Interaksi dengan AI telah melewati tiga era berbeda. Dimulai dari Prompt Engineering, yaitu merancang prompt satu per satu. Lalu Context Engineering, yaitu mengatur konteks lewat file konfigurasi. Sekarang kita ada di era Agent Engineering, yaitu merancang AI agent yang terspesialisasi, efisien, dan bisa dipakai di berbagai proyek.

Apa Itu Agent Engineering

Agent Engineering berpusat pada custom agents, yaitu unit AI yang dirancang untuk tugas tertentu dan bisa dijalankan ulang tanpa konfigurasi dari awal. Berbeda dari pendekatan sebelumnya, custom agents bekerja secara otomatis saat kondisi tugas cocok. Mereka juga punya konteks terisolasi sehingga tidak terkontaminasi informasi dari sesi lain.

Keunggulan utamanya ada tiga. Custom agents bisa diaktifkan secara otomatis tanpa instruksi manual. Mereka bekerja dengan konteks yang bersih dan terpisah. Dan satu file definisi agent bisa dipakai lintas proyek berbeda.

Biaya Inisialisasi dan Bobot Agent

Setiap kali custom agent dijalankan, ada biaya awal berupa token (satuan teks yang diproses AI). Semakin banyak alat (tools) yang diberikan ke agent, semakin besar biaya ini.

Berdasarkan eksperimen yang dicatat di sumber, pengelompokan agent berdasarkan beratnya adalah sebagai berikut.

• Agent ringan yaitu di bawah 3.000 token, biaya inisialisasi rendah
• Agent menengah yaitu 10.000 sampai 15.000 token, biaya sedang
• Agent berat yaitu di atas 25.000 token, biaya tinggi

Agent ringan jauh lebih mudah dipakai berulang kali dan lebih mudah digabungkan satu sama lain. Ini penting terutama bagi pengguna dengan batasan langganan, karena agent yang lebih ringan berarti lebih banyak pekerjaan yang bisa diselesaikan dalam satu periode.

Pilihan Model dan Perbandingan Biaya

Sejak diperkenalkan parameter model di versi 1.0.64, setiap agent bisa menggunakan model AI yang berbeda. Ada tiga pilihan utama dengan karakteristik masing-masing.

Artinya, Haiku 4.5 bisa menyelesaikan pekerjaan yang sebanding dengan Sonnet 5 pada biaya sekitar sepertiga dari Sonnet 5. Untuk agent yang sering dipakai, selisih ini sangat signifikan.

Pola Orkestrasi Multi-Agent

Sumber merekomendasikan satu pola yang terbukti efisien untuk sistem dengan banyak agent bekerja bersamaan.

• Sonnet 5 berperan sebagai orkestrator. Ia menganalisis kebutuhan, membagi tugas, dan memvalidasi hasil akhir.
• Haiku 4.5 berperan sebagai agent pekerja. Ia mengeksekusi tugas-tugas spesifik secara paralel dengan kecepatan dua kali lebih tinggi.

Pola ini menghasilkan penghematan biaya token sekitar dua hingga dua setengah kali lipat, sambil mempertahankan kualitas keseluruhan di rentang 85 hingga 95 persen.

Kapan Menggunakan Custom Agents

Custom agents paling cocok untuk tugas yang berulang dan membutuhkan keahlian spesifik. Beberapa contoh penggunaan yang disebutkan di sumber antara lain.

• Tinjauan keamanan kode
• Riset dokumentasi API dan perbandingan pustaka
• Penulisan dokumentasi teknis
• Analisis antarmuka pengguna (UX)
• Pengecekan kualitas konten

Karena definisi agent tersimpan dalam satu file, tim bisa berbagi konfigurasi yang sama lintas proyek. Ini membantu standarisasi cara kerja dan kualitas output secara konsisten.

Fitur Praktis yang Perlu Diketahui

Isolasi konteks yaitu setiap agent bekerja dengan sistem promptnya sendiri, tidak terpengaruh konteks dari agent lain.

Nickname agent yaitu kamu bisa memberi nama pendek seperti A1 atau S1. Agent itu lalu dipanggil cepat lewat perintah seperti "ask A1 to review the navigation menu UX".

Aktivasi otomatis yaitu Claude membaca deskripsi agent dan mengaktifkannya secara mandiri saat tugas cocok. Untuk meningkatkan keandalan aktivasi ini, tambahkan frasa seperti MUST BE USED atau use PROACTIVELY di bagian deskripsi agent.

Strategi Memulai

Sumber menyarankan pendekatan bertahap. Mulai dari satu agent sederhana yang fokus pada satu masalah nyata yang sering kamu hadapi. Gunakan Haiku 4.5 sebagai model default untuk sebagian besar agent. Ukur hasilnya secara nyata, bukan berdasarkan asumsi. Baru kemudian perluas ke Sonnet 5 atau Opus 4 saat celah kemampuan 10% benar-benar berdampak pada kualitas output.

Jangan terburu-buru membangun agent yang kompleks sebelum memahami fondasinya. Agent ringan yang bekerja baik jauh lebih berguna daripada agent berat yang jarang dipakai.

Kenapa Ini Relevan

Bagi profesional dan pemilik bisnis di Indonesia, Agent Engineering menawarkan cara konkret untuk menekan biaya otomasi AI. Dengan memilih model yang sesuai beban tugas, sebuah tim bisa mendapatkan volume pekerjaan tiga kali lebih banyak pada anggaran yang sama. Definisi agent yang bisa dibagikan juga membuat standar kualitas seragam di seluruh tim. Tidak perlu mengulang konfigurasi dari nol tiap ada proyek baru.

Sumber: https://www.claudelog.com/mechanics/agent-engineering