Agen

Sejauh ini, kita telah mempelajari bahwa model AI dapat memanggil alat untuk memperluas kemampuannya. Sekarang mari gabungkan ini ke konsep yang lebih kuat: agen.

Pada dasarnya, agen hanyalah alat yang berjalan dalam loop.

Bayangkan begini: alih-alih Anda harus memberi tahu AI apa yang harus dilakukan langkah demi langkah, agen dapat merencanakan dan mengeksekusi serangkaian tindakan secara mandiri untuk mencapai tujuan yang lebih besar.

Cara kerja agen dalam praktik

Misalkan Anda meminta agen AI untuk “menambahkan toggle mode gelap ke halaman pengaturan saya.” Agen tidak hanya menghasilkan kode sekali—agen tersebut akan membaca file komponen yang ada, memeriksa pola styling, mungkin mencari bagaimana toggle lain diimplementasikan, lalu membuat perubahan yang diperlukan.

Lalu terjadi sesuatu yang menarik: agen menyusun rencana sendiri untuk mengimplementasikan fitur tersebut, kemudian mengeksekusi rencana tersebut dengan serangkaian pemanggilan alat. Agen mungkin membaca beberapa file, memahami struktur yang ada, menulis kode baru, dan bahkan menjalankan test untuk memverifikasi bahwa kodenya berfungsi.

Seluruh proses ini berlangsung melalui serangkaian pemanggilan tool, dengan agen memutuskan langkah selanjutnya berdasarkan hasil dari langkah sebelumnya.

Agen mengubah cara kita membangun

Keajaiban sesungguhnya dari agen adalah bagaimana mereka mengubah peran Anda sebagai pengembang.

Alih-alih percakapan seperti, “File apa saja yang ada di folder components?”, lalu “Bisa baca komponen Button?”, lalu “Sekarang modifikasi untuk menambahkan prop baru”—Anda bisa langsung berkata “Tambahkan prop loading ke semua komponen button, mengikuti pola yang ada.”

Ini perubahan besar karena Anda menjadi pengelola tugas, bukan pelaksana tugas. Anda bisa menjalankan beberapa agen sekaligus pada bagian berbeda dari codebase Anda.

Realitas bekerja dengan agen

Agen sangat bagus untuk tugas dengan tujuan jelas dan pola yang sudah mapan, seperti:

• Menambahkan pengujian
• Refactoring kode dengan pola yang konsisten
• Mengimplementasikan fitur yang mirip dengan yang sudah ada

Namun, mereka masih kesulitan dengan:

• Debugging yang kompleks yang membutuhkan pemahaman mendalam tentang state runtime
• Perubahan besar arsitektur yang memerlukan keputusan desain
• Tugas yang ambigu tanpa kriteria keberhasilan yang jelas

Bayangkan agen seperti pengembang junior yang cepat yang membutuhkan arahan yang jelas, tetapi juga butuh pengawasan dan validasi atas pekerjaannya.

Agen menggunakan token jauh lebih banyak daripada hanya menjawab pertanyaan sederhana karena semua pemanggilan alat dan hasil alat itu sendiri menjadi bagian dari konteks.

Seni mendelegasikan

Bekerja efektif dengan agen berarti mengetahui apa yang perlu didelegasikan dan kapan. Mulailah dari tugas kecil dengan cakupan yang jelas, tinjau hasilnya, dan tingkatkan secara bertahap saat Anda semakin memahami kemampuan dan batasannya.

Tujuannya bukan menghilangkan keterlibatan manusia, melainkan memperkuat capaian Anda. Anda berperan sebagai arsitek yang memandu agen melalui keputusan desain dan memvalidasi hasilnya.

Melihat ke depan

Kita telah membahas dasar-dasar cara kerja model AI, dari token hingga konteks, alat, dan agen. Dalam bagian kursus berikutnya, kita akan melihat cara menerapkan konsep-konsep ini secara praktis dalam alur kerja coding Anda sehari-hari.

Bekerja dengan AI adalah keterampilan yang meningkat lewat latihan. Model mental yang telah kita bangun di sini akan membantu Anda membuat keputusan yang lebih baik saat Anda semakin mahir.