Program AI mandiri yang bisa mengeksekusi serangkaian tugas dari awal sampai selesai tanpa perlu disuruh langkah demi langkah.
Berbeda dengan chatbot biasa yang hanya membalas teks, Agent AI dapat membuka peramban, memanggil API, membaca database, mengambil keputusan berdasarkan instruksi awal, dan melaporkan hasil akhirnya kepada Anda.
Pola kerja di mana tugas-tugas rutin dikerjakan secara otonom oleh AI agent, sementara manusia bertindak sebagai pengawas dan pengambil keputusan akhir.
Dengan sistem agentic, Anda tidak lagi copy-paste prompt berulang kali. Agent mengerjakan riset, draf konten, atau audit website secara paralel di latar belakang, lalu menyajikan hasilnya untuk Anda setujui.
Protokol standar terbuka dari Anthropic yang memungkinkan model AI mengakses data internal, file, dan alat eksternal secara aman dan terstruktur.
Bayangkan MCP seperti colokan USB universal untuk AI. Alih-alih membuat integrasi kustom yang rumit untuk setiap database atau API, MCP menyediakan pintu masuk seragam agar AI agent bisa memakai alat kerja Anda langsung.
Metode memasok data atau dokumen bisnis nyata ke model AI sebelum ia menjawab, sehingga responnya akurat dan bebas dari halusinasi.
RAG bekerja seperti memberi buku referensi resmi kepada AI saat ujian. Sebelum menyusun kalimat, AI mencari kutipan fakta relevan dari database dokumen Anda terlebih dahulu.
Model kecerdasan buatan bervolume besar yang dilatih dengan jutaan teks untuk mengenali pola, memahami makna, dan menghasilkan bahasa alami.
LLM adalah mesin pemroses teks di balik asisten seperti Claude, ChatGPT, dan Gemini yang mampu menerjemahkan, merangkum, membuat kode, dan menjawab pertanyaan kompleks.
Keahlian merancang instruksi, batasan, dan konteks yang presisi agar model AI menghasilkan output yang tepat sesuai standar kerja Anda.
Bukan sekadar bertanya biasa, prompt engineering melibatkan teknik seperti penetapan peran (system role), contoh output (few-shot), panduan langkah (chain-of-thought), dan validasi format keluaran.
Potongan kata atau karakter terkecil yang digunakan oleh model AI untuk membaca input teks dan menghitung biaya komputasi.
Secara rata-rata, 1.000 token setara dengan sekitar 750 kata bahasa Inggris atau sekitar 500-600 kata bahasa Indonesia. Panjang konteks dan harga pemakaian API AI dihitung berdasarkan jumlah token ini.
Kondisi saat model AI memberikan jawaban yang terdengar sangat meyakinkan dan fasih, padahal fakta di dalamnya sepenuhnya karangan atau keliru.
Halusinasi terjadi karena LLM adalah mesin statistik penebak kata berikutnya, bukan database fakta mutlak. RAG dan peninjauan manusia adalah cara terbaik untuk mencegah dampak halusinasi.