AI Agent: Apa Itu, Bagaimana Ia Berfungsi dan Contoh Penggunaan

AI INFRASTRUCTURE · FRAMEWORK GUIDE

Fahami bagaimana AI Agent menggunakan Large Language Model (LLM), merancang langkah kerja, memilih Tools dan melaksanakan tindakan untuk mencapai objektif tertentu. Ketahui juga peranan Memory, Reasoning, RAG dan Model Context Protocol (MCP) dalam membina sistem AI yang lebih berkeupayaan.

Artificial Intelligence sedang berkembang daripada sistem yang hanya menjawab soalan kepada sistem yang boleh membantu melaksanakan tugasan berbilang langkah. Salah satu pendekatan yang membolehkan perubahan ini ialah AI Agent.

AI Agent menggabungkan model AI dengan arahan, aliran kerja, tools dan mekanisme kawalan untuk mencapai objektif tertentu. Ia boleh merancang langkah, mendapatkan maklumat, menggunakan fungsi yang dibenarkan dan menilai hasil. Namun, tahap autonomi bergantung pada reka bentuk sistem, akses yang diberikan dan pengawasan yang ditetapkan.

Panduan AI Agent: sistem AI merancang tugasan, menggunakan tools dan melaksanakan tindakan

Oleh Nobodynaga • Dikemaskini Ogos 2026

📌 Ringkasan

AI Agent ialah sistem AI yang menggunakan model, arahan dan tools untuk menjalankan satu atau beberapa langkah ke arah objektif yang ditetapkan. Berbeza daripada chatbot yang biasanya memberi respons kepada soalan, agent boleh memilih tindakan seterusnya berdasarkan keadaan tugasan dan hasil daripada tindakan sebelumnya.

AI Agent tidak semestinya memerlukan semua teknologi seperti Retrieval-Augmented Generation (RAG), Vector Database atau Model Context Protocol (MCP). Komponen yang diperlukan bergantung pada tugasan. Agent yang perlu mencari dokumen mungkin menggunakan RAG; agent yang perlu mengemas kini aplikasi mungkin menggunakan tools atau integrasi API; agent yang ringkas mungkin tidak memerlukan kedua-duanya.

🧭 Kedudukan Artikel dalam AI Infrastructure

Artikel ini merupakan sebahagian daripada AI Infrastructure Knowledge Hub di Nobodynaga. Siri ini menerangkan komponen utama yang membentuk sistem AI moden dan bagaimana komponen tersebut bekerjasama.

Hub Utama:
Panduan Lengkap AI Infrastructure 2026

Canon Guide:
AI Integration & Intelligence — AINF-CN02

AI Agent menerangkan bagaimana model AI, tools dan mekanisme kawalan boleh digabungkan untuk melaksanakan tugasan. Untuk memahami gambaran seni bina yang lebih luas, rujuk Hub AI Infrastructure dan Canon AI Integration & Intelligence.

🎯 Mengapa Artikel Ini Penting?

Istilah AI Agent sering digunakan untuk menerangkan pelbagai sistem, daripada pembantu yang menggunakan satu tool hinggalah sistem berbilang agent yang menjalankan workflow kompleks. Memahami konsep asasnya membantu kita membezakan keupayaan sebenar agent daripada dakwaan pemasaran.

Artikel ini menerangkan bagaimana AI Agent berfungsi, komponen yang mungkin digunakan, contoh penggunaan, serta kelebihan dan batasannya dalam pembangunan AI moden.

🎓 Apa Yang Anda Akan Pelajari

Apakah itu AI Agent dan bagaimana ia berbeza daripada chatbot atau AI Assistant.
Bagaimana objektif diterjemahkan kepada pelan dan tindakan.
Peranan LLM, Reasoning, Memory, Tools, RAG dan MCP.
Perbezaan Single-Agent dan Multi-Agent.
Contoh penggunaan, risiko dan amalan kawalan yang penting.

