AI Agentik: Dari Chatbot ke Agen yang Menuntaskan Pekerjaan

Kursus ini menggunakan kecerdasan buatan.

Saat ini semua orang menjual "agen". Sebagian produk itu benar-benar membuat rencana, memanggil alat, dan menuntaskan pekerjaan multi-langkah. Banyak lainnya hanyalah chatbot atau alur kerja tetap dengan label baru. Kursus ini memberi Anda cara yang jelas dan netral terhadap vendor untuk membedakannya, lalu membawa Anda dari memahami agen hingga membangun, menguji, dan menghitung biaya sebuah agen.

Ini adalah pengantar yang luas untuk para profesional dan pembangun pemula. Anda tidak memerlukan latar belakang machine learning. Jika Anda rutin memakai ChatGPT, Claude, Gemini, atau Copilot dan ingin tahu apa yang berubah ketika model mulai mengambil tindakan, inilah titik awal yang tepat.

Satu perusahaan, satu proyek percontohan, dari awal sampai akhir

Kita mengikuti Harborline Logistics, perusahaan forwarder fiktif dengan tumpukan email status kiriman dan dokumen kepabeanan yang terlambat. Tim operasionalnya menjalankan proyek percontohan agen selama 90 hari bernama Relay. Setiap konsep dalam kursus diterapkan pada proyek itu, sehingga Anda melihat agen yang sama tumbuh dari loop pertama menjadi sistem yang teruji, diawasi, dan terhitung biayanya.

Cakupan kursus

• Bagian 1, Apa Sebenarnya AI Agentik: chatbot, kopilot, alur kerja, dan agen; loop agen; lima tingkat otonomi; cara mengenali agent washing
• Bagian 2, Cara Agen Berpikir: model, alat, dan instruksi; ReAct, perencanaan, dan refleksi; lima pola alur kerja dan kapan sebaiknya tidak memakai agen
• Bagian 3, Alat, MCP, dan Computer Use: pemanggilan alat, Model Context Protocol, penggunaan peramban dan komputer, serta mode agen di ChatGPT, Claude, dan Gemini
• Bagian 4, Memori, Pengetahuan, dan Konteks: rekayasa konteks, pengambilan (RAG), keterampilan (skill), dan grounding agen pada prosedur perusahaan
• Bagian 5, Membangun Agen Tanpa Kode: lanskap tanpa kode, menulis spesifikasi agen lebih dulu, dan membangun agen status kiriman di n8n
• Bagian 6, Membangun Agen dengan Python: memilih SDK tanpa ketergantungan pada vendor, agen yang berfungsi dalam sekitar lima puluh baris, menghubungkannya ke server MCP, dan membaca jejak
• Bagian 7, Sistem Multi-Agen: kapan satu agen tidak cukup, orkestrator dan serah terima, protokol A2A, serta meja kepabeanan dengan dua agen
• Bagian 8, Kepercayaan, Nilai, Adopsi: evaluasi, mode kegagalan umum dan pagar pengaman, persetujuan manusia, biaya per tugas, KPI, dan peta jalan adopsi 90 hari

Lab praktik yang berjalan di komputer Anda sendiri

Lab pembangunan berjalan secara lokal dengan alat gratis: Python, Ollama untuk model lokal, dan n8n di Docker. Tidak perlu kunci API berbayar. Folder awal berisi API pelacakan kiriman tiruan, server MCP, dua belas prosedur Harborline, serta email uji dan kasus kepabeanan yang dipakai dalam video.

• Lab 1: jalankan tugas yang sama di mode agen ChatGPT, Claude, dan Gemini, lalu baca log tindakannya
• Lab 2: indeks prosedur Harborline dan bandingkan jawaban dengan dan tanpa pengambilan
• Lab 3: bangun agen status tanpa kode di n8n dan jalankan pada sepuluh email uji
• Lab 4: bangun ulang agen itu dengan Python, pindahkan alatnya ke balik server MCP, dan temukan bug yang sengaja ditanam melalui jejak
• Lab 5: tambahkan agen kedua dengan serah terima, lalu bandingkan hasil dan pemakaian token dengan agen tunggal

Beberapa catatan jujur. Lab 1 memakai mode agen dari asisten chat di peramban Anda, dan mode agen yang tersedia bergantung pada paket dan wilayah Anda. Jika paket Anda tidak menyediakannya, Anda tetap dapat mengikuti sesi yang direkam. Model lokal tidak deterministik, sehingga jawaban dan tingkat keberhasilan Anda akan sedikit berbeda dari video. Model lokal yang dipakai di lab memerlukan sekitar 6 GB memori kosong. Bagian Python bersifat opsional jika Anda hanya menginginkan konsep dan jalur tanpa kode.

Latihan dan penilaian

Masing-masing dari delapan bagian memiliki kuis dan tugas praktik dengan contoh jawaban yang dikerjakan lengkap. Proyek akhir meminta Anda memilih satu tugas dari pekerjaan Anda sendiri lalu menyusun spesifikasi agen, tingkat otonomi dengan gerbang persetujuan, set evaluasi berisi sepuluh kasus, serta perkiraan biaya dengan peta jalan 90 hari. Ujian latihan akhir berisi 60 soal yang mencakup kedelapan bagian.

Apa yang bukan kursus ini

Ini bukan kursus rekayasa mendalam tentang satu framework, dan kursus ini tidak menjanjikan pekerjaan, sertifikasi, atau hasil tertentu. Kursus ini adalah peta bidang ini dengan cukup banyak praktik langsung sehingga Anda dapat menilai proposal agen, menjalankan proyek percontohan kecil, dan memutuskan apa yang perlu dipelajari selanjutnya. Alat di bidang ini cepat berubah, jadi kursus ini mengajarkan bagian-bagian yang portabel (spesifikasi, prompt, alat, dan evaluasi) yang tetap terpakai ketika platform berganti.