Pengenalan AI Agent

Analogi: Dari Asisten Chat ke Karyawan yang Bisa Kerja Sendiri

Sejauh ini kamu memakai AI seperti chat: kamu tanya, ia jawab, selesai. AI agent itu naik satu level: seperti punya karyawan yang bisa kamu beri tugas ("rapikan file downloadsku berdasarkan jenis file"), lalu ia bekerja sendiri: melihat isi folder, membuat folder baru, memindahkan file satu per satu, dan melapor saat selesai. Kamu tidak mendikte tiap langkah; kamu memberi tujuan, ia mencari caranya.

Perbedaan kuncinya: chat AI menunggu perintah tiap langkah, AI agent menjalankan loop sendiri: berpikir (apa langkah berikutnya?) > bertindak (jalankan perintah, baca file, tulis file) > mengamati hasil (berhasil? error?) > berpikir lagi. Loop ini berulang sampai tugas selesai atau ia mentok dan bertanya padamu.

Kenapa Ini Masa Depan (dan Masa Kini) Ngoding

Tren industri jelas: dari "AI membantu menulis kode" (autocomplete, chat) ke "AI mengerjakan tugas" (agent). Tool seperti OpenCode, Claude Code, dan Cursor yang akan kamu pelajari di modul berikutnya semuanya berbasis agent: mereka bisa membaca seluruh proyekmu, menjalankan test, memperbaiki error sendiri, dan membuat pull request. Developer yang paham cara memberi tugas ke agent (dan cara mengawasinya) akan jauh lebih produktif daripada yang hanya bisa chat.

Tapi ada harga yang harus dibayar: agent yang bisa bertindak sendiri juga bisa salah bertindak sendiri: menghapus file yang salah, mengubah kode yang tidak perlu diubah. Makanya modul ini penting: pahami cara kerja agent SEBELUM kamu memberinya kekuatan.

Contoh 1: Membedah Loop Agent (Simulasi Manual)

Kamu bisa merasakan cara berpikir agent tanpa tools apa pun. Tugas untuk "agent manusia" (kamu berperan sebagai agent, temanmu sebagai pengawas):

Tugas: "Di folder /tmp/latihan, buat file catatan.txt berisi daftar 3 film favoritmu."

Sebagai agent, kamu menjalankan loop:

1. Berpikir: "Pertama aku perlu cek apakah folder /tmp/latihan ada."
2. Bertindak: jalankan ls /tmp/latihan
3. Mengamati: "Folder tidak ada."
4. Berpikir: "Aku harus buat foldernya dulu."
5. Bertindak: jalankan mkdir -p /tmp/latihan
6. Mengamati: "Berhasil, tidak ada error."
7. Berpikir: "Sekarang tulis file catatan.txt."
8. Bertindak: tulis file.
9. Mengamati: "File tertulis. Tugas selesai, lapor ke pengawas."

Inilah tepatnya yang dilakukan AI agent, hanya saja yang "berpikir" adalah LLM dan yang "bertindak" adalah eksekusi perintah beneran di komputermu. Setiap putaran loop, hasil observasi masuk kembali sebagai konteks (context engineering otomatis!), jadi agent makin paham situasi.

Contoh 2: Tugas yang Cocok vs Tidak Cocok untuk Agent

Cocok untuk agent (tugas dengan tujuan jelas + bisa diverifikasi):

"Di proyek ini, cari semua console.log yang tertinggal, hapus, lalu jalankan npm test untuk memastikan tidak ada yang rusak. Laporkan file apa saja yang kamu ubah."

Kenapa cocok: tujuannya jelas, langkahnya bisa diobservasi (baca file, edit, jalankan test), dan ada verifikasi objektif (test lolos/tidak).

Tidak cocok untuk agent (tujuan kabur):

"Buat aplikasi ini lebih bagus."

Kenapa tidak cocok: "bagus" tidak terdefinisi, tidak ada cara memverifikasi, agent akan menebak-nebak dan kemungkinan besar mengubah hal yang tidak kamu mau. Tugas seperti ini harus dipecah dulu oleh manusia jadi tugas-tugas kecil yang jelas (dekomposisi dari modul prompting-lanjutan), baru diberikan ke agent satu per satu.

Aturan praktis: kalau kamu tidak bisa menjelaskan ke manusia kapan tugas itu "selesai", jangan berikan ke agent.

Kesalahan Umum Pemula

1. Memberi tugas terlalu besar sekaligus. "Refactor seluruh aplikasi" ke agent = kekacauan. Mulai dari tugas 5-15 menit, amati cara kerjanya, baru naikkan.
2. Tidak mengawasi. Agent melaporkan apa yang ia lakukan, tapi pemula sering mengangguk saja tanpa memeriksa. Selalu cek: file apa yang diubah? (pakai git diff kalau memakai Git). Jangan percaya laporan tanpa bukti.
3. Memberi akses tanpa batas. Agent yang bisa menjalankan perintah apa pun di komputermu itu kuat sekaligus berbahaya. Jangan jalankan agent di folder berisi data penting tanpa backup, dan pahami izin apa yang kamu berikan (modul keamanan-ai-coding membahas ini mendalam).
4. Mengira agent menggantikan pemahaman. Agent mempercepat eksekusi, bukan menghilangkan kebutuhan paham. Saat agent menghasilkan solusi yang aneh, yang bisa menilai "ini aneh" hanyalah manusia yang paham.

Catatan teknis: Arsitektur agent modern umumnya terdiri dari: (1) model (otak yang berpikir, misal Claude atau Hermes), (2) tools (tangan yang bertindak: baca/tulis file, jalankan perintah, cari di web), dan (3) loop (pengatur ritme berpikir-bertindak-mengamati). Kemampuan agent sangat ditentukan oleh tools yang tersedia dan kualitas loop-nya, bukan cuma kepintaran model. Inilah kenapa OpenCode (open source, kamu bisa lihat loop-nya) dan MCP (standar memberi tools baru ke agent) penting: mereka membuka kotak hitam agent.

Rangkuman

AI agent = AI yang menjalankan loop berpikir > bertindak > mengamati sampai tugas selesai, bukan sekadar menjawab chat. Beri ia tugas yang tujuannya jelas dan bisa diverifikasi, mulai dari yang kecil, selalu awasi perubahannya dengan bukti (bukan sekadar laporan). Di modul berikutnya kita kenalan dengan agent-agent nyata: OpenCode, Claude Code, Cursor, dan model-model yang menggerakkannya seperti Hermes dan yang diakses via OpenRouter.