Kerangka Agen AI: Membangun Sistem Lebih Cerdas dengan Perkakas yang Tepat

Apa Itu Kerangka Agen AI?

Pada intinya, agen AI adalah program yang dapat merasakan, merencanakan, dan bertindak. Agen dirancang untuk menganalisis tujuan, memecahnya menjadi langkah-langkah, dan mengambil tindakan cerdas—secara mandiri atau bersama agen lain.

Baik itu menjawab pertanyaan, menjalankan pencarian, atau berkolaborasi dengan agen lain, agen digunakan di berbagai industri untuk banyak aplikasi, dan dirancang beroperasi dengan tingkat otonomi yang mengejutkan.

Ada beberapa cara untuk membangun agen AI dari nol. Agen dapat dibuat dengan Python atau menggunakan React dan tumpukan teknologi lainnya. Namun, membangunnya dari dasar adalah hal yang sama sekali berbeda. Anda harus menyambungkan memori, merencanakan tugas, mengaitkan alat, mengelola koordinasi, menangani error… dan banyak lagi. Ada banyak komponen yang harus Anda rajut menjadi satu.

Kerangka Agen AI = Otak + Kotak Perkakas

Kerangka ini membuat proses membangun dan menskalakan agen AI jauh lebih mudah. 

Komponen Kerangka Agen AI. Sumber gambar: Napkin AI

Kerangka ini menyediakan:

• Arsitektur: Tata letak interaksi antar agen.
• Memori: Daya ingat jangka panjang dan jangka pendek.
• Model: Large language model (LLM) menjadi inti agen AI, memberi kemampuan untuk memahami bahasa, menalar masalah, dan bertindak.
• Perkakas: API, mesin pencari, interpreter—alat untuk menyelesaikan pekerjaan.
• Lapisan Orkestrasi: Mengoordinasikan tugas dan kolaborasi (terutama pada pengaturan multi-agen).
• Integrasi: Terhubung dengan LangChain, OpenAI, Azure, Slack, dan lainnya.

Singkatnya: mereka menghemat waktu pengembangan, mengurangi kerumitan, dan menyingkirkan tumpukan kompleksitas.

Cara Kerja Agen AI dalam Praktik

Untuk memahami cara kerja agen AI, mari mulai dengan memahami siklus pengambilan keputusan yang sederhana.

Proses dimulai dengan perencanaan tugas. Saat diberi tugas—misalnya “Ringkas artikel ini” atau “Cari penerbangan di bawah $1.000”—agen mulai memecahnya menjadi langkah-langkah kecil. Daftar periksa dibuat untuk membantu agen menentukan apa yang harus dilakukan, urutannya, dan apakah dapat dilakukan sendiri atau memerlukan dukungan agen lain.

Alur Kerja Agen AI. Sumber Gambar: Napkin AI

Berikutnya adalah pemanggilan fungsi (function calling). Pada tahap ini agen memutuskan alat atau API mana yang perlu digunakan. Baik itu menjelajah web, memeriksa cuaca, atau mencari di database, agen memilih fungsi yang tepat—mirip seperti Anda berpindah antar aplikasi untuk menyelesaikan daftar tugas Anda.

Lalu ada fase eksekusi, saat agen benar-benar melakukan pekerjaan. Bisa berupa menjalankan kode, mengambil data, mengirim email, atau menulis balasan. Di tahap ini, agen berinteraksi dengan alat dan sistemnya untuk menyelesaikan tugas seefektif mungkin.

Dan akhirnya ada loop umpan balik. Setelah tugas selesai (atau belum selesai), agen mengevaluasi hasilnya. Berdasarkan hasil—apakah berhasil, sebagian berhasil, atau gagal—agen belajar dan menyesuaikan diri. Ini bisa berarti memperbarui memorinya, menyesuaikan langkah berikutnya, atau bahkan meminta masukan tambahan dari pengguna. Umpan balik ini membuatnya semakin tajam dari waktu ke waktu.

Tergantung kompleksitasnya, agen bisa melalui siklus ini sekali atau berulang hingga pekerjaan selesai dengan benar.

