Perbedaan mendasar antara sistem multi-agen dan sistem agen tunggal terletak pada pendekatan mereka terhadap pemecahan masalah dan cakupan interaksi.

Sistem agen tunggal menampilkan satu entitas otonom yang bekerja secara independen dalam lingkungannya untuk mencapai sasaran tertentu, tanpa interaksi langsung dengan agen lain. Bayangkan AI yang bermain catur secara terisolasi, menganalisis papan catur, dan membuat keputusan berdasarkan aturan yang telah ditentukan atau strategi yang dipelajari. Sistem seperti ini unggul dalam masalah yang terdefinisi dengan baik, di mana interaksi eksternal minimal dan kontrol terpusat efisien, seperti mesin rekomendasi atau deteksi penipuan. Aplikasi ini sering kali lebih mudah dikembangkan, dengan biaya pemeliharaan yang lebih rendah dan hasil yang dapat diprediksi.

Sebaliknya, sistem multi-agen ditandai dengan adanya beberapa agen dalam lingkungan bersama. Agen-agen ini sering kali terlibat dalam kolaborasi, kompetisi, atau negosiasi saat mereka berupaya mencapai tujuan individu atau kolektif. Mereka seperti tim yang berfungsi dengan baik, di mana setiap agen bertanggung jawab atas sebagian masalah dan berkomunikasi dengan agen lain untuk mencapai tujuan bersama. Beban kerja yang terdistribusi dan peran khusus memungkinkan MAS menangani tantangan kompleks, dinamis, atau berskala besar yang akan membebani satu agen. Meskipun lebih rumit untuk dirancang karena memerlukan protokol komunikasi dan koordinasi yang kuat, MAS menawarkan fleksibilitas, ketahanan, dan skalabilitas yang lebih unggul.

Sistem multi-agen bekerja dengan mendistribusikan tugas dan komunikasi di antara agen individual, yang masing-masing bekerja sama untuk mencapai tujuan dalam lingkungan bersama. Proses ini biasanya melibatkan:

• Persepsi: Agen mengamati lingkungan sekitar dan mengumpulkan data. Hal ini dapat mencakup sinyal langsung atau memperhatikan perubahan di lingkungan bersama mereka (juga dikenal sebagai stigmergy).
• Penalaran dan pengambilan keputusan: Dalam sistem multi-agen modern, penalaran ini didukung oleh model bahasa besar (LLM) yang bertindak sebagai "otak" agen. LLM unggul dalam memahami niat pengguna yang kompleks, melakukan penalaran multi-langkah, dan membuat rencana untuk mencapai tujuan. Berdasarkan data dari persepsinya, agen yang didukung LLM memutuskan tindakan yang paling logis.
• Tindakan: Agen menjalankan tindakan yang direncanakan dalam lingkungan.
• Interaksi: Agen tidak bekerja secara terpisah; mereka berkomunikasi, berkoordinasi, bernegosiasi, dan berkolaborasi satu sama lain. Hal ini mungkin melibatkan pengiriman pesan langsung, berbagi informasi, atau memodifikasi lingkungan yang kemudian dapat diamati oleh agen lain.
• Orkestrasi: MAS modern beroperasi berdasarkan prinsip orkestrasi, di mana tugas yang kompleks dipecah menjadi alur kerja agentic yang terstruktur. Anggap saja ini sebagai rencana proyek yang menugaskan peran dan tanggung jawab tertentu kepada agen yang berbeda. "Orchestrator" atau struktur grafik yang telah ditentukan sebelumnya memastikan bahwa agen dipanggil dalam urutan yang benar, informasi mengalir di antara mereka, dan tujuan akhir tercapai. Hal ini melampaui komunikasi sederhana menjadi proses terkelola dan berorientasi tujuan, yang menjadi fokus framework modern seperti CrewAI dan LangGraph.

Kerja sama ini memungkinkan sistem multi-agen beradaptasi dan memecahkan masalah yang kompleks.

Sistem multi-agen terdiri dari tiga elemen dasar: agen, lingkungan, dan mekanisme interaksi.

Ini adalah entity aktif yang membuat keputusan dalam sistem. Setiap agen memiliki tingkat otonomi, yang berarti agen dapat bekerja secara mandiri, memahami lingkungan lokalnya, dan membuat pilihan berdasarkan tujuannya dan informasi yang tersedia. Agen dapat berupa program software dan bot hingga robot fisik, drone, sensor, atau bahkan manusia. Agen ini adalah entity independen dengan peran dan fungsi tertentu.

Ini adalah ruang bersama tempat agen bekerja, memahami, dan berinteraksi. Lingkungan dapat berupa virtual, seperti dunia simulasi atau jaringan, atau fisik, seperti lantai pabrik untuk agen robotik. Lingkungan menyediakan resource, membatasi, dan berfungsi sebagai media komunikasi tidak langsung.

