Begini Cara Kerja AI Agent di Balik Layar: 9 Tahap Lengkap + Studi Kasus Real

Kebanyakan orang mengira AI Agent cuma menjawab pertanyaan seperti chatbot biasa. Padahal di balik satu instruksi singkat, ada rangkaian proses: mengumpulkan konteks, menyusun rencana, memilih tool, mengeksekusi aksi, sampai mengevaluasi hasilnya sendiri, sebelum jawaban final muncul di layar. Tutorial ini membedah 9 tahap kerja AI Agent secara berurutan, lengkap dengan satu studi kasus utuh dan panduan praktek supaya kamu bisa langsung membangun AI Agent sendiri. <callout icon="🧠"> Inti dari semua AI Agent sebenarnya sederhana: LLM yang bekerja dalam loop, dibantu tool, dan mendapat umpan balik dari lingkungan di sekitarnya. Dokumentasi resmi Anthropic soal cara membangun AI Agent efektif menyebut loop inti ini hanya terdiri dari empat fase, yaitu gather context, take action, verify work, repeat. 9 tahap yang dibahas di tutorial ini adalah versi rinci dari empat fase tersebut, disusun supaya lebih mudah dipahami langkah demi langkah. </callout>

Fase Inti (Loop Resmi)	Tahap yang Dibahas di Tutorial Ini
Gather Context	1. Menerima Instruksi, 2. Mengumpulkan Konteks, 3. Memahami Tugas
Take Action	4. Analisis & Perencanaan, 5. Memilih Tool/Tindakan, 6. Mengeksekusi Aksi
Verify Work	7. Evaluasi Hasil
Repeat	8. Update Memori, 9. Ulangi & Tingkatkan

Studi Kasus yang Dipakai di Setiap Tahap

Setiap tahap di bawah ini akan diberi contoh nyata dari satu kasus yang sama, supaya alurnya terasa utuh, bukan potongan-potongan yang lepas. Kasusnya begini: <callout icon="📋" color="gray_bg"> Tim HR sebuah kantor mengetik ke AI Agent, "Cariin vendor katering untuk acara syukuran kantor, 50 orang, minggu depan, budget maksimal Rp5 juta, wajib ada menu vegetarian." </callout>

9 Tahap Kerja AI Agent

Tahap 1: Menerima Instruksi

Semua proses AI Agent dimulai dari satu titik, yaitu instruksi jelas dari pengguna. Instruksi ini berfungsi sebagai tujuan (goal) yang membatasi ruang lingkup kerja Agent, supaya prosesnya tidak melebar ke mana-mana.

Contoh nyata: instruksi Tim HR di atas sudah cukup jelas karena memuat jumlah orang, waktu, budget, dan syarat menu. Instruksi yang terlalu umum seperti "cariin katering dong" akan membuat Agent kesulitan menentukan batasan kerja di tahap berikutnya.

Tahap 2: Mengumpulkan Konteks

Sebelum bertindak, AI Agent mengambil informasi relevan yang sudah tersedia, baik dari percakapan yang sedang berjalan maupun dari data yang tersimpan di memori jangka panjang.

Contoh nyata: Agent mengecek kalender kantor untuk memastikan tanggal acara, membaca catatan memori soal vendor yang pernah dipakai sebelumnya (misalnya ada catatan "Vendor A sering telat kirim"), dan mengambil alamat kantor yang sudah tersimpan untuk lokasi pengiriman.

Tahap 3: Memahami Tugas

Agent menyusun seluruh informasi yang terkumpul menjadi kebutuhan yang tersusun rapi, sehingga tugas bisa diselesaikan secara sistematis, bukan asal tebak.

Contoh nyata: Agent merangkum kebutuhan jadi poin konkret, yaitu 50 porsi, budget maksimal Rp100 ribu per porsi, wajib ada opsi vegetarian, pengiriman minggu depan ke alamat kantor.

Tahap 4: Analisis & Perencanaan

Di tahap ini, Agent menganalisis situasi dan menyusun rencana aksi, termasuk urutan langkah yang perlu diambil untuk mencapai tujuan.

Contoh nyata: Agent memutuskan akan mencari 3 sampai 5 vendor katering di sekitar lokasi kantor, menyusun kriteria seleksi (harga per porsi, ketersediaan menu vegetarian, rating), dan merencanakan format perbandingan sebelum mengirim pertanyaan ke tiap vendor.

Tahap 5: Memilih Tool/Tindakan

Agent memilih tool yang paling sesuai untuk mencapai tujuan, misalnya pencarian web, integrasi aplikasi, atau layanan lain yang tersedia.

Contoh nyata: Agent memilih tool pencarian web untuk menemukan vendor katering, Google Calendar untuk memastikan tanggal pengiriman kosong, dan Gmail untuk mengirim pertanyaan harga ke masing-masing vendor.