Sistem single-agent dan multi-agent

Agen AI dapat diklasifikasikan dengan berbagai cara tergantung peran, kapabilitas, dan lingkungan operasinya. Salah satu pembeda utama adalah jumlah agen yang terlibat.

Sistem single-agent beroperasi secara mandiri untuk memenuhi tujuan tertentu. Agen-agen ini bergantung pada alat dan sumber daya eksternal untuk menjalankan tugas, sehingga dapat berfungsi secara efektif di berbagai lingkungan. Mereka paling cocok untuk tujuan yang jelas dan tidak memerlukan koordinasi dengan agen lain. Biasanya, pengaturan single-agent hanya menggunakan satu model dasar untuk pemrosesannya.

Sistem multi-agent, sebaliknya, melibatkan beberapa agen AI yang berkolaborasi atau berkompetisi untuk mencapai tujuan bersama atau individu. Sistem ini memanfaatkan beragam keterampilan dan peran tiap agen, sehingga siap menangani masalah kompleks. Mereka juga dapat mensimulasikan perilaku mirip manusia, seperti komunikasi antarpersonal, dalam konteks interaktif. Dalam pengaturan multi-agen, setiap agen bisa ditenagai model dasar yang berbeda sesuai fungsinya.

Fitur Umum pada Kerangka Agen AI

Ada fitur-fitur tertentu yang umum di banyak kerangka agen AI—semacam kriteria minimal yang dibutuhkan setiap agen untuk benar-benar menyelesaikan pekerjaan.

Fitur Umum pada Kerangka Agen AI. Sumber Gambar: Penulis

Pertama adalah memori persisten, yang memungkinkan agen menyimpan konteks dan ingatan. Alih-alih selalu mulai dari awal, agen dapat membangun percakapan sebelumnya, sehingga terasa lebih cermat, responsif, dan nyaris seperti manusia.

Berikutnya adalah Retrieval-Augmented Generation (RAG). Sederhananya, ini memungkinkan agen mengambil informasi yang tepat dari sumber eksternal—dokumen, database, atau bahkan web—secara langsung. Alih-alih terbatas pada data pelatihan, agen dapat memanfaatkan pengetahuan terkini dan spesifik domain untuk memberikan jawaban yang lebih akurat atau saran yang lebih cerdas.

Lalu ada penggunaan alat, yang benar-benar memberi keunggulan pada agen. Mereka tidak sekadar membalas—mereka dibangun untuk bertindak. Bisa berupa memanggil API, menghitung angka, mengikis data situs, atau menjalankan tugas backend. Kapabilitas ini meng-upgrade mereka dari chatbot menjadi asisten digital sesungguhnya.

Dan terakhir, kolaborasi agen. Di sini agen bekerja bersama—berbagi tugas, meneruskan pembaruan, atau menyelesaikan bagian dari masalah yang lebih besar. Layaknya perusahaan dengan berbagai departemen, satu agen bisa menangani riset sementara yang lain menulis laporan. Bekerja sebagai tim memungkinkan mereka menangani pekerjaan yang lebih kompleks daripada jika bekerja sendiri.

Kerangka Agen AI yang Populer

Lanskap agen AI berkembang pesat, dan memilih kerangka yang tepat bisa terasa seperti memilih topping pizza—ada rasa untuk setiap selera, tetapi terlalu banyak pilihan bisa membuat kewalahan. 

Jadi mari kita sederhanakan dan telusuri kerangka yang paling banyak dibicarakan, menyoroti cara kerjanya, apa yang membedakannya, dan di mana mereka benar-benar unggul.

Opsi Kerangka AI Populer: Sumber Gambar: Napkin AI

1. CrewAI

CrewAI seperti membangun tim pahlawan super Anda sendiri—setiap agen memiliki peran berbeda, dari “Peneliti” hingga “Penulis” hingga “Analis”, dan mereka bekerja bersama seperti sebuah tim.

Pengaturan berbasis peran berarti agen ditugaskan berdasarkan peran dan jabatannya, dan sistem menangani koordinasinya. 

