya belum juga sampai” dapat berarti bahwa pengguna ingin memeriksa status pesanan, bukan penjelasan umum tentang waktu pengiriman.

2. Membangun konteks dari percakapan

Pesan terkini saja jarang cukup untuk menentukan tindakan berikutnya. Agen mempertimbangkan detail relevan dari percakapan dan hasil apa pun yang sudah diperoleh sebelumnya dalam alur kerja. Agen juga memeriksa apakah ada informasi penting yang belum tersedia. Jika pengguna belum memberikan nomor pesanan, agen sebaiknya menanyakannya terlebih dahulu sebelum mencoba melakukan pencarian.

3. Mengambil informasi yang dapat dipercaya

Ketika jawaban bergantung pada informasi di luar percakapan, agen memanggil sistem pengambilan data yang disetujui. Untuk pertanyaan seputar kebijakan, agen dapat mencari di basis pengetahuan perusahaan. Pencarian semantik juga merupakan salah satu metode pengambilan data yang mungkin digunakan karena dapat menemukan bagian yang relevan meskipun kata-kata yang digunakan pengguna tidak sama persis dengan dokumen sumber. Untuk pertanyaan yang bersifat khusus terkait akun, agen dapat meminta data terkini dari basis data bisnis.

4. Dari maksud ke rencana tindakan

Agen mengevaluasi konteks yang tersedia dan memutuskan langkah selanjutnya. Pertanyaan sederhana mungkin hanya memerlukan jawaban yang berdasarkan data. Permintaan operasional mungkin memerlukan pemanggilan alat, sementara permintaan yang belum lengkap sebaiknya memicu permintaan klarifikasi. Untuk tugas yang lebih panjang, agen dapat membagi tujuan menjadi beberapa langkah yang saling bergantung dan memperbarui rencana seiring munculnya informasi baru.

5. Menggunakan alat untuk berinteraksi dengan sistem bisnis

Model bahasa tidak secara langsung mengubah catatan CRM atau memproses pengembalian dana. Model ini memilih alat yang disetujui dan menyediakan informasi yang dibutuhkan alat tersebut. Sistem agen di sekitarnya kemudian mengirimkan permintaan ke API yang relevan.

Misalnya, alat pelacakan pesanan mungkin memerlukan nomor pesanan dan ID pelanggan yang telah terautentikasi. API mengembalikan status pengiriman terkini, yang menjadi informasi baru bagi agen. Jika alur kerja melibatkan perubahan yang sensitif, sistem dapat mewajibkan konfirmasi pengguna atau persetujuan manusia sebelum alat dijalankan.

6. Memeriksa apakah tugas sudah selesai

Respons dari alat menjadi observasi berikutnya dalam alur kerja agen. Agen memeriksa apakah respons tersebut memenuhi tujuan pengguna, bukan sekadar menganggap bahwa setiap pemanggilan API yang berhasil berarti tugas telah selesai. Jika pencarian pesanan menunjukkan adanya kendala pengiriman, agen mungkin perlu menjelaskan keterlambatan tersebut atau menemukan solusi berikutnya yang tersedia. Jika alat gagal berfungsi, agen dapat mencoba lagi dalam batas yang telah ditentukan atau melaporkan masalah yang belum terselesaikan.

7. Kapan campur tangan manusia diperlukan

Ketika otomatisasi harus dihentikan, agen menyiapkan pengalihan yang merangkum permintaan dan pekerjaan yang telah dilakukan. Pengalihan ini mencakup informasi relevan yang dikumpulkan selama percakapan dan mencatat status alur kerja terkini. Hal ini memungkinkan agen manusia untuk melanjutkan dari titik yang sama.

Pengalihan mungkin diperlukan ketika permintaan berada di luar cakupan yang diizinkan bagi agen. Hal ini juga dapat terjadi ketika bukti yang tersedia tidak cukup atau tindakan berikutnya memerlukan penilaian manusia. Tujuannya bukan sekadar memindahkan percakapan, melainkan memindahkan kasus yang dapat langsung ditindaklanjuti tanpa membuat pengguna mengulangi seluruh proses.

