Kalau mau lihat fullnya disini ya : https://www.kaggle.com/whitepaper-introduction-to-agents
Disklaimer ya..
Pembahasan yang saya tulis di sini murni untuk tujuan pemahaman bersama. Saya berusaha menerjemahkan dan merangkum materi seakurat mungkin, tapi tetap mungkin ada hal yang terlewat atau kurang tepat.
Jika teman menemukan kesalahan terjemahan, penjelasan yang terasa janggal, atau punya perspektif lain, saya sangat terbuka untuk berdiskusi. Silakan sampaikan di kolom komentar, supaya kita bisa belajar dan meluruskan bersama.
Jujur membaca paper bahasa english melelahkan untuk saya dengan bahasa englsih saya yang jelek sekali
lalu untuk isinya saya bagi menjadi seperti ini : semoga konsisten 1 pembahasan 1 minggu, lalu linknya saya taruh di bawah setiap pembahasan. jila linknya belum aktif berarti saya belum selesai memahami
Daftar isi
Hal. 6–7 – From Predictive AI to Autonomous Agents
Perubahan paradigma: dari AI yang cuma “tanya lalu jawab sekali & selesai” ke agent yang bisa punya tujuan, bikin rencana, dan eksekusi banyak langkah sendiri.
Lihat pembahasan : Dari AI Prediktif ke AI Agent: Saat Mesin Tidak Lagi Sekadar Menjawab Pertanyaan (Segera Hadir)
Hal. 8–10 – Introduction to AI Agents
Definisi agent sebagai kombinasi Model (otak), Tools (tangan), Orchestration Layer (sistem saraf), Deployment (tubuh) yang berjalan dalam loop untuk mencapai tujuan. Juga analogi developer sebagai “director” yang mengatur konteks dan tools, bukan lagi hanya “tukang ngoding step by step”.
Lihat pembahasan : Mengenal AI Agent: Ketika Otak, Tangan, dan Sistem Saraf Bekerja Bersama (Segera Hadir)
Hal. 11–13 – Agentic Problem-Solving Process (5 langkah)
Misi → Scan konteks → Think → Act → Observe & ulang. Ada contoh Customer Support Agent yang cek order, panggil tool database & tracking, lalu jawab user. Diagram funnel 5 langkah ada di halaman 12.
Lihat pembahasan Bagaimana AI Agent Menyelesaikan Masalah: Mengenal Siklus 5 Langkah “Misi → Scan konteks → Think → Act → Observe & ulang”
Hal. 14–18 – A Taxonomy of Agentic Systems (Level 0–4)
- Level 0: LM murni, cuma penjelasan, nggak lihat dunia nyata.
- Level 1: LM + tools (search, RAG, API).
- Level 2: strategic problem solver dengan context engineering.
- Level 3: multi-agent, masing-masing spesialis, ada “project manager” agent.
- Level 4: self-evolving system yang bisa minta dibuatkan agent/tool baru kalau butuh.
Lihat pembahasan : Level-Level AI Agent: Dari Model Biasa sampai Sistem yang Bisa Berkembang Sendiri
Hal. 19–26 – Core Agent Architecture & Design Choices
- Pemilihan model (satu model besar vs beberapa spesialis, frontier vs cepat/murah).
- Tools untuk retrieval (RAG, NL2SQL) dan action (API, code execution, HITL).
- Function calling dengan OpenAPI & MCP, plus native tools seperti Google Search.
- Orchestration: mengatur loop, state, memory, kapan pakai tools, kapan mikir.
- Instruct dengan domain knowledge & persona, plus memory jangka pendek & panjang (RAG sebagai long-term memory).
- Multi-agent patterns: Coordinator, Sequential, Iterative Refinement, HITL.
- Deployment & services (Vertex AI Agent Engine, container, observability, security).
Lihat pembahasan : Di Balik Layar AI Agent: Arsitektur Inti dan Pilihan Desain yang Menentukan
Hal. 27–31 – Agent Ops / GenAIOps
Cara mengukur & mengelola agent:
- KPI (goal completion, cost, latency, impact bisnis).
- Evaluasi pakai LM as Judge dan golden dataset.
- Metrics-driven development & A/B deployment.
- Tracing (OpenTelemetry) buat lihat “jalan pikiran” agent dan tool yang dipanggil.
- Pentingnya feedback manusia dan menjadikannya test baru.
Lihat pembahasan : Mengelola AI Agent di Dunia Nyata: Dari “Cuma Coba” ke Sistem yang Bisa Dipercaya
Hal. 31–34 – Agent Interoperability (Agents & Humans, Agents & Agents, Agents & Money)
- Interaksi dengan manusia via UI, live mode, voice, camera.
- Agent ↔ Agent via A2A protocol & Agent Card.
- Agent & uang: AP2, x402 untuk transaksi aman & micropayment antar mesin.
Lihat pembahasan : Ketika Agent, Manusia, dan Uang Saling Terhubung
Hal. 34–41 – Security, Identity, Governance, Fleet
- Trade-off antara kemampuan & risiko (rogue actions, data leak, prompt injection).
- Defense in depth: hard guardrails + guard models.
- Agent Identity sebagai kategori principal baru (pakai SPIFFE, least privilege).
- Policies (AuthZ), governance, dan gateway/control plane untuk hindari “agent sprawl”.
- Diagram security architecture di halaman 39.
Lihat pembahasan :
Hal. 42–46 – Cost/Reliability dan Agent yang Belajar & Agent Gym
- Infrastruktur: scale-to-zero hingga provisioned throughput, SLA, monitoring cost.
- Cara agent belajar dari runtime, feedback manusia, dokumen eksternal → jadi guideline baru, prompt lebih baik, atau tool baru.
- Contoh compliance workflow multi-agent (diagram halaman 45).
- Konsep Agent Gym sebagai lingkungan simulasi offline untuk meng-optimize agent dengan synthetic data, red-teaming, dsb.
Lihat pembahasan :
Hal. 47–50 – Contoh Advanced Agents: Co-Scientist & AlphaEvolve
- Co-Scientist: ekosistem multi-agent buat riset ilmiah (generation, ranking, reflection, evolution, meta-review).
- AlphaEvolve: agent yang menemukan algoritma baru lewat evolutionary search, menulis kode yang bisa dibaca manusia, dan terus improve berdasarkan metric.
Lihat pembahasan
Hal. 51–54 – Conclusion & Endnotes
Menegaskan lagi bahwa agent adalah evolusi generative AI: integrasi model, tools, orchestration + loop Think–Act–Observe, dan bahwa keberhasilan ada di engineering sistemnya, bukan hanya prompt.
Introduction to Agents
Lihat pembahasan :
