Multiple AI Call, Peran Spesifik
Sesi 9.1 · ~5 menit baca
Satu Panggilan vs. Banyak
Sampai titik ini, pipeline kamu pake satu panggilan AI buat bikin draft. Satu prompt, satu system message, satu respons. Itu cukup buat konten sederhana. Buat konten kompleks, satu panggilan mencoba ngerjain terlalu banyak: riset, organisasi, nulis, jaga voice, cek fakta, dan format, semua dalam satu generasi. Hasilnya medioker di segalanya, bukan excellent di satu hal pun.
Multi-agent workflow membagi beban kerja ini ke beberapa panggilan AI, masing-masing punya peran spesifik dan sempit. Agent 1 riset. Agent 2 bikin outline (kalo kamu pilih otomatisasi ini). Agent 3 nulis. Agent 4 edit. Agent 5 format. Setiap agent punya system prompt sendiri, dioptimalkan buat tugas spesifiknya.
Ini bukan percakapan. Ini lini produksi. Setiap agent menerima input terstruktur, menghasilkan output terstruktur, dan meneruskannya. Ga ada konteks yang dishare secara implisit. Semuanya eksplisit dan terdokumentasi.
Kenapa Spesialisasi Meningkatkan Output
Bayangin system prompt yang mencoba ngerjain semuanya: "Kamu researcher sekaligus writer yang menghasilkan artikel well-sourced, konsisten voice, dalam gaya saya tanpa AI artifacts, diformat dalam markdown dengan heading yang proper." Prompt itu narik model ke lima arah sekaligus. Voice preservation berkompetisi dengan akurasi faktual buat dapet perhatian di context window. Formatting berkompetisi dengan argumentasi.
Sekarang bayangin tiga agent terpisah:
'Cari dan verifikasi sumber'"] --> B["Agent Penulis
'Draft dengan voice ini'"] B --> C["Agent Editor
'Tandai masalah per rubrik'"] style A fill:#222221,stroke:#c8a882,color:#ede9e3 style B fill:#222221,stroke:#6b8f71,color:#ede9e3 style C fill:#222221,stroke:#c47a5a,color:#ede9e3
System prompt setiap agent fokus. Agent Riset ga peduli soal voice. Agent Penulis ga peduli soal verifikasi sumber. Agent Editor ga peduli soal bikin prosa. Masing-masing ngerjain satu hal dengan baik.
| Pendekatan | Penggunaan Context Window | Fokus System Prompt | Kualitas Output |
|---|---|---|---|
| Single agent (semua dalam satu panggilan) | Overload dengan instruksi yang saling berebut | Terdilusi di berbagai tujuan | Medioker di segalanya |
| Multi-agent (panggilan terspesialisasi) | Setiap panggilan pake konteks secara efisien | Fokus tajam ke satu tugas | Kuat di setiap tahap |
Agent Chain Minimum yang Bisa Dipake
Agent chain paling sederhana yang berguna punya tiga agent: Riset, Penulis, Editor. Ini mapping langsung ke tahapan pipeline dari Module 8, tapi mengotomatisasi transisi antar tahap.
Agent 1: Agent Riset. System prompt fokus ke pengumpulan informasi, evaluasi sumber, dan output terstruktur. Input: topik dan pertanyaan riset. Output: research brief terstruktur (JSON atau Markdown dengan bagian-bagian yang terdefinisi).
Agent 2: Agent Penulis. System prompt berisi voice fingerprint dan batasan penulisan kamu. Input: research brief dari Agent 1, plus outline dan content spec kamu. Output: first draft.
Agent 3: Agent Editor. System prompt berisi quality rubric dan 15 forensic marker kamu. Input: draft dari Agent 2. Output: versi beranotasi dengan masalah yang ditandai dan diberi skor.
Human review terjadi setelah Agent 3, bukan sebelumnya. Agent Editor ga menggantikan human review. Dia melakukan pre-screening draft supaya waktu human review kamu dipakai buat judgment call yang beneran, bukan nangkep masalah yang obvious.
System Prompt Agent
Setiap agent butuh system prompt yang direkayasa untuk peran spesifiknya. System prompt generik mengalahkan tujuannya.
| Agent | Fokus System Prompt | Instruksi Kunci |
|---|---|---|
| Riset | Akurasi informasi dan struktur | Hanya laporkan fakta terverifikasi. Cantumkan sumber setiap klaim. Tandai ketidakpastian. Output sebagai JSON terstruktur. |
| Penulis | Preservasi voice dan argumen | Ikuti outline persis. Gunakan hanya riset yang diberikan. Cocokkan voice fingerprint. Jangan hedging. |
| Editor | Deteksi kualitas | Skor setiap dimensi 0-10. Tandai setiap AI artifact. Tandai klaim yang belum terverifikasi. Jangan rewrite. |
Multi-agent workflow bukan soal punya lebih banyak AI. Tapi soal punya AI yang lebih fokus. Setiap agent ngerjain lebih sedikit, tapi ngerjainnya lebih baik. Peningkatan kualitas datang dari spesialisasi, bukan dari komputasi tambahan.
Kapan Single Agent Masih Oke
Multi-agent workflow menambah kompleksitas. Kompleksitas itu justified buat konten produksi yang harus memenuhi standar tinggi dalam skala besar. Ga justified buat semua tugas.
- Single agent: konten pendek (di bawah 500 kata), brainstorming, komunikasi internal cepat, postingan media sosial
- Multi-agent: artikel panjang, konten kursus, bab buku, deskripsi produk dalam skala besar, apapun yang akan dipublikasikan dengan nama kamu dan bertahan di internet
Faktor penentunya adalah akuntabilitas. Kalo ga ada yang bakal melacak konten itu balik ke kamu, single agent cukup. Kalo nama kamu di situ, chain-nya worth biaya dan kompleksitas tambahan.
Bacaan Lanjutan
- Multi-Agent Workflows: A Practical Guide, Kanerika (Medium)
- Multi-Agent Content Creation System: Complete Guide, Sight AI
- Building Autonomous Systems: A Guide to Agentic AI, DigitalOcean
Tugas
Desain 3-agent chain buat tipe konten yang rutin kamu produksi:
- Definisikan Agent 1 (Researcher): system prompt, format input yang diharapkan, format output yang diharapkan
- Definisikan Agent 2 (Writer): system prompt (sertakan voice fingerprint kamu), input yang diharapkan, output yang diharapkan
- Definisikan Agent 3 (Editor): system prompt (sertakan quality rubric kamu), input yang diharapkan, output yang diharapkan
Tulis setiap system prompt secara lengkap. Jangan diringkas. System prompt adalah instruksi operasional agent. Tes setiap agent secara individual dengan menjalankannya sendiri-sendiri dengan input yang sesuai. Apakah setiap agent menghasilkan output yang cocok dengan perannya?