Jenis-Jenis Agen AI: Refleks, Tujuan, dan Pembelajaran

Jenis-jenis agen AI

Jenis-jenis agen AI berasal dari satu taksonomi: refleks sederhana, refleks berbasis model, berbasis tujuan, berbasis utilitas, dan agen pembelajaran. Setiap nama menjelaskan satu hal, yaitu seberapa banyak agen mengingat dan seberapa jauh agen merencanakan tindakannya. Dua istilah lain, multi-agent dan hierarkis, menjelaskan cara beberapa agen dihubungkan, bukan cara satu agen mengambil keputusan.

Daftar ini lebih lama daripada setiap model yang pernah Anda gunakan. Daftar ini berasal dari buku teks AI standar dan tetap relevan setelah munculnya large language model karena mengajukan pertanyaan yang masih menentukan desain Anda: apa yang perlu diketahui sesuatu ini sebelum bertindak? Jika Anda masih menentukan batas antara agen dan chat assistant, baca perbedaan antara agen AI dan LLM yang menjalankannya terlebih dahulu. Halaman ini dimulai setelah pembahasan tersebut.

Agen refleks sederhana: satu kondisi, satu tindakan

Agen refleks sederhana memetakan input saat ini ke suatu tindakan dan tidak menyimpan memori tentang hal-hal sebelumnya. Jika suhu di atas 25, nyalakan kipas. Hanya itu mekanismenya.

Anda hampir pasti pernah menjalankan salah satunya. Webhook yang memicu workflow n8n, membaca pengiriman formulir, lalu menulis satu baris ke database, adalah agen refleks sederhana. Agen tersebut tetap termasuk jenis ini meskipun ada language model di tengah proses yang memilih kategori untuk baris itu. Tanyakan apa yang dilakukannya satu jam lalu. Agen tersebut tidak dapat menjawab karena tidak ada komponen yang menyimpan jawabannya.

Jenis ini lebih sering tepat daripada yang diperkirakan orang. Biayanya rendah untuk dijalankan, dan kegagalannya mudah dipahami: kondisinya terpenuhi atau tidak. Jika tugasnya memang "ketika X tiba, lakukan Y", memori menambah kemungkinan kesalahan tanpa memberikan manfaat. Agen n8n yang dipicu webhook adalah bagian taksonomi ini dengan antarmuka pengguna di atasnya.

Agen ini gagal ketika tindakan yang benar bergantung pada riwayat. Bot pembalas tanpa status thread akan memberikan jawaban yang bertentangan pada pesan ketiga karena dua pesan pertama tidak pernah menjadi bagian dari inputnya.

Agen refleks berbasis model: mempertahankan status antarperistiwa

Agen refleks berbasis model menyimpan gambaran internal tentang lingkungannya dan memperbarui gambaran tersebut saat input baru masuk. Istilah "model" di sini berarti model dunia, bukan jaringan neural. Istilah ini sudah digunakan sekitar empat puluh tahun sebelum makna yang sekarang dan hampir selalu membingungkan pembaca saat pertama kali menemukannya.

Aturan otomasi rumah yang mematikan lampu setelah dua puluh menit tanpa gerakan bersifat berbasis model. Aturan itu memang harus demikian. "Tidak ada gerakan saat ini" dan "tidak ada gerakan sejak 21:40" merupakan input yang sama bagi agen refleks sederhana. Hanya status yang tersimpan yang dapat membedakan keduanya.

Versi LLM-nya adalah agen apa pun yang memiliki penyimpanan memori di belakangnya: ringkasan percakapan bergulir atau file markdown biasa yang dibaca agen pada awal setiap eksekusi. Layanan memori lokal untuk agen mengemas gagasan tersebut. Mekanismenya tidak berubah. Gambaran agen tentang dunia tetap ada setelah peristiwa yang membuatnya berlalu.

Status memiliki biaya. Fakta yang sudah usang lebih buruk daripada tidak adanya fakta, karena agen bertindak berdasarkan fakta tersebut dengan keyakinan penuh dan tanpa peringatan. Setiap data yang disimpan harus memiliki mekanisme kedaluwarsa atau mekanisme pemeriksaan ulang. Jika tidak, agen akan terus melakukan penalaran tentang server yang Anda nonaktifkan pada bulan Maret.

Agen berbasis tujuan: merencanakan langkah menuju keadaan yang dapat diperiksa

Agen berbasis tujuan menerima keadaan target dan mencari rangkaian tindakan untuk mencapainya. Agen ini bekerja mundur dari keadaan akhir yang diinginkan. Karena itu, jalurnya tidak ditulis sebelumnya.

