Tentang Sesi Ini
Ringkasan & metadata
Sesi ini membahas dua pola paling menentukan pada aplikasi generative AI modern: tool use (sering disebut function calling) dan agent. Intinya sederhana tetapi berdampak besar: alih-alih model yang cuma merangkai kalimat, kita memberi model kemampuan untuk memanggil fungsi atau API, membaca hasilnya, lalu memutuskan langkah berikutnya. Dari sinilah lahir asisten yang tidak hanya menjawab, tetapi benar-benar menyelesaikan tugas.
Perbedaan mendasarnya begini. Model bahasa biasa hanya bisa menebak teks berikutnya — pengetahuannya terkunci pada saat pelatihan dan ia tak tahu stok gudang hari ini atau harga terkini. Dengan tool use, model bisa berkata "saya perlu memanggil cekStok(produk)", sistem menjalankannya, mengembalikan angka nyata, dan model melanjutkan penalaran. Ketika hal ini dirangkai menjadi orkestrasi multi-langkah — memanggil beberapa alat berurutan, menangani error, dan menyusun jawaban akhir — model berubah menjadi agen.
Kenapa penting untuk Anda? Kalau Anda ingin AI yang bukan sekadar "chatbot pintar" melainkan asisten yang bisa mengecek data langsung, membuat tiket, atau mengirim notifikasi, maka tool use & agent adalah fondasi yang harus dipahami sebelum menyentuh implementasi di Amazon Bedrock.
Apa Itu & Bagaimana Bekerjanya
Apa itu tool use (function calling)
Tool use adalah mekanisme yang memungkinkan model bahasa meminta agar sebuah fungsi atau API dijalankan. Penting dipahami: model tidak menjalankan kodenya sendiri. Yang dilakukan model hanyalah menghasilkan sebuah "permintaan terstruktur" — biasanya berupa nama alat dan argumennya dalam format JSON. Aplikasi Andalah yang benar-benar mengeksekusi fungsi itu, lalu mengembalikan hasilnya ke model.
Prosesnya seperti percakapan bergiliran: (1) Anda memberi model daftar alat yang tersedia beserta deskripsi & parameternya; (2) saat menjawab, model boleh memilih memanggil alat; (3) sistem menjalankan alat dan menyerahkan hasil; (4) model memakai hasil itu untuk menyusun jawaban — atau memanggil alat lain lagi. Inilah yang membedakan model yang hanya menjawab dari agen yang bertindak: agen mengulang siklus "nalar → panggil alat → amati hasil" sampai tugas tuntas.
Agar banyak alat bisa disambungkan secara rapi dan bisa dipakai ulang, muncul protokol standar bernama MCP (Model Context Protocol). MCP berperan seperti "colokan universal": daripada menuliskan integrasi khusus untuk tiap alat, Anda menyediakan alat lewat sebuah MCP server, dan agen mana pun yang mendukung MCP bisa langsung memakainya. Di Amazon Bedrock, pola ini diwujudkan lewat layanan seperti AgentCore (mis. komponen Gateway yang mengubah API/Lambda menjadi alat berstandar MCP).
Bahan penyusun
Berikut elemen-elemen yang dibahas di sesi, dengan fungsi ringkasnya:
Elemen-elemen ini bekerja bersama. Sebuah agen memakai Amazon Bedrock untuk bernalar, memilih Tool yang tepat lewat MCP/Gateway, dibatasi oleh Identity agar hanya menyentuh data yang boleh, dijaga oleh error handling saat sebuah panggilan gagal, dan seluruh langkahnya direkam oleh Observability agar bisa ditelusuri.
Analogi yang Mudah Dicerna
Kotak perkakas untuk sang asisten
Ibaratnya, sebuah model bahasa biasa adalah konsultan pandai yang hanya bisa bicara. Anda bertanya "kran di rumah bocor", ia menjelaskan panjang lebar cara memperbaikinya — tetapi krannya tetap bocor. Tool use adalah memberi konsultan itu sebuah kotak perkakas — obeng, kunci pipa, senter — plus aturan kapan dan bagaimana setiap alat dipakai. Kini ia tak lagi cuma menjelaskan: ia mengambil kunci pipa dan benar-benar memperbaiki krannya.
- Model (otak) = si asisten yang bisa bernalar dan memutuskan alat mana yang cocok untuk situasi ini.