Untuk bekerja sama, agen perlu berkomunikasi satu sama lain. Protokol komunikasi adalah aturan tentang cara mereka bertukar informasi. Hal ini mencakup cara pesan diformat (seperti menggunakan JSON atau XML) dan cara pesan dikirim (seperti menggunakan HTTP atau MQTT). Bahasa komunikasi agen (ACL), seperti FIPA ACL dan KQML, menawarkan cara standar bagi agen untuk berinteraksi dan berbagi informasi mendetail.

• FIPA ACL (Foundation for Intelligent Physical Agents - Agent Communication Language) adalah bahasa yang banyak digunakan untuk membantu agen software cerdas berkomunikasi satu sama lain. Hal ini didasarkan pada cara manusia berkomunikasi, di mana "tindakan" tertentu (seperti "meminta" atau "menginformasikan") memiliki makna yang jelas. Pesan ACL FIPA memiliki kolom untuk pengirim, penerima, tindakan, dan konten pesan sebenarnya, sehingga komunikasi menjadi jelas.
• Mekanisme koordinasi adalah metode yang digunakan agen untuk menyelesaikan perbedaan pendapat, menyelaraskan tujuan, dan bekerja secara efektif sebagai tim. Contohnya termasuk agen yang menawar tugas (seperti dalam lelang), memberikan suara untuk keputusan, atau menggunakan sistem yang disebut "contract nets".

Sistem multi-agen dapat bermanfaat di berbagai bidang yang memerlukan kolaborasi, kemampuan beradaptasi, dan ketahanan untuk memecahkan masalah yang kompleks.

MAS mampu menguraikan proses rumit menjadi tugas yang lebih kecil dan mudah dikelola, menugaskannya kepada agen khusus, dan mengatur pelaksanaannya.

• Pengelolaan supply chain: Sistem multi-agen dapat menghubungkan berbagai komponen supply chain, mulai dari manufaktur hingga pembelian konsumen. Agen virtual dapat bernegosiasi satu sama lain untuk memprediksi kebutuhan stok, mengelola sumber daya, dan menyesuaikan operasi secara real time.
• Layanan pelanggan: Dalam dukungan pelanggan, agen AI dapat bekerja sama untuk melacak masalah, merekomendasikan perbaikan, meningkatkan solusi, dan bahkan menangani penyesuaian tagihan atau pengembalian dana. Satu agen dapat menangani pertanyaan awal, agen lain menarik dokumentasi yang relevan, dan agen ketiga membuat respons yang dipersonalisasi.
• Pengembangan software: Tim agen dapat dirancang untuk merespons permintaan bug, menganalisis bug sebelumnya untuk mencari kesamaan, membuat tiket baru, dan bahkan memberikan bantuan engineering dengan membuat saran kode atau mengelola peninjauan kode.

Sifat terdistribusi dan otonomi agen memungkinkan sistem multi-agen bekerja dengan baik bahkan di lingkungan yang terus berubah.

• Pengelolaan lalu lintas dan transportasi: MAS dapat menangani sistem transportasi yang rumit seperti jaringan kereta api, penugasan truk, atau kapal. Agen dapat membagikan informasi lalu lintas dan rute secara live untuk membantu kelancaran lalu lintas dan menghindari kemacetan di area perkotaan yang ramai.
• Robotika dan sistem otonom: Di gudang, banyak robot bekerja sama untuk menghindari tabrakan saat memenuhi pesanan. Demikian pula, grup robot pengiriman otonom dapat berbagi informasi lalu lintas dan rute secara live untuk mengirimkan barang secara efisien.
• Sistem pertahanan: MAS dapat membantu memperkuat sistem pertahanan dengan mensimulasikan potensi ancaman, seperti serangan cyber atau skenario maritim, sehingga memungkinkan perencanaan dan respons yang lebih proaktif.

MAS adalah alat canggih untuk menyimulasikan interaksi dan memahami perilaku yang muncul dalam sistem yang kompleks.

• Perdagangan keuangan: Beberapa agen dapat menganalisis data pasar, mempertimbangkan risiko, dan melakukan perdagangan di berbagai kelas aset. Beberapa agen berfokus pada pasar tertentu, sementara yang lain mencari pola yang lebih luas. Hal ini dapat membantu perusahaan memproses dan menindaklanjuti data dalam jumlah besar secara real time.
• Layanan kesehatan dan kesehatan masyarakat: Sistem berbasis agen dapat membantu memprediksi dan mencegah penyakit melalui analisis genetik, serta membantu mengelola sumber daya rumah sakit, seperti penugasan tempat tidur, jadwal staf, dan alokasi peralatan medis.
• Simulasi sosial: MAS dapat memodelkan interaksi sosial dan perilaku yang muncul dalam populasi simulasi, yang dapat berguna untuk mempelajari berbagai fenomena sosial yang kompleks.