Komponen utama agen virtual AI

Agen virtual AI menggabungkan beberapa komponen. Model bahasa memberikan kemampuan penalaran dan pembuatan teks yang penting, tetapi tidak dapat menciptakan agen yang lengkap dengan sendirinya.

Model bahasa besar

Model bahasa besar memungkinkan agen menginterpretasikan bahasa pengguna sehari-hari dan mengidentifikasi hasil yang diinginkan. Model ini dapat menggunakan konteks percakapan untuk menyelesaikan permintaan yang ambigu, menghasilkan respons, dan bernalar tentang langkah berikutnya.

Model bahasa saja tidak menciptakan agen virtual yang lengkap. Model ini masih memerlukan akses ke informasi yang dapat dipercaya dan alat yang disetujui. Lapisan orkestrasi juga harus mengendalikan bagaimana model tersebut berperan dalam alur kerja bisnis.

Orkestrasi dan logika pengambilan keputusan

Lapisan orkestrasi mengubah keluaran model menjadi keputusan alur kerja yang terkendali. Lapisan ini menentukan apakah agen sebaiknya menjawab pengguna atau meminta informasi yang belum lengkap. Ketika data eksternal diperlukan, lapisan ini dapat memicu pengambilan data. Ketika permintaan membutuhkan tindakan, lapisan ini memilih alat yang disetujui.

Lapisan ini juga melacak status alur kerja terkini dan menerapkan aturan bisnis sebelum eksekusi. Tanpa orkestrasi, model bahasa dapat menghasilkan respons tetapi tidak dapat mengelola tugas bertahap secara andal di berbagai sistem yang terhubung.

Pengetahuan dan pengambilan data perusahaan

Sumber pengetahuan menjelaskan produk dan kebijakan. Sumber ini juga mendokumentasikan prosedur dan operasi internal. Pengambilan data menghubungkan agen dengan konten yang tepat saat permintaan datang.

Lapisan pengetahuan yang andal memerlukan kepemilikan dan pemeliharaan yang jelas. Tim sebaiknya menghapus panduan yang sudah usang dan menetapkan prioritas sumber sambil tetap menghormati izin dokumen. Pengambilan data yang lebih baik meningkatkan kualitas respons, tetapi tidak menggantikan kontrol alur kerja.

Alat, API, dan integrasi

Alat dan integrasi memungkinkan agen beralih dari sekadar menjawab menjadi bertindak. Agen layanan pelanggan dapat terhubung ke CRM dan basis data pesanan. Layanan pembayaran atau tiket dapat mendukung langkah-langkah selanjutnya. Agen dukungan karyawan mungkin justru menggunakan sistem identitas atau portal internal.

Setiap integrasi harus menentukan akses baca dan tulis. Integrasi juga harus menetapkan apa yang terjadi jika alat gagal berfungsi. Izin akses yang terbatas meningkatkan keamanan, sementara status kesalahan yang jelas mempermudah pengujian.

Memori, pengaman, dan observabilitas

Memori menyimpan konteks untuk percakapan atau alur kerja yang lebih panjang. Pengaman membatasi tindakan sensitif dan akses data, dengan konfirmasi bila diperlukan. Observabilitas mencatat keputusan dan pemanggilan alat sebelum merekam perubahan status dan hasil akhir.

Kemampuan-kemampuan ini mendukung penerapan yang lebih aman. Operator dapat meninjau kegagalan dan menyelidiki perilaku yang tidak terduga, lalu memperbaiki sistem. Semakin besar otonomi, semakin besar pula visibilitas yang dibutuhkan, bukan sebaliknya.

Agen virtual AI vs chatbot

Istilah-istilah ini menggambarkan teknologi yang saling terkait, tetapi tidak selalu menggambarkan tingkat kemampuan yang sama. Chatbot biasanya berfokus pada percakapan dan pengalihan (routing). Asisten virtual memiliki makna yang lebih luas dan dapat merujuk pada produk konsumen yang membantu tugas sehari-hari. AI virtual agent umumnya dirancang untuk mencapai tujuan bisnis atau pelanggan tertentu.

