Apa itu agent rasional dalam AI?
Agent rasional adalah agent AI yang memilih tindakan yang paling mungkin mencapai tujuannya berdasarkan kondisi saat ini. Agent ini mengevaluasi tindakan yang tersedia menggunakan observasi, pengetahuan, batasan, dan ukuran performanya. Untuk agent berbasis LLM, tindakan rasional bisa berupa memanggil tool, mengumpulkan lebih banyak bukti, merevisi output, meminta persetujuan manusia, atau menghentikan tugas. Rasionalitas tidak menjamin hasil yang sempurna. Artinya membuat pilihan yang paling dapat dipertanggungjawabkan dengan informasi dan sumber daya yang tersedia pada saat itu.
Apa maksud dari pendekatan agent rasional dalam AI?
Pendekatan agent rasional memperlakukan AI sebagai aktor dalam lingkungan tugas. AI menerima percept dan menjaga state yang relevan. Ia mempertimbangkan tindakan yang layak, lalu memilih yang memberikan kontribusi tertinggi yang diharapkan terhadap ukurannya. Untuk agent LLM, ini bisa berupa panggilan tool, permintaan bukti, titik pemeriksaan persetujuan, revisi, atau penghentian yang disengaja.
Hal ini berbeda dengan menilai kecerdasan berdasarkan kelancaran percakapan. Aturan yang sempit bisa tetap rasional dalam tugas yang terbatas. Penalaran yang lancar tetap bisa mengoptimalkan tujuan yang salah. Rasionalitas membutuhkan ukuran yang dinyatakan dengan jelas beserta proses pengambilan keputusan yang dapat diamati.
Kerangka PEAS pada agent rasional
PEAS mendefinisikan lingkungan tugas tempat sebuah agent rasional membuat keputusan. Huruf-huruf ini merepresentasikan Performance measure (ukuran kinerja), Environment (lingkungan), Actuators (aktuator), dan Sensors (sensor). Performance measure menentukan apa yang dianggap sebagai hasil yang berhasil. Environment menetapkan kondisi tempat agent harus beroperasi, sementara Actuators mendefinisikan tindakan yang tersedia dan Sensors menentukan apa yang dapat diamati agent. Bersama-sama, elemen-elemen ini menyediakan informasi yang diperlukan untuk menilai apakah agent telah memilih tindakan paling rasional untuk mencapai tujuannya.
| Elemen PEAS | Pertanyaan desain | Contoh agent riset AI |
|---|---|---|
| Ukuran performa | Hasil seperti apa yang dianggap sukses? | Kualitas sumber dan cakupan tugas; akurasi faktual dalam format yang diperlukan |
| Lingkungan | Di mana agent beroperasi? | Brief pengguna dan sumber web; file yang diunggah beserta output tool |
| Actuator | Bagaimana agent dapat memengaruhi lingkungan? | Pencarian web dan pembacaan file; penyusunan laporan beserta klarifikasi atau eskalasi |
| Sensor | Informasi apa yang dapat dipersepsikan oleh agent? | Instruksi pengguna dan halaman yang diambil; konten file beserta respons tool |
PEAS juga memperjelas izin. Sebuah agent riset mungkin dapat membaca dokumen yang diunggah tetapi tidak memiliki otoritas untuk mempublikasikan laporannya. Ia mungkin dapat menyusun kesimpulan namun tetap memerlukan persetujuan sebelum membagikannya. Batasan-batasan ini mengubah tindakan mana yang mungkin dilakukan.
Bagaimana cara kerja agent rasional?
Loop agent rasional berbasis LLM modern menghubungkan penalaran model dengan alat, state, validator, dan kontrol manusia. Model dapat mengusulkan sebuah tindakan, tetapi sistem secara keseluruhan yang menentukan apakah tindakan tersebut tersedia dan sesuai.
Merasakan: Menerima instruksi, file, halaman yang diambil, atau respons alat.
Merepresentasikan: Memperbarui state tugas dengan bukti terkini beserta riwayat yang relevan. Mencatat kebutuhan yang belum terselesaikan.
Menghasilkan: Mengidentifikasi tindakan yang bermanfaat dan diizinkan. Permintaan klarifikasi dapat menjadi sebuah tindakan.
