Sepanjang 2026, istilah multi-agent muncul di mana-mana: dari demo riset otomatis sampai coding agent yang memecah pekerjaan ke beberapa "sub-agent". Idenya sederhana: daripada satu agent mengerjakan semuanya dengan konteks yang makin penuh, bagi tugas ke beberapa agent yang masing-masing fokus. Artikel ini membangun versi sederhananya dari nol — tanpa framework, supaya konsepnya jelas.
Kapan Butuh Multi-Agent?
Multi-agent bukan selalu lebih baik. Ia menambah biaya token dan kompleksitas. Gunakan jika:
- Tugas bisa dipecah menjadi bagian yang independen dan bisa dikerjakan paralel.
- Setiap sub-tugas butuh banyak konteks yang tidak relevan untuk sub-tugas lain.
- Kamu ingin peran berbeda (peneliti, pengkritik, penulis) dengan instruksi berbeda.
Untuk tugas sederhana, satu agent dengan tools yang baik hampir selalu cukup.
Langkah 1: Agent Dasar dengan Tool Use
# agent.py
import json
import anthropic
client = anthropic.Anthropic()
MODEL = "claude-sonnet-5-5"
def jalankan_agent(sistem: str, tugas: str, tools: list, fungsi: dict, maks_langkah: int = 8) -> str:
pesan = [{"role": "user", "content": tugas}]
for _ in range(maks_langkah):
resp = client.messages.create(
model=MODEL, max_tokens=2048, system=sistem, tools=tools, messages=pesan
)
pesan.append({"role": "assistant", "content": resp.content})
if resp.stop_reason != "tool_use":
return "".join(b.text for b in resp.content if b.type == "text")
hasil = []
for blok in resp.content:
if blok.type == "tool_use":
try:
keluaran = fungsi[blok.name](**blok.input)
except Exception as e:
keluaran = {"error": str(e)}
hasil.append({
"type": "tool_result",
"tool_use_id": blok.id,
"content": json.dumps(keluaran, ensure_ascii=False),
})
pesan.append({"role": "user", "content": hasil})
return "Berhenti: batas langkah tercapai."
Loop ini adalah inti setiap agent: model memutuskan memanggil tool, kita mengeksekusi, hasilnya dikirim kembali, sampai model selesai.
Langkah 2: Tools untuk Worker
def cari_artikel_blog(kata_kunci: str) -> list[dict]:
# Contoh: panggil API pencarian blog / database
return [{"judul": "pgvector: Pencarian Semantik", "slug": "pgvector-pencarian-semantik-postgresql"}]
TOOLS_RISET = [{
"name": "cari_artikel_blog",
"description": "Cari artikel di blog berdasarkan kata kunci. Mengembalikan judul dan slug.",
"input_schema": {
"type": "object",
"properties": {"kata_kunci": {"type": "string"}},
"required": ["kata_kunci"],
},
}]
FUNGSI_RISET = {"cari_artikel_blog": cari_artikel_blog}
Langkah 3: Orchestrator
Orchestrator meminta model memecah tugas menjadi sub-tugas dalam format JSON, lalu membagikannya ke worker secara paralel:
from concurrent.futures import ThreadPoolExecutor
SISTEM_ORKESTRATOR = """Kamu adalah koordinator riset. Pecah permintaan pengguna menjadi
2-4 sub-tugas riset yang INDEPENDEN. Jawab HANYA JSON:
{"subtugas": [{"judul": "...", "instruksi": "..."}]}"""
SISTEM_WORKER = """Kamu adalah peneliti teliti. Kerjakan satu sub-tugas saja.
Gunakan tools bila perlu. Akhiri dengan ringkasan maksimal 150 kata dan sebutkan sumbernya."""
def orkestrasi(permintaan: str) -> str:
rencana_raw = client.messages.create(
model=MODEL, max_tokens=1024, system=SISTEM_ORKESTRATOR,
messages=[{"role": "user", "content": permintaan}],
).content[0].text
rencana = json.loads(rencana_raw[rencana_raw.find("{"): rencana_raw.rfind("}") + 1])
def kerjakan(st):
temuan = jalankan_agent(SISTEM_WORKER, st["instruksi"], TOOLS_RISET, FUNGSI_RISET)
return f"## {st['judul']}\n{temuan}"
with ThreadPoolExecutor(max_workers=4) as ex:
temuan = list(ex.map(kerjakan, rencana["subtugas"]))
laporan = client.messages.create(
model=MODEL, max_tokens=2048,
system="Gabungkan temuan menjadi laporan rapi berbahasa Indonesia. Jangan menambah fakta baru.",
messages=[{"role": "user", "content": "\n\n".join(temuan)}],
)
return laporan.content[0].text
if __name__ == "__main__":
print(orkestrasi("Buat rencana seri artikel tentang AI untuk developer pemula di blog ini."))
Kenapa Pola Ini Efektif?
| Aspek | Agent tunggal | Orchestrator–worker |
|---|---|---|
| Konteks | Menumpuk dan makin penuh | Setiap worker mulai bersih |
| Kecepatan | Berurutan | Sub-tugas berjalan paralel |
| Fokus instruksi | Satu prompt untuk semua | Peran spesifik per worker |
| Biaya token | Lebih rendah | Lebih tinggi |
Praktik Terbaik
- Batasi langkah (
maks_langkah) agar agent tidak berputar tanpa akhir. - Worker read-only jika memungkinkan; aksi berisiko hanya di orchestrator dengan konfirmasi manusia.
- Gunakan model berbeda — worker sederhana bisa memakai model yang lebih kecil dan murah.
- Log semuanya — simpan rencana, panggilan tool, dan hasil setiap worker untuk debugging.
- Evaluasi — siapkan 10–20 contoh tugas dan bandingkan hasil multi-agent vs agent tunggal sebelum memutuskan.
Penutup
Multi-agent pada dasarnya adalah pola manajemen proyek yang diterapkan ke AI: pecah tugas, delegasikan, gabungkan hasil. Mulailah dari loop agent tunggal yang solid, baru tambahkan orchestrator ketika kamu benar-benar butuh paralelisme dan konteks yang terpisah.
0 Komentar