Batasannya tidak mutlak. Chatbot dapat memiliki fitur AI, dan asisten virtual dapat terhubung ke layanan eksternal. Perbedaan praktisnya dimulai dari apakah sistem dapat memahami tujuan yang terbuka dan menggunakan informasi tepercaya. Virtual agent kemudian harus menjalankan tindakan yang diperlukan dan mengelola pengecualian di sepanjang prosesnya.

Apa yang bisa dilakukan AI virtual agent?

AI virtual agent mendukung banyak alur kerja ketika sebuah bisnis memiliki proses yang jelas dan akses sistem yang andal. Contoh penggunaan berikut menunjukkan bagaimana percakapan berujung pada tindakan.

Layanan pelanggan dan swalayan

Agent layanan pelanggan dapat menjawab pertanyaan dan memeriksa detail akun sebelum melacak pesanan. Agent juga dapat menjelaskan status pengiriman atau memulai proses pengembalian. Agent dapat memperbarui informasi tertentu. Jika permintaan tidak dapat diselesaikan melalui swalayan, agent dapat membuat tiket dukungan.

Masalah yang kompleks atau sensitif sebaiknya dialihkan ke manusia. Agent dapat mengumpulkan detail awal dan meneruskan konteks percakapan ke tim yang tepat.

Help desk TI dan penyelesaian tiket

Agent TI dapat mengidentifikasi masalah karyawan dan mencari dokumentasi internal. Agent dapat memeriksa informasi sistem yang telah disetujui sebelum menyarankan solusi atau memperbarui tiket.

Untuk permintaan berisiko rendah, agent dapat memandu proses standar. Perubahan izin akses dan permintaan akses yang tidak biasa memerlukan persetujuan, sementara insiden keamanan memerlukan penanganan yang terkontrol.

Sumber daya manusia dan dukungan karyawan

Tim HR dapat menggunakan virtual agent untuk pertanyaan seputar kebijakan atau tunjangan. Agent juga dapat menjelaskan prosedur cuti dan mendukung proses onboarding. Agent dapat mengumpulkan informasi yang belum lengkap sebelum meneruskan kasus tersebut.

Onboarding mungkin melibatkan beberapa sistem. Agent dapat mengoordinasikan tugas-tugas yang telah disetujui, sementara keputusan akses yang sensitif tetap berada di tangan staf yang berwenang.

E-commerce dan dukungan penjualan

Agent e-commerce dapat menjawab pertanyaan produk dan mengidentifikasi niat pembelian. Agent dapat memeriksa stok sebelum membagikan informasi pengiriman. Agent juga dapat mengumpulkan detail prospek dan meneruskan permintaan yang memenuhi syarat ke tim penjualan.

Agent harus menggunakan data produk dan stok terkini. Agent tidak boleh mengarang ketersediaan barang atau tanggal pengiriman. Pengecualian kebijakan harus berasal dari sistem yang terhubung.

Keuangan dan alur kerja dokumen

Agent keuangan dapat mengekstrak informasi faktur dan membandingkannya dengan catatan yang ada. Agent dapat mengidentifikasi ketidaksesuaian sebelum menyiapkan laporan tinjauan. Ini mengurangi entri data manual sekaligus meneruskan kasus yang tidak jelas atau berisiko tinggi ke profesional keuangan.

Riset internal dan operasi bisnis

Agent internal dapat mencari sumber yang telah disetujui dan merangkum temuannya. Agent dapat membuat hasil kerja yang terstruktur atau memicu tindak lanjut. Ini mendukung analisis yang berulang dan mengurangi koordinasi yang repetitif.

Manfaat AI virtual agent

AI virtual agent dapat meningkatkan pelayanan ketika terhubung dengan pengetahuan yang andal dan alur kerja yang terdefinisi dengan baik. Nilainya berasal dari berkurangnya pekerjaan manual rutin sambil tetap mempertahankan keterlibatan manusia untuk permintaan yang membutuhkan penilaian.