Memprediksi: Memperkirakan bagaimana setiap opsi dapat memengaruhi kualitas, risiko, biaya, dan sisa pekerjaan.
Memilih: Memilih tindakan yang mungkin dilakukan dengan kinerja yang diharapkan paling kuat setelah batasan diterapkan.
Bertindak: Menjalankan pemanggilan alat atau berkomunikasi dengan pengguna. Mencatat apakah tindakan tersebut berhasil.
Meninjau: Memperlakukan hasil sebagai persepsi baru. Melanjutkan, meminta bukti, meminta persetujuan, merevisi, meningkatkan eskalasi, atau berhenti.
Sebuah coding agent menunjukkan bagaimana loop keputusan ini bekerja dalam praktiknya. Ia pertama-tama merasakan tugas dengan membaca pengujian yang gagal dan kode yang relevan. Ia kemudian merepresentasikan kemungkinan masalah dan membandingkan tindakan yang mungkin dilakukan, seperti memeriksa file lain atau membuat perubahan yang terarah. Setelah memilih dan menjalankan sebuah tindakan, agent meninjau hasilnya dengan menjalankan pengujian yang relevan. Loop ini berlanjut hanya jika tindakan lain masih memiliki nilai yang diharapkan cukup besar. Loop harus berhenti ketika perbaikan berhasil melewati pemeriksaan yang diperlukan, investigasi lebih lanjut kemungkinan tidak akan meningkatkan hasil, atau tindakan berikutnya memerlukan persetujuan manusia.
Apa yang menentukan apakah sebuah agent bersifat rasional?
Rasionalitas bergantung pada konteks keputusan, bukan pada kehalusan respons akhir. Evaluasi faktor-faktor berikut:
Performance measure: Harus mewakili tugas yang sesungguhnya sekaligus menjaga batasan yang tidak bisa ditawar.
Percept sequence: Agent harus menggunakan riwayat yang relevan, bukan hanya satu potret yang ambigu.
Prior knowledge: Pengetahuan harus sesuai dengan domain dan cukup terkini untuk tugas tersebut.
Available actions: Kumpulan alat harus mendukung pekerjaan, sementara izin membatasi operasi yang tidak aman.
Uncertainty: Bukti yang lemah harus memicu solusi cadangan yang aman, permintaan klarifikasi, atau eskalasi.
Resources: Anggaran waktu dan komputasi harus sesuai dengan risiko dan kompleksitas tugas.
Stopping conditions: Kriteria keberhasilan, batas kegagalan, atau batasan persetujuan harus mengakhiri eksekusi.
Faktor-faktor ini menentukan tindakan mana yang rasional dalam situasi tertentu. Sebuah support agent dapat menjawab pertanyaan kebijakan rutin ketika basis pengetahuan yang disetujui menyediakan bukti yang cukup. Jika perselisihan akun melibatkan catatan yang hilang atau melampaui otoritas agent, eskalasi menjadi pilihan yang rasional. Tindakan terbaik karenanya berubah sesuai informasi yang tersedia dan ruang lingkup yang diizinkan bagi agent.
Jenis-jenis agent rasional dalam AI
Sistem AI umumnya menggunakan lima arsitektur agent: simple reflex, model-based reflex, goal-based, utility-based, dan learning agent. Setiap arsitektur menyediakan cara berbeda untuk memilih tindakan dari informasi yang tersedia. Kategori-kategori ini tidak bersifat lengkap atau saling eksklusif. Agent berbasis LLM modern sering menggabungkan beberapa di antaranya dalam satu workflow.
| Arsitektur umum | Dasar keputusan | Berguna ketika | Keterbatasan utama |
|---|---|---|---|
| Refleks sederhana | Input saat ini ditambah sebuah aturan | Tugasnya sempit | Mengabaikan state tersembunyi |
| Refleks berbasis model | Input ditambah state internal | Riwayat memengaruhi pilihan | State bisa menjadi usang |
| Berbasis tujuan | Kemajuan menuju sebuah tujuan | Agent harus membuat perencanaan | Tujuan mungkin tidak memberi peringkat pada trade-off |
| Berbasis utilitas | Nilai ekspektasi dari hasil | Nilai atau risiko berbeda | Skor sulit dirancang |
| Pembelajaran | Pengalaman memperbarui perilaku | Kondisi berubah | Feedback yang buruk menyebabkan drift |
Simple reflex agent
Sebuah support router yang sederhana mungkin mengirim pesan dengan kata kunci penagihan yang disetujui ke antrean penagihan. Ini bisa menjadi rasional ketika label jelas dan risikonya rendah. Namun cara ini kesulitan ketika makna bergantung pada riwayat.
