AI Agent — Dari Chatbot Biasa ke Sistem yang Bisa Berbuat Sesuatu

Beberapa waktu lalu aku sempat terpaku memikirkan satu hal: chatbot AI itu sebenarnya hanya sekadar mesin yang menjawab pertanyaan. Ia bisa menjelaskan cara memasak nasi goreng, merangkum buku, atau menulis kode. Tapi ia tidak bisa benar-benar melakukan sesuatu — tidak bisa memeriksa cuaca, mengirim email, atau menjalankan perintah di serverku. Lalu muncul istilah AI Agent, dan ternyata konsepnya menarik sekali: bagaimana jika kita memberi AI kemampuan untuk berpikir, memutuskan, lalu bertindak?

Konsep ini seperti memberi roda tambahan pada sepeda. Chatbot biasa hanya bisa menunjukkan peta. AI Agent bisa menyusuri jalan, memutar setir, dan menginjak rem jika perlu. Ia tidak sekadar tahu; ia bisa berbuat. Di artikel ini, aku ingin berbagi pemahamanku tentang AI Agent, bagaimana ia bekerja, dan kenapa ia mulai menjadi fondasi dari banyak aplikasi modern.

Apa Bedanya Chatbot dengan AI Agent?

Bayangkan kamu masuk ke restoran. Chatbot itu seperti pelayan yang hanya bisa menjelaskan menu: ia tahu apa yang tersedia, bisa merekomendasikan hidangan, dan menjawab pertanyaanmu tentang bahan makanan. Tapi ia tidak bisa memasak, tidak bisa membawakan pesanan, dan tidak bisa meminta tambahan cabai ke dapur.

AI Agent adalah pelayan yang bisa melakukan semuanya. Ia menerima pesanan, menyimpannya, membawanya ke dapur, mengecek stok bahan, dan kembali memberitahu kamu jika hidangan yang kamu pesan sedang kosong. Intinya, AI Agent tidak hanya menjawab — ia mengambil tindakan untuk mencapai tujuan.

Dalam konteks teknis, chatbot bekerja dalam satu siklus: input pengguna → model menghasilkan teks → output ke pengguna. AI Agent bekerja dalam beberapa siklus: menerima tugas → berpikir → memilih tindakan → menjalankan tool → mengamati hasil → berpikir ulang. Siklus ini berulang sampai tujuan tercapai.

Tiga Komponen Utama AI Agent

Menurutku, AI Agent bisa dipahami lewat tiga komponen utama. Ketiganya harus ada agar sistem benar-benar bisa disebut agent, bukan sekadar chatbot yang sedikit lebih cerdas.

Pertama, model bahasa. Ini adalah otaknya. Bisa berupa GPT-4, Claude, Gemini, atau model lokal seperti Qwen dan Llama. Model inilah yang memahami instruksi, merencanakan langkah, dan memutuskan apa yang harus dilakukan selanjutnya.

Kedua, memori. Agent perlu mengingat apa yang sudah terjadi. Ada dua jenis memori: short-term yang menyimpan percakapan saat ini, dan long-term yang menyimpan fakta, preferensi, atau hasil belajar dari sesi sebelumnya. Tanpa memori, agent akan terjebak dalam lingkaran yang sama, seperti orang yang lupa sudah pernah bertanya.

Ketiga, tools. Tools adalah tangan dan kaki agent. Lewat tools, AI bisa mencari di internet, membaca file, menjalankan kode, mengirim email, atau bahkan menjalankan perintah di terminal. Tanpa tools, AI hanya bisa berbicara. Dengan tools, AI bisa bertindak.

Workflow ReAct — Berpikir, Bertindak, Mengamati

Salah satu pola pikir yang paling umum dipakai dalam AI Agent adalah ReAct, kependekan dari Reasoning dan Acting. Pola ini mengajak model untuk tidak langsung menjawab, tetapi berpikir dulu, bertindak, lalu mengamati hasilnya.

Contoh sederhananya seperti ini. Misalnya aku bertanya: "Berapa suhu di Semarang sekarang, lalu buatkan aku kalimat untuk update status media sosial?" Chatbot biasa mungkin akan menjawab seadanya, bahkan menebak. Agent dengan ReAct akan melakukan langkah berikut:

1. Berpikir: Pengguna ingin tahu suhu Semarang dan kalimat status.
2. Bertindak: Memanggil tool cuaca untuk kota Semarang.
3. Mengamati: Tool mengembalikan data suhu 31 derajat Celsius dan berawan.
4. Berpikir lagi: Data sudah cukup, sekarang buat kalimat yang ringan dan personal.
5. Menjawab: "Semarang hari ini 31°C dan sedang berawan. Panasnya masih bisa ditolerir, asal jangan panik juga."

ReAct membuat AI tidak hanya cerdas secara bahasa, tetapi juga terhubung dengan kenyataan. Ia tahu kapan harus mencari informasi eksternal dan kapan harus berhenti.