Meskipun sistem multi-agen dapat membantu, sistem ini juga dapat menimbulkan beberapa tantangan potensial:

• Sulit dikelola: Sulit untuk membuat banyak agen independen bekerja sama tanpa bentrokan, terutama saat lebih banyak agen ditambahkan.
• Komunikasi yang berlebih: Semakin banyak agen berarti semakin banyak pesan, yang dapat memperlambat proses. Komunikasi yang jelas dan cepat adalah suatu keharusan.
• Tindakan tak terduga: Cara agen berinteraksi dapat menghasilkan hasil yang mengejutkan dan tidak direncanakan, sehingga sulit untuk menguji setiap kemungkinan hasil.
• Kekhawatiran keamanan: Dalam sistem yang berbagi informasi sensitif, penting untuk memiliki keamanan yang kuat. Agen berbahaya dapat menyebabkan masalah dengan memberikan informasi yang salah, menolak bekerja sama, atau membagikan informasi sensitif.
• Pembangunan dan penggunaan yang kompleks: Pembuatan sistem ini memerlukan perencanaan yang cermat dan pemahaman yang baik tentang cara agen berkomunikasi satu sama lain. Tim perlu mengetahui AI terdistribusi dan aturan komunikasi yang kuat.
• Biaya operasi: Ketergantungan yang besar pada LLM yang canggih, sering kali melalui panggilan API, dapat menyebabkan biaya komputasi yang signifikan. Menskalakan sistem multi-agen dapat menjadi sangat mahal jika tidak dikelola dengan cermat.
• Grounding faktual dan halusinasi: Agen yang didukung oleh LLM dapat "berhalusinasi"—menghasilkan informasi yang terdengar masuk akal tetapi faktanya salah. Memastikan output agen didasarkan secara andal pada sumber data faktual adalah kendala teknis yang besar.
• Debug dan evaluasi yang kompleks: Munculnya perilaku non-deterministik dari agen-agen yang berinteraksi membuat proses debug menjadi sangat sulit. Melacak error kembali ke sumbernya dalam alur kerja multi-langkah yang kompleks memerlukan alat evaluasi dan logging yang canggih.

Untuk membantu developer membangun dan mengelola sistem multi-agen, beberapa framework menyediakan alat untuk mendesain, mengoordinasikan, dan men-deploy agen otonom. Berikut beberapa opsi populer

Penerapan sistem multi-agen melibatkan beberapa langkah penting, mulai dari desain hingga deployment:

1. Menentukan masalah dan sasaran: Nyatakan dengan jelas masalah yang perlu diselesaikan oleh sistem dan apa yang Anda inginkan dari keseluruhan sistem dan setiap agen individual.

2. Menentukan desain agen:

• Mengidentifikasi peran agen: Ketahui pekerjaan spesifik yang akan dilakukan setiap jenis agen
• Menentukan kemampuan agen: Tentukan apa yang dapat dirasakan setiap agen, apa yang dapat dilakukannya, dan bagaimana ia membuat keputusan
• Menentukan kemandirian agen: Tentukan seberapa besar kebebasan yang dimiliki setiap agen untuk membuat pilihan sendiri

3. Membuat model lingkungan: Buat ruang bersama tempat agen akan bekerja. Hal ini mencakup fitur, resource, dan aturan.

4. Menentukan metode komunikasi:

• Memilih bahasa: Pilih bahasa yang akan digunakan agen untuk berkomunikasi satu sama lain (seperti FIPA ACL) dan tampilan pesan mereka
• Menetapkan aturan: Rancang aturan tentang cara agen berkomunikasi, bekerja sama, dan menyelesaikan perselisihan; ini bisa berupa pesan langsung, memori bersama, atau berbicara melalui lingkungan

5. Mengoordinasikan strategi: Terapkan cara untuk memastikan agen bekerja sama dengan baik dan menyelesaikan konflik. Hal ini dapat melibatkan satu agen pengendali utama, aturan bagi agen untuk bernegosiasi, atau kolaborasi alami.

6. Mengintegrasikan alat: Beri agen akses ke alat atau program eksternal yang mereka perlukan untuk tugas mereka, seperti database, layanan lain, atau model AI lainnya.

7. Kode: Pilih bahasa pemrograman (seperti Python atau Java) dan framework multi-agen (seperti JADE, Mesa, Ray, AutoGen, atau CrewAI) untuk membangun agen dan menyiapkan interaksi mereka.

