Sesi 9.3: Chain Riset-Tulis-Edit

Kursus → Modul 9: Multi-Agent Workflows

Sesi 3 dari 7

Chain Paling Umum

Chain Riset-Tulis-Edit adalah pekerja keras produksi konten. Ini chain yang paling teruji, paling matang, dan paling bisa diaplikasikan secara luas yang bakal kamu bangun. Sesi ini membahas implementasi lengkap: system prompt, format handoff, dan eksekusi end-to-end.

Agent 1: Agent Riset

Agent Riset menerima topik dan serangkaian pertanyaan riset, melakukan query ke search API (Tavily, Google Search Grounding), memfilter hasil, dan menghasilkan research brief terstruktur.

Inti system prompt:

Kamu adalah asisten riset. Tugasmu adalah menemukan, memverifikasi, dan mengorganisasi informasi faktual. Kamu tidak menulis prosa. Kamu tidak menghasilkan opini. Kamu melaporkan apa yang kamu temukan dengan sitasi sumber untuk setiap klaim. Kalo kamu ga bisa memverifikasi suatu klaim, tandai sebagai belum terverifikasi. Output sebagai JSON terstruktur mengikuti schema yang diberikan.

Input: String topik + 3-5 pertanyaan riset spesifik + hasil pencarian API opsional sebagai konteks.

Output: JSON research brief dengan topic_summary, key_findings, sources, data_points, dan gaps.

flowchart TD A["Topik + Pertanyaan"] --> B["Agent Riset"] B --> C["Panggilan Search API"] C --> D["Filter & Verifikasi"] D --> E["JSON Research Brief"] E --> F{"Schema Valid?"} F -- Ya --> G["Teruskan ke Penulis"] F -- Tidak --> B style A fill:#222221,stroke:#c8a882,color:#ede9e3 style B fill:#222221,stroke:#6b8f71,color:#ede9e3 style C fill:#222221,stroke:#8a8478,color:#ede9e3 style D fill:#222221,stroke:#c47a5a,color:#ede9e3 style E fill:#222221,stroke:#c8a882,color:#ede9e3 style F fill:#222221,stroke:#8a8478,color:#ede9e3 style G fill:#222221,stroke:#6b8f71,color:#ede9e3

Agent 2: Agent Penulis

Agent Penulis menerima research brief, outline kamu, dan voice fingerprint kamu, lalu menghasilkan first draft. Dia ga mencari informasi. Dia ga memverifikasi fakta. Dia menulis prosa dari materi yang diberikan.

Inti system prompt:

Kamu adalah ghostwriter. Tulis dengan voice yang dijelaskan di bawah. Ikuti outline yang diberikan persis. Gunakan hanya fakta dan data dari research brief yang diberikan. Jangan tambahkan informasi dari training data kamu. Kalo research brief ga membahas sesuatu yang dibutuhkan outline, tulis "[BUTUH RISET]" di bagian itu. Jangan hedging. Jangan pake: "penting untuk dicatat," "di dunia modern ini," atau frasa terlarang lainnya yang tercantum di bawah.

Voice fingerprint (dari Module 6) ditambahkan ke system prompt ini. Research brief dan outline masuk di user message.

Input: Research brief (difilter: topic_summary, key_findings, data_points saja) + outline + content spec.

Output: Draft Markdown dengan H1, H2 section yang cocok dengan outline, dalam word count yang ditentukan.

Agent 3: Agent Editor

Agent Editor membaca draft dan menandai masalah. Dia ga menulis ulang. Dia ga memperbaiki. Dia mengidentifikasi masalah dan memberi skor output terhadap quality rubric kamu.

Inti system prompt:

Kamu adalah content quality reviewer. Baca draft yang diberikan dan evaluasi terhadap lima dimensi: akurasi faktual, konsistensi voice, kejelasan struktur, orisinalitas insight, dan ketiadaan AI artifact. Skor setiap dimensi 0-10. Untuk skor di bawah 7, berikan contoh spesifik dari teks. Tandai setiap instance dari AI artifact berikut: frasa hedging, tricolon, false bridge, lonjakan antusiasme, superlative kosong. Jangan tulis ulang bagian manapun dari draft. Tugasmu adalah diagnosis, bukan pengobatan.

Input: Draft lengkap dari Agent 2.

Output: Review terstruktur dengan skor dimensi, masalah yang ditandai dengan referensi baris, dan verdict keseluruhan (PASS/REWORK/FAIL).

Perbandingan Performa

Tabel di bawah menunjukkan hasil tipikal dari menjalankan tugas konten yang sama lewat pendekatan single-agent versus three-agent chain.

Metrik	Single Agent	Three-Agent Chain
Skor akurasi faktual	5-6 / 10	7-8 / 10
Konsistensi voice	4-5 / 10	7-8 / 10
AI artifact per 1000 kata	8-12	3-5
Waktu human review yang dibutuhkan	25-35 menit	10-20 menit
Biaya API per konten	$0.05 - $0.15	$0.15 - $0.45
Total waktu (generasi + review)	35-50 menit	25-35 menit

Chain-nya lebih mahal di biaya API dan menghemat waktu di human review. Dalam skala besar, human review adalah bottleneck, bukan biaya API. Ekonominya memihak chain buat volume produksi apapun di atas beberapa konten per minggu.

Opsi Implementasi

Kamu bisa implementasi chain-nya tiga cara, tergantung kenyamanan teknis kamu:

Eksekusi manual: Jalankan setiap agent terpisah, copy-paste output ke yang berikutnya. Ga perlu coding. Bagus buat belajar dinamika chain.
Tiga script: Satu script Python per agent. Jalankan berurutan. Output antara disimpan sebagai file. AI coding assistant kamu bisa nulis ketiga script-nya.
Satu script orkestrasi: Satu script yang memanggil ketiga agent berurutan, memvalidasi handoff, dan menyimpan output akhir. Ini versi production-ready.

Mulai dengan eksekusi manual. Pahami di mana handoff-nya berfungsi dan di mana pecah. Baru otomatisasi. Mengotomatisasi chain yang rusak cuma menghasilkan output rusak lebih cepat.

Bacaan Lanjutan

Multi-Agent AI Content Generation: Complete Guide 2026, Sight AI
Building Autonomous Systems with Agentic AI, DigitalOcean
Prompt Engineering Overview, Anthropic

Tugas

Implementasikan three-agent chain buat konten yang beneran:

Jalankan Agent 1 (Riset) dengan topik dan 3-5 pertanyaan riset. Simpan output-nya.
Validasi research brief terhadap schema dari Sesi 9.2.
Jalankan Agent 2 (Penulis) dengan research brief, outline kamu, dan voice fingerprint. Simpan output-nya.
Jalankan Agent 3 (Editor) dengan draft. Simpan review yang sudah diberi skor.

Bandingkan output akhir (setelah human review dari flag Agent 3) dengan generasi single-prompt pada topik yang sama. Mana yang lebih akurat? Mana yang lebih terdengar kaya kamu? Mana yang butuh lebih sedikit editing manusia? Dokumentasikan perbandingannya.