Keterbatasan Single Agent pada Tugas Kompleks
Saat membangun aplikasi berbasis Large Language Model (LLM), pendekatan paling sederhana adalah menggunakan Single Agent: satu sistem yang menerima seluruh instruksi, memproses data, dan menghasilkan output final. Namun, seiring bertambahnya kompleksitas tugas, Single Agent mulai menunjukkan keterbatasan arsitektural.
Masalah utama Single Agent meliputi context window degradation, ketidakmampuan melakukan akumulasi konteks yang presisi, serta kecenderungan halusinasi tinggi saat dipaksa mengeksekusi multi-step reasoning secara bersamaan.
Prasyarat dan Asumsi Sistem
Pembahasan arsitektur ini mengasumsikan lingkungan eksekusi sebagai berikut:
- Python 3.10 atau lebih baru
- Framework agentic orchestration (misal: LangGraph, AutoGen, atau CrewAI)
- LLM provider dengan dukungan structured output dan tool calling
1. Role Specialization (Pembagian Peran)
Dalam arsitektur Multi-Agent, tugas besar dipecah menjadi beberapa sub-tugas independen. Setiap agent diberi peran spesifik (Single Responsibility Principle) dengan deskripsi system prompt yang terfokus.
Sebagai contoh, dalam sistem pembuat dokumentasi kode otomatis:
- Planner Agent: Menganalisis repositori dan menentukan file mana yang butuh dokumentasi.
- Coder/Reader Agent: Membaca sintaksis dan mengekstrak pustaka atau fungsi.
- Writer Agent: Menyusun draf dokumentasi berdasarkan data dari Reader Agent.
- Reviewer Agent: Memverifikasi dokumentasi terhadap kode asli untuk memastikan akurasi.
2. Arsitektur Komunikasi Inter-Agent
Komunikasi antar-agent umumnya dibagi menjadi dua pola utama:
Orchestrator-Worker (Centralized)
Satu agent utama (Orchestrator) bertindak sebagai pengatur alur kerja. Orchestrator menerima masukan awal, membagikan tugas ke Worker Agent, dan mengumpulkan hasilnya.
Peer-to-Peer (Decentralized / Graph-Based)
Agent berkomunikasi langsung satu sama lain berdasarkan alur eksekusi berarah (Directed Acyclic Graph). Agent A mengirimkan output langsung sebagai input bagi Agent B tanpa melewati pusat kontrol.
3. Mengurangi Halusinasi Melalui Isolasi Konteks dan Verification Loop
Multi-Agent System secara signifikan menurunkan tingkat halusinasi melalui dua mekanisme dasar:
Context Isolation: Setiap agent hanya menerima informasi relevan yang dibutuhkan untuk perannya. Ini mencegah LLM bingung oleh prompt yang terlalu panjang dan instruksi yang bertentangan.
Verification & Self-Correction Loop: Agen peninjau (Reviewer) dapat menolak hasil kerja agen pelaksana (Worker) dan meminta perbaikan sebelum hasil dikirim ke tahap berikutnya.
4. Contoh Skema Implementasi Sederhana
Berikut adalah contoh logika alur kerja multi-agent menggunakan struktur grafis sederhana pada Python:
# Pseudo-code struktur Multi-Agent Graph
class State:
task: str
code_output: str
review_status: bool
def coder_agent(state: State):
# Hanya fokus menulis kode berdasarkan instruksi
code = llm_generate_code(state.task)
return {"code_output": code}
def reviewer_agent(state: State):
# Hanya fokus mengevaluasi keamanan dan kebenaran kode
is_valid = llm_verify_code(state.code_output)
return {"review_status": is_valid}
# Flow: Coder -> Reviewer -> Decision
Peringatan Keamanan dan Desain Sistem
Peringatan Keamanan: Memberikan akses eksekusi kode (Tool Execution/Code Interpreter) kepada Agent tanpa pembatasan sandbox (seperti Docker terisolasi) sangat berbahaya. Pastikan agent berjalan di lingkungan dengan hak akses minimal (principle of least privilege) dan tanpa akses langsung ke credential sensitif server production.
Rangkuman Best Practices
- Jangan gunakan Multi-Agent jika tugas dapat diselesaikan dengan Single Agent dan pemicuan fungsi (function calling) sederhana.
- Batasi batasan loop inter-agent untuk mencegah konsumsi token tak terbatas (infinite iteration cost).
- Gunakan format data terstruktur (seperti Pydantic/JSON Schema) untuk pertukaran pesan antar-agent.
- Isolasi lingkungan eksekusi tool agent menggunakan container atau sandbox.