Kimi K2.5 dan Agent Swarm: Panduan dengan Empat Contoh Praktis

Namun, sisi lemahnya adalah beberapa klaim dalam tulisan akhir terasa kurang diberi sitasi atau terlalu absolut, dan panduannya akan lebih kuat dengan tautan, sumber, dan asumsi yang lebih jelas (perangkat keras, ukuran model, ukuran batch, panjang konteks), karena saran untuk produksi sangat bergantung pada konteks. Secara keseluruhan, model ini menangani prompt kompleks multi-bagian dan mengembalikan playbook yang tegas dan siap pakai yang tampak siap produksi. 

Pembuatan dan anotasi dataset

Berikutnya, saya menguji Agent Swarm pada tugas pembuatan dataset dengan meminta Kimi K2.5 menghasilkan tolok ukur 100 soal cerita matematika beserta solusi dan label tingkat kesulitan. Saya juga secara eksplisit meminta menggunakan 20 agen untuk melihat seberapa patuh ia mengikuti batasan ukuran swarm sambil menjaga kualitas.

Prompt: 

Build a small benchmark dataset of 100 math word problems with step-by-step solutions and difficulty labels. Use at least 20 agents to generate problems in parallel, verify solutions independently, and calibrate difficulty.Didukung oleh

Kimi K2.5 Agent Swarm memperlakukan pembuatan dataset sebagai pipeline tiga fase, meliputi pembuatan, verifikasi, dan kalibrasi. Meskipun prompt meminta setidaknya 20 agen, sistem secara otonom memunculkan 25 sub-agen, memprioritaskan kebenaran dibanding ketaatan ketat pada jumlah yang diminta. Menarik untuk diamati bahwa sekitar lima agen bekerja aktif sekaligus sementara yang lain mengantre dan melanjutkan ketika sub-tugas sebelumnya selesai, yang menyiratkan adanya mekanisme penjadwalan internal. 

Setiap agen pembuat menangani domain matematika yang berbeda dan menghasilkan lima soal dengan solusi langkah demi langkah, setelah itu 10 agen dialokasikan untuk verifikasi, dan kelompok yang lebih kecil sebanyak lima agen berfokus pada kalibrasi tingkat kesulitan. 

Kekuatan yang menonjol di sini adalah pemisahan tanggung jawab yang jelas dan redundansi dalam verifikasi, yang secara nyata meningkatkan kualitas dataset. Kekurangan utamanya adalah latensi dan bottleneck berurutan. 

Seluruh proses memakan waktu sekitar 20–25 menit, sehingga pendekatan ini lebih cocok untuk pembuatan tolok ukur berkualitas tinggi daripada iterasi cepat. Bahkan dengan 25 agen, beberapa agen harus menunggu yang lain selesai, yang berarti swarm masih dibatasi oleh logika langkah-langkahnya.

Meski begitu, kemampuan untuk menyesuaikan jumlah agen secara dinamis untuk setiap sub-tugas, menggunakan kembali agen yang menganggur, dan berkonsolidasi pada dataset berlabel merupakan demonstrasi kuat tentang bagaimana Agent Swarm berperilaku. 

QA multimodal dalam skala besar 

Selanjutnya, saya mendorong Kimi K2.5 ke alur kerja multimodal dengan memberikan beberapa gambar label nutrisi dan meminta perbandingan terstruktur. Tujuannya adalah melihat seberapa baik model mengekstrak, menormalkan, dan memverifikasi data visual.

Prompt: 

I’m sharing images of nutrition labels from 7 packaged food items. Analyze them and produce a clear comparison specifically:
Extract fields like: calories, protein, total fat, sugar, sodium,  from each label.Normalize all values to a per-100g basis so items are comparableDouble-check numeric consistency (e.g. serving size vs totals)Rank the products from healthiest to least healthy, explaining the reasoningReturn a comparison table with normalized values for all items. Also include a summary highlighting, best high-protein option, the lowest sugar option, and items to avoid and why.
Assume the labels may vary in format and serving size. Resolve ambiguities where possible and note any missing or unclear values.Didukung oleh

Dalam eksperimen QA multimodal ini, Kimi K2.5 Agent Swarm memecah tugas berdasarkan satu label per sub-agen, memunculkan tujuh sub-agen paralel untuk mengekstrak field nutrisi dari setiap gambar sementara agen koordinator menangani normalisasi, pemeriksaan silang, dan pemeringkatan. 

Hal menarik dari Kimi adalah batasan yang Anda tentukan dalam prompt (ekstraksi, normalisasi, verifikasi, pemeringkatan) secara efektif menjadi cetak biru tentang bagaimana Kimi membuat dan menugaskan sub-agen.