Model-based reflex agent
Sebuah support agent berbasis model mempertahankan state sesi. Ia dapat mengingat verifikasi identitas yang telah selesai dan menghindari pengulangan langkah yang gagal. State membantu ketika pesan terbaru tidak memiliki konteks, meskipun state yang sudah tidak relevan dapat menyesatkan agent.
Goal-based agent
Sebuah research agent berbasis tujuan memecah brief laporan menjadi beberapa pertanyaan, memeriksa sumber, lalu merevisi bagian yang hilang. Tujuan tersebut mengarahkan pemanggilan alatnya. Namun, “menyelesaikan laporan” tidak mendefinisikan bukti yang cukup atau memprioritaskan kecepatan dibanding kedalaman sumber.
Utility-based agent
Sebuah agent perjalanan atau pengadaan membandingkan opsi dengan biaya dan risiko yang berbeda. Ia mungkin mengutamakan kepatuhan kebijakan dibanding kesesuaian jadwal, lalu meminta persetujuan di atas batas tertentu. Tantangannya adalah menetapkan bobot yang dapat dipertanggungjawabkan.
Learning agent
Sebuah asisten dukungan dapat belajar balasan yang diusulkan mana yang diterima oleh peninjau. Sebuah agent rekomendasi dapat menggunakan umpan balik eksplisit daripada memperlakukan setiap klik sebagai keberhasilan. Pembelajaran tetap rasional hanya ketika umpan balik merepresentasikan tujuan sesungguhnya dan ada pengaman yang mencegah penyimpangan.
Sebuah LLM agent modern dapat menggabungkan semua elemen ini. Label “berbasis LLM” tidak membuktikan rasionalitas; ukuran kinerja beserta kontrol tetap memerlukan perancangan yang disengaja.
Rational agent vs. intelligent agent
“Intelligent agent” adalah kategori luas untuk sistem yang bertindak dengan tingkat otonomi tertentu. “Rational agent” berfokus pada pemilihan tindakan relatif terhadap suatu ukuran kinerja.
| Dimensi | Agent rasional | Agent cerdas |
|---|---|---|
| Penekanan utama | Performa yang diharapkan | Kemampuan otonom |
| Kompleksitas | Dapat menggunakan aturan sederhana | Mulai dari otomatisasi hingga AI tingkat lanjut |
| Uji utama | Apakah tindakan tersebut masuk akal? | Apakah bisa menjalankan tugas tersebut? |
| Hubungan | Kerangka pengambilan keputusan | Kategori sistem |
Kecerdasan tidak menjamin tujuan yang tepat atau tindakan yang aman. Sebuah coding agent dapat menghasilkan kode yang valid namun mengedit di luar lingkup yang ditentukan. Sebuah research agent dapat menulis prosa yang lancar dari sumber yang lemah. Rasionalitas menanyakan apakah setiap pilihan telah melayani tugas yang ditentukan sesuai batasannya.
Contoh nyata agent rasional
Setiap contoh memetakan lingkungan, pengamatan, tindakan, serta ukuran kinerjanya tanpa mengasumsikan rasionalitas.
Agent riset AI
Lingkungannya mencakup brief pengguna, konten web, dan file yang disediakan. Instruksi ditambah bukti yang diperoleh merupakan observasi. Agent dapat menyempurnakan kueri, memeriksa sumber, meminta klarifikasi, atau membuat draf. Performa bergantung pada kualitas sumber dan cakupan tugas; akurasi faktual dalam format yang diminta menjadi ambang penerimaannya. Bukti yang saling bertentangan dapat menjadi alasan untuk melakukan pencarian lagi.
Agent pengodean
Agent pengodean bekerja dalam sebuah repositori sesuai instruksi proyek dan izin tool. Ia mengamati file sumber beserta output pengujian. Ia dapat mencari kode, mengedit, menjalankan pengujian tertentu, atau meminta persetujuan untuk pekerjaan yang berisiko. Perubahan yang dibuat harus menyelesaikan masalah yang dinyatakan tanpa mengubah perilaku yang tidak terkait. Verifikasi yang relevan harus lolos sebelum agent berhenti.