Agen coding adalah contoh paling jelas yang dapat Anda jalankan sendiri. “Buat pengujian yang gagal menjadi lulus” tidak menyebutkan file atau langkah apa pun. Agen membaca pengujian, menyusun rencana, mengubah sesuatu, menjalankan pengujian, membaca error, lalu mencoba lagi. Perulangan ini berakhir pada pemeriksaan yang benar-benar dapat dijalankannya. Itu sebabnya instruksi tersebut efektif, sedangkan “perbaiki kode ini” tidak. Tujuan yang dapat dievaluasi oleh agen adalah tujuan yang dapat dicapai agen. Tujuan yang tidak dapat dievaluasi berubah menjadi perulangan tanpa akhir dengan biaya yang terus bertambah. Menjalankan agen coding di VPS Anda sendiri menempatkan perulangan tersebut di lokasi yang dapat terus berjalan tanpa membebani laptop Anda.

Biaya ditentukan oleh perulangan ini. Setiap langkah perencanaan merupakan pemanggilan model tambahan yang membawa seluruh riwayat hingga saat itu. Karena itu, tugas sepuluh langkah tidak hanya berbiaya sepuluh kali lipat dari satu langkah, tetapi lebih besar. Rekayasa yang penting adalah bentuk perulangan dan kondisi yang menghentikannya. Hal itu menjadi pembahasan rekayasa perulangan.

Agen berbasis utilitas: memilih di antara beberapa jawaban yang baik

Tujuan bersifat biner. Utilitas adalah skor. Agen berbasis utilitas menghadapi beberapa hasil yang dapat diterima, lalu memilih hasil dengan skor tertinggi berdasarkan fungsi yang Anda tulis.

Pekerjaan pencadangan yang harus selesai sebelum hari kerja dimulai tanpa memenuhi kapasitas uplink adalah masalah utilitas. Tidak ada satu jawaban yang benar, melainkan kompromi. Router yang menentukan model mana yang menangani setiap permintaan dengan mempertimbangkan harga dan kualitas jawaban memiliki bentuk masalah yang sama.

Algoritmanya bukan bagian yang sulit. Menulis fungsi utilitas yang jujur adalah bagian yang sulit. Jika penilaian hanya didasarkan pada biaya, Anda akan selalu mendapatkan model termurah untuk setiap permintaan, termasuk permintaan yang memerlukan model mahal. Sistem mengoptimalkan tepat apa yang Anda ukur. Ini menjadi masalah ketika hal yang Anda ukur dipilih karena mudah diukur.

Agen pembelajar: jenis yang diasumsikan sudah dimiliki banyak orang

Agen pembelajar mengubah perilakunya sendiri berdasarkan umpan balik tentang hasil sebelumnya. Agen ini memerlukan komponen yang menilai hasil dan komponen yang mengubah kebijakan sebagai tanggapannya.

Sangat sedikit sistem self-hosted yang memenuhi kriteria ini. Agen yang membaca catatan yang ditulisnya minggu lalu adalah agen berbasis model dengan file memori. Bobotnya tetap sama. Kebijakannya tetap sama. Retrieval bukan pembelajaran, dan perbedaannya bersifat praktis: sistem berbasis memori akan mengulangi kesalahan selamanya kecuali ada sesuatu yang mengubah memori tersebut, sedangkan sistem pembelajar seharusnya berhenti melakukan kesalahan itu.

Jika Anda menginginkan komponen pembelajaran, bangun evaluasinya terlebih dahulu. Kumpulan pengujian yang diberi skor, satu kali menjalankan perubahan Anda terhadap kumpulan tersebut, dan keputusan untuk mempertahankan atau membuang perubahan itu membentuk loop tertutup dengan Anda sebagai komponen pembelajar. Proses ini lebih lambat daripada yang mungkin Anda bayangkan, dan saat ini hanya versi tersebut yang berfungsi dengan komponen self-hosted. Menyediakan harness evaluasi secara mandiri adalah titik awalnya.

Sistem multi-agen dan hierarkis: susunan, bukan jenis

Ini bukan jenis keenam dan ketujuh. Keduanya menjelaskan cara agen disusun.

Sistem multi-agen menjalankan beberapa agen sekaligus dalam lingkungan bersama, seperti antrean atau repositori git. Karena lingkungannya digunakan bersama, agen-agen tersebut dapat saling berbenturan. Dua agen yang mengedit satu file merupakan kegagalan umum. Solusinya adalah lock atau work queue. Tidak ada prompt yang dapat mengatasinya.

