Membangun Alur Kerja AI dengan Kerangka Multi-Agen

Sebagian besar pengembang yang mencoba membangun agen AI memulai dengan satu loop model bahasa besar—prompt sistem dan mungkin satu atau dua alat—dan untuk tugas kecil, itu sudah cukup.

Namun, begitu Anda menginginkan struktur, sistem mulai berantakan. Output menjadi tidak terduga, alur kerja sulit di-debug, dan Anda membuang token untuk pengulangan, bukan kemajuan.

Alur kerja multi-agen memungkinkan Anda membangun agen AI yang berperilaku seperti tim dengan peran yang jelas dan transparansi dalam pengambilan keputusan serta bekerja menuju tujuan yang sama.

Apa itu Kerangka Multi-Agen?

Kerangka multi-agen adalah infrastruktur yang Anda gunakan untuk membangun, menjalankan, dan mengelola beberapa agen AI secara terkoordinasi.

Ini adalah infrastruktur yang mengatur bagaimana agen berkomunikasi dan bagaimana tugas berpindah di antara mereka.

Jika Anda bekerja dengan sistem multi-agen, kerangka kerja inilah yang membuatnya berjalan.

Pada dasarnya, ini mengubah model bahasa besar (LLM) mentah menjadi agen dengan ruang lingkup tertentu, masing-masing dengan peran dan cara kerja yang dapat diprediksi.

Alih-alih menulis logika orkestrasi dari awal, framework memberi Anda struktur, kontrol, dan konsistensi.

Kerangka Multi-Agen: Konsep Utama

Bagaimana Cara Kerja Kerangka Multi-Agen?

Kerangka multi-agen memberikan struktur tentang bagaimana agen dipicu, bagaimana mereka bertukar data, dan bagaimana sistem melacak kemajuan.

Mereka menyediakan fondasi untuk mengoordinasikan agent dengan cara yang dapat diskalakan sesuai kompleksitas dan dapat digunakan dalam penerapan di dunia nyata.

Salah satu contohnya adalah menggunakan pengaturan multi-agen untuk menjalankan chatbot WhatsApp. Dalam kasus ini, agen yang berbeda dapat menangani tugas seperti pemesanan, pemrosesan pengembalian dana, atau verifikasi, bekerja sama di belakang layar tanpa harus mengandalkan satu bot besar saja.

Agen didaftarkan sebagai komponen yang dapat dipanggil dalam sistem

Sebelum agen dapat melakukan apa pun, framework harus mengetahui keberadaannya. Ini berarti Anda harus memberi tahu sistem nama agen, tanggung jawabnya, serta alat atau informasi apa yang dapat diaksesnya.

Di sebagian besar framework, pengaturan ini dilakukan melalui file konfigurasi atau kode, di mana Anda mendefinisikan peran setiap agen dan cara mengaktifkannya. Misalnya, Anda dapat memberi tahu sistem:

“Ini adalah perencana. Ia membaca input pengguna dan memutuskan langkah selanjutnya.”
“Ini adalah pemeriksa. Ia mengambil informasi pengguna dan mengembalikan booking_id serta informasi pengguna.”

Setelah didaftarkan, framework dapat “memanggil” agen-agen ini berdasarkan nama, artinya framework tahu cara menjalankan masing-masing saat gilirannya tiba dalam alur kerja.

Agen routing memutuskan agen mana yang dijalankan berikutnya

Agen perencana atau fungsi pengendali menangani routing agen AI. Ia melihat output bot terbaru, riwayat percakapan saat ini, dan kadang input asli pengguna untuk memutuskan langkah selanjutnya.

Beberapa perencana berbasis prompt — mereka menerima pesan sistem dan mengeluarkan nama agen berikutnya yang akan dijalankan.

Lainnya menggunakan logika hardcoded atau grafik alur, tergantung pada kerangka kerja agen AI yang Anda gunakan.

