Kursus
Building AI Agents with Google ADK
1 Hr
5.3K
Agen AI adalah sistem canggih berbasis tujuan yang memahami konteks dan mengeksekusi alur kerja bertahap dengan pengawasan minimal, berbeda dengan chatbot dasar. Agen ini dapat memanggil API, mengoperasikan perangkat lunak, melakukan kueri data, serta memanfaatkan memori dan loop umpan balik.
Agen semacam ini kini menjadi bagian inti dari ekosistem AI, dan mempelajarinya akan membantu Anda memulai karier AI atau meningkatkan keterampilan Anda saat ini. Cara terbaik memahami konsep baru adalah dengan membangunnya dalam aplikasi praktis.
Dalam artikel ini, kami akan membahas 10 proyek agen AI yang bermanfaat untuk setiap tingkat keahlian:
- Pemula: Bangun dengan cepat menggunakan alat low-code seperti Langflow, Flowise, dan Make AI.
- Menengah: Gunakan framework seperti LangGraph, Mistral Agents, dan Qwen-Agent untuk membuat agen kustom.
- Lanjutan: Rancang sistem multi-agen dengan Haystack, ADK, dan CrewAI.
Proyek Agen AI untuk Pemula
Proyek mudah menggunakan alat agen berbasis GUI atau low‑code. Anda bisa menyeret, menjatuhkan, dan menghubungkan komponen secara visual, menambahkan kunci API LLM, lalu menjalankan pipeline. Builder ini memungkinkan Anda membuat prototipe agen stateful, mengintegrasikan sumber data dan API, serta merangkai prompt dan pemanggilan alat tanpa boilerplate code.
1. Tutor Bahasa dengan Langflow
Language Tutor with Langflow adalah sistem agen kecil yang menghasilkan bacaan singkat sesuai dengan kosakata Anda saat ini. Proyek ini berjalan di Langflow dengan basis data Postgres (melalui Docker) dan menggunakan psycopg2 untuk membaca/menulis kata.
Anda mengunggah kosakata dari CSV, menambahkan kata baru melalui alat di chat, dan alat cerita menarik kata yang tersimpan untuk memicu LLM menulis cerita dalam bahasa pilihan Anda. Agen utama merutekan permintaan Anda, “tambah kata” atau “buat cerita”, dan mengembalikan hasilnya.
Panduan: Langflow: Panduan dengan Proyek Demo
2. Agen AI Analis Data dengan Flowise
Data Analyst AI Agent with Flowise adalah alur kerja yang memungkinkan Anda mengajukan pertanyaan tentang basis data dan mendapatkan jawaban beserta SQL yang digunakan.
Anda menghubungkan Flowise ke basis data SingleStore, menambahkan blok kode kustom untuk membaca skema tabel, lalu memasukkannya ke dalam prompt yang meminta LLM (melalui LLM Chain dengan OpenAI) untuk menghasilkan kueri SQL.
Kueri disimpan, dibersihkan, dieksekusi melalui blok kode kustom lain, dan hasil beserta kueri diformat oleh prompt terakhir dan LLM Chain.
Panduan: Flowise: Panduan dengan Proyek Demo
3. Otomatisasi Layanan Pelanggan dengan Make AI
Customer Service AI Agent with Make secara otomatis membalas pertanyaan sewa yang dikirim melalui formulir Tally.
Saat seseorang mengisi formulir Tally, Make AI mengambil detail sewa dari Google Doc. Lalu, modul OpenAI menulis balasan menggunakan detail tersebut dan pertanyaan orang itu. Terakhir, modul email mengirim jawaban langsung ke alamat email dari formulir.
Panduan: Make AI: Panduan dengan Contoh Praktis
Proyek Agen AI Tingkat Menengah
Proyek Agen AI tingkat menengah berfokus pada pembuatan alur kerja lengkap menggunakan framework dan API agenik modern. Pada tahap ini, Anda tidak sekadar menghubungkan API, tetapi juga merancang UI sederhana agar pengguna dapat berinteraksi langsung dengan agen.
4. Pelatih Gizi dengan Mistral Agents
Nutrition Coach with Mistral Agents adalah proyek agen AI yang mencatat makanan Anda, memperkirakan kalori, dan menyarankan menu sehat berikutnya, lengkap dengan gambar.
