Halaman ini berisi istilah glosarium Agentic. Untuk semua istilah glosarium, klik di sini.
A
act
Tahap dalam loop keagenan saat agen menjalankan tindakan yang dipilih selama tahap alasan. Misalnya, tahap tindakan dapat mengirim permintaan API.
tindakan
Dalam reinforcement learning, mekanisme yang digunakan agen untuk bertransisi antar-status lingkungan. Agen memilih tindakan dengan menggunakan kebijakan.
ruang tindakan
Kumpulan resource yang dapat digunakan agen untuk melakukan tugas. Ruang tindakan dapat mencakup alat dan API yang dapat dipanggil agen dan izin yang dimiliki agen. Secara umum, ruang tindakan harus cukup besar bagi agen untuk melakukan tugas. Jika ruang tindakan terlalu kecil, agen mungkin tidak memiliki cukup resource untuk melakukan tugas. Jika ruang tindakan terlalu besar, agen cenderung lebih rentan terhadap error.
agen
Software yang dapat memproses input pengguna untuk merencanakan dan mengeksekusi tindakan atas nama pengguna.
Dalam reinforcement learning, agen adalah entitas yang menggunakan kebijakan untuk memaksimalkan hasil yang diharapkan dari transisi antara status dari lingkungan.
agentik
Bentuk adjektif dari agen. Agentik mengacu pada kualitas yang dimiliki agen (seperti otonomi).
agentic loop
Siklus yang diulang agen hingga kondisi penghentian terpenuhi. Siklus biasanya terdiri dari empat tahap berikut:
alur kerja agentic
Proses dinamis di mana agen secara otonom merencanakan dan mengeksekusi tindakan untuk mencapai sasaran. Prosesnya dapat melibatkan penalaran, pemanggilan alat eksternal, dan mengoreksi sendiri rencananya.
orkestrasi agen
Pengelolaan dan perutean tugas terpusat di beberapa sub-agen atau panggilan LLM. Pengorkestrasian agen menguraikan tugas kompleks menjadi sub-tugas yang lebih kecil dan menetapkannya ke sub-agen yang paling mumpuni.
agen otonom
Agen yang berupaya mencapai sasaran yang kompleks dengan merencanakan, bertindak, dan beradaptasi tanpa intervensi manusia yang berkelanjutan.
E
agen evaluator
Agen yang menilai hasil agen lain sebelum hasil tersebut difinalisasi. Anda dapat membayangkan satu agen memproduksi suatu produk dan agen terpisah—agen evaluator—menguji produk tersebut sebelum dirilis.
Critic adalah sinonim untuk agen evaluator.
F
masukan
Tahapan dalam loop agentik yang agennya mengevaluasi tindakan yang diambil selama tahap tindakan. Misalnya, jika agen mengirim permintaan API selama tahap tindakan, tahap masukan dapat menentukan apakah respons API berhasil.
G
Model Gemini
Model multimodal berbasis Transformer mutakhir Google. Model Gemini dirancang khusus untuk terintegrasi dengan agen.
Pengguna dapat berinteraksi dengan model Gemini dalam berbagai cara, termasuk melalui antarmuka dialog interaktif dan melalui SDK.
agen generatif (simulacra)
Agen yang dilengkapi dengan persona, memori, dan rutinitas unik yang mensimulasikan perilaku manusia yang realistis.
Lihat Generative Agents: Interactive Simulacra of Human Behavior untuk mengetahui detailnya.
M
agen pengelola
Agen yang mengontrol satu atau beberapa sub-agen.
kolaborasi multi-agen
Framework tempat beberapa agen AI khusus berinteraksi, berdebat, atau meneruskan tugas satu sama lain untuk memecahkan masalah yang kompleks.
O
mengamati
Tahap dalam loop keagenan saat agen memeriksa atau mengevaluasi beberapa aspek progres agen. Misalnya, anggap tahap act menghasilkan beberapa kode. Akibatnya, tahap observe dapat menjalankan pengujian pada kode yang dihasilkan.
