Otomatisasi tradisional mengikuti instruksi tetap, dan chatbot sederhana merespons pesan yang ada di hadapannya. Goal-based agent bekerja secara berbeda. Ia dimulai dengan hasil yang diinginkan lalu merencanakan tindakan yang diperlukan untuk mencapainya. Kemudian, ia mengevaluasi informasi baru seiring perkembangan tugas. Artikel ini menjelaskan konsepnya, arsitektur pendukungnya, dan kasus penggunaan utamanya. Artikel ini juga membandingkan goal-based agent dengan jenis agent AI lainnya dan memperkenalkan Kimi Agent sebagai cara praktis untuk merasakan eksekusi tugas berbasis tujuan.
Apa itu goal-based agent?
Goal-based agent adalah sistem AI yang membuat keputusan dan mengambil tindakan seputar tujuan yang telah ditetapkan. Sistem ini mengevaluasi keadaan saat ini, mempertimbangkan langkah selanjutnya yang mungkin, dan memilih tindakan yang membawa sistem lebih dekat ke hasil yang diinginkan. Agent dapat menggunakan alat, melacak kemajuan, dan merevisi rencananya ketika informasi baru mengubah situasi.
Sebagai contoh, agent dukungan pelanggan mungkin hanya menjawab satu pertanyaan. Goal-based agent mungkin bekerja untuk menyelesaikan seluruh masalah pelanggan. Ia dapat meninjau riwayat akun dan berkonsultasi dengan basis pengetahuan yang disetujui. Ia kemudian dapat mendiagnosis masalah, menyiapkan solusi, atau meningkatkan kasus tersebut ketika bukti yang ada belum lengkap.
Bagaimana cara kerja goal-based agent?
Goal-based agent biasanya mengikuti siklus yang berulang. Pertama, ia mendefinisikan hasil yang diinginkan dan mengamati lingkungan saat ini. Kemudian, ia membuat rencana, memilih tindakan, dan mengevaluasi hasilnya. Jika hasil tersebut tidak membawa tugas maju, agent dapat menyusun ulang rencana atau meminta bantuan.
Definisi tujuan
Proses dimulai dengan definisi keberhasilan yang tepat. Tujuan mungkin mengandung beberapa kondisi terkait, tetapi setiap kondisi harus dapat diuji. Tujuan juga dapat mencakup batasan seperti tenggat waktu, sumber data yang disetujui, batas pengeluaran, persetujuan yang diperlukan, dan tindakan yang dilarang. Model bahasa dapat mengubah permintaan yang samar menjadi sub-tujuan yang spesifik, tetapi kriteria keberhasilan akhir harus tetap terlihat oleh pemilik alur kerja.
Persepsi lingkungan dan keadaan
Agent mengumpulkan informasi tentang keadaan saat ini dari permintaan pengguna, sistem eksternal, file, basis data, respons API, atau peristiwa sistem. Dalam lingkungan robotik, sensor memberikan informasi tentang objek di sekitar dan kondisi yang berubah. Keadaan juga harus mencatat tugas yang telah selesai, persetujuan yang tertunda, dan asumsi yang gagal. Nilai kesalahan dan status yang jelas membantu agent memutuskan apakah harus melanjutkan, mencoba lagi, atau meningkatkan kasus.
Perencanaan dan penguraian tugas
Modul perencanaan mengubah tujuan menjadi rute yang dapat ditindaklanjuti. Modul ini memecah tujuan besar menjadi tugas-tugas yang lebih kecil dan mengidentifikasi ketergantungan di antaranya. Untuk proses onboarding karyawan, rencana mungkin dimulai dengan pengumpulan dan verifikasi dokumen sebelum menyiapkan permintaan akun dan menunggu persetujuan berdasarkan peran. Proses yang stabil mungkin menggunakan rencana tetap, sementara alur kerja yang berubah-ubah memerlukan titik keputusan untuk penyusunan ulang rencana secara bertahap.