Kerangka kerja mengambil output tersebut dan menggunakannya untuk memanggil agen berikutnya. Router memutuskan siapa yang harus melakukan tugas, bukan melakukan tugas itu sendiri.

Data dikirim antar agen menggunakan pesan

Agen tidak berbagi memori secara langsung. Ketika satu agen selesai berjalan, keluarannya dikemas menjadi pesan — biasanya berupa kamus atau objek JSON — dan diteruskan ke agen berikutnya sebagai masukan.

Kerangka kerja menangani proses transfer. Pesan bisa disimpan di ruang memori bersama atau langsung diteruskan ke antarmuka input agen berikutnya, tergantung pada struktur sistem.

Pesan sering kali mencakup lebih dari sekadar konten:

• Siapa yang mengirim (agen atau pengguna)
• Dari mana asalnya dalam alur kerja
• Cara penggunaannya (misal: pemicu, input, keputusan)
• Metrik opsional seperti jumlah token atau stempel waktu

Konteks ini membantu sistem mengarahkan tugas dengan rapi dan menjaga agar agen tetap terpisah satu sama lain.

Eksekusi dilacak menggunakan status alur kerja dan pemicu

Kerangka kerja ini melacak apa saja yang telah terjadi sejauh ini — agen mana yang sudah dijalankan, apa hasilnya, dan apa yang masih perlu dilakukan. Semua ini disimpan dalam objek status, yang diperbarui setelah setiap langkah.

Pemicu menentukan langkah selanjutnya. Mereka menggunakan nilai keluaran atau kondisi untuk membelokkan alur.

Ini memungkinkan sistem untuk bergerak maju tanpa harus menanamkan logika ke setiap agen. Statuslah yang menggerakkan alur kerja, bukan agennya.

Manfaat Utama Menggunakan Kerangka Multi-Agen

Skalakan logika tanpa membebani satu agen saja

Satu agen AI hanya dapat melakukan tugas terbatas sebelum menjadi rumit dengan prompt, alat, dan tanggung jawab yang tidak jelas. Kerangka multi-agen memungkinkan Anda membagi logika tersebut ke dalam agen yang fokus, masing-masing menangani satu tugas yang jelas.

Alih-alih membebani satu agen, Anda dapat menetapkan langkah spesifik — seperti pengambilan, validasi, atau eksekusi — ke agen terpisah dan mengembangkan sistem secara bertahap.

Debug kolaborasi agen dengan visibilitas penuh

Saat agen AI bekerja bersama, masalah bisa sulit dilacak. Framework akan menunjukkan apa yang diterima setiap agen, apa yang dikembalikan, dan di mana prosesnya terhenti.

Anda tidak perlu menebak apa yang rusak — Anda cukup memeriksa proses dan memperbaikinya langsung. Visibilitas seperti inilah yang membuat kolaborasi agen AI menjadi mudah dikelola.

Gunakan kembali agen di berbagai alur kerja

Jika sebuah agen sudah berfungsi, gunakan kembali. Framework memungkinkan Anda memasang agen yang sama ke berbagai flow tanpa harus menulis ulang. Ini menjaga konsistensi dan mempercepat pengujian.

Sebagai contoh, agen validasi yang memeriksa input pengguna atau autentikasi dapat digunakan baik di chatbot layanan pelanggan maupun chatbot pemesanan, selama logika yang sama berlaku.

Tangani kegagalan dan percobaan ulang secara otomatis

Jika sebuah agen gagal, kerangka kerja dapat mencoba ulang, melewati, atau melanjutkan. Anda tidak perlu menulis logika itu sendiri.

Fallback bawaan membuat alur kerja lebih andal tanpa usaha tambahan, dan keandalan seperti inilah yang mendukung sistem dunia nyata.

Bangun alur agen yang mudah diubah

Saat Anda membagi tugas ke beberapa agen, Anda tidak perlu mengubah seluruh sistem setiap kali ada perubahan.