Sistem hierarkis menempatkan supervisor di atas para worker. Supervisor membagi tugas, membagikan bagian-bagiannya, lalu menggabungkan hasil yang dikembalikan. Sistem ini populer karena sesuai dengan cara manusia membagi pekerjaan. Namun, sistem ini mahal karena konteks supervisor bertambah setiap kali membaca laporan. Harness multi-agen menunjukkan penerapan wiring tersebut.

Satu agen yang bekerja lebih baik daripada empat agen yang sebagian besar hanya bekerja.

Setiap handoff merupakan titik tempat informasi dapat hilang. Mulailah dengan satu loop. Pecah loop tersebut hanya jika Anda dapat menyebutkan langkah yang menjadi bottleneck.

Mengapa hampir semua sistem nyata bersifat hibrida

Perhatikan deployment agent yang mungkin Anda jalankan sendiri. Sebuah webhook memulainya, sehingga bersifat refleks. Agent tersebut membaca status release saat ini, sehingga berbasis model. Agent tersebut merencanakan langkah dari versi yang sedang berjalan ke versi target, sehingga berbasis tujuan. Agent tersebut memilih jendela rollout berdasarkan beban saat ini, sehingga berbasis utilitas. Agent tersebut tidak pernah mengubah kebijakannya sendiri, sehingga tidak bersifat belajar.

Satu sistem dapat mencakup empat kategori taksonomi sekaligus. Taksonomi ini berguna sebagai daftar periksa desain, bukan sebagai label untuk produk yang sudah selesai. Jika sistem berperilaku tidak semestinya, pertanyaan yang berguna adalah lapisan mana yang bermasalah. Pemicu yang aktif karena peristiwa yang salah, status yang sudah kedaluwarsa, pemeriksaan tujuan yang tidak mungkin berhasil, dan skor yang mendorong hasil yang keliru merupakan empat bug berbeda dengan empat perbaikan yang berbeda.

Jenis yang sesuai untuk setiap tugas

• Pemicu tetap, respons tetap, dan tidak memerlukan riwayat: refleks sederhana.
• Respons yang tepat bergantung pada kejadian sebelumnya: refleks berbasis model.
• Keadaan akhir dapat diperiksa, tetapi jalurnya belum diketahui sebelumnya: berbasis tujuan.
• Terdapat beberapa hasil yang dapat diterima dengan trade-off nyata di antaranya: berbasis utilitas.
• Anda memerlukan hasil yang terus membaik: bangun loop evaluasi dan terima bahwa Anda adalah komponen yang belajar.

Bisakah Anda meng-host agent ini sendiri, dan berapa biayanya?

Bisa, dan biayanya terbagi menjadi dua. Orkestrasi tidak mahal. Instance n8n atau loop agent dalam Python sebagian besar waktunya menunggu panggilan jaringan, sehingga 2 vCPU dan 4 GB RAM sudah memadai. Model adalah komponen yang paling banyak menyerap biaya.

Jika agent memanggil API terkelola, server hampir tidak membutuhkan sumber daya dan tagihan meningkat sesuai jumlah token. Untuk agent berbasis tujuan, biaya juga meningkat sesuai jumlah langkah perencanaan yang diizinkan. Karena itu, batasi loop tersebut.

Jika Anda menjalankan model pada perangkat keras sendiri, RAM menentukan model yang dapat dijalankan. Angka di bawah ini adalah ukuran file yang umumnya dipublikasikan untuk bobot terkuantisasi 4-bit per Agustus 2026, disertai perkiraan total RAM yang diperlukan. Context window dan runtime juga membutuhkan ruang tambahan di luar bobot model.

[
  {
    "label": "3B model",
    "weights_gb": 2,
    "ram_needed_gb": 6
  },
  {
    "label": "8B model",
    "weights_gb": 4.9,
    "ram_needed_gb": 10
  },
  {
    "label": "14B model",
    "weights_gb": 9,
    "ram_needed_gb": 16
  },
  {
    "label": "32B model",
    "weights_gb": 20,
    "ram_needed_gb": 32
  },
  {
    "label": "70B model",
    "weights_gb": 43,
    "ram_needed_gb": 64
  }
]

Model 8B dengan 4-bit memiliki bobot sekitar 4.9 GB, dan komputer dengan RAM 10 GB dapat menjalankannya tanpa swapping. Model 70B dengan kuantisasi yang sama memiliki bobot sebesar 43 GB dan membutuhkan sekitar 64 GB. Perhatikan hal yang tidak tercakup dalam angka tersebut: kecepatan. Pada VPS tanpa GPU, model 8B dengan 4-bit menghasilkan single-digit token per detik. Kecepatan ini cukup untuk agent yang memproses antrean semalaman, tetapi lambat untuk tugas interaktif yang ditunggu pengguna. Gunakan inference lokal untuk pekerjaan batch, dan gunakan GPU atau API untuk bagian interaktif. Daftar agent AI yang dapat di-host sendiri membahas project yang layak menggunakan ruang disk, sedangkan jalur belajar agent pada 2026 membahas materi yang perlu dipelajari dan urutannya.

