Dulu saya pikir membangun agen AI pada dasarnya sama dengan memberikan prompt ke chatbot. Anda menyusun pertanyaan dengan baik, model memberikan jawaban, dan selesai. Kemudian saya merilis beberapa aplikasi. Realitas menghantam dengan keras. LLM bukanlah sebuah agen. LLM memprediksi token berikutnya. Loop lah yang menciptakan agen tersebut.

Bayangkan saat membuat teh. Anda tidak menjalankan satu perintah tunggal bernama make_tea() lalu pergi begitu saja. Anda mengisi ketel, menyadari tekanan air keran rendah, menunggu, menyalakannya, menyadari sakelarnya rusak, pindah ke tungku lain, memeriksa uap, menuang, mencicipi, dan mungkin menambahkan madu karena daun teh terendam terlalu lama. Tujuannya tidak pernah berubah, tetapi langkah-langkahnya berubah. Anda mengamati, menyesuaikan, dan mencoba lagi. Agen AI bekerja persis seperti ini.

Siklus yang Menciptakan Agensi

Loop bukanlah teori abstrak. Ini adalah detak jantung operasional dari sistem apa pun yang bertindak atas nama Anda. Berikut adalah gambaran praktisnya:

  • Think (Berpikir): Model menalar tentang tujuan dan memutuskan apa yang dibutuhkannya. Seorang pengguna bertanya, "Haruskah saya membawa payung ke Portland besok?" Model mengidentifikasi bahwa ia memerlukan prakiraan cuaca dan lokasi.
  • Act (Bertindak): Model memanggil sebuah tool. Ia mungkin memanggil API geocoding untuk menentukan "Portland," lalu memanggil endpoint cuaca dengan koordinat tersebut.
  • Observe (Mengamati): Model membaca output dari tool tersebut. Apakah API mengembalikan prakiraan JSON, error 403, atau halaman pemeliharaan HTML?
  • Update (Memperbarui): Berdasarkan apa yang dilihatnya, model merevisi rencananya. Jika geocoder mengembalikan Portland, Maine alih-alih Portland, Oregon, model perlu melakukan disambiguasi. Jika API sedang down, ia mungkin beralih ke sumber cadangan atau bertanya kepada pengguna.
  • Think Again (Berpikir Lagi): Siklus dimulai kembali dengan konteks yang baru.

Ini bukan lima fungsi terpisah yang Anda tulis sekali lalu lupakan. Ini adalah mesin berkelanjutan yang berjalan hingga tujuan tercapai atau dipicu oleh penghentian paksa (hard stop). Model tidak mengeksekusi kode seperti sebuah skrip. Ia menalar tentang keadaan dunia, memilih tindakan, membaca konsekuensinya, dan memutuskan apa yang terjadi selanjutnya. Itulah perbedaan antara autocomplete yang canggih dengan agen yang benar-benar menyelesaikan pekerjaan.

Mengapa Semua Framework Terlihat Mirip

Jika Anda pernah menghabiskan waktu dengan LangGraph, CrewAI, atau AutoGen, Anda mungkin menyadari bahwa semuanya mulai terlihat serupa. LangGraph memodelkan alur sebagai graf persisten yang terdiri dari node dan edge. CrewAI mengorganisir agen ke dalam peran dan kru. AutoGen mengorkestrasi percakapan multi-agen. Kemasan berbeda, kerangka yang sama.

Mereka terlihat mirip karena semuanya dirancang di sekitar prinsip looping yang sama ini. LangGraph secara eksplisit menyusun siklus sebagai transisi status antara pemanggilan tool dan inferensi model. CrewAI membungkus loop di dalam agen berbasis peran, tetapi setiap anggota kru tetap melakukan siklus perencanaan, tindakan, dan pengamatan. AutoGen menjembatani pesan antar aktor, namun setiap putaran tetap merupakan variasi dari generate, execute, reflect, dan route.

Framework ini berfokus pada loop karena di situlah agensi berada. Model yang mendasarinya bisa saja GPT-4, Claude, atau model open-weight yang telah di-fine-tune. Tanpa loop, Anda hanya memiliki pelengkap kalimat yang sangat mahal. Dengan loop, Anda memiliki sistem yang dapat terus berusaha mencapai tujuan melalui berbagai upaya.