- Tool / API = perkakas di dalam kotak — cek stok, kirim notifikasi, buat tiket. Masing-masing punya "petunjuk pakai" (deskripsi & parameter).
- Aturan pakai (izin) = tidak semua orang boleh memakai semua alat; asisten hanya boleh mengambil perkakas yang relevan & diizinkan.
- Agen = asisten yang sanggup memakai beberapa perkakas berurutan untuk satu pekerjaan besar — mengukur, memotong, lalu memasang.
- Penanganan error = kalau obeng patah, ia tidak menyerah; ia mengambil obeng lain atau melapor dengan jelas.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, sebuah aplikasi ber-agen dengan tool use terlihat seperti ini: aplikasi Anda mengirim permintaan pengguna ke agen, agen bernalar memakai model di Amazon Bedrock, memutuskan alat yang perlu dipanggil, lalu menyentuh alat-alat itu lewat lapisan MCP/Gateway — dibatasi Identity dan dipantau Observability. Alat bisa berupa API internal, database, atau layanan aksi (buat tiket, kirim notifikasi).
Alur kerja satu permintaan
Ketika pengguna mengetik "apakah produk X masih ada dan tolong buatkan tiket kalau habis?", inilah siklus yang terjadi:
- Masuk & nalar. Agen (dengan model Bedrock) memahami maksud dan memutuskan perlu memanggil alat
cekStok. - Panggil alat. Lewat Gateway, alat
cekStok(X)dijalankan dan mengembalikan angka nyata. - Amati hasil. Agen membaca hasil; misalnya stok = 0.
- Langkah berikutnya. Karena habis, agen memanggil alat kedua
buatTiket()lalukirimNotifikasi(). - Tangani error. Jika sebuah alat gagal, agen mencoba ulang atau melapor dengan jelas alih-alih mengarang jawaban.
- Susun & rekam. Agen merangkai jawaban akhir; Observability mencatat tiap panggilan untuk audit.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga pola penerapan tool use & agent yang khas di Indonesia.
Cek stok & harga secara langsung
Sebuah retailer membangun asisten belanja. Ketika pelanggan bertanya "kulkas 2 pintu warna silver masih ada?", agen tidak menebak — ia memanggil alat cekStok dan cekHarga ke API internal, mendapat angka terkini, lalu menjawab dengan harga dan ketersediaan yang benar. Identity memastikan agen hanya membaca katalog publik, bukan data biaya rahasia. Hasilnya: jawaban akurat, bukan halusinasi.
Menjawab sekaligus mengambil tindakan
Sebuah bank menggabungkan RAG (mengambil jawaban dari basis pengetahuan kebijakan) dengan tools (aksi nyata). Nasabah bertanya "bagaimana cara blokir kartu saya yang hilang?" — agen menjelaskan prosedurnya dari dokumen resmi (RAG), lalu, atas persetujuan nasabah, memanggil alat blokirKartu() untuk benar-benar mengeksekusinya. Menjawab dan bertindak dalam satu percakapan, dengan seluruh langkah terekam untuk kepatuhan.
Buat tiket & kirim notifikasi
Tim IT sebuah perusahaan logistik memakai agen untuk menangani laporan gangguan. Saat sistem mendeteksi keluhan "aplikasi kurir error", agen memanggil rangkaian alat berurutan: buatTiket() di sistem helpdesk, tetapkanPrioritas(), lalu kirimNotifikasi() ke kanal tim terkait. Jika salah satu alat gagal, agen mencoba ulang atau mengeskalasi — bukan diam. Pekerjaan berulang yang tadinya manual kini berjalan otomatis dan tercatat rapi.
Ringkasan Visual (Geser)
Ringkasan visual
Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.
Poin yang Bisa Dibawa Pulang
Poin yang bisa dibawa pulang
- Tool use mengubah aturan main. Model bukan lagi penebak teks, melainkan asisten yang bisa memanggil fungsi & API untuk data dan aksi nyata.
- Agen = tool use berulang. Siklus nalar → panggil alat → amati → lanjut, itulah yang membuat asisten menyelesaikan tugas multi-langkah.
- MCP menstandarkan alat. Satu server alat, dipakai banyak agen — di Bedrock lewat AgentCore Gateway.
- Produksi butuh disiplin. Batasi izin alat, tangani error, dan pantau tiap langkah agar agen andal & bisa dipercaya.