8. Menguji dan memvalidasi: Uji sistem secara menyeluruh untuk memastikan agen bertindak sesuai harapan, bekerja sama dengan baik, dan mencapai sasaran keseluruhan. Hal ini sangat sulit dilakukan karena perilaku yang tidak terduga.

9. Men-deploy dan memantau: Tempatkan sistem di infrastruktur yang sesuai dan siapkan pemantauan untuk melacak performanya, menemukan masalah, dan memastikan sistem terus berfungsi dengan baik.

Google Cloud menyediakan infrastruktur yang tangguh dan skalabel yang dapat menjadi platform ideal untuk mengembangkan, men-deploy, dan mengelola sistem multi-agen. Rangkaian layanannya yang komprehensif mendukung berbagai komponen dan interaksi di MAS:

• Resource komputasi: Deployment banyak agen, terutama yang memanfaatkan model AI intensif seperti LLM, memerlukan daya komputasi yang signifikan
• Google Kubernetes Engine (GKE): GKE menyediakan lingkungan terkelola untuk men-deploy, menskalakan, dan mengelola aplikasi dalam container, yang sangat cocok untuk mengorkestrasi banyak agen individual
• Compute Engine: Untuk kontrol yang lebih terperinci atas virtual machine (VM), Compute Engine menawarkan instance VM yang fleksibel dan dapat disesuaikan untuk menghosting proses agen
• Penanganan dan penyimpanan data: Agen sering kali perlu menyimpan dan mengambil data dalam volume besar untuk persepsi, pembelajaran, dan pengambilan keputusan
• Cloud Storage: Menawarkan penyimpanan objek yang sangat skalabel dan tahan lama untuk data, log, dan model agen
• BigQuery: Data warehouse serverless yang terkelola sepenuhnya yang dapat menyimpan dan menganalisis set data besar, berguna bagi agen yang melakukan tugas intensif data atau untuk menganalisis perilaku agen kolektif
• Cloud SQL atau Cloud Firestore: Database relasional dan NoSQL terkelola, cocok untuk agen menyimpan status, basis pengetahuan individual, atau histori interaksi
• Komunikasi antar-agen: Pengiriman pesan yang efisien sangat penting bagi agen untuk berkoordinasi dan berbagi informasi
• Pub/Sub: Layanan pesan real-time yang memungkinkan komunikasi asinkron antar-agen, ideal untuk arsitektur yang terpisah dan interaksi berbasis peristiwa; agen dapat memublikasikan pesan ke topik dan berlangganan topik yang relevan, sehingga memfasilitasi komunikasi tanpa pengetahuan endpoint langsung
• A2A Protocol: Standar terbuka, yang awalnya dikembangkan oleh Google, yang memungkinkan komunikasi dan kolaborasi yang aman antara berbagai agen AI. Standar ini bertindak sebagai penerjemah universal, yang memungkinkan agen dari berbagai framework dan vendor untuk saling menemukan, bertukar informasi (termasuk teks, audio, dan video), serta mengoordinasikan tindakan. A2A berfokus pada interaksi agen-ke-agen, yang melengkapi Model Context Protocol (MCP) yang menangani komunikasi agen-ke-alat.
• Kemampuan AI dan machine learning: Banyak agen menggabungkan model AI untuk kecerdasan dan pengambilan keputusan mereka
• Vertex AI: Platform ML terpadu Google ini merupakan pusat untuk membangun agen cerdas; platform ini menyediakan akses ke model dasar yang canggih seperti Gemini untuk penalaran, dan yang terpenting, platform ini mencakup Vertex AI Agent Builder; layanan terkelola ini mempercepat pengembangan agen AI generatif tingkat perusahaan dengan menyediakan alat untuk mendasarkan agen pada data perusahaan, menghubungkannya ke API eksternal, dan membangun pengalaman percakapan yang berorientasi pada tujuan
• API terlatih: Agen dapat memanfaatkan API AI terlatih Google Cloud (misalnya, Vision AI, Natural Language API) untuk meningkatkan persepsi dan pemahaman mereka terhadap berbagai jenis data
• Jaringan dan keamanan: Memastikan komunikasi yang aman dan efisien dalam MAS.
• Virtual Private Cloud (VPC): Membuat lingkungan jaringan yang aman dan terisolasi untuk agen dan layanan Anda
• Identity and Access Management (IAM): Mengelola izin dan kontrol akses untuk agen yang berinteraksi dengan resource Google Cloud

Dengan menggunakan layanan Google Cloud ini, developer dapat membangun sistem multi-agen yang tangguh, skalabel, dan cerdas, sehingga memungkinkan aplikasi AI canggih yang mengatasi beberapa tantangan paling kompleks di dunia.