Aplikasi ini menyertakan Agents API dari Mistral, yang menghadirkan agen pencarian web untuk memperoleh estimasi kalori. Terdapat juga estimator cadangan, logger untuk mencatat makanan, jumlah kalori, dan stempel waktu, serta agen pembuatan gambar untuk memvisualisasikan hidangan yang disarankan.
Pengguna dapat memasukkan makanan dan preferensi mereka, dan aplikasi akan mencari atau memperkirakan kandungan kalori, mencatat entri, menyarankan menu lanjutan, serta menampilkan gambar hidangan yang dibuat otomatis, dilengkapi ringkasan jelas tentang alat yang digunakan.
Panduan: Mistral Agents API: Panduan dengan Proyek Demo
5. Asisten Riset Mendalam dengan Jan-v1
Proyek Agen AI Deep Research Assistant with Jan‑v1 adalah aplikasi yang mengubah sebuah topik menjadi laporan riset yang rapi menggunakan inferensi lokal Jan‑v1, pencarian web async, dan format laporan yang ketat. Aplikasi ini membuat kueri cerdas, menarik sumber, dan mensintesis tulisan profesional yang bersih.
Aplikasi menggunakan Streamlit untuk UI, llama‑cpp untuk menjalankan model Jan‑v1 GGUF secara lokal, Serper untuk pencarian web, serta serangkaian fungsi bantu untuk pembagian bagian dan pembersihan.
Pengguna memasukkan topik, memilih kedalaman, fokus, rentang waktu, dan format; aplikasi membuat kueri, menjalankan pencarian async, menyusun catatan, dan meminta Jan‑v1 menghasilkan laporan terstruktur, lalu menampilkan sumber dan memungkinkan ekspor TXT/JSON. Bilah progres melacak langkah, dan session state mencegah pemuatan ulang model di setiap run.
Panduan: Jan‑V1: Panduan dengan Proyek Demo
6. Ekstensi Peringkas Web Real-time dengan Qwen-Agent
Real-Time Web Summarizer adalah add‑on Chrome yang menangkap teks terlihat dari halaman apa pun dan menayangkan ringkasan bersih dan padat secara real-time, dijalankan lokal oleh Qwen3 melalui Ollama dan backend FastAPI.
Pengguna dapat mengeklik “Summarize” di pop-up, seperti di bawah. Ekstensi mengambil teks halaman, mengirimkannya ke http://127.0.0.1:7864/summarize_stream_status, dan menampilkan respons streaming.
Untuk menyiapkannya, Anda perlu menarik model Qwen menggunakan Ollama, menjalankan server FastAPI, memuat ekstensi yang belum dipaket, lalu Anda bisa mendapatkan ringkasan instan di halaman mana pun, disajikan dalam format bergaya editor yang jelas.
Panduan: Qwen-Agent: Panduan dengan Proyek Demo
7. Analitik Real-time dengan LangGraph
Real-time Analytics adalah asisten bertenaga LangGraph yang menjawab pertanyaan, mencari di web, dan mengeksekusi kode Python. Proyek ini menggabungkan Mistral Medium 3 untuk penalaran, Tavily untuk pencarian web, dan Python REPL untuk menjalankan kode berdasarkan prompt pengguna.
Saat pengguna mengajukan pertanyaan, agen menentukan apakah perlu melakukan pencarian, mengeksekusi kode, atau keduanya. Lalu agen memberikan jawaban akhir beserta informasi tentang alat yang digunakan. Proses penyiapan mencakup menambahkan kunci API Tavily, memasang paket yang diperlukan, menginisialisasi LLM dan alat, membuat agen LangGraph, dan memanggilnya dengan pesan pengguna.
Panduan: Tutorial Mistral Medium 3: Membangun Aplikasi Agenik
Proyek Agen AI Tingkat Lanjutan
Proyek Agen AI tingkat lanjut memadukan banyak agen yang bekerja dengan banyak alat dalam satu alur kerja. Proyek ini memanfaatkan framework agenik yang kuat seperti Haystack, ADK, dan CrewAI, sehingga Anda dapat merancang sistem kolaboratif yang kompleks di mana agen dapat berkoordinasi, berspesialisasi, dan menyelesaikan tugas yang lebih canggih.