Contoh Sederhana di Terminal

Untuk membuatnya lebih konkret, aku ingin tunjukkan bagaimana sebuah agent sederhana bisa dibuat dengan Python. Di sini aku pakai pola manual agar mudah dipahami, tanpa framework besar seperti LangChain.

import requests

API_URL = "http://localhost:8080/v1/chat/completions"

def get_weather(city):
    # Simulasi tool cuaca
    fake_data = {"Semarang": "31°C berawan", "Jakarta": "33°C cerah"}
    return fake_data.get(city, "Data tidak tersedia")

def ask_llm(messages):
    response = requests.post(API_URL, json={
        "model": "qwen2.5-coder-7b",
        "messages": messages
    })
    return response.json()["choices"][0]["message"]["content"]

messages = [
    {"role": "system", "content": "Kamu adalah asisten yang bisa memanggil tool cuaca. Jika butuh data cuaca, balas dengan [WEATHER:kota]."},
    {"role": "user", "content": "Cuaca di Semarang gimana?"}
]

reply = ask_llm(messages)
if reply.startswith("[WEATHER:"):
    city = reply.split(":")[1].rstrip("]")
    weather = get_weather(city)
    messages.append({"role": "user", "content": f"Data cuaca: {weather}. Silakan jawab."})
    final = ask_llm(messages)
    print(final)
else:
    print(reply)

Script di atas sangat sederhana, tapi inti agent sudah terlihat: model memutuskan kapan harus memanggil tool, lalu hasilnya dikembalikan ke model untuk dibentuk menjadi jawaban akhir. Di aplikasi nyata, proses ini jauh lebih kompleks, dengan parsing tool call, error handling, dan retry mechanism.

Tool Use: Memberi Tangan pada AI

Bagian paling menarik dari AI Agent menurutku adalah tool use. Tanpa tool, AI hanya bisa menghasilkan teks dari pengetahuan yang sudah ada di modelnya. Dengan tool, AI bisa:

• Mencari informasi terbaru di internet melalui search engine.
• Membaca dan menulis file di sistem lokal.
• Menjalankan query ke database.
• Mengirim email atau pesan melalui API.
• Memanggil model AI lain untuk tugas spesifik.

Pengalaman pribadiku, tool use terasa seperti menyewa asisten yang tadinya hanya bisa berbicara, sekarang bisa benar-benar mengurus pekerjaan rumah. Misalnya, aku pernah membuat script kecil yang meminta AI mengecek log server, menyaring baris-baris yang mengandung error, lalu merangkumnya dalam satu kalimat. Yang tadinya butuh beberapa perintah manual, kini bisa jadi satu alur otomatis.

Tapi ada catatan penting: semakin banyak tool yang diberikan, semakin besar risikonya. AI bisa saja memanggil tool yang salah, memberikan argumen yang berbahaya, atau mengulang tindakan tanpa henti. Karena itu, batasan izin dan validasi input sangat penting.

Kapan AI Agent Berguna, Kapan Berlebihan

Menurutku, tidak semua masalah perlu diselesaikan dengan AI Agent. Ada kalanya solusi sederhana justru lebih baik. AI Agent paling berguna ketika:

• Tugas membutuhkan beberapa langkah dan keputusan di tengah jalan.
• Diperlukan data eksternal yang tidak bisa ditebak oleh model.
• Ada kebutuhan untuk mengotomatisasi alur kerja yang repetitif.

Sebaliknya, AI Agent bisa jadi berlebihan jika tugasnya hanya menjawab satu pertanyaan sederhana, atau jika sistem sudah bisa diselesaikan dengan rule-based automation biasa. Memakai AI Agent untuk menyalakan lampu kamar mungkin keren, taka saklar tetap lebih cepat.

Membangun AI Agent Lokal

Salah satu alasan aku tertarik dengan AI Agent adalah karena kita bisa membangunnya sendiri di rumah. Dengan model lokal seperti Qwen, Llama, atau Mistral, kita tidak perlu mengirim data sensitif ke layanan cloud. Semuanya bisa berjalan di home server yang sederhana.

Stack yang bisa dipakai bermacam-macam. Ada yang pakai Ollama untuk menjalankan model, LangChain atau LlamaIndex untuk orkestrasi, dan ChromaDB atau Qdrant untuk menyimpan memori jangka panjang. Atau, untuk yang suka kontrol penuh seperti aku, bisa menulis agent dari nol menggunakan Python dan endpoint API lokal.

Yang terpenting bukan framework-nya, tetapi pemahaman tentang siklus berpikir dan bertindak. Jika kita paham ReAct, memori, dan tool use, kita bisa membangun agent dengan alat apa pun yang tersedia.

Kesimpulan

AI Agent adalah langkah alami setelah chatbot. Ia mengubah AI dari sekadar penjawab pertanyaan menjadi sistem yang bisa merencanakan, bertindak, dan belajar dari hasilnya. Dengan tiga komponen utama — model bahasa, memori, dan tools — agent bisa menangani tugas-tugas yang lebih kompleks dan lebih terhubung dengan dunia nyata.

Buatku, memahami AI Agent itu seperti belajar menyetir setelah sekadar menumpang. Tadinya kita hanya melihat jalan dari kaca jendela. Sekarang kita bisa memegang setir, memilih rute, dan sampai ke tujuan. Tentu saja butuh latihan, dan tidak semua perjalanan mulus. Tapi setidaknya, kita sudah tidak lagi hanya duduk diam menunggu jawaban.

Kalau kamu sudah pernah coba membangun AI Agent sendiri, atau malah baru pertama kali dengar istilah ini, aku ingin dengar pendapatmu di kolom komentar. Jangan lupa share artikel ini kalau menurutmu berguna.