Pemilihan dan eksekusi tindakan
Setelah membuat rencana, agent memilih tindakan berikutnya yang telah disetujui. Ia mungkin menanyakan sistem, mencari dokumen, memperbarui catatan, atau meminta informasi yang kurang kepada seseorang. Setiap tindakan harus memiliki input yang ditentukan dan hasil yang diharapkan. Agent harus memverifikasi hasil sebelum menandai langkah tersebut selesai, dan tindakan berdampak besar sebaiknya dijeda untuk menunggu persetujuan manusia.
Umpan balik dan penyusunan ulang rencana
Eksekusi bukan proses satu arah. Agent membandingkan hasil terbaru dengan tujuan dan memeriksa apakah rencananya masih masuk akal. Bukti baru dapat mengonfirmasi rute saat ini, mengungkap hambatan, atau menciptakan alternatif yang lebih aman.
Siklus ini dapat digambarkan sebagai:
Tujuan mungkin tetap stabil sementara rutenya berubah. Robot gudang dapat memilih jalur lain setelah mendeteksi hambatan. Agent riset dapat mencari sumber lain ketika sumber pertama tidak menjawab pertanyaan. Batas eksekusi, seperti batas jumlah giliran, panggilan alat, percobaan ulang, atau waktu, mencegah operasi tanpa batas dan memudahkan pengukuran kinerja.
Komponen inti arsitektur goal-based agent
Arsitektur goal-based agent menghubungkan tujuan dengan keadaan, perencanaan, alat, dan pengawasan. Implementasi yang tepat bervariasi, tetapi setiap komponen harus memiliki tanggung jawab yang jelas.
Tujuan dan kriteria keberhasilan
Lapisan tujuan menetapkan kondisi akhir yang diinginkan. Lapisan ini menjelaskan apa yang harus dicapai oleh agent dan apa yang dianggap sebagai penyelesaian. Lapisan ini juga dapat mengidentifikasi kondisi kegagalan dan batasan yang berlaku selama proses eksekusi.
Misalnya, alur kerja dokumen mungkin mengharuskan setiap kolom wajib diverifikasi sebelum catatan diajukan. Catatan yang belum lengkap bukan keberhasilan sebagian jika alur kerja mensyaratkan verifikasi penuh. Kriteria yang eksplisit membantu agent berhenti pada waktu yang tepat.
Model dunia dan basis pengetahuan
Model dunia memberi agent representasi kerja atas lingkungannya. Ini bisa mencakup status sistem saat ini, sumber daya yang tersedia, hubungan yang diketahui, dan kemungkinan konsekuensi dari tindakan. Basis pengetahuan menyediakan informasi pendukung saat agent perlu mengambil keputusan.
Model dunia berguna karena agent tidak bisa merencanakan hanya berdasarkan tujuan. Agent harus memahami posisi alur kerja saat ini. Agent juga perlu membedakan konteks tugas yang bersifat sementara dari pengetahuan yang lebih bertahan lama. Proses pengambilan (retrieval) sebaiknya menyediakan informasi yang relevan tanpa memasukkan seluruh kumpulan data ke dalam konteks aktif.
Catatan status yang dikelola dengan baik dapat menunjukkan langkah yang telah selesai, dependensi yang tertunda, upaya yang gagal, dan status persetujuan. Aturan akses dan asal-usul data harus mengatur apa pun yang disimpan untuk digunakan nanti.
Modul perencanaan
Modul perencanaan membuat dan memperbarui jalur menuju tujuan. Modul ini bisa menghasilkan urutan tindakan, membagi pekerjaan di antara para spesialis, atau memilih langkah berikutnya secara dinamis.
Perencanaan yang baik memperhitungkan dependensi dan ketidakpastian. Perencanaan tidak mengasumsikan bahwa setiap alat akan memberikan hasil yang diharapkan. Perencanaan bisa mencakup jalur cadangan, langkah validasi, dan kondisi eskalasi. Sebuah rencana harus tetap bersifat sementara ketika bukti baru dapat mengubah langkah terbaik berikutnya.
