Membangun agen AI yang memanggil tool sekali pun terasa mudah. Framework modern seperti LangChain atau AutoGen memungkinkan integrasi dalam sepuluh baris kode. Namun, menjalankan ratusan panggilan tool setiap hari selama enam bulan tanpa henti — itu tantangan arsitektur yang sama sekali berbeda. Seorang pengembang yang mengelola pipeline otomatis 24/7 membagikan delapan pola desain yang lahir dari kegagalan nyata di lapangan, bukan teori laboratorium.
Pipeline tersebut mengeksekusi 400 hingga 600 panggilan tool per hari, mencakup pencarian web, kueri database, generasi konten, penerbitan, dan integrasi API. Bulan pertama operasi mengungkap deretan masalah: model bahasa menciptakan nama argumen yang tidak ada di skema, memanggil tool yang sama dengan tiga set parameter berbeda, panggilan API lambat memblokir seluruh alur selama lebih dari enam puluh detik, hingga operasi penghapusan terpicu tanpa konfirmasi. Semuanya bukan kesalahan framework, melainkan celah arsitektur yang harus ditutup.
Pola pertama adalah "Parameter Validation Wall". Model bahasa memiliki batas kabur terhadap skema tool — mereka bisa meneruskan string "42" di mana integer diharapkan, mengarang nilai enum, atau menyertakan parameter yang tidak ada. Solusinya: validasi di batas tool, jangan percaya pada LLM. Pengembang menerapkan daftar domain putih untuk pengiriman email, batas panjang subjek, dan aturan ketat lainnya. Hasilnya, 18 persen panggilan tool dihentikan oleh dinding validasi ini — bukan karena model "buruk", melainkan karena batas tool memang ambigu bagi model bahasa.
Masalah paling licik muncul dari *retry* otomatis: panggilan tool *timeout*, framework mencoba ulang, dan keduanya berhasil — tapi hanya satu respons yang diterima. Akibatnya, eksekusi ganda. Pola kedua, "Idempotency Keys", memecahkannya dengan kunci hash dari nama tool dan argumen terurut. Selama enam bulan, pola ini menghilangkan 100 persen insiden publikasi ganda. Nol insiden. Setiap hasil dieksekusi sekali, tidak peduli berapa kali *retry* terjadi.
Panggilan tool lambat yang memblokir seluruh pipeline diselesaikan dengan pola "Timeout + Graceful Degradation". Alih-alih melempar pengecualian, fungsi mengembalikan hasil terdegradasi dengan bendera `fallback: true`. Agen kemudian memutuskan apakah mencoba ulang, melewati, atau beralih ke tool lain. Pipeline tidak *crash*. Pendekatan brutal sederhana ini menjaga kelangsungan hidup sistem di bawah beban tidak terduga.
Saat jumlah tool melebihi dua puluh, menyebarkan dekorator `@tool` di lima belas berkas menciptakan kabus *debugging*. Pola keempat, "Tool Registry", memusatkan pendaftaran ke dalam tabel pencarian tunggal. Setiap tool terdaftar dengan nama, skema, dan dokumentasi. Pemanggilan tool menjadi *lookup* dictionary, dan audit menjadi kueri tabel. Kejelasan arsitektur meningkat drastis.
Operasi destruktif — hapus, timpa, publikasi, eksekusi SQL — tidak boleh dieksekusi dari satu inferensi LLM. Pola kelima, "Confirmation Gate", mewajibkan parameter `confirmed: bool = False`. Model harus secara eksplisit mengonfirmasi sebelum aksi dijalankan. Setiap permintaan konfirmasi dicatat, mengubah "hampir terhapus" menjadi data audit, bukan bencana.
Ketika sesuatu salah, *debugging* tanpa jejak transaksi hanyalah tebakan. Pola keenam, "Call Replay Log", mencatat setiap panggilan: masukan, keluaran, durasi, dan stempel waktu ke SQLite. Sebelumnya, *debug* memakan 45 menit rata-rata. Setelah *logging* terpusat, turun menjadi tiga menit. *Debugging* berubah dari seni menebak menjadi kueri SQL.
Polanya ketujuh, "Circuit Breaker", mencegah spiral kematian saat tool gagal beruntun. Setelah tiga kegagalan berturut-turut dalam enam puluh detik, *breaker* terbuka dan menghentikan panggilan lebih lanjut. Sistem berhenti membakar token untuk panggilan yang tak mungkin berhasil, dan mengeskalasi ke pengawas manusia. Sederhana, tapi efektif menghentikan kerusakan berantai.
Delapan pola ini bukan daftar *checklist* opsional. Mereka adalah fondasi minimum untuk sistem agen AI yang hidup di produksi nyata — di mana kegagalan bukan kemungkinan, tapi kepastian. Bagi tim engineering Indonesia yang mulai mengadopsi agen AI untuk otomatisasi bisnis, pola-pola ini menawarkan peta jalan menghindari jebakan yang sudah dibayar mahal oleh pelopor. Investasi pada arsitektur *defensive* sejak awal jauh lebih murah dibandingkan memperbaiki kerusakan di tengah malam.