Anda dapat memperbarui perencana tanpa menyentuh eksekusi, atau mengubah cara satu agen merespons tanpa harus menulis ulang bagian lainnya.

Kemudahan akses ini sangat bermanfaat—Salesforce melaporkan bahwa tim yang menggunakan AI agentic menghemat 11 jam per karyawan setiap minggu, sebagian berkat fleksibilitas alur kerja.

5 Kerangka Multi-Agen Terbaik

Memilih kerangka multi-agen tergantung pada apa yang Anda bangun dan seberapa besar kendali yang Anda inginkan atas perilaku, komunikasi, dan pemulihan agen dari kegagalan.

Framework terbaik menawarkan berbagai kompromi — beberapa sangat baik untuk alur kerja terstruktur, sementara yang lain memberi Anda lebih banyak fleksibilitas dengan mengorbankan kejelasan.

Anda perlu sesuatu yang sesuai dengan kebutuhan tim dan seberapa jauh Anda ingin mengembangkan sistem.

1. Botpress

Botpress adalah platform pengembangan visual untuk membangun agen AI yang dapat berkoordinasi lintas langkah, peran, dan saluran.

Alih-alih menulis logika dalam kode, Anda menentukan bagaimana agen berperilaku menggunakan alur, memori, kondisi, dan pemanggilan alat.

Perilaku multi-agen dibangun berdasarkan instruksi, alur kerja, dan alat eksternal. Setiap node dalam flow Botpress bertindak sebagai unit fokus dengan instruksi dan ruang lingkupnya sendiri.

Anda dapat membagi proses penalaran ke beberapa Node Otonom dan Statis, menambahkan lapisan validasi, atau mengarahkan input pengguna melalui logika pengambilan keputusan berbasis alat, daripada menangani semuanya dalam satu langkah.

Memori dibatasi pada setiap flow, sehingga agen hanya menggunakan yang mereka perlukan. Input dan output didefinisikan dengan jelas, dan pemanggilan alat dapat langsung ditambahkan melalui integrasi bawaan.

Fitur Utama

• Orkestrasi agen visual menggunakan flows dan node
• Kontrol memori dan variabel terbatas antar node
• Memori percakapan multi-putaran, logika fallback, dan percobaan ulang
• Penggunaan alat melalui panggilan API, webhook, dan input fungsi

2. LangChain

LangChain adalah framework yang berfokus pada pengembang untuk membangun aplikasi berbasis LLM dengan menghubungkan rangkaian prompt, alat, dan memori.

Awalnya dibuat untuk menstrukturkan panggilan LLM dengan alat seperti pencarian dan kalkulator, namun perlahan berkembang menjadi ekosistem yang luas.

Satu rilis memprioritaskan “agen”, lalu “asisten”, lalu “runnable”. Hasilnya adalah seperangkat alat yang sangat kuat dan bisa melakukan hampir apa saja, namun seringkali butuh waktu untuk memahaminya.

Anda dapat menetapkan toolkit dan membangun logika routing di antara agen. Kelebihannya adalah modularitas — komponen dapat digunakan ulang, dicampur, dan terintegrasi dengan baik dengan API eksternal.

Namun Anda mungkin perlu menulis lebih banyak kode penghubung daripada yang diharapkan. Karena abstraksi terus berubah, ada baiknya memeriksa apakah metode yang Anda gunakan masih menjadi pilihan utama.

Fitur Utama

• Perangkaian modular prompt, alat, dan memori
• Terintegrasi dengan LLM, penyimpanan vektor, dan API
• Pelacakan dan evaluasi opsional dengan LangSmith

3. CrewAI

CrewAI memudahkan Anda membangun alur kerja multi-agen di mana setiap agen memiliki peran dan tugas yang jelas. Anda membuat kru, menetapkan tujuan, dan para agen berkoordinasi melalui manajer bersama.

Ini adalah salah satu cara tercepat untuk memodelkan kolaborasi antar agen tanpa harus menulis logika orkestrasi dari awal.