Lapisan alat dan tindakan
Alat memungkinkan agent berinteraksi dengan sistem di luar model. Contoh umum meliputi pencarian, kueri basis data, pemrosesan file, tindakan pada browser, API bisnis, dan pembaruan catatan.
Setiap alat memerlukan kontrak yang jelas. Kontrak tersebut harus mendefinisikan input yang valid, output yang diharapkan, izin, error, dan efek samping. Tindakan baca dan tindakan tulis sebaiknya dipisahkan bila memungkinkan. Operasi yang sensitif sebaiknya menggunakan aturan validasi dan persetujuan yang lebih ketat.
Eksekusi, evaluasi, dan guardrail
Lapisan eksekusi menjalankan tindakan yang dipilih. Lapisan evaluasi memeriksa hasil terhadap rencana dan kriteria keberhasilan. Guardrail mendefinisikan apa yang boleh dilakukan agent dan kapan agent harus berhenti.
Alur kerja produksi sebaiknya mencatat keputusan, pemanggilan alat, observasi, dan perubahan status. Catatan ini mendukung debugging dan peninjauan oleh manusia. Gerbang persetujuan sangat penting sebelum tindakan yang tidak dapat dibatalkan, komunikasi eksternal, perubahan finansial, atau pembaruan produksi.
Goal-based agent vs jenis AI agent lainnya
Goal-based agent adalah salah satu bagian dari kumpulan desain AI agent yang lebih luas. Kategori-kategori ini bisa tumpang tindih, tetapi masing-masing menyoroti cara pengambilan keputusan yang berbeda.
| Jenis agent | Cara mengambil keputusan | Kemampuan perencanaan | Paling cocok untuk |
|---|---|---|---|
| Simple reflex agent | Merespons input saat ini | Sedikit atau tidak ada | Aturan tetap dan reaksi langsung |
| Model-based reflex agent | Menggunakan model status internal | Terbatas | Lingkungan yang membutuhkan memori dasar |
| Goal-based agent | Memilih tindakan yang mengarah pada tujuan yang ditetapkan | Ya | Tujuan yang jelas dengan jalur yang bisa berubah |
| Utility-based agent | Memilih hasil yang paling bernilai | Analisis trade-off tingkat lanjut | Beberapa tujuan yang saling bersaing |
| Learning agent | Meningkat melalui pengalaman atau umpan balik | Dapat berkembang seiring waktu | Tugas yang diuntungkan oleh adaptasi |
Reactive agent merespons apa yang dilihatnya saat ini. Goal-based agent mempertimbangkan bagaimana suatu tindakan memengaruhi kondisi di masa depan. Perilaku yang berorientasi ke depan ini membuat sistem berbasis tujuan lebih cocok ketika tujuannya stabil tetapi jalurnya tidak.
Utility-based agent menyelesaikan masalah pengambilan keputusan yang berbeda. Agent ini membandingkan kemungkinan hasil dan memberikan nilai pada masing-masing hasil tersebut. Misalnya, sistem layanan pelanggan mungkin menyeimbangkan kecepatan penyelesaian, biaya pengembalian dana, dan kepuasan pelanggan saat memilih respons. Goal-based agent biasanya berfokus pada apakah kondisi target telah tercapai. Sistem berbasis tujuan tetap dapat menyertakan komponen pembelajaran atau berbasis utilitas jika alur kerja membutuhkannya.
Goal-based agent vs task-based agent
Task-based agent dan goal-based agent sama-sama dapat mengotomatiskan pekerjaan yang bermanfaat. Perbedaannya terletak pada tingkat instruksi yang diterima sistem dan cara keberhasilan diukur.
