Perkataan "ejen" semakin hilang maknanya. Imbas sahaja mana-mana pengumuman produk sekarang dan setiap ciri AI mendakwa ia adalah sebuah ejen. Widget mesra yang menjana draf e-mel? Ejen. Bot sokongan yang membaca pangkalan pengetahuan anda? Ejen. Skrip yang memanggil API dan mengembalikan JSON? Juga sebuah ejen. Ini bukan sekadar pemasaran yang cuai. Ia adalah reka bentuk yang berbahaya. Apabila anda memanggil segalanya sebagai ejen, anda berhenti memahami apa yang sebenarnya anda bina. Anda mula mengejar seni bina yang kompleks sebelum anda menentukan tugasnya. Hasilnya ialah kod yang rapuh, kos token yang tidak terkawal, dan sistem yang berkelakuan dengan cara yang tidak dapat anda jelaskan atau ulangi.

Chatbot Menunggu, Mereka Tidak Bertindak

Chatbot menduduki tahap yang paling ringkas. Mereka bersifat reaktif. Seorang pengguna menaip soalan, model menjana respons, dan perbualan tamat di situ melainkan terdapat arahan manusia yang lain. Sistem ini tidak memutuskan untuk menyemak kalendar anda, mengemas kini rekod pangkalan data, atau berhenti seketika untuk mendapatkan penjelasan. Pertimbangkan widget bantuan terbenam pada laman harga SaaS. Ia menjawab soalan tentang kitaran pengebilan dan had ciri. Ia tidak memulangkan wang pelanggan, menaik taraf pelan, atau menandakan akaun yang mencurigakan. Ia tidak mempunyai alatan, tiada keadaan (state) yang kekal melampaui tetingkap sembang, dan tiada matlamat selain daripada menghasilkan ayat yang relevan. Itulah chatbot. Ia bertindak balas; ia tidak bertindak.

Pembantu Membantu Dalam Satu Tetingkap

Pembantu menambah kecanggihan tanpa menambah keupayaan bertindak (agency). Mereka menggunakan prompt sistem untuk mengguna pakai persona. Mereka mengekalkan konteks merentasi perbualan yang lebih panjang. Mereka mungkin meringkaskan dokumen yang anda muat naik atau menulis semula perenggan anda dalam nada yang berbeza. Pembantu penulisan yang menyemak tatabahasa anda dan mencadangkan frasa yang lebih jelas adalah sangat membantu. Ia mengingati bahawa anda lebih gemar ejaan British. Tetapi ia tidak mengambil tindakan bagi pihak anda. Ia tidak memutuskan untuk menghantar e-mel kepada editor anda, menjadualkan tarikh akhir, atau mencari maklumat di web tanpa diminta. Ia membantu di dalam tetingkap yang anda sediakan. Ia tidak memandu kereta; ia mencadangkan laluan yang lebih baik sementara anda terus memegang stereng.

Aliran Kerja Mengikut Peta yang Anda Lukis

Aliran kerja (workflows) menduduki jalan tengah di mana kebanyakan sistem AI pengeluaran sebenarnya berada. Di sini, anda menentukan jalannya. Anda membina siri langkah: ekstrak tarikh invois, cari ID vendor, bandingkan jumlah dengan pesanan pembelian, kemas kini hamparan kerja perakaunan, hantar pemberitahuan kepada bahagian kewangan jika angka tidak sepadan. Model tersebut mungkin membaca invois atau mengelaskan percanggahan, tetapi ia mengikut graf yang anda bina. Anda tahu dengan tepat apa yang akan berlaku kerana anda yang melukis petanya.

Aliran kerja lebih mudah untuk diuji. Anda boleh melakukan ujian unit (unit-test) bagi setiap langkah secara berasingan. Anda boleh merekod input dan output pada setiap nod. Apabila sesuatu rosak, anda tahu cabang mana yang gagal tanpa perlu menyaring rantaian pemikiran yang tidak telus. Kebolehlihatan (observability) adalah mudah kerana sistem tidak mengejutkan anda dengan lencongan. Jika proses perniagaan anda mempunyai peraturan yang jelas dan pengecualian yang diketahui, aliran kerja biasanya lebih unggul. Anda mendapat kelajuan, kebolehpercayaan, dan kos yang lebih rendah tanpa berpura-pura bahawa mesin tersebut mempunyai niat.