Ideal untuk pengaturan seperti pasangan perencana–pelaksana, alur riset–peninjau, atau tugas tim apa pun di mana tanggung jawab dibagi dengan jelas.

Namun, saat Anda mulai menambah kompleksitas, abstraksinya menjadi ketat. Ada fleksibilitas yang lebih sedikit tentang bagaimana dan kapan agen dijalankan, dan mengubah perilaku sering kali berarti harus keluar dari pengaturan default framework.

Fitur Utama

• Pengaturan agen berbasis peran dengan nama, tujuan, dan memori
• Mendukung eksekusi agen secara berurutan maupun paralel
• Memori kru bersama untuk kolaborasi antar agen
• Integrasi mudah dengan alat, fungsi, dan prompt kustom

4. AutoGPT

AutoGPT adalah proyek pertama yang menunjukkan seperti apa jika Anda memberikan chatbot GPT sebuah tujuan dan membiarkannya berjalan — merencanakan, berpikir, meneliti, dan mengeksekusi tanpa masukan manusia secara terus-menerus.

Anda menentukan tujuan, dan AutoGPT akan menjalankan langkah-langkah penalaran, membuat sub-tujuan, memanggil alat, dan menyesuaikan strateginya sepanjang proses.

Ini adalah lompatan besar dalam membuat perilaku agen terasa otonom dan dinamis. Namun, ini tidak dirancang untuk presisi.

Task loop mudah rusak, dan agen sering terjebak menulis ulang rencana yang sama atau mengejar sub-tugas yang tidak relevan.

Anda dapat menghubungkan memori, alat, dan API — namun menggabungkan semuanya sering kali menghasilkan alur yang tidak terduga dan sulit untuk di-debug atau diarahkan.

Fitur Utama

• Agen berbasis tujuan dengan self-prompting dan perencanaan tugas
• Pembuatan sub-tugas otomatis dan loop eksekusi
• Mendukung penggunaan alat melalui plugin dan panggilan API
• Dapat diperluas dengan skrip, fungsi, dan integrasi kustom

5. Autogen

Autogen adalah kerangka kerja open-source dari Microsoft yang berfokus pada percakapan multi-agen, di mana agen saling berinteraksi melalui pesan terstruktur secara bergiliran.

Ini sangat baik digunakan saat Anda ingin mengontrol setiap pertukaran, seperti dalam perencanaan – eksekusi berulang atau sistem human-in-the-loop.

Autogen unggul dalam transparansi. Anda dapat menyisipkan fungsi di tengah percakapan, mengarahkan keputusan melalui logika khusus, dan melacak dengan tepat apa yang dikatakan setiap agent dan alasannya.

Namun, untuk meningkatkan skalanya dibutuhkan usaha. Orkestrasi pesan fleksibel, tetapi tidak diabstraksi — Anda masih harus mengelola riwayat, konfigurasi agen, dan logika langkah sendiri.

Untuk pengaturan riset, pengujian terkontrol, atau perilaku agen yang dapat direproduksi, ini adalah salah satu kerangka kerja paling presisi yang tersedia.

Fitur Utama

• Kerangka komunikasi multi-agen berbasis giliran
• Mendukung agen dengan intervensi manusia dan pemanggilan fungsi
• Pelacakan pesan transparan dan penyisipan logika kustom

Cara Membangun dengan Kerangka Multi-Agen

Cara termudah untuk memulai adalah memilih satu alur kerja nyata—sesuatu yang sudah terlalu rumit untuk satu agen saja—dan membaginya menjadi beberapa bagian sederhana.

Bayangkan sebuah chatbot penghasil prospek, alur pemesanan, atau apa pun di mana logika, verifikasi, dan aksi menjadi rumit.

Berikan setiap langkah agennya sendiri, lalu hubungkan menggunakan alat routing dan pesan dari framework.

