Membangun Aplikasi AI Nyata: Panduan Pemanggilan Fungsi dan

Dalam seri fundamental AI sebelumnya, kita telah mempelajari bagaimana LLM menghasilkan teks dan bagaimana teknik seperti RAG dan CAG membantunya menjawab pertanyaan menggunakan pengetahuan eksternal. Pada titik ini, Travel Planner yang didukung AI kita dapat menjawab pertanyaan seperti "Saya akan berkunjung ke Jepang selama 7 hari. Saran itinerary" atau "Rekomendasikan ramen vegetarian dekat Stasiun Tokyo.". Ini berguna, tetapi masih sekadar chatbot. Bagaimana jika pengguna bertanya "Pesan penerbangan termurah dari Mumbai ke Tokyo.", "Apa cuaca di Kyoto akhir pekan ini?", atau "Ingat saya lebih suka makanan vegetarian dan selalu memilih kursi jendela."? LLM tidak dapat mengeksekusi tindakan-tindakan ini sendiri. Untuk membangun aplikasi AI yang benar-benar siap produksi, kita perlu menghubungkan model ke dunia luar. Mari kita lihat cara kerjanya. Pemanggilan Alat (Function Calling): Membiarkan AI Menggunakan Alat Eksternal Misalkan pengguna bertanya: "Apa cuaca di Kyoto besok?" Karena LLM tidak mengetahui prakiraan besok, aplikasi kita dapat memberikan model akses ke API cuaca. Alur kerjanya sederhana: LLM memahami permintaan, menentukan bahwa ia memerlukan alat cuaca, memanggil API Cuaca (melalui aplikasi klien), menerima data cuaca langsung, dan menghasilkan respons akhir yang berdasar. Pengguna ─► LLM memahami permintaan ─► Aplikasi memanggil API ─► Aplikasi mengirim hasil ─► LLM merespons. Penting untuk dipahami bahwa LLM tidak memanggil API secara langsung. Ia hanya mengeluarkan instruksi terstruktur (biasanya JSON) yang memberitahu aplikasi klien: "Untuk menjawab ini, saya perlu Anda memanggil fungsi cuaca dengan parameter lokasi='Kyoto'." Aplikasi Anda mengeksekusi panggilan API yang sebenarnya dan memberi umpan kembali hasilnya ke model. Kemampuan ini disebut pemanggilan fungsi atau pemanggilan alat. Alat dapat berupa apa saja: API cuaca, layanan pemesanan penerbangan, kalender, basis data, gateway pembayaran, atau sistem internal perusahaan. LLM bertindak sebagai pengambil keputusan (menentukan alat mana yang digunakan dan kapan), sementara aplikasi Anda bertindak sebagai pelaksana. 💡 Catatan Pengembang: Anggap LLM sebagai pengambil keputusan, bukan pelaksana. Aplikasi Anda tetap bertanggung jawab untuk memanggil API, menangani autentikasi, memvalidasi input, dan mengelola kegagalan. Memori: Mengingat Pengguna Jika seorang pengguna telah berinteraksi dengan Travel Planner kita sebelumnya, kita ingin mengingat preferensi mereka: bahwa mereka lebih suka makanan vegetarian, bepergian dengan kereta api, memilih kursi jendela, dan tidak suka penerbangan pagi. Ketika mereka bertanya untuk "Merencanakan perjalanan saya ke Jepang," planner dapat secara otomatis menggabungkan pilihan-pilihan ini. Di sinilah memori berperan. Aplikasi AI umumnya menggunakan dua jenis memori: Memori Jangka Pendek: Ini adalah riwayat pesan percakapan aktif saat ini. Model dapat menghubungkan pesan karena mereka tetap berada dalam jendela konteks aktif. Begitu percakapan berakhir atau jendela konteks dibersihkan, informasi ini hilang. Memori Jangka Panjang (Permanen): Ini menyimpan informasi di seluruh percakapan (misalnya, maskapai penerbangan favorit, batasan diet, bandara asal). Tidak seperti memori jangka pendek, informasi ini disimpan di luar model—biasanya dalam basis data—dan disuntikkan kembali ke dalam prompt masa depan ketika relevan. 