| Dimensi | Task-based agent | Goal-based agent |
|---|---|---|
| Titik awal | Instruksi yang spesifik | Hasil yang diinginkan |
| Cakupan | Satu tugas yang ditentukan | Alur kerja yang saling terhubung |
| Tindakan berikutnya | Biasanya ditentukan oleh pengguna atau alur kerja | Dipilih oleh agent |
| Ukuran keberhasilan | Penyelesaian tugas | Pencapaian tujuan |
| Adaptasi | Sering terbatas | Dapat menyusun ulang rencana saat kondisi berubah |
| Input manusia | Mungkin diperlukan di setiap langkah | Biasanya diperlukan pada batasan atau pengecualian |
Task-based agent berguna ketika tindakan yang harus dilakukan sudah diketahui. Goal-based agent berguna ketika hasil akhirnya jelas tetapi jalurnya bisa bervariasi. Sistem berbasis tugas dapat mengekstrak sebuah kolom dari dokumen. Sistem berbasis tujuan dapat menggunakan ekstraksi tersebut sebagai satu langkah dalam proses yang lebih besar yang memvalidasi informasi dan mengarahkan pengecualian.
Perbedaan ini terletak pada tanggung jawab alur kerja, bukan jumlah agent. Satu agent tunggal dapat mengejar tujuan yang luas. Beberapa agent juga dapat melakukan tugas-tugas terpisah tanpa berbagi rencana yang lebih besar.
Kasus penggunaan goal-based agent
Goal-based agent cocok untuk lingkungan di mana tujuan akhirnya jelas tetapi kondisinya dapat berubah sebelum tugas selesai.
Robotika dan otomasi gudang
Robot gudang mungkin menerima tujuan untuk memindahkan sebuah paket ke area pengiriman. Robot tersebut harus mengidentifikasi paket, merencanakan rute, menghindari rintangan, dan memantau posisinya. Jika robot lain menghalangi jalur yang direncanakan, agent dapat mengevaluasi rute alternatif.
Tujuannya tetap sama. Urutan tindakannya berubah sesuai dengan lingkungan. Ini menjadikan robotika contoh yang jelas dari perencanaan menuju kondisi masa depan, bukan sekadar bereaksi terhadap rintangan terdekat.
Dukungan pelanggan dan penyelesaian masalah
Alur kerja dukungan mungkin mendefinisikan keberhasilan sebagai penyelesaian masalah pelanggan dengan respons yang akurat dan disetujui. Agent dapat membaca percakapan, mengambil informasi akun, merujuk basis pengetahuan, dan menentukan apakah masalah tersebut perlu dieskalasi.
Sistem tidak boleh mengklaim keberhasilan hanya setelah menyusun draf balasan. Sistem harus memeriksa apakah respons tersebut menjawab masalahnya dan apakah tindakan yang diperlukan telah diselesaikan. Perubahan yang sensitif harus tetap melalui langkah persetujuan manusia.
Onboarding karyawan
Onboarding karyawan melibatkan tugas-tugas yang saling terkait dan bergantung pada peran, lokasi, tanggal mulai, serta status persetujuan. Goal-based agent dapat melacak hasil akhir yang lebih besar, alih-alih memperlakukan setiap permintaan sebagai tindakan yang terpisah.
Agent ini bisa mengumpulkan dokumen, memverifikasi informasi, menyiapkan permintaan akun, dan menunggu persetujuan manajer. Jika ada kolom wajib yang belum diisi, agent dapat menghentikan sementara atau meminta informasi yang kurang tersebut. Agent tidak boleh melewati aturan izin hanya demi menjaga rencana tetap berjalan.
Alur kerja riset dan konten
Alur kerja riset mungkin dimulai dengan tujuan menghasilkan laporan terstruktur berdasarkan bukti yang andal. Agent dapat membagi pertanyaan menjadi subtopik, mencari sumber yang disetujui, mengorganisasi temuan, dan mengidentifikasi celah.
Jika sebuah sumber tidak mendukung suatu klaim, agent dapat merevisi rencana riset. Langkah peninjauan dapat memeriksa apakah laporan akhir menjawab pertanyaan awal. Peninjauan oleh manusia tetap penting ketika laporan tersebut menjadi dasar keputusan yang berdampak besar.
Respons insiden dan operasi
Agent respons insiden mungkin bekerja untuk mengidentifikasi penyebab masalah layanan. Agent dapat memeriksa log, meninjau deployment terbaru, memeriksa dependensi, dan membandingkan bukti antar sistem.