P
rencana dan penyelesaian
Strategi agentik di mana model pertama-tama menyusun rencana multi-langkah yang eksplisit sebelum mencoba menjalankan tindakan apa pun.
plugin
Alat modular standar yang dapat dipasang dengan mudah ke agen untuk memperluas kemampuannya. Misalnya, plugin GitHub memungkinkan agen melakukan tindakan seperti membaca masalah GitHub dan membuat permintaan pull.
memori prosedural
Di agen, pengetahuan tentang cara melakukan sesuatu. Misalnya, agen dapat mengembangkan memori prosedural tentang cara menelusuri web dan kemudian menampilkan tiga situs teratas.
R
alasan
Tahap dalam agentic loop saat agen menentukan apa yang harus dilakukan. Misalnya, agen dapat menentukan bahwa permintaan API tertentu harus dikirim.
refleksi diri
Strategi untuk meningkatkan kualitas alur kerja berbasis agen dengan memeriksa (merefleksikan) output langkah sebelum meneruskan output tersebut ke langkah berikutnya.
Pemeriksa sering kali adalah LLM yang sama yang menghasilkan respons (meskipun bisa berupa LLM yang berbeda). Bagaimana bisa LLM yang sama yang menghasilkan respons menjadi penilai yang adil atas responsnya sendiri? "Triknya" adalah membuat LLM berpikir secara kritis (reflektif). Proses ini serupa dengan penulis yang menggunakan pola pikir kreatif untuk menulis draf pertama, lalu beralih ke pola pikir kritis untuk mengeditnya.
Misalnya, bayangkan alur kerja agentic yang langkah pertamanya adalah membuat teks untuk cangkir kopi. Perintah untuk langkah ini mungkin:
Anda adalah seorang kreator. Buat teks orisinal yang lucu dengan panjang kurang dari 50 karakter yang cocok untuk mug kopi.
Sekarang bayangkan perintah refleksi berikut:
Anda adalah peminum kopi. Apakah Anda menganggap respons sebelumnya lucu?
Alur kerja kemudian hanya akan meneruskan teks yang menerima skor refleksi tinggi ke tahap berikutnya.
router agent
Agen yang mengklasifikasikan kueri pengguna, lalu memanggil agen yang paling tepat untuk menanganinya.
S
koreksi diri
Kemampuan agen untuk mendeteksi error dalam outputnya sendiri dan kemudian mencoba pendekatan yang berbeda.
dengan status tersembunyi akhir
Dalam reinforcement learning, nilai parameter yang menjelaskan konfigurasi lingkungan saat ini, yang digunakan oleh agen untuk memilih tindakan.
agen mesin status
Agen yang alur kerjanya dibatasi oleh aturan yang ketat. Agen mesin status umumnya membuat lebih sedikit kesalahan daripada agen otonom, tetapi tidak memiliki kebebasan untuk beradaptasi dengan situasi di luar batasan mereka.
sub-agen
Model khusus yang berfokus sempit yang dipanggil oleh agen pengelola untuk menangani subkumpulan masalah tertentu dari masalah yang lebih besar. Sub-agen biasanya memiliki ruang tindakan yang lebih sempit daripada agen.
T
kondisi penghentian
Dalam AI berkemampuan agen, kriteria yang telah ditentukan sebelumnya yang memberi tahu agen untuk berhenti melakukan iterasi. Misalnya, berikut beberapa kemungkinan kondisi penghentian:
- Agen berhasil menyelesaikan tujuan.
- Agen tidak dapat menggunakan resource lagi.
- human-in-the-loop telah mendeteksi masalah.
Dalam reinforcement learning, kondisi yang menentukan kapan episode berakhir, seperti saat agen mencapai status tertentu atau melampaui jumlah transisi status minimum. Misalnya, dalam tic-tac-toe (juga dikenal sebagai noughts and crosses), episode berakhir saat pemain menandai tiga ruang berturut-turut atau saat semua ruang ditandai.