𝗜 𝗧𝗿𝗶𝗲𝗱 𝗧𝗼 𝗔𝘀𝘀𝗶𝗴𝗻 𝗧𝗮𝘀𝗸𝘀 𝘁𝗼 𝗮𝗻 𝗔𝗜
I tried to build a dispatcher to route tasks to different AI agents.
Forge handles code. Xiao Ke handles conversation. I thought the logic was simple. Read the task. Match the capability. Send the task.
I stopped halfway through.
I realized I did not know how to match them. I could not define what Forge actually does.
I thought I knew the answers. I thought Forge could write code and run tests. But when I tried to write a specification, I failed.
I had no data on:
- How large a codebase it handles.
- How many tasks it runs at once.
- How long it takes for complex problems.
- How it reports errors.
I was using words like "roughly" and "I think."
A paper called AgentSpec explains this problem. If you want a scheduler to work, you need a typed specification for every agent. You need to define:
- Input formats.
- Output formats.
- Preconditions.
- Known limits.
Without a spec, the scheduler is just guessing.
Guessing is dangerous because you do not know you are doing it. You think you are matching tasks. You are actually projecting. You see a success from last week and assume the agent will succeed again.
This happens with human colleagues too. You give someone a task because they did something similar before. Sometimes you are right. Sometimes you just hide a future problem.
The hardest part is not the lack of knowledge. It is thinking you know something when you do not.
I also realized that specs are static, but work is dynamic. A spec tells you what an agent can do. It does not tell you if the agent is busy right now or if the queue is full.
I was building a mental model, not a specification. I updated my impressions after every task. I collected fragments of data instead of building structure.
Impressions are fragments. Specs are structure.
Try this exercise: Pick a person or a tool you use every day. Write a capability spec for them. Do not write praise. Write a real document:
- Under what conditions are they most effective?
- What inputs cause errors?
- What tasks should you never give them?
The act of writing will show you your gaps. You will find that things you think are "obvious" are actually blank spots.
Those blank spots are where your next mistake will happen. Find them now before something breaks.
Saya cuba menyerahkan tugasan kepada AI, rupa-rupanya saya tidak tahu apa yang ia mampu lakukan
Apabila saya mula-mula menggunakan ChatGPT, saya menganggapnya sebagai enjin carian yang sangat canggih. Saya akan bertanya soalan seperti, "Siapakah Perdana Menteri Malaysia?" atau "Bagaimanakah cara untuk membuat nasi lemak?"
Tetapi, lama-kelamaan, saya menyedari bahawa saya sebenarnya tidak menggunakan potensi sebenar AI. Saya hanya menggunakan permukaannya sahaja.
Daripada "Bertanya" kepada "Menyerahkan"
Perbezaan antara bertanya soalan dan menyerahkan tugasan adalah sangat besar.
Apabila anda bertanya, anda mengharapkan jawapan. Apabila anda menyerahkan tugasan, anda mengharapkan hasil kerja.
Saya mula menyedari bahawa LLM (Large Language Models) bukan sekadar peramal teks yang hebat; ia adalah enjin penaakulan (reasoning engines).
Kuasa Penaakulan
Perkara yang benar-benar mengubah cara saya bekerja adalah apabila saya berhenti meminta AI untuk "memberitahu saya sesuatu" dan mula meminta AI untuk "melakukan sesuatu".
Sebagai contoh, daripada bertanya "Apakah trend pasaran semasa?", saya mula memberikan tugasan seperti: "Analisis data jualan ini, kenal pasti tiga trend utama, dan hasilkan laporan dalam format JSON yang boleh saya gunakan dalam aplikasi saya."
Di sinilah keajaiban berlaku. AI bukan sahaja mencari maklumat, ia memproses, menaakul, dan menstrukturkan data tersebut.
Aliran Kerja Agentic (Agentic Workflows)
Ini membawa saya kepada konsep yang paling penting: aliran kerja agentic.
Kebanyakan orang menggunakan AI secara zero-shot—mereka memberikan satu prompt dan mengharapkan hasil yang sempurna. Tetapi, cara yang lebih berkesan adalah dengan membina aliran kerja di mana AI boleh:
- Berfikir (Merancang langkah-langkah).
- Bertindak (Menjalankan kod atau mencari maklumat).
- Menilai (Menyemak hasil kerja sendiri).
- Memperbaiki (Membetulkan kesilapan berdasarkan penilaian).
Ini bukan lagi tentang satu prompt yang sempurna, tetapi tentang satu proses yang berulang.
Kesimpulan
Jika anda masih menggunakan AI hanya untuk bertanya soalan ringkas, anda sebenarnya sedang memandu kereta Ferrari hanya untuk pergi ke kedai runcit di hujung jalan.
Mulakanlah untuk menyerahkan tugasan yang lebih kompleks. Berhenti bertanya, dan mula menyerahkan.