Alur kerja bisa berubah seiring munculnya sinyal baru. Agent bisa merekomendasikan rollback atau perubahan konfigurasi, tetapi tindakan yang berdampak pada produksi harus memerlukan otorisasi. Loop berbasis tujuan membantu mengatur investigasi tanpa mengubah rekomendasi menjadi eksekusi yang tak terkendali.
Manfaat agent berbasis tujuan
Penanganan kerja bertahap yang lebih baik
Agent berbasis tujuan dapat mengatur tindakan-tindakan yang saling terkait di sekitar suatu hasil akhir. Anda tidak perlu memberikan setiap langkah berisiko rendah ketika alur kerja memiliki batasan yang jelas.
Lebih fleksibel dibanding otomasi berbasis aturan
Aturan tetap bekerja dengan baik dalam kondisi yang stabil. Sistem berbasis tujuan dapat memilih jalur lain yang telah disetujui ketika input berubah atau tindakan yang diharapkan gagal.
Kriteria keberhasilan yang lebih jelas
Tujuan yang terdefinisi membuat evaluasi lebih bermakna. Sistem dapat memeriksa apakah hasil yang dimaksud tercapai, bukan mengukur keberhasilan berdasarkan panjang atau kelancaran sebuah respons.
Kontinuitas alur kerja yang lebih baik
Agent dapat mempertahankan status tugas dan mengidentifikasi apa yang belum selesai. Hal ini penting ketika alur kerja terhenti sementara untuk menunggu persetujuan atau menunggu informasi dari sistem lain.
Pendelegasian dari manusia yang lebih bermanfaat
Orang dapat menetapkan hasil, batasan, dan titik-titik persetujuan. Agent kemudian dapat mengelola keputusan rutin dalam batasan operasional tersebut, sementara manusia menangani pengecualian dan pilihan-pilihan berdampak besar.
Cara merancang agent berbasis tujuan yang andal
Rancangan yang andal dimulai dari alur kerja, bukan dari model. Gunakan arsitektur paling sederhana yang dapat menyelesaikan tugas dengan aman.
Tentukan satu tujuan yang terukur: Tuliskan kondisi penyelesaian yang dapat diverifikasi oleh evaluator.
Tetapkan kondisi keberhasilan dan kegagalan: Jelaskan kapan agent harus melanjutkan, berhenti, atau mengeskalasi.
Pecah tujuan menjadi subtugas: Berikan setiap subtugas keluaran dan dependensi yang jelas.
Batasi akses tool: Sediakan hanya tool yang diperlukan untuk peran saat ini.
Pisahkan izin baca dan tulis: Perlakukan pengambilan informasi secara berbeda dari tindakan yang mengubah status.
Tambahkan gerbang persetujuan: Wajibkan konfirmasi sebelum operasi yang sensitif atau tidak dapat dibatalkan.
Catat eksekusi: Rekam rencana, pemanggilan tool, hasil, dan perubahan status.
Tetapkan batas eksekusi: Gunakan batasan waktu, giliran, percobaan ulang, dan biaya.
Uji seluruh alur kerja: Evaluasi hasil akhir, bukan hanya respons model secara individual.
Perluas secara bertahap: Mulai dengan satu agent dan tambahkan koordinasi hanya setelah kebutuhan yang terukur muncul.
Aturan praktisnya sederhana: gunakan arsitektur dengan kompleksitas paling rendah yang dapat menyelesaikan alur kerja secara andal. Otonomi yang lebih besar hanya berguna ketika hal itu memecahkan masalah operasional tertentu.
Kenali Kimi Agent: agent berbasis tujuan yang bisa Anda gunakan sekarang
Loop perencanaan dalam panduan ini bukan sekadar teori. Inilah cara Kimi Agent menjalankan tugas-tugas nyata. Anda menjelaskan hasil yang diinginkan dalam satu kalimat, dan Kimi menguraikannya menjadi subtugas serta menjalankan setiap langkah dengan tool bawaan. Kimi kemudian mengevaluasi hasilnya sebelum menyerahkan keluaran akhir. Tidak ada lapisan orkestrasi yang perlu dibangun dan tidak ada kode alur kerja yang perlu dipelihara.