Ejen Memilih Laluan

Ejen adalah berbeza. Mereka bersifat dinamik. Anda memberikan mereka matlamat, dan mereka mencari jalan untuk mencapainya. Seorang ejen menerima tugasan, menganalisis apa yang perlu dilakukan, memilih alatan, melaksanakan, memerhati hasil, dan kemudian memutuskan apa yang seterusnya. Kitaran itu—berfikir, bertindak, memerhati, berfikir semula—adalah apa yang membezakan ejen daripada kategori yang lain.

Pertimbangkan sistem yang mengendalikan permintaan bayaran balik. Aliran kerja mungkin menyemak tiga syarat dan meluluskan atau menolak berdasarkan peraturan tetap. Seorang ejen, diberikan matlamat "proses bayaran balik ini secara adil sambil menyemak penipuan," mungkin menyemak sejarah pembelian pelanggan, menyemak polisi pemulangan untuk kategori produk tersebut, menyemak aktiviti akaun baru-baru ini, mencipta tiket sokongan untuk semakan manual jika corak kelihatan luar biasa, dan kemudian merangka e-mel yang menjelaskan keputusannya. Ia memilih alatan mana yang hendak digunakan dan dalam urutan apa berdasarkan butiran kes tersebut.

Ejen Adalah Sebuah Sistem, Bukan Sekadar Model

Ejen bukanlah sekadar model yang berjalan dalam tetingkap sembang. Ia adalah sebuah sistem yang lengkap. Ia menggabungkan:

  • Models to reason and generate language
  • Instructions that constrain its operating space
  • Tools with strict schemas for interacting with the outside world
  • Context about the current task and environment
  • State so it remembers where it is in a multi-step process
  • Validations to check inputs before they enter a tool and outputs before they reach a user
  • Limits on budget, steps, or scope to prevent runaway behavior
  • Observability so you can reconstruct why it chose path A instead of path B

If your system lacks most of these, you do not have an agent. You have a model with extra API calls.

Autonomy Without Control Is Just Risk

If your agent can query your production database, create records in your CRM, or send messages to users, it can also corrupt data, duplicate entries, or spam customers. A good agent architecture assumes failure. It asks for permission before destructive actions. It runs validations before committing results. It exposes its reasoning so a human can intervene when costs or stakes run high.

If you skip these limits because the demo looked exciting, you will spend your weekends debugging why the agent created four hundred support tickets overnight or refunded an order it should not have touched. The unpredictability you feared in black-box systems becomes real the moment you hand the AI both a goal and an unsupervised set of tools.

Start With the Problem, Not the Technology

Do not start with the agent. Start with the pain. Sometimes the fix is a better prompt. Sometimes it is a deterministic function in your existing backend. Sometimes it is a workflow with one AI step and five traditional API calls.

Only reach for agents when the task genuinely requires:

  • Multiple steps that depend on each other
  • Dynamic decision-making between those steps
  • Interaction with external tools
  • Reasoning over intermediate results that you cannot fully map ahead of time

If the path is known, build a workflow. If the interaction is simple, build a chatbot or an assistant. Do not add agency because the word sounds modern.

Build Maturity, Not Complexity

When an agent truly is the right fit, build it in layers. Start with a single tool and a hardcoded decision. Add tests that verify the tool is called with correct arguments. Add logging so you can see the full trace. Add state management so the system knows where it left off. Add validations at every boundary. Add observability dashboards so your team can watch behavior in real time. Finally, carefully add autonomy—the freedom to choose between options. Do not do this in reverse. Autonomy layered on top of chaos produces expensive accidents.

The Real Takeaway

Words shape systems. Reserve the term "agent" for architectures that earn it: goal-directed, tool-using, and dynamically adaptive, but wrapped in strict limits and human oversight. Everything else is a chatbot, an assistant, or a workflow. Build the simplest thing that solves the problem. Your production logs, your finance team, and your future self will thank you.

Source: https://dev.to/leandrolayerle/no-todo-chatbot-es-un-agente-de-ia-3oec

Join the GyaanSetu learning community: https://t.me/GyaanSetuAi