Pilih senjata: kerangka kerja vs loop sendiri

Membangun agent tidak harus rumit dan tidak wajib menggunakan framework berat seperti LangChain atau CrewAI. Kamu bisa membangun agent otonom murni dengan Python/TypeScript dan API LLM standar.

Model Layer vs Application Layer

• Model Layer (LLM): Menginterpretasikan bahasa alami, merutekan intent, dan memilih alat ("calculator", "knowledge_search", atau "none").
• Application Layer (Kodemu): Mengeksekusi fungsi matematika, mencari data, memvalidasi schema, dan mengendalikan alur loop.

---

Implementasi Agent dari Nol (No Frameworks)

Berikut adalah blueprint minimal agen lengkap yang menggunakan simulasi function calling berbasis prompt terstruktur:

import os
import re
import json
import openai

openai.api_key = os.getenv("OPENAI_API_KEY")

# 1. TOOL DEFINITIONS
def calculate_expression(expression):
    safe_expr = re.sub(r'[^0-9+\-*/(). ]', '', expression)
    if safe_expr.strip() == "":
        return None
    try:
        return eval(safe_expr)
    except Exception:
        return None

knowledge_base = {
    "python": "Python adalah bahasa pemrograman yang terkenal dengan keterbacaannya.",
    "openai": "OpenAI adalah perusahaan riset AI pembuat ChatGPT dan GPT-4.",
    "agent": "AI Agent adalah sistem yang mempersepsikan input, memutuskan aksi, dan mengeksekusi tools."
}

def search_knowledge(query):
    q = query.lower()
    for keyword, value in knowledge_base.items():
        if keyword in q:
            return value
    return "Informasi tidak ditemukan di knowledge base."

# 2. MODEL LAYER (TOOL SELECTOR)
def query_tool_selector(user_input):
    messages = [
        {
            "role": "system",
            "content": (
                "Kamu adalah AI Assistant. Berdasarkan pesan pengguna, pilih tool yang tepat: "
                "'calculator', 'knowledge_search', atau 'none'.\n"
                "Jawab HANYA dalam format JSON valid seperti ini:\n"
                '{"tool": "calculator", "input": "5 * (4 + 3)"}\n'
                'atau\n'
                '{"tool": "knowledge_search", "input": "python"}\n'
                'atau\n'
                '{"tool": "none", "input": "Halo!"}'
            )
        },
        {"role": "user", "content": user_input}
    ]
    
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo", # atau model lokal / deepseek / qwen
        messages=messages,
        temperature=0
    )
    try:
        data = json.loads(response.choices[0].message.content)
        return data.get("tool"), data.get("input")
    except Exception:
        return "none", user_input

# 3. APPLICATION LAYER (REASONING LOOP & EXECUTOR)
def run_agent(user_input):
    tool_name, tool_input = query_tool_selector(user_input)
    print(f"[*] Tool Terpilih: {tool_name} | Input: {tool_input}")
    
    if tool_name == "calculator":
        result = calculate_expression(tool_input)
        return f"Hasil Perhitungan: {result}"
    elif tool_name == "knowledge_search":
        result = search_knowledge(tool_input)
        return f"Hasil Pencarian: {result}"
    else:
        return f"Respons Langsung: {tool_input}"

Mengapa Pendekatan Ini Kuat?

1. Zero Framework Lock-in: Nol dependensi misterius, kamu paham 100% setiap baris eksekusi.
2. Swappable: Sangat mudah mengganti model dari OpenAI ke DeepSeek, GLM, Kimi, atau Claude.
3. Mudah Diaudit: Setiap step, pemilihan tool, dan payload JSON tercatat transparan.