• Waktu respons lebih cepat: AI virtual agent dapat merespons permintaan rutin tanpa membuat pengguna menunggu agent manusia. Agent juga dapat tetap tersedia di luar jam kerja standar selama sistem bisnis yang diperlukan dapat diakses.

• Beban kerja operasional lebih rendah: Virtual agent dapat menangani permintaan yang sering muncul dan mengikuti proses yang berulang. Tim manusia kemudian dapat fokus pada kasus yang membutuhkan penilaian, empati, atau pengetahuan khusus.

• Layanan lebih konsisten: Agent menerapkan pengetahuan dan aturan alur kerja yang sama di seluruh saluran yang didukung. Ini mengurangi variasi dalam jawaban rutin dan memudahkan penyebaran pembaruan kebijakan.

• Skalabilitas lebih baik: Virtual agent dapat memproses lebih banyak permintaan secara bersamaan tanpa memerlukan peningkatan penanganan manual yang sebanding. Kapasitas sebenarnya tetap bergantung pada sistem yang terhubung dan infrastruktur pendukungnya.

• Data operasional yang lebih berguna: Catatan interaksi mengungkap kebutuhan umum pengguna dan menunjukkan di mana alur kerja mengalami kendala. Pengalihan yang berulang dapat membantu tim mengidentifikasi pengetahuan yang hilang atau proses yang perlu dirancang ulang.

• Pengalaman karyawan yang lebih baik: Karyawan dapat meminta panduan internal menggunakan bahasa alami tanpa perlu mencari-cari di formulir dan halaman kebijakan. Ini mengurangi waktu yang dihabiskan untuk menelusuri prosedur rutin dan mengurangi permintaan repetitif yang harus ditangani tim spesialis.

Cara menerapkan AI virtual agent

Mulai dengan satu kasus penggunaan yang spesifik

Pilih permintaan bervolume tinggi dengan proses yang berulang dan berisiko rendah. Pelacakan pesanan dan panduan reset kata sandi adalah titik awal yang umum. Swalayan FAQ adalah pilihan lain. Cakupan yang spesifik memberi tim target yang terukur dan membatasi kesalahan di tahap awal.

Tentukan cakupan agent

Dokumentasikan apa yang bisa dilakukan agent dan apa yang berada di luar perannya. Tentukan definisi keberhasilan untuk setiap intent yang didukung. Rincikan input yang diperlukan dan tindakan yang diizinkan, termasuk kapan persetujuan manusia diperlukan.

Petakan data dan sistem yang diperlukan

Buat daftar sumber pengetahuan dan catatan bisnis yang diperlukan, termasuk data CRM atau ERP. Identifikasi alat pendukung seperti platform tiket dan layanan pembayaran. Sistem penjadwalan mungkin juga diperlukan. Pastikan izin akses dan kepemilikan data sebelum menghubungkannya. Tetapkan frekuensi pembaruan dan perilaku cadangan.

Rancang percakapan dan alur kerja

Petakan alur normal sebelum menangani informasi yang hilang atau kegagalan alat. Perubahan intent dan catatan yang bertentangan mungkin memerlukan cabang lain. Beri tahu pengguna saat agent memeriksa informasi atau melakukan tindakan. Wajibkan konfirmasi sebelum perubahan yang tidak dapat dibatalkan.

Tambahkan pengalihan ke manusia

Tetapkan aturan eskalasi untuk permintaan di luar cakupan atau kasus dengan tingkat kepercayaan rendah. Sentimen negatif dan data sensitif juga dapat memicu pengalihan. Keputusan berdampak besar harus mengikuti jalur persetujuan. Simpan permintaan dan informasi yang telah dikumpulkan, lalu sertakan riwayat tindakan.

Pantau dan tingkatkan

Lacak penyelesaian dan penanganan tugas. Ukur eskalasi secara terpisah, lalu tinjau kualitas respons dan kepuasan. Gunakan kegagalan untuk memperbarui pengetahuan atau tools. Perluas cakupan hanya setelah performa terbukti andal.