Saat Pekerjaan Sesungguhnya Dimulai

Demo lokal terasa ajaib. Produksi adalah tempat di mana keajaiban bertemu dengan kekacauan. Begitu Anda melewati tahap prototipe, Anda berhenti menyelesaikan masalah AI dan mulai menyelesaikan masalah rekayasa sistem (systems engineering).

Kegagalan tool tidak dapat dihindari. API mengalami timeout. Mereka mengembalikan JSON yang tidak valid. Mereka melemparkan error 500 yang dibungkus dalam HTML. Jika loop Anda mempercayai setiap output tool secara buta, agen Anda akan berhalusinasi tentang keberhasilan atau terjebak dalam kebingungan. Anda memerlukan logika retry, circuit breaker, dan validasi skema pada setiap payload kembalian.

Memori menjadi usang. Agen Anda mengingat bahwa database pilihan pengguna adalah PostgreSQL, tetapi tim infrastruktur telah bermigrasi ke cluster baru tadi malam. Tanpa mekanisme untuk menyegarkan atau menghapus masa berlaku konteks, agen akan dengan percaya diri mengeluarkan perintah terhadap endpoint yang sudah mati. Memori membutuhkan stempel waktu (timestamp), skor kepercayaan, dan kemampuan untuk membatalkan dirinya sendiri.

Loop tak terbatas adalah pembunuh senyap. Seorang agen mencari di web, tidak menemukan apa pun yang berguna, sedikit memperbaiki kueri, mencari lagi, tidak menemukan apa pun, dan mengulanginya. Tanpa batas iterasi maksimum atau deteksi duplikat semantik, ia akan menghabiskan token dan uang sementara pengguna menunggu. Anda harus membangun pembatas (guardrails): batas keras pada retry, pemeriksaan divergensi, dan jalur eskalasi manusia.

Data yang tidak relevan menenggelamkan penalaran. Pipeline Retrieval-Augmented Generation sering kali memasukkan lima puluh paragraf dokumentasi yang hanya berkaitan secara samar ke dalam context window. Agen tersebut tersedak oleh noise dan memilih alat yang salah atau berhalusinasi tentang sebuah parameter. Anda memerlukan penyaringan, pemeringkatan, dan peringkasan yang ringkas sebelum model melihat teks yang diambil tersebut.

Seorang agen membutuhkan lebih dari sekadar kecerdasan. Ia membutuhkan sebuah sistem: memori yang terkelola, pelacakan status (state tracking) yang eksplisit, guardrails yang ketat, dan telemetri yang dapat diamati. Semakin baik modelnya, semakin baik pula sistem di sekelilingnya. Model yang kuat di dalam loop yang rapuh hanya akan menghasilkan kegagalan yang lebih artikulatif.

Menyelesaikan Pekerjaan

Kecerdasan sejati pada agen bukan tentang memberikan jawaban pertama yang tepat. Ini tentang menavigasi celah antara niat dan hasil ketika tidak ada yang berjalan sesuai rencana. Upaya pertama itu mudah. Siapa pun bisa membuat skrip untuk happy path. Bagian yang sulit adalah iterasi keempat, ketika API utama sedang down, context window menyusut, pengguna mulai tidak sabar, dan agen masih harus memberikan sesuatu yang berguna.

Kegigihan itulah yang membedakan sebuah demo dengan sebuah produk. Ini adalah kemampuan untuk belajar dari setiap langkah, bukan dengan memperbarui bobot model secara real-time, melainkan dengan memperbarui rencana. Agen menjaga tujuan tetap stabil sementara taktiknya berubah. Itulah prinsip looping yang sedang bekerja.

Jadi, apakah masa depan milik model yang lebih besar atau loop eksekusi yang lebih baik? Skala tentu membantu. Model yang lebih mumpuni akan menalar lebih baik dalam setiap siklus. Namun, model yang lebih kecil yang berjalan di dalam loop yang ketat, dapat diamati, dan tangguh hampir selalu akan mengungguli model raksasa yang diminta untuk menyelesaikan segalanya dalam satu kali jalan. Loop adalah apa yang mengubah prediksi menjadi tindakan. Berinvestasilah di sana.

Sumber: The Looping Principle: A Simple Mental Model for Understanding AI Agents

Untuk diskusi lebih lanjut seperti ini, bergabunglah dengan komunitas pembelajaran GyaanSetu di Telegram.