CrewAI memiliki berbagai keunggulan:

• Mudah digunakan karena menyembunyikan sebagian besar kerja rekayasa berat, sehingga Anda dapat fokus pada hasil alih-alih mekanismenya.
• Selain itu, bersifat open-source, kompatibel dengan LLM utama seperti OpenAI dan Anthropic, serta sudah dilengkapi RAG. 

Ini menjadi andalan bagi bisnis yang menyiapkan bot layanan pelanggan atau mengotomatiskan alur kerja yang sarat riset. 

Lantas, apa keterbatasannya? Terkadang terasa agak kaku jika Anda membutuhkan agen yang fleksibel dengan peran dan mampu beradaptasi secara cepat.

2. LangGraph

Jika Anda ingin agen Anda menyusun strategi atau berimprovisasi langkah saat berjalan, LangGraph adalah pilihan tepat. Kerangka ini dibangun di atas teori graf yang memungkinkan agen melakukan loop, bercabang, dan mengalihkan rute sesuai kebutuhan. Sempurna untuk alur kerja yang tidak sekadar eksekusi langkah demi langkah. 

Ini relevan di sektor seperti perhotelan, di mana asisten perjalanan mungkin menimbang opsi atau memeriksa ulang sistem sebelum merespons. Di industri asuransi, jika Anda membangun agen AI yang dapat menilai berbagai opsi asuransi yang disesuaikan dengan demografi atau kebutuhan pengguna, agen harus menyeimbangkan berbagai variabel—dan di situlah LangGraph bisa menjadi pilihan yang baik.

LangGraph terintegrasi di atas LangChain, sehingga Anda mendapatkan seluruh rangkaian perkakasnya. Kekurangannya adalah kurva belajar yang curam. Namun setelah Anda terbiasa dengan pola kerjanya, LangGraph membuka pintu ke logika dan aplikasi yang canggih.

Anda dapat menjelajahi kursus Designing Agentic Systems with LangChain dan kursus baru kami Multi-Agent Systems with LangGraph untuk mempelajari cara memb uat sistem multi-agen dengan pola desain agentic.

3. AutoGen

AutoGen adalah jawaban Microsoft untuk orkestrasi agen, dan banyak yang ditawarkannya. Strukturnya berlapis mencakup fungsi Core, AgentChat untuk pesan antaragen, dan Extensions untuk fitur lanjutan. 

Salah satu sorotannya adalah AutoGen Studio, lingkungan low-code untuk membuat sketsa agen secara visual. Sangat berguna bagi pengembang yang bekerja dalam ekosistem Microsoft seperti Azure atau Teams. 

Kerangka ini juga mendukung pengiriman pesan async antaragen, yang bagus untuk alur kerja yang lebih dinamis. Kekurangannya, bisa terasa terlalu direkayasa untuk proyek sederhana.

4. Agno (oleh Phidata)

Agno adalah kerangka minimalis dengan filosofi “lebih sedikit lebih baik”. Dengan sintaks Python yang bersih dan fitur penyebaran cloud bawaan, kerangka ini cocok untuk membuat prototipe cepat. 

Ingin bot sentimen Twitter di AWS Lambda? Ini titik awal Anda. Selain itu, mudah terhubung ke LLM dan API seperti DuckDuckGo atau Yahoo Finance, membuatnya cocok untuk memprototipe dasbor, agen, atau alat internal.

Keterbatasannya, dengan komunitas yang lebih kecil, Anda mungkin tidak menemukan banyak plugin atau panduan saat melakukan troubleshooting.

5. Atomic Agents

Atomic Agents cocok bagi yang menginginkan kendali penuh dengan sedikit atau tanpa bantuan. Arsitekturnya bersih dan modular, artinya Anda akan menghabiskan lebih banyak waktu di awal untuk menyiapkan, tetapi akan menuai manfaatnya kemudian dengan fleksibilitas total. 

Tidak ada lapisan orkestrasi yang bekerja secara ajaib di balik layar—apa yang Anda bangun adalah yang Anda dapatkan. Ini ideal untuk tim yang peduli pada keterpeliharaan jangka panjang dan performa, seperti pada alat enterprise atau proyek R&D.

Namun, jika Anda dikejar tenggat dan butuh prototipe cepat, Atomic Agents mungkin bukan pilihan tepat. 