Sebutkan tujuannya, dapatkan hasilnya
Kimi Agent bekerja sebagaimana seharusnya agent berbasis tujuan: berikan target, bukan prosedur. Kimi merencanakan jalurnya sendiri dan menghasilkan pekerjaan yang bisa langsung Anda gunakan.
Laporan riset dengan sumber yang disertakan, melalui Kimi Deep Research
Situs web multi-halaman yang berfungsi, dibuat dari sebuah 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 semuanya menjadi bagian dari konteks tugas.
Tugas panjang berjalan hingga selesai dengan sendirinya
Agent berbasis tujuan membuktikan kemampuannya pada pekerjaan yang membutuhkan lebih dari satu langkah. Kimi Deep Research biasanya berjalan selama 10 hingga 25 menit per tugas dan terus berjalan di latar belakang, sehingga Anda dapat meninggalkan halaman tersebut dan kembali untuk mendapatkan laporan yang sudah selesai. Agent melacak kemajuannya sendiri, tanpa perlu menunggu Anda memberi prompt di setiap langkah.
Skalakan satu tujuan menjadi ratusan tugas paralel
Ketika satu agent tidak cukup untuk menangani skala pekerjaan, Kimi Agent Swarm membagi tujuan tersebut ke lebih dari 100 sub-agent dan mendukung hingga 1.500 pemanggilan tool secara paralel. Dirancang untuk pencarian skala besar, penulisan panjang, dan pemrosesan batch — loop berbasis tujuan yang sama, hanya dilipatgandakan.
Anda tetap yang menentukan batasannya
Rancangan berbasis tujuan menjaga agar manusia tetap memegang kendali atas hasil, dan Kimi bekerja dengan cara yang sama. Anda menetapkan tujuan dan batasan, lalu meninjau rencana dan hasil akhirnya. Fakta-fakta penting dan keputusan yang berdampak besar tetap berada di bawah peninjauan manusia. Otonomi menangani jalurnya; penilaian tetap ada di tangan Anda.
Keterbatasan dan tantangan
Agent berbasis tujuan memberikan fleksibilitas yang lebih besar dibandingkan otomasi tetap, tetapi juga memunculkan mode kegagalan baru. Tujuan yang tidak jelas dapat mengarahkan agent ke hasil yang salah, sementara ruang keputusan yang besar dapat membuat proses perencanaan menjadi mahal. Rencana juga bisa menjadi usang saat lingkungan berubah. Prioritas yang saling bertentangan mungkin memerlukan penalaran berbasis utilitas atau penilaian manusia, bukan sekadar uji penyelesaian sederhana. Kegagalan tool dan data yang basi menambah risiko lain, terutama saat agent dapat mengubah sistem eksternal. Karena itu, penerapan yang andal membutuhkan hasil tool yang tervalidasi, replanning yang terkendali, izin yang terbatas, log yang terlihat, dan persetujuan manusia untuk tindakan berdampak besar.
Kesimpulan
Agent berbasis tujuan bekerja untuk mencapai hasil yang telah ditetapkan, bukan hanya merespons input terbaru. Agent ini menggunakan loop yang menghubungkan perencanaan dengan tindakan, lalu mengevaluasi hasil yang diamati sebelum menentukan langkah berikutnya. Pendekatan ini cocok untuk workflow di mana tujuan akhirnya jelas tetapi jalurnya bisa berubah. Mulailah dengan kriteria keberhasilan yang jelas dan izin yang terbatas. Tambahkan kompleksitas hanya jika workflow benar-benar membutuhkannya. Kimi Agent menawarkan cara praktis untuk menjajaki eksekusi tugas yang berorientasi tujuan tanpa perlu membangun arsitektur agent dari nol.