Cara mengukur performa AI virtual agent

Tidak ada satu metrik pun yang bisa menunjukkan apakah AI virtual agent bekerja dengan baik. Tim perlu mengukur apakah agent memahami permintaan dan menyelesaikan tugas yang dimaksud. Mereka juga perlu melihat apa yang terjadi ketika otomasi gagal atau kasus dialihkan ke manusia.

• Tingkat pengenalan maksud (intent recognition rate): Metrik ini menunjukkan seberapa sering agent mengidentifikasi tujuan pengguna dengan benar. Tingkat yang rendah bisa menandakan cakupan agent yang tidak jelas. Ini juga bisa mengungkap perutean yang lemah atau konteks percakapan yang kurang memadai.

• Containment rate: Containment rate mengukur porsi permintaan yang didukung dan berhasil diselesaikan tanpa keterlibatan manusia. Metrik ini perlu ditinjau bersama akurasi, karena jawaban yang salah bisa saja menghindari eskalasi tanpa benar-benar menyelesaikan masalah pengguna.

• Task completion rate: Metrik ini menunjukkan apakah hasil yang diminta benar-benar tercapai. Metrik ini lebih bermakna dibandingkan volume pesan, karena percakapan yang panjang bisa saja berakhir tanpa menyelesaikan tugas.

• Escalation rate: Escalation rate mengukur seberapa sering agent mengalihkan permintaan ke manusia. Tim perlu meninjau alasan di balik setiap pengalihan, bukan menganggap setiap eskalasi sebagai kegagalan. Sebagian pengalihan mencerminkan batas keamanan yang memang tepat.

• First-contact resolution: Metrik ini melacak apakah masalah pengguna terselesaikan pada interaksi pertama. Tim perlu menentukan apakah kasus yang dialihkan ke manusia selama interaksi tersebut tetap dihitung sebagai first-contact resolution.

• Kualitas dan akurasi respons: Respons harus menjawab pertanyaan sebenarnya dari pengguna dan tetap konsisten dengan informasi yang telah disetujui. Tinjauan manusia atau evaluasi otomatis dapat mengidentifikasi klaim yang tidak berdasar dan jawaban yang tidak lengkap.

• Kepuasan pelanggan dan karyawan: CSAT atau Customer Effort Score dapat mengukur pengalaman setelah interaksi tertentu. NPS lebih cocok untuk memahami hubungan pengguna secara lebih luas dengan perusahaan, bukan untuk mengevaluasi satu respons agent.

• Penghematan biaya dan waktu: Bandingkan total waktu pemrosesan sebelum dan sesudah penerapan. Perhitungan ini harus mencakup biaya pengoperasian agent serta pekerjaan manusia yang masih diperlukan untuk pemantauan dan peninjauan.

Kenali Kimi Agent: AI virtual agent yang bisa Anda gunakan sekarang

Anda tidak perlu membangun AI virtual agent sendiri untuk merasakan manfaatnya. Alur yang dijelaskan dalam panduan ini yaitu memahami permintaan, merencanakan langkah berikutnya, bertindak melalui tools, dan memeriksa hasilnya adalah cara kerja produk agent Kimi dalam menangani pekerjaan nyata. Mulailah dengan satu agent untuk satu hasil kerja, lalu tingkatkan menjadi swarm yang terkoordinasi ketika beban kerja bertambah.

Kimi Agent untuk tugas end-to-end

Kimi Agent mengubah permintaan berbahasa alami menjadi hasil kerja yang selesai. Jelaskan hasil yang diinginkan dalam satu kalimat, dan Kimi Agent akan merencanakan langkah-langkahnya, menggunakan tools bawaannya, serta memeriksa hasilnya sebelum menyerahkannya. Contoh hasil yang umum meliputi:

• Laporan riset terstruktur yang dibuat oleh asisten riset AI

• Situs web yang berfungsi dibuat dari brief singkat

• Presentasi PPT, dokumen, atau spreadsheet yang siap diedit

Anda dapat mengunggah hingga 50 file sekaligus sebagai materi sumber, sehingga PDF, slide, dan gambar yang sudah ada dapat menjadi bagian dari tugas tersebut. Untuk pekerjaan yang tetap berada di desktop, Kimi Work menjalankan jenis agent yang sama pada file lokal dan mengotomatiskan riset, analisis, serta pelaporan.