Apakah Itu AI Agent?

AI Agent ialah sistem yang menerima objektif, menggunakan maklumat yang tersedia untuk menentukan langkah seterusnya dan boleh menjalankan tindakan melalui tools yang diberikan kepadanya. Bergantung pada reka bentuknya, agent mungkin melaksanakan satu tindakan sahaja atau mengulangi beberapa langkah sehingga syarat berhenti dipenuhi.

Model bahasa besar (Large Language Model, LLM) kerap digunakan untuk memahami arahan, menghasilkan pelan atau memilih tool. Walau bagaimanapun, LLM bukan keseluruhan agent. Keupayaan bertindak datang daripada gabungan model, logik aplikasi, tools, konteks, dasar keselamatan dan mekanisme pelaksanaan.

Chatbot vs AI Assistant vs AI Agent

Chatbot: lazimnya berfokus pada perbualan dan respons kepada input pengguna. Ia boleh berasaskan skrip, peraturan atau model AI.
AI Assistant: istilah umum untuk sistem yang membantu pengguna menyelesaikan tugasan. Sesetengah assistant hanya memberi cadangan; yang lain boleh menggunakan tools.
AI Agent: biasanya merujuk kepada sistem yang boleh memilih atau menyusun tindakan bagi mencapai objektif, menggunakan tools dan menyesuaikan langkah berdasarkan hasil yang diperoleh.

Perbezaan ini bukan sempadan mutlak. Sesebuah AI Assistant juga boleh mempunyai ciri agentic. Cara paling berguna untuk menilainya ialah melihat sama ada sistem itu hanya menjawab, atau turut menjalankan proses berbilang langkah dengan tindakan dan semakan hasil.

Objektif (Goal) sebagai Titik Permulaan

AI Agent biasanya bermula dengan objektif yang jelas. Contohnya, arahan “sediakan laporan jualan bulan ini” mungkin memerlukan sistem mendapatkan data, mengira metrik, menyusun dapatan dan menghasilkan laporan.

Objektif yang baik menyatakan hasil yang dikehendaki, skop kerja, kekangan dan syarat kejayaan. Untuk tindakan berisiko seperti menghantar e-mel kepada pelanggan, meluluskan bayaran atau mengubah rekod, sistem juga perlu menentukan bila pengesahan manusia diwajibkan.

Bagaimana AI Agent Berfungsi?

Tiada satu workflow yang wajib untuk semua agent. Namun, banyak sistem menggunakan corak umum berikut:

Objektif → Fahami konteks → Rancang → Pilih tindakan → Gunakan tool → Periksa hasil → Selesai atau ulang

Proses ini boleh berulang. Jika tool gagal atau maklumat tidak mencukupi, agent mungkin mencuba pendekatan lain, meminta maklumat tambahan atau berhenti dan memaklumkan pengguna.

Langkah 1 — Memahami objektif dan kekangan

Sistem mentafsir arahan untuk mengenal pasti hasil yang diperlukan, maklumat yang tersedia, perkara yang masih belum diketahui dan tindakan yang dibenarkan. Arahan yang kabur boleh menghasilkan pelan yang salah, jadi soalan penjelasan mungkin diperlukan.

Langkah 2 — Planning

Planning ialah proses menyusun kerja kepada langkah yang boleh dilaksanakan. Bagi tugasan menyediakan laporan, langkahnya mungkin termasuk mengenal pasti sumber data, mendapatkan data, menganalisis angka, menyemak hasil dan membina laporan akhir.

Tidak semua agent membuat pelan terperinci terlebih dahulu. Sesetengahnya memilih tindakan secara berperingkat berdasarkan hasil daripada langkah sebelumnya.

Langkah 3 — Reasoning dan pemilihan tindakan

Reasoning merujuk kepada proses penaakulan yang digunakan sistem untuk menilai maklumat dan memilih langkah. Keupayaan ini bergantung pada model dan reka bentuk aplikasi, dan tidak menjamin bahawa keputusan sentiasa betul.