8. Agen RAG dan Web dengan Haystack AI
Haystack Agentic RAG and Web Access adalah asisten yang menjawab pertanyaan menggunakan basis pengetahuan privat dan, bila diperlukan, hasil web langsung. Agen merutekan kueri ke retrieval‑augmented generation terlebih dahulu, lalu beralih ke pencarian web untuk informasi terbaru secara real-time.
Proyek ini menggunakan pipeline dan agen Haystack, document store dalam memori dengan embedding OpenAI, alat RAG kustom, serta alat pencarian web Tavily kustom yang dibungkus sebagai ComponentTool. Agen ditenagai oleh GPT 4.1 Mini dengan sistem prompt yang memandu pemilihan alat.
Pengguna dapat mengajukan pertanyaan, dan agen mengambil informasi dari basis pengetahuan atau melakukan pencarian Tavily untuk topik terkini. Agen kemudian memberikan jawaban beserta alat yang digunakan.
Panduan: Tutorial Haystack AI: Membangun Alur Kerja Agenik
9. Perencana Perjalanan dengan ADK dan A2A
Travel Planner with ADK and A2A adalah aplikasi multi-agen komprehensif yang dirancang untuk merencanakan perjalanan dari awal hingga akhir. Pengguna cukup memasukkan tujuan, tanggal perjalanan, dan anggaran. Agen khusus kemudian merekomendasikan penerbangan, akomodasi, dan aktivitas. Agen host yang mengoordinasikan menyusun semua komponen, sementara antarmuka pengguna Streamlit menampilkan rencana perjalanan lengkap.
Pengguna mengisi formulir di Streamlit, agen host mengirim payload ke ketiga agen, menggabungkan respons JSON mereka, dan mengembalikan rencana terstruktur berisi penerbangan, hotel, dan aktivitas.
Panduan: Agent Development Kit (ADK): Panduan dengan Proyek Demo
10. Agentic RAG dengan CrewAI
Agentic RAG pipeline adalah sistem perutean kueri yang menjawab dengan konteks terverifikasi dari PDF lokal atau, bila diperlukan, web langsung.
Proyek ini menggunakan FAISS atas potongan PDF, Groq untuk respons LLM yang cepat, dan workflow web crewAI untuk konteks eksternal. Prompt router menentukan “Ya/Tidak” apakah data lokal cukup, dan utilitas menangani pengambilan, web scraping, serta sintesis.
Pengguna mengajukan pertanyaan, dan router memeriksa konteks PDF. Jika jawabannya "Ya", sistem mengambil kecocokan teratas dari basis data vektor. Jika jawabannya "Tidak", sistem mencari di web, menggabungkan informasi yang diperoleh, lalu model bahasa merumuskan respons akhir.
Panduan: Agentic RAG: Tutorial Langkah demi Langkah dengan Proyek Demo
Penutup
Membangun proyek AI Anda sendiri dari nol adalah salah satu cara terbaik untuk meningkatkan karier. Ini membantu Anda melampaui teori dan memperoleh keterampilan praktis. Anda akan belajar mendefinisikan masalah, menghubungkan alat dan agen, memvalidasi hasil, membuat antarmuka pengguna sederhana, serta melakukan perbaikan berdasarkan umpan balik pengguna nyata.
Setiap proyek yang Anda selesaikan menambah portofolio Anda, yang dapat dibagikan di platform seperti GitHub atau Hugging Face, atau sebagai demo langsung. Ini menunjukkan kepada calon pemberi kerja bahwa Anda dapat merancang dan menerapkan sistem yang andal, bukan sekadar menggunakan model yang ada. Hal ini menunjukkan pemahaman Anda tentang pengembangan produk dan rekayasa, sehingga lebih menarik bagi manajer perekrutan di bidang machine learning terapan dan rekayasa AI.
Saya menyarankan untuk memulai dengan proyek kecil dan berupaya merilisnya secara berkala. Biarkan karya Anda berbicara, setiap proyek menceritakan kisah pertumbuhan dan keahlian Anda di bidang AI. Jika Anda baru dalam agenik AI, saya juga merekomendasikan untuk mengikuti kursus Introduction to AI Agents dan melihat AI Agents Cheat Sheet kami.
