Bukan Sekadar Chatbot, Developer Kini Beralih ke Agent Harness untuk Otomasi Kerja Berbasis AI
Tasya
12 November 2026
3 menit baca
Istilah agent harness semakin sering muncul dalam percakapan pengembang perangkat lunak sepanjang 2026. Konsep ini merujuk pada kerangka kerja yang membungkus model bahasa besar (LLM) sehingga model tidak hanya menjawab pertanyaan, tetapi juga dapat menjalankan tugas secara bertahap, seperti membaca file, memanggil API, atau menulis laporan.
Jika LLM diibaratkan otak, maka harness adalah tubuhnya: tangan untuk bertindak, mata untuk membaca hasil, dan aturan agar tidak bergerak liar. Tanpa harness, model hanya bisa menebak jawaban. Dengan harness, model bisa mengecek fakta, mencoba ulang, dan menyelesaikan pekerjaan sampai tuntas.
| Komponen | Fungsi | Contoh Implementasi |
|---|---|---|
| Agent Loop | Siklus kirim prompt, baca respons, jalankan tool, ulangi | Perulangan while sampai model berhenti meminta tool |
| Tool Registry | Daftar aksi yang boleh dipanggil model | Fungsi search_web, read_file, send_email |
| Context Manager | Mengelola riwayat percakapan agar tidak melebihi batas token | Ringkasan otomatis untuk pesan lama |
| Guardrail | Membatasi aksi berisiko dan meminta konfirmasi | Persetujuan manual sebelum menghapus data |
| Observability | Mencatat setiap langkah untuk audit dan debugging | Log JSON per langkah dan biaya token |
Langkah 1: Bangun Agent Loop Paling Sederhana
Inti dari setiap harness adalah perulangan. Aplikasi mengirim pesan pengguna ke model beserta daftar tool yang tersedia. Jika model membalas dengan permintaan memanggil tool, aplikasi menjalankan fungsi tersebut, lalu mengirim hasilnya kembali ke model. Proses berulang hingga model memberikan jawaban akhir tanpa meminta tool lagi.
messages = [{"role": "user", "content": task}]
for step in range(MAX_STEPS):
response = llm.create(messages=messages, tools=TOOLS)
messages.append({"role": "assistant", "content": response.content})
if response.stop_reason != "tool_use":
break
results = [run_tool(c.name, c.input) for c in response.tool_calls]
messages.append({"role": "user", "content": results})Perhatikan variabel MAX_STEPS. Batas langkah ini penting agar agent tidak terjebak dalam perulangan tanpa akhir yang menguras biaya API.
Langkah 2: Definisikan Tool dengan Jelas
Model hanya bisa memakai tool sebaik deskripsi yang diberikan. Setiap tool perlu nama yang spesifik, deskripsi kapan tool harus dipakai, dan skema input berformat JSON Schema. Deskripsi yang samar, misalnya "mengambil data", akan membuat model salah memilih tool atau mengirim parameter keliru.
Praktik yang disarankan adalah memulai dengan tiga hingga lima tool saja. Terlalu banyak tool di awal justru membuat model bingung dan sulit di-debug.
Langkah 3: Kelola Konteks dan Memori
Setiap hasil tool menambah panjang percakapan. Pada tugas panjang, konteks bisa melebihi batas token model. Harness yang baik memotong hasil tool yang terlalu besar, meringkas langkah-langkah lama, dan menyimpan informasi penting ke file atau database sebagai memori jangka panjang.
Langkah 4: Pasang Guardrail dan Log
Agent yang bisa bertindak juga bisa berbuat salah. Aksi yang tidak bisa dibatalkan, seperti mengirim email ke klien, melakukan pembayaran, atau menghapus data, sebaiknya selalu melewati persetujuan manusia. Selain itu, catat setiap langkah ke log terstruktur agar mudah ditelusuri ketika agent memberi hasil yang tidak sesuai harapan.
Dari Prototipe ke Produksi
Harness sederhana bisa dibangun dalam satu file Python. Namun untuk kebutuhan bisnis, seperti agent customer service di WhatsApp atau Telegram, otomasi follow-up leads, hingga pemrosesan dokumen internal, dibutuhkan integrasi dengan sistem yang sudah berjalan, keamanan akses, dan pemantauan biaya.
Clovertechno membantu perusahaan merancang dan mengintegrasikan AI agent ke dalam alur kerja bisnis, dari tahap prototipe hingga berjalan stabil di server produksi. Informasi layanan dapat dilihat di clovertechno.id.