Hasil penting perlu disahkan dengan data, peraturan atau ujian yang sesuai.

Langkah 4 — Mendapatkan konteks atau Memory jika diperlukan

Agent mungkin menggunakan konteks perbualan, keadaan tugasan yang disimpan atau sumber pengetahuan luaran. Memory boleh membantu mengekalkan maklumat yang relevan antara langkah atau sesi, manakala RAG boleh mendapatkan dokumen daripada sumber yang dibenarkan.

Kedua-duanya ialah pilihan seni bina, bukan keperluan bagi setiap agent.

Langkah 5 — Menggunakan Tools

Tools ialah fungsi yang membolehkan sistem melakukan operasi tertentu, seperti mencari fail, membaca data, menjalankan query, mencipta dokumen atau memanggil API.

Model boleh mencadangkan penggunaan tool, tetapi aplikasi yang mengawal sama ada panggilan itu dibenarkan dan bagaimana ia dilaksanakan.

Langkah 6 — Menilai hasil

Selepas tindakan dijalankan, agent atau sistem di sekelilingnya boleh memeriksa output, membandingkannya dengan objektif dan menentukan sama ada perlu meneruskan, membetulkan kesilapan atau berhenti.

Semakan ini boleh melibatkan peraturan deterministik, ujian automatik atau pengesahan manusia—bukan semata-mata meminta model menilai jawapannya sendiri.

Agent Loop

Istilah Agent Loop menerangkan kitaran tindakan dan pemeriksaan yang berlaku apabila tugasan memerlukan beberapa langkah.

Goal: tentukan hasil yang hendak dicapai.
Plan/Select: pilih langkah atau tool yang sesuai.
Execute: jalankan tindakan yang dibenarkan.
Observe: periksa hasil tindakan.
Continue or stop: ulang jika perlu, atau tamatkan apabila syarat berhenti dipenuhi.

Agent Loop perlu mempunyai had yang jelas, termasuk had bilangan langkah, masa, kos dan kebenaran. Tanpa kawalan ini, sistem boleh mengulangi tindakan yang tidak produktif atau menggunakan sumber secara berlebihan.

Komponen Utama AI Agent

1. Large Language Model (LLM)

LLM boleh mentafsir arahan, menghasilkan teks, mencadangkan pelan dan memilih tools berdasarkan skema yang disediakan. Ia tidak secara automatik mempunyai akses kepada fail, aplikasi atau data peribadi; akses tersebut mesti diberikan melalui sistem luaran.

2. Instructions dan Orchestration

Arahan menentukan peranan, objektif, kekangan dan cara sistem patut bertindak. Lapisan orchestration pula mengurus aliran kawalan—contohnya, bila model dipanggil, bila tool dilaksanakan dan bagaimana output dihantar kembali kepada model.

3. Tools dan Integrasi

Tools membolehkan agent menjalankan operasi tertentu, termasuk carian, pengiraan, akses pangkalan data atau pengurusan fail. Setiap tool perlu mempunyai skop akses yang sesuai dan input serta output yang ditakrifkan dengan jelas.

4. Context dan Memory

Context ialah maklumat yang tersedia kepada model pada sesuatu langkah. Memory pula merujuk kepada mekanisme menyimpan dan mendapatkan semula maklumat untuk kegunaan kemudian.

Pelaksanaan memory berbeza-beza; ia tidak semestinya bermaksud model mengingati semua perkara secara kekal.

5. Retrieval-Augmented Generation (RAG)

RAG menggabungkan proses mendapatkan maklumat daripada sumber luaran dengan penjanaan jawapan. Ia berguna apabila agent perlu merujuk dokumen atau pangkalan pengetahuan yang tidak terkandung dalam konteks asal.

Agent yang tidak memerlukan carian dokumen tidak semestinya memerlukan RAG.