6. OpenAI Agents SDK

OpenAI Agents SDK adalah evolusi siap produksi dari Swarm. Ini kerangka ringan untuk membangun alur kerja multi-agen. Bersifat agnostik penyedia, mendukung OpenAI Responses dan Chat Completions API, serta 100+ LLM lainnya.

Gagasan intinya adalah “handoff”, yang pada dasarnya berarti satu agen dapat menyelesaikan pekerjaan dan meneruskannya ke agen berikutnya—seperti estafet baton digital. Cocok untuk aplikasi atau demo di mana Anda menginginkan privasi dan kecepatan tanpa infrastruktur berat. 

7. LlamaIndex

Awalnya diluncurkan sebagai GPT Index, LlamaIndex dirancang untuk membantu LLM berinteraksi dengan data terstruktur—dan kini juga merambah dunia agen AI. 

Kerangka ini unggul dalam menarik wawasan dari dokumen, tabel, dan database, serta kini mendukung transisi antar kueri dan alur kerja sederhana. Use case lainnya mencakup aplikasi multimodal dan agen otonom yang dapat melakukan riset dan bertindak. 

Mungkin tidak sekuat CrewAI atau LangGraph dalam orkestrasi, tetapi sangat tepat saat fokus Anda adalah interaksi data yang mendalam alih-alih perilaku agen yang kompleks.

8. Semantic Kernel

Satu lagi dari Microsoft. Semantic Kernel adalah kerangka agen kelas enterprise dari Microsoft, yang mendukung banyak bahasa—Python, C#, dan Java—dan dibuat untuk mengintegrasikan LLM ke dalam sistem korporat seperti ERP dan CRM. Semantic Kernel membantu mengotomatiskan proses bisnis dengan menggabungkan prompt dan API yang ada untuk melakukan tindakan.

Kerangka ini menangani memori, perencanaan, dan skills (alias tools), serta dapat diskalakan untuk penyebaran cloud. Jika Anda bekerja di organisasi besar dan butuh agen yang terintegrasi erat dengan infrastruktur yang ada, ini mungkin pilihan terbaik. Namun bagi pembuat tunggal atau tim kecil, bisa terasa terlalu berat untuk mulai bergerak cepat.

9. Google ADK (Agent Development Kit)

Terakhir namun tak kalah penting: Anda dapat membangun Agen AI dengan Google ADK. Google ADK, jika Anda belum familiar, adalah kerangka open-source untuk membangun agen modular dan cerdas dengan penekanan pada orkestrasi dan penggunaan alat. Mendukung LLM (menggunakan Gemini atau model lain), agen kustom, dan agen alur kerja.

ADK mendukung perilaku "agent-as-tool" (di mana agen dapat memanggil agen lain), dan menyediakan alur kerja dengan mekanisme evaluasi. Menurut saya ini pilihan yang sangat baik bagi pengembang yang ingin membangun asisten multi-langkah yang serius.

Cara Memilih Kerangka yang Tepat

Sebelum terjun ke dunia agen AI, ada baiknya menimbang tujuan akhir—apa yang benar-benar Anda butuhkan dari agen. Kerangka yang tepat harus sesuai dengan tumpukan teknologi Anda, anggaran Anda, serta selaras dengan kebutuhan jangka pendek dan panjang Anda. 

Kriteria untuk memilih kerangka yang tepat. Sumber Gambar: Napkin AI

Kemudahan penggunaan

Jika Anda baru memulai, Agno atau CrewAI adalah titik awal yang bagus. Keduanya memiliki petunjuk yang jelas dengan kerumitan minimal. Misalnya, sintaks Python Agno yang bersih memungkinkan Anda membuat prototipe dalam waktu singkat, sementara desain berbasis peran CrewAI terasa intuitif, bahkan jika Anda bukan coder. Keduanya menangani hal rumit di balik layar sehingga Anda dapat fokus pada hasil.

Kompleksitas alur kerja

Butuh membangun alur kerja dengan loop, kondisi, atau logika bercabang? LangGraph dan LangChain adalah pilihan solid. LangGraph menangani alur yang kompleks dan stateful—sempurna untuk chatbot yang mengulang langkah gagal atau mengeskalasi isu yang belum terselesaikan. 