Tahap 6: Mengeksekusi Aksi

Tahap ini adalah saat Agent benar-benar menjalankan aksi menggunakan tool yang sudah dipilih.

Contoh nyata: Agent menjalankan pencarian, menyaring vendor yang sesuai budget dan punya menu vegetarian, lalu mengirim email pertanyaan harga dan konfirmasi ketersediaan ke 4 vendor terpilih.

Tahap 7: Evaluasi Hasil

Agent mengevaluasi hasil kerjanya sendiri menggunakan aturan, validator, atau pengujian tertentu, bukan sekadar menganggap tugas selesai.

Contoh nyata: Agent mengecek balasan dari tiap vendor, memvalidasi apakah harga masih di bawah Rp5 juta, memastikan menu vegetarian benar-benar tersedia, dan menandai vendor yang tidak membalas dalam 24 jam sebagai tidak responsif.

Tahap 8: Update Memori

Hasil dan pembelajaran baru dari proses ini disimpan ke memori, supaya bisa dipakai lagi sebagai konteks di kesempatan berikutnya.

Contoh nyata: Agent menyimpan catatan "Vendor B, responsif, harga Rp95 ribu per porsi, menu vegetarian oke" ke database Notion, sehingga saat ada acara kantor berikutnya, Agent tidak perlu riset dari nol.

Tahap 9: Ulangi & Tingkatkan

Jika hasil belum maksimal, Agent mengulang proses dengan strategi yang lebih baik, bukan berhenti begitu saja.

Contoh nyata: karena Vendor A (pilihan pertama) tidak membalas email dalam 24 jam, Agent otomatis menghubungi Vendor B sebagai cadangan, tanpa perlu diminta ulang oleh Tim HR.

Rekap Alur Studi Kasus

Tahap	Aksi AI Agent
1. Menerima Instruksi	Menerima permintaan katering 50 orang, budget Rp5 juta, wajib vegetarian
2. Mengumpulkan Konteks	Cek kalender, riwayat vendor, dan alamat kantor
3. Memahami Tugas	Susun kebutuhan jadi poin konkret (porsi, budget per pax, tanggal)
4. Analisis & Perencanaan	Tentukan kriteria seleksi dan rencana pencarian vendor
5. Memilih Tool/Tindakan	Pilih tool pencarian web, Google Calendar, dan Gmail
6. Mengeksekusi Aksi	Cari vendor, saring sesuai kriteria, kirim email pertanyaan
7. Evaluasi Hasil	Validasi harga dan menu dari balasan vendor
8. Update Memori	Simpan catatan vendor terpilih ke Notion untuk acara berikutnya
9. Ulangi & Tingkatkan	Hubungi vendor cadangan karena pilihan pertama tidak responsif

Panduan Praktek: Bangun AI Agent Sendiri di Claude

Setelah paham alurnya, langkah paling realistis untuk mulai membangun AI Agent sendiri adalah lewat Claude Projects. Berikut urutannya.

Berikan instruksi jelas sebagai fondasi Agent. Tulis di custom instruction Project, misalnya "Kamu adalah asisten pengadaan vendor untuk acara kantor. Selalu cek budget dan syarat menu sebelum merekomendasikan vendor."
Sambungkan Connector yang relevan. Untuk kasus di atas, connector yang berguna adalah Google Calendar (cek tanggal), Gmail (kirim pertanyaan ke vendor), dan Notion (simpan hasil riset).
Aktifkan Memory. Supaya Agent mengingat vendor favorit dan catatan penting dari acara sebelumnya, tanpa perlu dijelaskan ulang setiap kali membuka percakapan baru.
Tetapkan aturan evaluasi secara eksplisit. Berikan kalimat seperti "Jangan rekomendasikan vendor sebelum harga dan menu vegetarian dikonfirmasi tertulis", supaya tahap Evaluasi Hasil punya standar yang jelas, bukan asal klaim selesai.
Uji loop dari ujung ke ujung. Coba jalankan satu skenario penuh, perhatikan di tahap mana Agent salah paham atau berhenti sebelum waktunya, lalu perbaiki instruksinya. Proses ini yang membuat Agent makin akurat setiap kali dipakai. <callout icon="⚠️" color="yellow_bg">

3 kesalahan umum yang membuat AI Agent buatan sendiri terasa "bodoh":
1. Tidak memberi kriteria evaluasi yang jelas, sehingga Agent menganggap tugas selesai padahal hasilnya belum tervalidasi.
2. Instruksi terlalu luas, sehingga Agent bingung memilih tool yang tepat di Tahap 5.
3. Tidak menyambungkan Memory, sehingga Agent "lupa" preferensi setiap kali sesi percakapan baru dimulai. </callout>

Referensi

Untuk versi teknis dan lebih dalam soal loop 4 fase ini, materinya dibahas resmi di dokumentasi Anthropic Building Effective Agents.