Agent dukungan pelanggan
Agent dukungan beroperasi dalam batas percakapan, pengetahuan yang disetujui, dan akses akun. Ia mengamati pesan beserta status sesi. Ia dapat mengambil kebijakan, membuat draf balasan, meminta detail, atau melakukan eskalasi. Performanya menggabungkan kualitas penyelesaian dengan kepatuhan terhadap kebijakan. Eskalasi bisa menjadi pilihan rasional saat catatan yang menentukan tidak tersedia.
Agent analisis data
Agent analisis data menerima pertanyaan bisnis beserta dataset. Ia mengamati skema dan output tool. Ia dapat memeriksa data yang hilang, menjalankan kueri, membuat grafik, atau menolak kesimpulan yang tidak didukung bukti. Performanya menggabungkan ketepatan analitis dengan reprodusibilitas. Satuan dan filter harus diperiksa sebelum menafsirkan tren.
Agent workflow
Agent workflow mengoordinasikan proses lintas tool perangkat lunak. Ia mengamati catatan penerimaan beserta pembaruan status. Ia dapat mengekstrak data, menyiapkan draf, mengarahkan sebuah item, atau berhenti sejenak untuk menunggu persetujuan. Transisi status yang benar dan keterlacakan menentukan keberhasilannya. Tersedianya panggilan API saja bukan alasan yang cukup untuk melanjutkan tugas.
Sistem riset multi-agent
Worker menerima pertanyaan riset yang independen; koordinator menerima bukti dari mereka. Worker melakukan pencarian atau analisis sesuai lingkupnya. Koordinator dapat meminta pengulangan, menyelesaikan konflik, menyintesis, atau menghentikan cabang yang lemah. Akurasi dan cakupan akhir penting, tetapi pekerjaan yang berulang mengurangi manfaatnya. Menambah agent hanya membantu jika dekomposisi tugas meningkatkan ekspektasi performa.
Di semua kasus ini, rasionalitas tampak dalam pemilihan tool, permintaan bukti, pemeriksaan persetujuan, revisi, dan penghentian. Setiap tindakan harus meningkatkan ekspektasi performa tugas cukup besar untuk membenarkan biayanya.
Manfaat dan keterbatasan desain agent rasional
Kerangka kerja ini mengubah otonomi yang samar menjadi model keputusan yang eksplisit dan membuat batasan workflow menjadi terlihat.
Manfaat
Evaluasi yang jelas: Ukuran performa membuat keberhasilan dapat diuji.
Keputusan yang dapat dilacak: Bukti yang tercatat beserta panggilan tool membantu investigasi.
Otonomi terkendali: Batasan dan titik persetujuan membatasi tindakan.
Penanganan trade-off: Utilitas dapat membandingkan hasil yang bersaing.
Penghentian yang bermanfaat: Ambang batas mengurangi jawaban yang terlalu dini atau perulangan tanpa akhir.
Keterbatasan
Tujuan yang salah: Proxy mungkin tidak menangkap tujuan sebenarnya dari pengguna.
Informasi yang tidak lengkap: Bukti yang hilang dapat menghalangi keputusan yang tepat.
Kesalahan model: LLM dapat salah membaca status atau memilih tool yang salah.
Batasan komputasi: Pendekatan (approximation) dapat melewatkan opsi yang lebih baik.
Kesenjangan akuntabilitas: Tindakan berdampak besar tetap memerlukan pihak yang bertanggung jawab beserta tinjauan manusia.
Kenalan dengan Kimi Agent: ubah pengetahuan menjadi hasil kerja yang selesai
Kimi Agent menunjukkan bagaimana agent rasional berbasis LLM dapat menangani pekerjaan yang padat pengetahuan. Berikan hasil yang diinginkan, dan ia dapat merencanakan tugas sebelum menyelesaikan langkah-langkah yang diperlukan dengan tool bawaan. Anda dapat menggunakannya untuk meneliti sebuah topik, mengolah materi sumber, atau membuat hasil kerja yang dapat diedit tanpa perlu membangun lapisan orkestrasi terpisah.