Kimi Deep Research untuk investigasi jangka panjang

Beberapa permintaan memerlukan virtual agent yang terus bekerja meski Anda menutup chat. Kimi Deep Research biasanya berjalan selama 10 hingga 25 menit per tugas dan terus bekerja di latar belakang, sehingga Anda bisa meninggalkan halaman dan kembali menemukan laporan lengkap dengan sumber yang dikutip.

Kimi Agent Swarm untuk pekerjaan bervolume tinggi

Ketika satu agent terlalu lambat untuk ukuran pekerjaan, Kimi Agent Swarm menskalakan alur kerja yang sama ke seluruh tim sub-agent. Swarm ini kini digerakkan oleh Kimi K3 dan dapat mengoordinasikan hingga 300 sub-agent dengan lebih dari 4.000 pemanggilan tools dalam satu tugas, menyelesaikan pekerjaan hingga 4,5 kali lebih cepat dibandingkan satu agent yang bekerja langkah demi langkah. Alih-alih mengikuti skrip tetap, orchestrator membuat spesialis yang dibutuhkan setiap pekerjaan. Tugas riset mendapatkan pencari paralel, kumpulan dokumen mendapatkan pembaca, laporan panjang mendapatkan penulis, dan proyek kode mendapatkan pembangun. Agent Swarm saat ini sedang diluncurkan secara bertahap dalam versi Beta.

Anda tetap memegang kendali atas hasilnya

Agent Kimi menangani prosesnya sementara Anda tetap memegang keputusan penting. Anda menentukan tujuan, mengawasi rencana saat dijalankan, dan menyetujui hasil akhirnya. Fakta penting dan keputusan yang berdampak besar tetap layak mendapat peninjauan manusia.

Keterbatasan dan risiko AI virtual agent

AI virtual agent dapat menghasilkan jawaban yang salah atau mengandalkan pengetahuan yang sudah usang. Integrasi juga bisa gagal ketika mengembalikan data yang tidak lengkap. Izin akses yang terlalu luas dapat menimbulkan risiko privasi dan melemahkan keamanan. Oleh karena itu, penerapan yang andal memerlukan sumber informasi yang terkini dan akses dengan hak istimewa seminimal mungkin. Gerbang persetujuan melindungi tindakan-tindakan sensitif, sementara eskalasi yang jelas memberi manusia kendali ketika otomasi mencapai batasnya. Log harus menjelaskan apa yang dilakukan agent. Tim sebaiknya memulai dengan alur kerja yang sempit dan menguji kasus-kasus tepi yang realistis. Otonomi baru diperluas setelah sistem terbukti akurat dan dapat dikendalikan.

Kesimpulan

AI virtual agent menghubungkan percakapan berbahasa alami dengan pengetahuan yang terpercaya dan eksekusi alur kerja. Penalaranlah yang menentukan tools mana yang digunakan, dan inilah yang membedakan agent dari chatbot yang sebagian besar hanya menjawab atau mengalihkan permintaan. Penerapan yang berhasil dimulai dari use case yang jelas dan izin akses yang telah ditentukan. Integrasi yang andal mendukung eksekusi, sementara pengalihan ke manusia melindungi hasil-hasil penting. Kimi Agent Swarm menawarkan salah satu cara untuk mengoordinasikan riset kompleks atau penulisan naskah panjang. Kimi Agent Swarm juga dapat mendukung pekerjaan batch. Tingkat otonomi yang tepat adalah tingkat paling minimal yang tetap mampu menyelesaikan alur kerja secara andal.