Langkah 1: Identifikasi di mana logika satu agen Anda mulai bermasalah

Cari bagian di bot atau sistem Anda di mana semuanya mulai berantakan — prompt yang terlalu panjang atau pemanggilan alat berantai yang terasa dipaksakan. Itulah titik awal Anda. Berikut beberapa contoh umum yang mudah dikenali:

1. Alur pengembalian dana yang memproses input pengguna, memeriksa kelayakan, mengeluarkan pengembalian dana, dan mengirim konfirmasi — semuanya dalam satu siklus
2. Urutan onboarding yang mengumpulkan data, memvalidasi formulir, menetapkan tipe pengguna, dan memicu email dalam satu rangkaian prompt

Alih-alih mendesain ulang seluruh sistem, Anda cukup mengisolasi alur kerja yang sudah bermasalah.

Langkah 2: Tentukan peran sebelum menggunakan kerangka kerja

Setelah Anda menemukan logika yang rumit, pecahlah menjadi tanggung jawab yang nyata.

Jika ada yang memvalidasi input, itu adalah satu agen. Jika ada yang menangani aksi eksternal, itu agen lain.

Tuliskan dengan bahasa yang sederhana — cukup untuk memperjelas di mana proses berpindah tangan.

Dan setelah semuanya ada di depan Anda, Anda akan melihat mana yang benar-benar perlu dipisahkan dan mana yang bisa digabungkan. Ini juga memberi gambaran tentang jenis kerangka kerja yang Anda butuhkan.

Setiap peran harus terdengar seperti sesuatu yang bisa diuji secara terpisah.

Langkah 3: Pilih framework

Pilih platform yang sesuai dengan gaya kerja Anda.

• Visual: Botpress, jika Anda ingin alur berbasis node dan memori yang tersegmentasi.
• Code-first: Gunakan LangChain atau CrewAI jika Anda nyaman membuat logika dengan Python.

Kerangka kerja menentukan bagaimana agen didaftarkan, dipicu, dan dihubungkan.

Langkah 4: Bangun alur kerja pertama

Sekarang ubah peran-peran itu menjadi agen. Definisikan di dalam framework Anda — beri nama, tugas, dan akses alat atau API yang dibutuhkan masing-masing.

Setelah semuanya siap, hubungkan mereka. Gunakan routing apa pun yang disediakan framework untuk berpindah dari satu agen ke agen berikutnya.

Tujuannya di sini adalah menjalankan satu alur kerja lengkap dari awal hingga akhir, dengan agen yang tetap pada tugasnya masing-masing.

Langkah 5: Jalankan sistem dan periksa setiap serah terima

Jalankan seluruh alur kerja — dari awal hingga akhir — dan telusuri apa yang terjadi. Anda harus memperhatikan apa yang diterima setiap agen, apa yang dikembalikan, dan apakah alurnya berjalan lancar di antara mereka.

Jika agen menerima input yang membingungkan, Anda mungkin telah menentukan ruang lingkupnya dengan salah. Jika logika melompat secara tak terduga, alur pengalihan Anda perlu diperbaiki.

Setelah proses penyerahan berjalan lancar, Anda memiliki sistem yang berfungsi.

Praktik Terbaik dalam Menggunakan Kerangka Multi-Agen

Memilih framework hanyalah langkah awal. Yang lebih penting adalah bagaimana Anda merancang, menguji, dan mengelola alur kerja yang Anda bangun dengannya.

Seiring sistem AI menjadi lebih modular dan otonom, pelacakan semakin sulit.

Jaga agar logika inti tetap terpusat

Hindari membagi keputusan penting ke banyak agen. Lebih mudah dipelihara dan diuji jika penalaran utama terjadi di satu tempat, bukan tersebar di beberapa bagian yang terhubung longgar.

Tentukan input dan output agent sejak awal

Setiap agen harus memiliki kontrak yang jelas — apa yang diterima, apa yang dikembalikan. Ini membuat agen lebih mudah diganti atau dipasang ke alur kerja baru tanpa merusak logika flow.