6. Embeddings dan Vector Database

Embeddings mewakili kandungan sebagai vektor berangka yang boleh digunakan untuk membandingkan persamaan semantik. Vector Database boleh menyimpan vektor dan menyokong carian berasaskan persamaan.

Komponen ini sering digunakan dalam sistem retrieval, tetapi bukan komponen wajib untuk semua AI Agent. Carian kata kunci, SQL atau API mungkin lebih sesuai dalam sesetengah kes.

7. Model Context Protocol (MCP)

Model Context Protocol (MCP) ialah protokol terbuka yang menyediakan cara standard untuk aplikasi AI berhubung dengan sumber konteks dan tools yang didedahkan oleh server MCP.

Ia boleh memudahkan integrasi, tetapi bukan satu-satunya cara untuk menghubungkan agent dengan sistem luaran. Integrasi API langsung atau mekanisme lain juga boleh digunakan.

8. Guardrails, Permissions dan Human Oversight

Agent yang boleh bertindak memerlukan kawalan akses, pengesahan input, had tindakan, logging dan pemantauan. Untuk operasi sensitif—seperti transaksi kewangan, pemadaman data atau komunikasi luaran—sistem mungkin memerlukan kelulusan manusia sebelum tindakan dilaksanakan.

AI Agent dalam AI Infrastructure

AI Agent ialah corak seni bina yang boleh menggabungkan beberapa komponen AI Infrastructure. Komponen yang dipilih bergantung pada keperluan sistem; ia tidak semestinya disusun dalam satu urutan tetap.

LLM: memahami arahan dan menghasilkan output atau pilihan tindakan.
Reasoning dan Planning: membantu memilih langkah berdasarkan objektif dan keadaan tugasan.
Memory/Context: mengekalkan maklumat yang diperlukan untuk kerja semasa atau akan datang.
RAG/Retrieval: mendapatkan maklumat daripada sumber pengetahuan apabila diperlukan.
Tools/API/MCP: menyediakan akses terkawal kepada fungsi dan sistem luaran.
Orchestration: mengurus aliran kawalan antara model, tools dan proses lain.
Evaluation dan Monitoring: membantu mengesan kegagalan, mengukur prestasi dan menyokong penambahbaikan.

Peranan agent bukan menggantikan semua komponen ini. Ia menggunakan komponen yang sesuai untuk menyelesaikan objektif tertentu dalam had dan peraturan yang ditetapkan.

Single-Agent vs Multi-Agent

Single-Agent

Satu agent mengurus keseluruhan tugasan dan boleh menggunakan beberapa tools. Pendekatan ini biasanya lebih mudah untuk dibina, diuji dan diselenggara. Ia sesuai apabila tugasan mempunyai aliran kerja yang jelas dan tidak memerlukan beberapa peranan berasingan.

Multi-Agent

Sistem Multi-Agent melibatkan beberapa agent atau peranan agent yang bekerjasama. Contohnya, satu agent mengumpulkan maklumat, satu lagi menganalisisnya, dan agent lain menyemak laporan.

Reka bentuk ini boleh membantu pembahagian kerja, tetapi turut menambah kos, latensi, kerumitan koordinasi dan kemungkinan percanggahan hasil.

Multi-Agent bukan secara automatik lebih tepat atau lebih pintar. Ia wajar digunakan apabila pembahagian peranan memberi manfaat yang boleh diukur berbanding satu agent dengan tools yang sesuai.

Contoh Penggunaan AI Agent

Research dan laporan: mencari sumber yang dibenarkan, mengumpulkan dapatan, membandingkan maklumat dan menyediakan draf laporan.
Software Development: membaca kod, mencadangkan perubahan, menjalankan ujian dan merumuskan hasil. Semakan manusia masih penting sebelum perubahan digabungkan atau dilancarkan.
Khidmat pelanggan: mencari maklumat pesanan atau polisi dan mencadangkan respons. Tindakan seperti bayaran balik boleh memerlukan kelulusan mengikut polisi.
Operasi perniagaan: menyusun data, menyediakan ringkasan dan mencetuskan langkah kerja yang diluluskan.
Pengurusan dokumen: mencari fail, mengekstrak maklumat dan menyediakan ringkasan dengan rujukan kepada sumber asal.

