Seorang pengembang perangkat lunak berbasis India, Amrendra N Mishra, baru-baru ini membagikan implementasi lengkap sistem multi-agen kecerdasan buatan yang dibangun sepenuhnya dari nol menggunakan Python murni tanpa bergantung pada framework populer seperti CrewAI atau AutoGen. Pendekatan ini menantang asumsi umum bahwa membangun arsitektur agen kolaboratif memerlukan abstraksi tingkat tinggi dan dependensi berat, menunjukkan bahwa dengan sekitar 50 baris kode inti, pengembang dapat menciptakan pipeline fungsional yang modular, transparan, dan sepenuhnya dikustomisasi.
Arsitektur yang diusulkan mengadopsi model pipeline berurutan dengan lima agen yang masing-masing memiliki peran spesifik: Peneliti (Researcher), Penulis (Writer), Editor, Peninjau (Reviewer), dan Penerbit (Publisher). Setiap agen didefinisikan oleh tiga atribut fundamental: nama, peran, dan system prompt yang menginstruksikan perilaku model bahasa. Output dari satu agen secara otomatis menjadi input untuk agen berikutnya, menciptakan alur kerja yang mirip dengan redaksi jurnalistik tradisional namun dieksekusi sepenuhnya oleh model bahasa besar (LLM) yang dijalankan secara lokal melalui Ollama.
Implementasi teknis mengandalkan kelas Agent yang mengenkapsulasi logika pemanggilan API ke endpoint Ollama di localhost:11434 dengan model llama3.2. Kelas Pipeline kemudian mengorkestrasi eksekusi berurutan, meneruskan konteks dari satu tahap ke tahap selanjutnya sambil mencatat progres di konsol. Desain ini sengaja menghindari abstraksi kompleks, memungkinkan pengembang untuk melihat persis apa yang terjadi di setiap langkah — keuntungan signifikan saat debugging perilaku agen yang seringkali tidak deterministik.
Salah satu keunggulan pendekatan framework-less ini adalah fleksibilitas dalam pemilihan model per agen. Seperti yang disarankan Mishra, agen Peneliti dapat menggunakan model dengan temperature rendah untuk memastikan keakuratan faktual, sedangkan agen Penulis dapat dikonfigurasi dengan temperature lebih tinggi untuk kreativitas. Bahkan model yang berbeda sepenuhnya dapat ditugaskan: codellama untuk tinjauan kode, llama3.2 untuk penulisan umum, atau model khusus lainnya sesuai kebutuhan domain. Hal ini sulit dicapai dengan mudah pada framework yang mengasumsikan model seragam untuk seluruh pipeline.
Ketergantungan minimal — hanya pustaka requests standar Python — berarti sistem ini dapat dijalankan di lingkungan mana pun yang mendukung Python dan memiliki akses ke endpoint LLM, baik itu Ollama lokal, OpenAI API, Groq, atau penyedia lain yang kompatibel dengan format OpenAI. Ini mengurangi risiko vendor lock-in dan kerentanan rantai pasokan perangkat lunak yang sering mengancam proyek yang bergantung pada ekosistem framework spesifik yang mungkin ditinggalkan atau berubah drastis antar versi mayor.
Dalam konteks praktis, pipeline ini telah terbukti cocok untuk berbagai kasus penggunaan produksi: pembuatan artikel blog otomatis, generasi skrip video, konten media sosial, laporan riset, hingga rantai tinjauan kode (code review chains). Setiap kasus penggunaan hanya memerlukan penyesuaian system prompt dan susunan agen, tanpa menulis ulang logika orkestrasi inti. Logging output setiap agen ke sistem berkas memungkinkan audit trail lengkap, krusial untuk kepatuhan dan perbaikan iteratif.
Namun, pendekatan ini juga menuntut tanggung jawab lebih besar pada pengembang untuk menangani kasus tepi: kegagalan jaringan, timeout model, output yang tidak valid, dan strategi fallback. Framework seperti CrewAI menyediakan mekanisme ini secara bawaan (retry logic, human-in-the-loop, memory management), yang dalam implementasi manual harus dibangun sendiri. Trade-off antara kontrol penuh dan kenyamanan bawaan menjadi pertimbangan arsitektural yang bergantung pada kematangan tim dan kebutuhan proyek.
Bagi ekosistem pengembang Indonesia, demonstrasi ini sangat relevan karena menurunkan barrier to entry untuk bereksperimen dengan arsitektur multi-agen — paradigma yang diprediksi akan mendominasi pengembangan aplikasi AI generatif masa depan. Dengan biaya infrastruktur minimal (dapat dijalankan pada laptop standar via Ollama) dan tanpa biaya lisensi framework, tim startup, mahasiswa peneliti, dan pengembang independen di Indonesia dapat memvalidasi konsep multi-agen untuk produk lokal sebelum berinvestasi pada solusi enterprise yang mahal.