Bawa pengetahuan sumber ke dalam tugas
Kimi mendukung hingga 50 file yang diunggah, dengan batas 100 MB per file. Ia dapat bekerja dengan PDF dan dokumen office yang umum. Gambar, file TXT, dan video dapat memberikan konteks tambahan.
Materi-materi ini menjadi bagian dari lingkungan tugas agent. Prompt Anda menentukan hasil yang diinginkan, sementara file yang diunggah menyediakan pengetahuan yang diperlukan untuk mencapainya.
Ubah hasil riset menjadi hasil kerja yang dapat diedit
Kimi Agent dapat bergerak dari mengumpulkan informasi hingga menghasilkan hasil yang dapat digunakan:
Riset Mendalam: Buat laporan terstruktur yang didukung oleh sumber.
Situs web: Bangun situs web multi-halaman yang berfungsi dari sebuah brief.
Presentasi: Buat PPT yang dapat diedit dari materi sumber.
Dokumen dan spreadsheet: Susun informasi menjadi hasil kerja yang praktis.
Tugas tidak perlu berakhir dengan respons chat. Kimi Agent dapat mengubah informasi yang dikumpulkannya menjadi hasil kerja yang dapat diedit dalam workflow yang sama.
Tingkatkan skala tugas yang lebih besar dengan Kimi Agent Swarm
Kimi Agent Swarm dapat membagi tujuan besar menjadi beberapa aliran kerja yang independen. Sub-agen menangani pertanyaan riset atau item batch yang berbeda sebelum hasilnya digabungkan.
Pendekatan ini cocok untuk pencarian skala besar, penulisan panjang, dan pekerjaan batch. Eksekusi paralel paling berguna ketika cabang-cabangnya dapat berjalan secara independen. Eksekusi berurutan tetap lebih baik ketika setiap langkah bergantung pada hasil sebelumnya yang sudah terverifikasi.
Cara mengevaluasi agen rasional
Gunakan checklist ini selama desain dan pengujian. Periksa jejak keputusan serta hasil akhirnya.
Ukuran kinerja: Apakah ini mewakili keberhasilan dan menjaga batasan yang ada?
Observabilitas: Kondisi apa yang dapat dirasakan oleh agen?
Pengetahuan: Apakah pengetahuan sebelumnya sesuai dan cukup terkini?
Aksi: Apakah pekerjaan yang diperlukan dapat dilakukan sesuai izin yang ada?
Ketidakpastian: Apakah bukti yang lemah memicu pengecekan atau eskalasi?
Sumber daya: Apakah anggarannya sesuai dengan risiko tugas?
Tinjauan manusia: Siapa yang menyetujui tindakan yang tidak dapat dibatalkan?
Pencatatan log: Dapatkah peninjau merekonstruksi pilihan serta hasilnya?
Kondisi berhenti: Apakah eksekusi berhenti setelah berhasil, gagal dalam batas tertentu, atau dieskalasi?
Berikan agen riset sumber-sumber yang saling bertentangan dan periksa apakah ia mencari bukti yang lebih baik. Berikan agen coding sebuah perintah yang gagal dan lihat apakah ia mendiagnosis masalah sebelum mengedit lagi. Agen support dengan konteks yang kurang seharusnya meminta informasi, bukan mengada-adakan detail.
Ukur pencarian berulang, error yang diabaikan, klaim yang tidak didukung bukti, pelanggaran persetujuan, atau penghentian dini. Panggilan tool yang gagal tidak membuktikan ketidakrasionalan jika agen menyadarinya dan menanganinya dengan bijak. Uji apakah ambang batas penghentian menyeimbangkan kualitas dengan penggunaan sumber daya.
Kesimpulan
Agen rasional adalah kerangka kerja pengambilan keputusan untuk memilih tindakan berdasarkan bukti yang tersedia dalam batasan nyata. Untuk agen berbasis LLM modern, tindakan tersebut meliputi panggilan tool, permintaan bukti, pemeriksaan persetujuan, revisi, atau penghentian yang disengaja. Agen riset dan coding dapat menggunakan kerangka kerja ini, begitu pula workflow support atau sistem multi-agen. Tidak satupun dari agen tersebut rasional secara default. Rasionalitas bergantung pada tujuan, observasi, izin, evaluasi, serta kebijakan penghentian yang sesuai.