hibranwar
Kursus → Modul 9: Multi-Agent Workflows
Sesi 7 dari 7

Contoh Praktis

Sesi 9.7 · ~5 menit baca

Konten Beda, Chain Beda

Chain Riset-Penulis-Editor dari Sesi 9.3 adalah titik awal serba guna. Tapi blog post punya kebutuhan yang beda dari sesi kursus, yang beda dari deskripsi produk. Setiap tipe konten bisa dapet manfaat dari chain yang dikustomisasi sesuai kebutuhan spesifiknya.

Sesi ini menyediakan spesifikasi agent chain lengkap buat empat tipe konten. Ini bukan template kaku. Ini titik awal yang kamu modifikasi sesuai kebutuhan.

Chain 1: Blog Post (Thought Leadership)

Konten thought leadership butuh opini kuat yang didukung bukti. Chain-nya menambahkan Agent Opini antara Riset dan Penulis.

flowchart LR A["Agent
Riset"] --> B["Agent
Opini"] B --> C["Agent
Penulis"] C --> D["Agent
Editor"] style A fill:#222221,stroke:#c8a882,color:#ede9e3 style B fill:#222221,stroke:#c47a5a,color:#ede9e3 style C fill:#222221,stroke:#6b8f71,color:#ede9e3 style D fill:#222221,stroke:#8a8478,color:#ede9e3
Agent Fokus System Prompt Perbedaan Kunci dari Chain Generik
Riset Cari data yang mendukung dan membantah tesis Secara eksplisit mencari argumen tandingan
Opini Berdasarkan riset, rumuskan posisi spesifik yang bisa dipertahankan Agent baru: menjembatani riset dan penulisan dengan opini yang dinyatakan
Penulis Tulis tulisan argumentatif dengan opini sebagai tulang punggung Diinstruksikan buat mengambil posisi, bukan menyajikan liputan "berimbang"
Editor Cek kekuatan argumen, bukan cuma artifact Dimensi tambahan: "Apakah argumennya bertahan di bawah pengujian?"

Agent Opini menyelesaikan masalah umum: AI default ke both-sides-ism. Dengan memisahkan pembentukan opini dari penulisan, kamu memastikan draft punya tulang punggung. Opini diinformasikan oleh riset, dinyatakan sebelum penulisan dimulai, dan dipertahankan sepanjang tulisan.

Chain 2: Konten Kursus (Edukatif)

Konten kursus butuh struktur progresif: setiap sesi membangun di atas sesi sebelumnya. Chain-nya menambahkan Agent Kurikulum yang menjaga kontinuitas antar sesi.

flowchart LR A["Agent
Kurikulum"] --> B["Agent
Riset"] B --> C["Agent
Penulis"] C --> D["Editor
Pedagogi"] 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
Agent Fokus System Prompt Perbedaan Kunci
Kurikulum Berdasarkan outline modul dan ringkasan sesi sebelumnya, tentukan apa yang harus diajarkan sesi ini dan apa yang bisa diasumsikan Menjaga progresi pembelajaran antar sesi
Riset Cari contoh, studi kasus, dan data yang relevan dengan tujuan pelajaran Dioptimalkan buat materi pengajaran, bukan riset umum
Penulis Tulis dengan voice instruksional dengan worked example dan latihan praktis Voice fingerprint disesuaikan buat nada mengajar
Editor Pedagogi Cek: Apakah mengajarkan tujuan yang dinyatakan? Apakah tingkat kesulitannya sesuai? Apakah latihannya actionable? Menggantikan editor umum dengan reviewer spesifik pendidikan

Chain 3: Deskripsi Produk (E-commerce)

Deskripsi produk butuh akurasi di atas segalanya. Chain-nya menambahkan Agent Kepatuhan yang memverifikasi setiap klaim produk.

flowchart LR A["Agent
Data"] --> B["Agent
Penulis"] B --> C["Agent
Kepatuhan"] C --> D["Agent
SEO"] style A fill:#222221,stroke:#c8a882,color:#ede9e3 style B fill:#222221,stroke:#6b8f71,color:#ede9e3 style C fill:#222221,stroke:#c47a5a,color:#ede9e3 style D fill:#222221,stroke:#8a8478,color:#ede9e3
Agent Fokus System Prompt Perbedaan Kunci
Data Ekstrak spesifikasi produk, fitur, dan klaim dari product data sheet Menggantikan riset dengan ekstraksi data terstruktur
Penulis Tulis deskripsi persuasif tapi akurat menggunakan hanya spesifikasi terverifikasi Dibatasi ke data produk; ga ada klaim di luar yang terverifikasi
Kepatuhan Verifikasi setiap klaim terhadap product data sheet; tandai setiap embellishment Spesifik ke akurasi produk, bukan kualitas umum
SEO Optimalkan title, meta description, dan body buat target keyword tanpa mengubah klaim Optimisasi tahap akhir yang ga mengorbankan akurasi

Chain 4: Laporan Teknis

Laporan teknis butuh presisi dan sitasi yang proper. Chain-nya menambahkan Agent Sitasi.

Agent Peran Handoff
Agent Riset Kumpulkan sumber akademis dan teknis JSON brief dengan data sitasi lengkap (penulis, tahun, DOI)
Agent Penulis Draft dengan marker sitasi inline ([1], [2], dst.) Markdown dengan marker referensi bernomor
Agent Sitasi Verifikasi setiap sitasi, format daftar referensi, cek sumber yang dihalusinasikan Draft dengan bagian referensi terverifikasi
Editor Teknis Review buat akurasi teknis dan ketelitian argumen Draft beranotasi dengan feedback spesifik domain

Jumlah agent yang benar dalam sebuah chain adalah jumlah peran berbeda yang dibutuhkan tipe konten kamu. Lebih banyak agent berarti lebih banyak biaya API dan lebih banyak kompleksitas handoff. Lebih sedikit agent berarti setiap agent kurang fokus. Temukan jumlah minimum agent yang mencakup semua fungsi kritis buat tipe konten kamu.

Bacaan Lanjutan

Tugas

Pilih tipe konten yang paling relevan dengan pekerjaan kamu. Menggunakan spesifikasi di sesi ini sebagai titik awal, kustomisasi agent chain yang lengkap:

  1. Jumlah agent dan perannya
  2. System prompt lengkap buat setiap agent
  3. Format handoff antar agent (data contract)
  4. Satu quality check per handoff
  5. Error handling dan strategi retry

Tes chain-nya end-to-end pada konten yang beneran. Bandingkan output-nya dengan three-agent chain kamu sebelumnya. Apakah chain yang dikustomisasi menghasilkan hasil lebih bagus buat tipe konten spesifik kamu?