Dan jika Anda mengatur tim agen dengan tanggung jawab berbeda, model delegasi peran CrewAI bekerja dengan baik.

Kustomisasi

Jika Anda menginginkan kendali penuh atas setiap detail, Atomic Agents memberi Anda itu. Tanpa abstraksi, tanpa logika tersembunyi—hanya fleksibilitas murni bagi pengembang. Kerangka ini dibuat untuk use case di mana plug-and-play tidak memadai, seperti koordinasi drone penanggulangan bencana. LangGraph adalah opsi lain yang menawarkan jalan tengah yang fleksibel: Anda dapat memasang logika kustom, namun tetap mengandalkan perkakas bawaannya untuk tugas rutin.

Kebutuhan integrasi

Ketika proyek Anda bergantung pada API atau alat enterprise yang sudah ada, dan jika organisasi Anda sudah menggunakan produk Microsoft seperti Azure, Semantic Kernel adalah pilihan kuat. 

CrewAI juga andal di sini, menawarkan konektor praktis untuk API seperti X. Jika agen Anda perlu menarik data dari berbagai sumber, kerangka ini dengan mudah menangani integrasi sehingga Anda tidak perlu repot.

Lingkungan penyebaran

Untuk aplikasi yang berjalan lokal di sektor seperti layanan kesehatan atau perbankan, di mana privasi data adalah prioritas utama, Agent SDK dari OpenAI menjaga semuanya tetap on-device, on-prem, tanpa kebutuhan cloud. Namun jika Anda mengutamakan cloud, Agno hadir dengan dukungan bawaan untuk AWS, GCP, dan alur kerja serverless. Praktis seperti “deploy sekali klik” untuk produksi.

Performa/skalabilitas

Jika Anda menangani lalu lintas tinggi atau dataset besar, LangGraph menonjol dengan kemampuannya mengelola ribuan alur kerja simultan—bagus untuk deteksi penipuan. AutoGen dari Microsoft juga hebat karena dibangun untuk skala enterprise dengan dukungan penuh untuk sistem terdistribusi, ideal bagi jaringan besar dan rantai pasok.

Keamanan & privasi

Jika Anda berada di cloud, Semantic Kernel menghadirkan keamanan kelas enterprise yang tertanam. Pada kerangka lain seperti CrewAI, keamanan bergantung pada penyebaran Anda sendiri—Anda perlu menambahkan enkripsi dan kontrol akses sendiri.

Berikut ringkasan cepat parameter umum dan pilihan terbaik yang mungkin. 

Tabel Perbandingan: Sekilas Cepat

Tabel Perbandingan Kerangka Agen AI. Sumber Gambar: Penulis

Kesimpulan: Mana yang Harus Anda Pilih?

Tidak ada pemenang universal di sini—dan memang begitu adanya. Kerangka agen AI itu seperti perkakas listrik: yang tepat bergantung pada pekerjaannya.

Mulailah dengan proyek kecil, pelajari seluk-beluk dan komponen setiap kerangka, dan jangan ragu untuk mengombinasikan alat (misalnya, LangChain + LangGraph). Tujuannya bukan sempurna total. Tujuan sebenarnya adalah mencari cara memecahkan masalah.

Itu berarti, inilah pandangan akhir saya: Jika Anda ingin kecepatan tanpa kompleksitas, CrewAI atau Agno adalah pilihan yang baik. Jika tim Anda memerlukan kendali lebih atau tenaga lebih, lihat LangGraph untuk Sistem Multi-Agen atau AutoGen. Dan untuk perusahaan dengan persyaratan ketat, Semantic Kernel.

Perlu diingat bahwa kecerdasan real-time pada agen masih terus berevolusi, dan biaya dapat meningkat cepat saat Anda menskalakan. Bug—terutama pada pengaturan multi-agen—sangat nyata dan tidak selalu mudah dilacak. Selain itu, isu keselamatan, pertimbangan etis, dan keterjelasan penjelasan masih memerlukan perhatian serius. Jangan lupa berlangganan newsletter AI kurasi kami, The Median, agar Anda tetap mengikuti kabar AI terkini.