Multi-agent workflow adalah cara menyelesaikan tugas besar dengan beberapa agent AI, masing-masing punya peran, instruksi, dan konteks sendiri. Ada yang merencanakan, mencari informasi, mengerjakan, dan memeriksa. Pola ini berguna ketika tugasnya terlalu luas untuk satu percakapan, bisa dikerjakan paralel, atau butuh pemeriksaan independen.

Kenapa Tidak Cukup Satu Agent?

Satu agent yang mengerjakan tugas panjang menumpuk semua informasi di satu jendela konteks: hasil pencarian, isi file, percobaan yang gagal, dan revisi. Semakin penuh, semakin besar kemungkinan instruksi awal terlupa dan kualitas menurun. Membagi tugas ke beberapa agent membuat setiap agent bekerja dengan konteks yang bersih dan fokus.

Tapi multi-agent bukan selalu lebih baik. Lebih banyak agent berarti lebih banyak token, lebih lama, dan lebih sulit di-debug. Gunakan hanya saat manfaatnya jelas.

Pola Multi-Agent Workflow yang Umum

1. Orkestrator dan pekerja

Satu agent utama memecah tugas menjadi bagian, membagikan ke beberapa agent pekerja (subagent), lalu menggabungkan hasilnya. Cocok untuk riset yang menyebar: misalnya membandingkan lima vendor, satu subagent per vendor.

2. Pipeline berurutan

Hasil satu agent menjadi masukan agent berikutnya: riset, lalu menulis draf, lalu menyunting. Setiap tahap bisa diperiksa sebelum diteruskan.

3. Pembuat dan pemeriksa

Satu agent membuat, agent lain dengan instruksi berbeda memeriksa: mencari bug, menguji klaim, atau mengecek kesesuaian dengan aturan. Pemeriksa yang tidak melihat proses pembuatan cenderung lebih objektif.

4. Paralel lalu dipilih

Beberapa agent mengerjakan tugas yang sama dengan pendekatan berbeda, lalu hasil terbaik dipilih atau digabung. Berguna untuk ide kreatif atau mencari penyebab bug yang belum jelas.

Contoh 1: Riset Pasar untuk UMKM

Orkestrator:
  Tugas: bandingkan 4 platform toko online untuk UMKM kuliner.
  Bagi ke 4 subagent, satu per platform.

Setiap subagent:
  Cari biaya bulanan, komisi transaksi, metode pembayaran (QRIS,
  VA, e-wallet), integrasi kurir, dan keluhan pengguna terbaru.
  Kembalikan tabel ringkas dengan tautan sumber. Maksimal 200 kata.

Orkestrator:
  Gabungkan jadi satu tabel perbandingan dan rekomendasi untuk
  toko dengan omzet Rp15 juta per bulan.

Instruksi "maksimal 200 kata" untuk subagent penting. Orkestrator hanya butuh ringkasan, bukan seluruh hasil pencarian, sehingga konteksnya tetap bersih.

Contoh 2: Pengembangan Fitur

  • Agent perencana membaca kode dan menyusun daftar file yang harus diubah.
  • Agent pelaksana menulis kode berdasarkan rencana yang disetujui.
  • Agent penguji menulis dan menjalankan test.
  • Agent peninjau membaca diff dan mencari masalah keamanan atau logika.

Tools seperti Claude Code mendukung subagent yang bisa diberi instruksi dan izin berbeda. Dasar kerja agent coding dibahas di agentic AI coding.

Prinsip Merancang Multi-Agent Workflow

  • Satu agent, satu tanggung jawab. Peran yang tumpang tindih membuat hasil saling bertentangan.
  • Tentukan format serah terima. Agent berikutnya harus tahu persis bentuk masukan yang diterima: tabel, JSON, atau daftar poin.
  • Beri setiap agent konteks seperlunya. Penguji tidak perlu tahu seluruh riwayat diskusi, cukup spesifikasi dan kodenya. Prinsip ini sama dengan context engineering.
  • Batasi izin per agent. Agent riset cukup bisa membaca web; hanya agent pelaksana yang boleh mengubah file.
  • Tempatkan titik persetujuan manusia sebelum langkah yang mahal atau tidak bisa dibatalkan.

Kapan Cukup Satu Agent

  • Tugas bisa selesai dalam satu sesi tanpa konteks yang meluap.
  • Langkah-langkahnya saling bergantung erat dan tidak bisa dikerjakan paralel.
  • Biaya dan waktu lebih penting daripada sedikit peningkatan kualitas.

Mulailah dari satu agent. Tambah agent hanya saat kamu menemukan masalah yang jelas, misalnya kualitas turun di tugas panjang atau butuh pemeriksa independen.

Kesalahan yang Sering Terjadi

  • Terlalu banyak agent sejak awal. Lima agent untuk tugas yang bisa diselesaikan satu agent hanya menambah biaya dan titik kegagalan.
  • Serah terima tanpa format. Agent penerima menebak-nebak isi yang dikirim.
  • Tidak ada log. Saat hasil akhir salah, kamu harus tahu agent mana yang keliru. Simpan masukan dan keluaran setiap agent.
  • Pemeriksa dengan instruksi yang sama dengan pembuat. Pemeriksa harus punya kriteria sendiri, bukan sekadar "cek apakah sudah benar".

Langkah Berikutnya

Untuk memahami apa itu agent dan seberapa jauh bisa dilepas bekerja sendiri, baca AI agent otonom. Kalau agent perlu mengakses data dan aplikasi lain, pelajari Model Context Protocol.