Framework Multi-Agen

Kerangka kerja multi-agen berbasis LLM — adalah platform perangkat lunak yang memungkinkan beberapa agen AI otonom, yang dibangun di atas dasar large language model (LLM), untuk berinteraksi satu sama lain guna menyelesaikan tugas-tugas kompleks secara bersama-sama. Dalam sistem semacam ini, penekanan diberikan pada keberagaman profil agen, komunikasi antar-agen, dan pengambilan keputusan secara kolektif. Pendekatan ini memanfaatkan "kecerdasan kolektif" kelompok, di mana setiap agen menjalankan peran yang terspesialisasi, sementara pertukaran pesan di antara mereka meniru kerja sama manusia.

Hal ini memungkinkan pemodelan skenario dunia nyata yang kompleks dan penyelesaian tugas-tugas yang melampaui kemampuan agen intelektual tunggal. Sistem LLM multi-agen telah menunjukkan hasil yang berhasil dalam bidang-bidang seperti pengembangan perangkat lunak, simulasi sosial, permainan ekonomi, dan pemodelan diskusi politik.

Kerangka Kerja dan Pendekatan Utama

Perkembangan sistem multi-agen telah melahirkan sejumlah kerangka kerja terbuka yang memudahkan pembuatan dan penelitian sistem tersebut.

MetaGPT (2023)

Salah satu kerangka kerja terbuka pertama, yang berorientasi pada kerja sama berdasarkan prinsip "jalur perakitan" (assembly line). MetaGPT mengintegrasikan prosedur operasi standar (SOP) ke dalam sistem dan menetapkan peran tertentu kepada setiap agen (misalnya, manajer produk, insinyur, penguji). Pendekatan ini memungkinkan dekomposisi tugas kompleks menjadi sub-tugas yang didistribusikan di antara agen-agen terspesialisasi, sehingga mengurangi kekacauan dan risiko halusinasi.

CAMEL (2023)

Kerangka kerja CAMEL (Communicative Agents for "Mind" Exploration) berfokus pada interaksi otonom agen melalui dialog. Kerangka kerja ini menawarkan metode inception prompting untuk mengoordinasikan percakapan antar agen LLM, mengarahkan mereka menuju tujuan bersama. Setiap agen diberikan peran dan konteks, setelah itu agen-agen berkomunikasi dalam bahasa alami, secara bertahap menghasilkan solusi bersama. CAMEL menunjukkan efektivitasnya dalam skenario yang memerlukan kerja sama tanpa intervensi langsung dari manusia.

AutoGen (2023)

Kerangka kerja serbaguna dan dapat dikonfigurasi dari para peneliti Microsoft, yang dirancang untuk membangun aplikasi kompleks berbasis komunikasi beberapa LLM. AutoGen memungkinkan pemrograman logika interaksi agen baik melalui kode maupun bahasa alami. Kerangka kerja ini mendukung integrasi dengan alat eksternal dan API, menjadikannya cocok untuk berbagai tugas — mulai dari pengembangan perangkat lunak hingga pembuatan sistem dialog.

AgentVerse (2023)

Platform terbuka yang dikembangkan oleh komunitas OpenBMB untuk mempelajari kolaborasi dinamis dan perilaku emergen agen. AgentVerse menyediakan dua mode operasi:

1. Penyelesaian tugas (task-solving): Beberapa agen LLM bergabung dalam tim untuk menyelesaikan tugas kompleks (misalnya, pengembangan perangkat lunak bersama).
2. Simulasi lingkungan (simulation): Memungkinkan pengguna menentukan lingkungan virtual dan mengamati interaksi agen (misalnya, simulasi ruang kelas atau dilema tahanan).

Platform ini menekankan pentingnya lingkungan yang terstandarisasi dan protokol komunikasi untuk komunikasi yang terkelola.

CrewAI (2024)

Kerangka kerja yang berfokus pada integrasi agen LLM ke dalam proses bisnis dan analisis data. CrewAI mengimplementasikan konsep AI-Based Agents Workflow (AgWf), di mana agen menjalankan langkah-langkah yang dijelaskan dalam bentuk instruksi teks dan dapat menggunakan alat eksternal (kelas/fungsi Python). Hal ini memungkinkan otomatisasi skenario analitik yang kompleks dengan menggabungkan fleksibilitas LLM dan kode yang deterministik.