Saat taksonomi tidak lagi membantu

Taksonomi tersebut tidak membahas alat atau izin. Agen dalam buku teks hanya menerima persepsi dan bertindak. Tidak ada penulis bab tersebut yang memikirkan agen yang memegang token API produksi. Agen berbasis tujuan dengan akses shell dan agen berbasis tujuan dengan satu koneksi database hanya-baca berada pada baris tabel yang sama, tetapi memiliki risiko yang sepenuhnya berbeda. Tentukan hal yang boleh diakses agen sebelum menentukan seberapa cerdas agen tersebut, lalu baca cara menjaga rahasia agar tidak masuk ke agen AI sebelum memberikan kredensial kepadanya.

Taksonomi tersebut juga tidak membahas hal yang terjadi saat suatu langkah gagal. Agen nyata menghabiskan sebagian besar waktu berjalannya untuk menangani error: rate limit atau tool yang mengembalikan sesuatu yang tidak diperkirakan model. Kode tersebut menentukan apakah sistem Anda dapat digunakan, tetapi tidak ada baris dalam taksonomi yang menjelaskannya.

FAQ

Apa saja lima jenis agen AI?

Refleks sederhana, refleks berbasis model, berbasis tujuan, berbasis utilitas, dan agen pembelajar. Urutannya didasarkan pada seberapa banyak informasi yang diketahui agen sebelum bertindak. Agen refleks sederhana hanya melihat input saat ini. Agen berbasis model menyimpan status lingkungannya. Agen berbasis tujuan merencanakan tindakan menuju keadaan target. Agen berbasis utilitas menilai beberapa hasil yang dapat diterima dan memilih nilai tertinggi. Agen pembelajar mengubah kebijakannya berdasarkan umpan balik, tetapi hampir tidak ada deployment self-hosted yang benar-benar melakukan hal ini.

Jenis agen AI apa yang sebaiknya saya gunakan untuk otomatisasi sederhana?

Agen refleks sederhana, yang dalam praktiknya berarti webhook atau jadwal yang memicu rangkaian tindakan tetap. Jika respons yang benar hanya bergantung pada input yang baru diterima, memori justru menambah kemungkinan kegagalan tanpa menambah kemampuan. Beralihlah ke desain berbasis model saat Anda dapat menyebutkan satu keputusan yang harus mengetahui kejadian sebelumnya.

Apakah saya dapat menjalankan agen AI sendiri pada VPS?

Ya. Lapisan orkestrasi ringan, sehingga 2 vCPU dan 4 GB RAM dapat menjalankan workflow engine atau loop agen dengan baik. Keputusan utamanya adalah tempat model dijalankan. Hosted API membuat server tetap kecil dan memindahkan biaya ke token. Model lokal memerlukan RAM yang sebanding dengan jumlah parameternya. Tanpa GPU, model tersebut menghasilkan token dalam jumlah satu digit per detik. Kondisi ini lebih sesuai untuk pekerjaan batch dalam antrean daripada jendela chat.

Apakah large language model merupakan agen AI dengan sendirinya?

Tidak. Model memetakan teks input menjadi teks output lalu berhenti. Model menjadi agen ketika sesuatu membungkusnya dalam loop yang dapat bertindak pada dunia luar dan memasukkan kembali hasilnya ke dalam loop. Hal ini memerlukan tool yang dapat dipanggil serta kondisi yang memberi tahu loop kapan harus berhenti. Pembungkus tersebut adalah agen. Model merupakan salah satu komponennya.

Apakah saya memerlukan sistem multi-agent?

Biasanya tidak. Satu loop dengan beberapa tool dapat menangani sebagian besar pekerjaan dan jauh lebih mudah di-debug. Beberapa agen berguna ketika bagian-bagian tugas benar-benar independen dan dapat berjalan secara bersamaan, atau ketika salah satu bagian memerlukan model yang berbeda. Konsekuensinya adalah koordinasi: shared state dan supervisor yang konteksnya bertambah setiap kali membaca laporan worker. Tambahkan agen kedua saat Anda dapat menunjukkan langkah yang berjalan lambat.