Yang menonjol bagi saya adalah bagaimana swarm memperlakukan verifikasi sebagai langkah penting, yakni setelah ekstraksi, orkestrator secara eksplisit menyelaraskan ukuran saji, menormalkan nilai, dan menandai ambiguitas alih-alih menebak secara diam-diam. Langkah sintesis akhir, yang memberi peringkat produk dan menyebutkan opsi tinggi protein terbaik dan rendah gula terbaik, menunjukkan logika agregasi yang kuat di seluruh input visual.

Di sisi lain, menganalisis 7 gambar beresolusi tinggi dengan swarm menguras komputasi, menjadikannya fitur premium alih-alih alat chat cepat. 

Contoh ini juga memperlihatkan keterbatasan saat ini; sementara analisis multimodal berbasis gambar berjalan baik, input video langsung belum didukung, sehingga upaya lanjutan untuk menghasilkan resep dari video memasak tidak dapat dijalankan. 

Secara keseluruhan, demo ini menyoroti kekuatan Agent Swarm dalam ekstraksi visual paralel dan rekonsiliasi terstruktur.

Membuat kode sebuah gim

Terakhir, saya menguji kemampuan pengkodean Kimi K2.5 dengan memintanya membangun gim Bubble Shooter yang sepenuhnya interaktif dari awal. Eksperimen ini menyoroti bagaimana model menangani pembuatan kode end-to-end yang mempertahankan status, di mana koherensi lebih penting daripada paralelisme.

Prompt: 

```markdown

Bangun gim Bubble Shooter yang sepenuhnya dapat dimainkan dan berjalan lokal di browser web. Gim harus mendukung bidikan menggunakan mouse dan sentuhan, menampilkan panduan bidik langsung, menembakkan gelembung berwarna dari tengah bawah, memantulkan tembakan dari dinding samping, dan menjepit gelembung ke kisi di bagian atas saat terjadi tumbukan. 

Implementasikan logika permainan inti termasuk meledakkan kelompok tiga atau lebih gelembung terhubung dengan warna yang sama, menjatuhkan kluster yang terputus, melacak dan menampilkan skor, menampilkan pratinjau gelembung berikutnya, dan mengakhiri permainan saat gelembung melintasi garis bahaya dekat bagian bawah.

Jaga visual tetap sederhana namun responsif, sertakan tombol mulai ulang, dan akhiri dengan instruksi singkat tentang cara menjalankan dan menguji gim secara lokal.

```

Dalam eksperimen pembuatan gim ini, Kimi K2.5 Agent Swarm membuat pilihan yang cukup konservatif dengan mengalokasikan hanya satu sub-agen untuk menangani seluruh tugas. 

Keputusan itu sendiri merupakan observasi menarik karena sistem dengan tepat mengenali bahwa ini adalah masalah pengkodean yang saling terkait erat dan mempertahankan status, di mana paralelisme berat hanya akan menambah overhead koordinasi tanpa manfaat.

Agen tersebut menghasilkan implementasi Bubble Shooter yang lengkap dan dapat dijalankan secara lokal dengan bidikan, pantulan dinding, penjepitan ke kisi, pop tiga-cocok, pelacakan skor, dan logika mulai ulang, menampilkan mekanika permainan dan alur UI. 

Yang saya sukai khususnya adalah output terasa koheren dan terintegrasi, namun trade-off-nya adalah penyempurnaan dan pemolesan kemungkinan memerlukan prompting iteratif, karena semuanya dijalankan melalui satu agen. 

Secara keseluruhan, contoh ini dengan baik menunjukkan bahwa Agent Swarm di Kimi K2.5 bukan tentang selalu memunculkan lebih banyak agen, melainkan menggunakan paralelisme hanya ketika benar-benar meningkatkan hasil.

Kesimpulan

Dalam tutorial ini, Kimi K2.5 menunjukkan kemampuan untuk memecah tugas kompleks, mengalokasikan agen secara dinamis, dan menghasilkan output terstruktur yang siap diambil keputusan yang secara tradisional memerlukan sebuah tim kecil, bukan satu model saja.

Pada saat yang sama, contoh-contohnya memperjelas batasannya. 

Agent Swarm unggul pada alur kerja yang luas dan berat alat seperti riset, konstruksi dataset, dan ekstraksi multimodal, tetapi menawarkan sedikit keunggulan untuk tugas yang saling terkait erat dan mempertahankan status seperti pengembangan gim interaktif. 

Ini juga memperkenalkan trade-off nyata terkait latensi, biaya, dan kecepatan iterasi, terutama ketika verifikasi dan rekonsiliasi diprioritaskan daripada throughput mentah.

Secara keseluruhan, Kimi K2.5 menawarkan cetak biru meyakinkan untuk arah pengembangan sistem agen. Bagi pengembang dan peneliti yang nyaman bereksperimen dengan alur kerja berbasis agen, ini adalah salah satu model paling menarik untuk dieksplorasi saat ini.

Jika Anda ingin mempelajari lebih lanjut tentang cara kerja AI berbasis agen, saya sarankan melihat AI Agent Fundamentals skill track.