💡 Catatan Pengembang: LLM tidak secara permanen mengingat pengguna dengan sendirinya. Memori jangka panjang yang persisten adalah fitur tingkat aplikasi (menyimpan data ke basis data dan memuatnya ke dalam konteks) daripada kemampuan model yang melekat. MCP (Model Context Protocol): Standardisasi Koneksi Seiring dengan pertumbuhan aplikasi AI, pengembang menghadapi tantangan: setiap alat memerlukan integrasi khusus. Menghubungkan LLM ke Google Calendar, Slack, GitHub, Jira, PostgreSQL, dan basis data perjalanan eksternal menggunakan wrapper khusus yang berbeda dapat dengan cepat menghasilkan kode yang berantakan. Model Context Protocol (MCP) menstandarisasi integrasi ini. Sama seperti USB berfungsi sebagai standar universal yang memungkinkan komputer terhubung ke keyboard, mouse, atau drive apa pun tanpa memerlukan konektor perangkat keras khusus, MCP menstandarisasi cara model menemukan, mengakses, dan menanyakan alat eksternal. Alih-alih menulis endpoint wrapper khusus untuk setiap alat, pengembang menulis server MCP yang mengekspos kemampuan dalam format yang distandarisasi. 💡 Catatan Pengembang: MCP tidak menggantikan API; ia menstandarisasi skema dan lapisan transport, sehingga jauh lebih mudah bagi aplikasi AI untuk menemukan dan memanfaatkan mereka. Agen AI: Alur Kerja yang Diorkestrasi Ketika seorang pengguna berkata: "Rencanakan perjalanan 5 hari ke Jepang pada bulan Oktober. Pesan penerbangan, rekomendasikan restoran vegetarian, periksa cuaca, dan buat jadwal kalender itinerary." mereka tidak meminta balasan sederhana. Mereka meminta urutan tugas: Cari panduan perjalanan menggunakan RAG/CAG. Periksa prakiraan cuaca melalui alat. Cari penerbangan dan hotel. Saring berdasarkan batasan diet menggunakan memori. Buat jadwal kalender. Susun respons itinerary yang terintegrasi. Kombinasi penalaran, penggunaan alat, memori, dan pengetahuan eksternal yang bekerja dalam loop untuk mencapai tujuan multi-langkah inilah yang kita sebut agen AI. Agen bukanlah jenis model baru; ini adalah sistem orkestrasi yang dibangun di sekitar LLM. 💡 Catatan Pengembang: Sebagian besar agen AI produksi adalah kerangka kerja orkestrasi wrapper (seperti LangChain, AutoGen, atau mesin keadaan khusus) yang dirancang untuk mengkoordinasikan keputusan model dan output alat—mereka bukan basis kode otonom yang ajaib. LLM vs. SLM: Memilih Skala yang Tepat Sementara kita telah fokus pada LLM, Anda juga akan menemui istilah SLM (Small Language Model). Perbedaannya terutama pada skala: LLM (Large Language Model) SLM (Small Language Model) Ukuran parameter yang sangat besar (70B+) Ukuran parameter yang lebih kecil (1B - 8B) Kebutuhan komputasi/GPU yang tinggi Ringan, seringkali dapat berjalan secara lokal Penalaran kompleks yang luar biasa Dioptimalkan untuk tugas yang fokus dan sempit Untuk contoh, asisten dukungan pelanggan yang fokus menjawab FAQ mungkin berjalan dengan sempurna pada SLM, menghemat biaya dan latensi yang besar dibandingkan dengan LLM yang besar. 💡 Catatan Pengembang: Selalu evaluasi model terkecil yang dapat diandalkan untuk menyelesaikan masalah Anda.