LangGraph (2024)

Kerangka kerja eksperimental yang menggunakan struktur graf untuk merepresentasikan keadaan dan konteks dalam dialog dengan LLM. Fitur utama LangGraph adalah dukungan alur kerja siklikal. Hal ini memungkinkan agen untuk bertukar data melalui graf pengetahuan bersama, mencari informasi secara iteratif, mengevaluasi keandalannya, dan mengoreksi jawaban — yang sangat berguna dalam tugas pencarian informasi (QA) dengan basis pengetahuan yang diperkaya.

Proyek Lainnya

Perhatian luas juga menarik proyek-proyek eksperimental AutoGPT dan AgentGPT, yang mendemonstrasikan potensi agen AI yang sepenuhnya otonom, mampu menetapkan tujuan secara mandiri, melakukan pencarian web, menjalankan kode, dan mengelola file. Meskipun proyek-proyek ini tidak melalui tinjauan ilmiah formal, mereka menekankan pentingnya komponen perencanaan, memori, dan alat untuk membangun agen yang benar-benar mandiri.

Penerapan Sistem Multi-Agen

• Otomatisasi pengembangan perangkat lunak: Kelompok agen LLM berperan sebagai manajer, pemrogram, dan penguji, secara bersama-sama merencanakan dan mengimplementasikan proyek perangkat lunak. Penelitian ChatDev menunjukkan bahwa tim yang terdiri dari empat agen mampu membuat aplikasi sederhana dalam hitungan menit, menjalankan dialog di semua tahap mulai dari penetapan tugas hingga pengujian.
• Asisten cerdas: Produk korporat seperti Microsoft 365 Copilot dan IBM Watsonx Orchestrate menggunakan beberapa agen untuk menjalankan tugas kompleks, di mana satu agen memproses permintaan, agen lain mengekstrak fakta dari basis data, dan agen ketiga menyusun laporan.
• Penelitian ilmiah: Agen digunakan untuk menghasilkan dan mengkritik hipotesis. Dalam pendekatan seperti Guided Debate atau Self-Refine, satu agen mengusulkan solusi sementara agen lain mengevaluasi dan mengoreksinya, yang membantu mengurangi jumlah kesalahan.
• Pemodelan sosial dan dunia virtual: Dalam proyek monumental Generative Agents, puluhan agen LLM yang dilengkapi kepribadian dan memori mensimulasikan kehidupan sebuah kota virtual kecil, menunjukkan interaksi sosial yang meyakinkan. Simulasi semacam ini dapat menemukan penerapan dalam permainan (untuk menciptakan NPC yang realistis), dalam pendidikan, dan dalam ilmu sosial.

Tantangan dan Prospek

Meskipun telah mencapai berbagai kemajuan, sistem multi-agen menghadapi sejumlah masalah serius:

• Halusinasi dan kesalahan bertingkat: Kesalahan yang dibuat oleh satu agen dapat diteruskan ke agen lain yang menerimanya sebagai dasar penalaran, sehingga menyebabkan distorsi pada keseluruhan kerja kelompok.
• Skalabilitas dan kebutuhan sumber daya: Setiap agen berbasis LLM memerlukan sumber daya komputasi yang signifikan. Memastikan operasi simultan puluhan agen merupakan tantangan teknis yang kompleks.
• Koordinasi dan tata kelola: Seiring bertambahnya jumlah agen, risiko kekacauan pun meningkat. Diperlukan mekanisme "orkestrasi" yang terencana dengan baik untuk mengelola interaksi mereka.
• Evaluasi dan pengujian: Tidak ada benchmark yang diterima secara umum untuk perbandingan objektif berbagai kerangka kerja multi-agen.

Di masa depan, diperkirakan akan muncul sistem multimodal yang lebih efisien dan aman, di mana agen dapat bertukar tidak hanya teks, tetapi juga gambar dan data lainnya. Penerapan Reinforcement Learning dapat mengajarkan kelompok agen untuk berkoordinasi lebih baik seiring waktu, mencapai efek "kecerdasan kolektif". Pada akhirnya, kerangka kerja multi-agen merupakan langkah menuju terciptanya sistem AI yang lebih fleksibel dan kuat, di mana banyak "pikiran" terspesialisasi bekerja secara bersama-sama.

Referensi

• Artikel tinjauan: Large Language Model based Multi-Agents (2024)
• Artikel tinjauan: LLMs Working in Harmony (2025)

Literatur

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.