Dalam bidang berisiko tinggi seperti kesihatan dan kewangan, agent patut digunakan dengan skop yang sesuai, pengesahan sumber dan pengawasan profesional. Ia tidak patut dianggap sebagai pengganti automatik kepada pertimbangan pakar.

Kelebihan AI Agent

Membantu mengurus tugasan berbilang langkah.
Menghubungkan model AI dengan tools dan data yang dibenarkan.
Mengurangkan kerja berulang apabila workflow sesuai untuk automasi.
Menyokong aliran kerja yang boleh diperiksa melalui log dan hasil tool.
Boleh disesuaikan kepada tugasan khusus melalui arahan, tools dan peraturan.

Limitasi dan Risiko AI Agent

Kesilapan model: agent boleh membuat andaian salah, memilih tool yang tidak sesuai atau salah mentafsir hasil.
Data tidak lengkap atau lapuk: keputusan boleh terjejas jika sumber yang digunakan tidak tepat.
Risiko tindakan: tools dengan kebenaran luas boleh menyebabkan perubahan yang tidak diingini.
Prompt injection: kandungan daripada dokumen atau laman web boleh cuba mempengaruhi sistem supaya mengabaikan arahan asal.
Kos dan latensi: panggilan model dan tools yang berulang boleh menambah masa dan kos operasi.
Kesukaran penilaian: output yang berubah-ubah memerlukan ujian, pemantauan dan kriteria kejayaan yang jelas.

Langkah kawalan termasuk memberi akses minimum yang diperlukan, mengesahkan output tool, menetapkan had penggunaan, merekod tindakan, menguji senario kegagalan dan meminta kelulusan manusia bagi tindakan berimpak tinggi.

Adakah AI Agent Akan Menggantikan Manusia?

AI Agent boleh mengautomasikan sebahagian tugasan, tetapi ia tidak menjamin keputusan yang betul atau sesuai dalam semua keadaan. Manusia masih diperlukan untuk menetapkan objektif, menentukan polisi, menyemak hasil dan mengambil tanggungjawab terhadap keputusan penting.

Pendekatan praktikal ialah menggunakan agent untuk mempercepat kerja yang boleh diuji dan dikawal, sambil mengekalkan pengawasan manusia pada titik keputusan yang mempunyai risiko atau kesan besar.

💡 Nobodynaga Insight

Nilai AI Agent bukan sekadar pada model yang digunakan, tetapi pada cara objektif, konteks, tools, aliran kawalan dan pengesahan digabungkan. Agent yang berkesan ialah agent yang menyelesaikan tugasan dengan hasil yang boleh dinilai, kebenaran yang terhad dan mekanisme berhenti yang jelas.

Soalan Lazim (FAQ)

Apakah itu AI Agent?

AI Agent ialah sistem yang menggunakan model AI dan komponen sokongan untuk memilih serta menjalankan tindakan ke arah objektif tertentu, tertakluk pada tools dan kawalan yang diberikan.

Adakah setiap AI Agent menggunakan LLM?

Tidak. Banyak agent moden menggunakan LLM, tetapi istilah agent juga boleh merangkumi sistem berasaskan peraturan, perancangan atau kaedah lain. Seni bina bergantung pada masalah yang hendak diselesaikan.

Adakah setiap AI Agent memerlukan RAG dan Vector Database?

Tidak. RAG dan Vector Database berguna apabila sistem perlu mendapatkan maklumat daripada koleksi dokumen atau sumber pengetahuan. Tugasan lain mungkin hanya memerlukan API, pengiraan, carian biasa atau tiada retrieval langsung.

Adakah AI Agent sentiasa memerlukan MCP?

