Agent Orchestration
M10.L03 · Lanjutan · 45-60 menit

Agent orchestration dan multi-agent system

Di sini kamu akan memahami agent orchestration dan multi-agent system tanpa harus hafal jargon dulu.

KALAU LESSON INI BERES1/3
  • Paham orchestration
  • Paham router
  • Paham specialist agent

Sebelum mulai

  • Baca ringkasan modul dan siapkan satu contoh pekerjaan nyata.
  • Selesaikan modul sebelumnya atau pahami konsep dasarnya dulu.
Target belajar: Setelah lesson ini, kamu bisa menjelaskan agent orchestration dan multi-agent system, menerapkannya pada contoh Indonesia yang sederhana, dan tahu bagian mana yang harus dicek manusia.

Yang perlu kamu tangkap

01Orchestration

Orchestration perlu dipahami sebagai bagian dari agent anatomy. Agent orchestration adalah cara mengatur beberapa langkah, tools, atau agent agar bekerja bersama. Dalam multi-agent system, task bisa dibagi ke agent spesialis: researcher, writer, editor, evaluator, atau support specialist. Framework seperti LangGraph memodelkan workflow agent sebagai graph/stateful flow, berguna untuk proses panjang dan bercabang.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan orchestration membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap orchestration otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

02Router

Router perlu dipahami sebagai bagian dari goals, tools, memory, dan state. Namun multi-agent tidak selalu perlu. Untuk task prosedural sederhana, satu prompt panjang dengan context yang bagus kadang lebih efektif daripada sistem multi-agent yang rumit. Prinsipnya: mulai sederhana. Naik ke orchestration jika task butuh state, banyak tools, routing, approval, evaluasi, atau kolaborasi antar spesialis.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan router membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap router otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

03Specialist agent

Specialist agent perlu dipahami sebagai bagian dari permissions dan stopping conditions. Pola umum: router menentukan jenis request, planner membuat rencana, specialist agent menjalankan subtask, evaluator mengecek kualitas, human reviewer menyetujui, lalu final response/action dikirim.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan specialist agent membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap specialist agent otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

04Planner

Planner perlu dipahami sebagai bagian dari cost budget. Agent orchestration adalah cara mengatur beberapa langkah, tools, atau agent agar bekerja bersama. Dalam multi-agent system, task bisa dibagi ke agent spesialis: researcher, writer, editor, evaluator, atau support specialist. Framework seperti LangGraph memodelkan workflow agent sebagai graph/stateful flow, berguna untuk proses panjang dan bercabang.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan planner membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap planner otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

05Evaluator

Evaluator perlu dipahami sebagai bagian dari Evaluator. Namun multi-agent tidak selalu perlu. Untuk task prosedural sederhana, satu prompt panjang dengan context yang bagus kadang lebih efektif daripada sistem multi-agent yang rumit. Prinsipnya: mulai sederhana. Naik ke orchestration jika task butuh state, banyak tools, routing, approval, evaluasi, atau kolaborasi antar spesialis.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan evaluator membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap evaluator otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

06Handoff

Handoff perlu dipahami sebagai bagian dari Handoff. Pola umum: router menentukan jenis request, planner membuat rencana, specialist agent menjalankan subtask, evaluator mengecek kualitas, human reviewer menyetujui, lalu final response/action dikirim.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan handoff membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap handoff otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

07Human-in-the-loop

Human-in-the-loop perlu dipahami sebagai bagian dari Human-in-the-loop. Agent orchestration adalah cara mengatur beberapa langkah, tools, atau agent agar bekerja bersama. Dalam multi-agent system, task bisa dibagi ke agent spesialis: researcher, writer, editor, evaluator, atau support specialist. Framework seperti LangGraph memodelkan workflow agent sebagai graph/stateful flow, berguna untuk proses panjang dan bercabang.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan human-in-the-loop membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap human-in-the-loop otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

08State machine

State machine perlu dipahami sebagai bagian dari State machine. Namun multi-agent tidak selalu perlu. Untuk task prosedural sederhana, satu prompt panjang dengan context yang bagus kadang lebih efektif daripada sistem multi-agent yang rumit. Prinsipnya: mulai sederhana. Naik ke orchestration jika task butuh state, banyak tools, routing, approval, evaluasi, atau kolaborasi antar spesialis.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan state machine membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap state machine otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

09Graph workflow

Graph workflow perlu dipahami sebagai bagian dari Graph workflow. Pola umum: router menentukan jenis request, planner membuat rencana, specialist agent menjalankan subtask, evaluator mengecek kualitas, human reviewer menyetujui, lalu final response/action dikirim.

Kenapa penting: Ini penting karena lesson M10.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan graph workflow membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Kesalahan pemula: Kesalahan umum: menganggap graph workflow otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

Oke, sekarang kita bongkar

Agent orchestration adalah cara mengatur beberapa langkah, tools, atau agent agar bekerja bersama. Dalam multi-agent system, task bisa dibagi ke agent spesialis: researcher, writer, editor, evaluator, atau support specialist. Framework seperti LangGraph memodelkan workflow agent sebagai graph/stateful flow, berguna untuk proses panjang dan bercabang.

Namun multi-agent tidak selalu perlu. Untuk task prosedural sederhana, satu prompt panjang dengan context yang bagus kadang lebih efektif daripada sistem multi-agent yang rumit. Prinsipnya: mulai sederhana. Naik ke orchestration jika task butuh state, banyak tools, routing, approval, evaluasi, atau kolaborasi antar spesialis.

Pola umum: router menentukan jenis request, planner membuat rencana, specialist agent menjalankan subtask, evaluator mengecek kualitas, human reviewer menyetujui, lalu final response/action dikirim.

Contoh biar kebayang

AI content team: Researcher Agent mencari data, Writer Agent membuat draft, Editor Agent menyesuaikan voice, Fact-checker Agent menandai klaim, Publisher Assistant membuat checklist.

Coba praktik

  • Ambil workflow kompleks.
  • Tentukan apakah cukup satu agent atau perlu multi-agent.
  • Jika multi-agent, tulis role tiap agent dan alur handoff.

Prompt yang bisa kamu coba

Untuk workflow ini: [workflow], tentukan arsitektur terbaik: single prompt, single agent, deterministic workflow, atau multi-agent. Jelaskan alasan, diagram step, role agent, state, handoff, evaluator, dan human approval.

Beneran paham, atau cuma terasa familiar?

Jawab pakai bahasamu sendiri. Kalau masih muter-muter, bagian atasnya perlu dibaca sekali lagi.

  1. 1

    Apa itu orchestration?

  2. 2

    Kapan multi-agent overkill?

  3. 3

    Apa fungsi evaluator agent?

Bikin sesuatu dari lesson ini

Rancang multi-agent workflow untuk AI research/content system lengkap dengan diagram dan rubrik evaluasi.

Catatan dan batasan

  • Bagian ini adalah level pro. Hindari menjanjikan agent sebagai magic money printer.
  • Checklist tambahan: agent anatomy.
  • Checklist tambahan: goals, tools, memory, dan state.
  • Checklist tambahan: permissions dan stopping conditions.
  • Checklist tambahan: cost budget.

Langkah berikutnya

Simpan hasil latihan, cek kembali dengan rubric sederhana, lalu lanjut ke lesson berikutnya saat output sudah bisa dijelaskan ulang.
aimachine learninggenerative aillm
Evaluasi dan Monitoring Agent