Catat setiap pesan yang dikirim antar agen

Jika Anda tidak dapat melihat apa yang dikatakan agen satu sama lain, Anda tidak dapat melakukan debug apa pun. Pastikan setiap input dan output dicatat dengan konteks yang cukup agar dapat ditelusuri kembali melalui alur.

Gunakan memori terlingkup untuk mengurangi gangguan dan biaya

Berikan setiap agen hanya konteks yang dibutuhkan. Akses memori penuh menyebabkan prompt membengkak, penggunaan token lebih tinggi, dan perilaku agen menjadi tidak terduga padahal seharusnya fokus.

Mulai Bangun AI yang Dapat Berkoordinasi

Sebagian besar sistem gagal begitu koordinasi nyata dibutuhkan. Botpress memberi Anda kendali atas bagaimana agen melakukan penyerahan tugas — dengan peran dan logika yang terdefinisi, Anda dapat menguji dan memahaminya.

Ini juga memungkinkan Anda mengirim data antar flow dengan rapi. Anda dapat melacak setiap langkah dengan log multi-putaran yang menunjukkan alat mana yang dipanggil, alasan dijalankan, dan bagaimana alat tersebut digunakan dalam alur kerja.

Alih-alih mengatur prompt dan mengendalikan halusinasi, Anda fokus pada fungsionalitas nyata — membangun agen yang berperilaku seperti perangkat lunak.

Mulai membangun hari ini — gratis.

FAQ

Bagaimana saya tahu apakah proyek AI saya benar-benar membutuhkan kerangka multi-agen, atau cukup dengan satu agen saja?

Proyek AI Anda kemungkinan membutuhkan kerangka kerja multi-agen jika prompt atau alur kerja agen tunggal Anda menjadi terlalu panjang atau sulit untuk di-debug, terutama saat menangani beberapa tugas berbeda, sedangkan kasus penggunaan sederhana seperti tanya jawab dasar atau bot satu tujuan biasanya cukup dengan satu agen saja.

Apakah membangun dengan kerangka multi-agen hanya untuk proyek perusahaan besar, atau juga cocok untuk startup kecil?

Membangun dengan kerangka multi-agen bukan hanya untuk perusahaan besar — startup kecil pun bisa mendapatkan manfaat, karena bahkan proyek sederhana pun lebih mudah di-debug ketika tugas kompleks dibagi ke agen khusus, bukan menumpuk semuanya dalam satu loop besar yang sulit dikelola.

Apakah menggunakan sistem multi-agen berarti saya harus membagi semuanya ke dalam agen terpisah, atau bisakah saya mencampur logika agen tunggal dan multi-agen?

Menggunakan sistem multi-agen tidak berarti Anda harus membagi semua hal ke dalam agen terpisah; Anda bisa menggabungkan logika agen tunggal untuk tugas sederhana dan menggunakan orkestrasi multi-agen hanya untuk alur kerja yang kompleks.

Bagaimana sistem multi-agen berbeda dari sekadar menggunakan beberapa API atau microservice dalam aplikasi saya?

Sistem multi-agen berbeda dengan menggunakan beberapa API atau mikroservis karena ia mengoordinasikan agen AI khusus dengan peran dan kemampuan penalaran yang berbeda yang saling bertukar pesan terstruktur dan status, sementara API dan mikroservis hanya menangani fungsi terpisah tanpa mengorkestrasi alur kerja kompleks secara mandiri.

Bagaimana biaya menjalankan sistem multi-agen dibandingkan dengan menjalankan satu LLM besar?

Biaya menjalankan sistem multi-agen bisa lebih rendah daripada menjalankan satu LLM besar karena agen kecil yang khusus dapat menangani tugas tertentu secara efisien tanpa membuang token pada prompt panjang atau konteks berulang, namun juga menambah beban untuk mengelola orkestrasi dan komunikasi antar agen, sehingga penghematan tergantung pada kompleksitas kasus penggunaan Anda.