Tidak. MCP ialah salah satu cara standard untuk menghubungkan aplikasi AI dengan tools dan sumber. Integrasi API langsung atau mekanisme lain juga boleh digunakan.

Apakah perbezaan Single-Agent dan Multi-Agent?

Single-Agent menggunakan satu agent untuk mengurus tugasan, manakala Multi-Agent membahagikan kerja antara beberapa agent atau peranan. Multi-Agent boleh membantu tugasan kompleks tetapi menambah kerumitan dan tidak semestinya meningkatkan ketepatan.

Bolehkah AI Agent beroperasi tanpa pengawasan manusia?

Agent boleh menjalankan tugasan tertentu secara automatik, tetapi tahap pengawasan perlu ditentukan berdasarkan risiko. Tindakan sensitif atau sukar dipulihkan patut mempunyai kawalan tambahan dan, jika sesuai, kelulusan manusia.

Glosari

AI Agent: sistem AI yang memilih dan menjalankan tindakan untuk mencapai objektif.
Goal: hasil atau objektif yang hendak dicapai.
Planning: penyusunan langkah untuk melaksanakan tugasan.
Reasoning: penaakulan yang digunakan untuk menilai maklumat dan pilihan tindakan.
Tool: fungsi atau integrasi yang membolehkan sistem menjalankan operasi tertentu.
Memory: mekanisme menyimpan dan mendapatkan semula maklumat untuk kegunaan kemudian.
RAG: pendekatan yang mendapatkan maklumat luaran untuk membekalkan konteks kepada penjanaan jawapan.
Embeddings: representasi vektor bagi kandungan yang boleh digunakan untuk perbandingan semantik.
Vector Database: sistem untuk menyimpan dan mencari vektor.
MCP: protokol terbuka untuk menghubungkan aplikasi AI dengan tools dan sumber melalui server MCP.
Orchestration: pengurusan aliran kawalan antara model, tools dan langkah kerja.
Multi-Agent: sistem yang melibatkan beberapa agent atau peranan agent dalam satu workflow.

Bacaan Seterusnya

Teruskan pembelajaran melalui artikel berkaitan dalam siri AI Infrastructure:

Rujukan

📌 Key Takeaways

AI Agent ialah sistem yang boleh memilih dan menjalankan tindakan ke arah objektif, bukan sekadar menghasilkan respons.
LLM sering digunakan untuk memahami arahan dan memilih tindakan, tetapi bukan keseluruhan seni bina agent.
Tools, Memory, RAG, Vector Database dan MCP digunakan mengikut keperluan—bukan semuanya wajib untuk setiap agent.
Agent Loop membolehkan sistem memeriksa hasil dan menentukan sama ada perlu meneruskan atau berhenti.
Single-Agent lebih ringkas; Multi-Agent boleh membantu tugasan tertentu tetapi menambah kerumitan.
Keselamatan memerlukan akses minimum, had tindakan, logging, penilaian dan pengawasan yang sepadan dengan risiko.

🎯 Kesimpulan

AI Agent ialah pendekatan untuk menggabungkan model AI dengan konteks, tools dan aliran kawalan supaya sistem boleh menyelesaikan tugasan berbilang langkah. Keupayaannya tidak ditentukan oleh LLM sahaja, tetapi juga oleh kualiti integrasi, sumber maklumat, had kebenaran dan kaedah menilai hasil.

Untuk membina agent yang berguna, mulakan dengan objektif yang jelas dan workflow yang kecil. Tambahkan retrieval, Memory, MCP atau Multi-Agent hanya apabila keperluan sebenar membenarkannya. Bagi tindakan berisiko, gunakan pengesahan dan pengawasan manusia yang sesuai.

Artikel ini disediakan mengikut Editorial Policy Nobodynaga, dengan bantuan AI dalam sebahagian proses kerja seperti dinyatakan dalam AI Usage & Disclosure. Semakan akhir dan ketepatan fakta kekal tanggungjawab manusia.