Apa yang dimaksud dengan alur kerja agentic?

Logika infrastruktur dasar dari sistem agentic aktif bergantung pada persepsi, penalaran, dan loop tindakan yang berkelanjutan. Saat agen otonom menerima tujuan tingkat tinggi, agen tersebut akan segera menguraikan tujuan tersebut menjadi sub-tugas berurutan yang dapat dikelola. Dekomposisi ini sangat penting, karena memungkinkan model untuk mempertahankan fokus mendalam pada persyaratan langsung, sehingga mengurangi beban kognitif secara drastis dan mencegah output halusinasi yang sering terjadi ketika model mencoba menyelesaikan masalah besar dalam satu proses komputasi.

Selama fase eksekusi aktif, model terus memproses telemetri live, memicu API yang diperlukan, dan mengevaluasi hasil tindakannya. Karena beroperasi secara dinamis, agen dapat secara otonom menyesuaikan diri terhadap error saat runtime atau format data yang tidak terduga untuk mencapai hasil target tanpa menunggu intervensi manusia manual di setiap langkah.

Untuk mengilustrasikan hal ini, pertimbangkan skenario perusahaan langkah demi langkah di mana alur kerja agentic membantu memodernisasi komponen aplikasi, menggantikan proses pemecahan masalah manual yang tradisional:

Agen menyerap pemberitahuan tentang penurunan performa dalam microservice dan secara mandiri mereferensikan silang deployment aktif di Google Kubernetes Engine (GKE) dengan perubahan kode terbaru di Cloud Source Repositories untuk menentukan potensi dampak kerusakan. 

Sistem langsung mengkueri log aplikasi di Cloud Logging dan metrik di Cloud Monitoring untuk mengisolasi panggilan API dengan latensi tinggi atau konflik resource yang menyebabkan perlambatan.

Dengan menggunakan API infrastruktur, agen menyediakan cluster GKE sementara yang terisolasi untuk menerapkan dan mengukur perubahan konfigurasi atau patch kode yang diusulkan secara aman tanpa memengaruhi traffic produksi.

Saat perbaikan yang diusulkan gagal mengatasi latensi di sandbox, agen mengubah strateginya. Daripada mengalami error atau mengirim tiket kegagalan umum, AI mengevaluasi pemanfaatan resource container dan mencoba pengoptimalan alternatif, seperti menyesuaikan parameter penskalaan otomatis pod atau menyarankan refaktorisasi kode, hingga menemukan solusi yang berfungsi.

Setelah memvalidasi perbaikan yang berhasil, agen akan menyiapkan solusi untuk peninjauan Human-in-the-Loop (HITL) yang wajib dilakukan. Setelah arsitek sistem manusia menyetujui perubahan tersebut, agen menerapkan pengoptimalan ke produksi dan mencatat logika pemecahan masalah lengkapnya ke dalam bank memori jangka panjang untuk mempercepat respons insiden di masa mendatang.

Untuk mencapai otonomi yang andal, developer menyusun alur kerja ini menggunakan pola desain arsitektur tertentu yang memandu cara agen "berpikir" dan beroperasi dalam lingkungannya.

• Pola perencanaan (dekomposisi tugas): Saat menerima sasaran yang besar dan kompleks, seperti "migrasikan aplikasi lama ini ke GKE", agen akan langsung memecahnya menjadi serangkaian sub-tugas yang lebih kecil dan berurutan: "analisis dependensi", "buat komponen dalam container", "siapkan jaringan", "uji di staging". Pola ini mengurangi beban kognitif model, mendasarkan penalaran model pada langkah-langkah yang dapat dikelola, dan secara drastis mencegah halusinasi.
• Alat ini menggunakan pola: Agen secara dinamis memilih API, skrip, atau kueri yang akan dijalankan berdasarkan konteks sub-tugas saat ini. Dengan memanfaatkan framework seperti Agentic RAG (Retrieval-Augmented Generation), agen secara aktif mengambil konteks yang diperlukan dari database, repositori kode, atau web, alih-alih menunggu untuk menerimanya secara pasif dalam perintah. Misalnya, agen dapat menggunakan API Inventaris Aset Cloud untuk memahami infrastruktur saat ini.
• Pola refleksi (koreksi mandiri): Pola ini mengandalkan feedback loop berulang yang memungkinkan agen menjalankan tugas (seperti menulis blok kode Terraform), membaca log build atau deployment yang dihasilkan, mengkritik outputnya sendiri, dan otomatis menulis ulang solusi hingga pengujian berhasil dan eksekusi sukses. Hal ini sangat penting untuk pembuatan infrastructure as code (IaC) yang andal.

Alur kerja agentic dengan cepat bertransisi dari framework konseptual menjadi deployment software siap produksi di berbagai sektor perusahaan besar, sehingga mendorong peningkatan signifikan dalam cara aplikasi dibangun, di-deploy, dan dikelola di cloud.

Agen dapat menganalisis aplikasi lokal yang ada, mengidentifikasi dependensi, dan membuat laporan mendetail serta rencana migrasi untuk memindahkannya ke platform berbasis cloud seperti GKE atau Cloud Run.

Sistem multi-agen dapat memantau performa aplikasi, pemanfaatan resource, dan biaya secara real-time. Agen dapat secara otomatis menyarankan atau menerapkan pengoptimalan, seperti penyesuaian penskalaan, penyesuaian kueri database, atau refaktorisasi kode, untuk memastikan aplikasi berjalan secara efisien dan hemat biaya.

Agen yang berfokus pada developer dapat membaca codebase yang ada, memahami logika aplikasi, dan menyarankan atau otomatis membuat cuplikan kode yang telah direfaktorisasi untuk meningkatkan performa, mengadopsi pola berbasis cloud, atau meningkatkan keamanan, yang sering kali terintegrasi dengan alat seperti Cloud Assist untuk saran kode.

Saat terjadi regresi performa, agen dapat otomatis memulai investigasi, mengorelasikan log dan metrik dari Cloud Logging dan Cloud Monitoring, serta menunjukkan akar masalah di seluruh komponen aplikasi terdistribusi, sehingga mengurangi waktu rata-rata untuk penyelesaian. Fitur Investigations di Cloud Assist dirancang untuk hal ini. 

Agen keamanan dapat terus memindai kode aplikasi, konfigurasi, dan lingkungan yang di-deploy untuk mencari kerentanan dan pelanggaran kebijakan, serta secara otomatis membuat langkah-langkah perbaikan atau memberi tahu tim keamanan.

Agen dapat membuat kasus pengujian, menjalankan pengujian integrasi, dan menganalisis hasil pengujian, sehingga memberikan feedback loop yang berkelanjutan kepada developer dan mempercepat siklus proses pengembangan software.