Era chatbot pasif AI berakhir.Sekarang kita memasuki era Sistem yang secara aktif merencanakan, merencanakan, dan melaksanakan tugas. Agentic AI Untuk organisasi, ini mewakili lompatan potensial dalam produktivitas, tetapi juga memperkenalkan tantangan rekayasa baru. Dalam artikel ini, kita akan mengeksplorasi anatomi agen AI, bagaimana akhirnya memecahkan hambatan integrasi, dan bagaimana Anda dapat mendirikan sistem yang aman dan dapat diperluas di mana manusia dan agen berkolaborasi secara efektif. Model Context Protocol (MCP) Apa itu agen AI? Beberapa agen AI hanyalah petunjuk sistem dan koleksi alat yang dikirim ke model yang melakukan semua pemikiran. Namun, ada juga agen AI yang lebih kuat yang menggunakan LLM untuk merekomendasikan dan mengusulkan tindakan, maka agen AI menjalankan kode sendiri untuk melakukan fungsi seperti: • Eksekusi kontrol: mesin negara, grafik tugas, retries, timeout • Implementasi kebijakan: auth, scope, RBAC, mengizinkan / menolak aturan • Validasi tindakan: pemeriksaan skema, filter keamanan, sandboxing • Manajemen memori/status: database, penyimpanan vektor, status sesi • Koordinasi agen: pengiriman pesan, pemisahan peran, voting • Kegagalan menangani: rollbacks, pemutus sirkuit, manusia-in-the-loop Sementara LLM standar (model bahasa besar) pasif dan menunggu input Anda untuk menghasilkan tanggapan, agen AI aktif. ia menggunakan alasan untuk memecah tujuan menjadi langkah-langkah, memutuskan alat apa yang harus digunakan, dan melakukan tindakan untuk mencapai hasil. Agentik AI sistem memulai sesi dengan mengirimkan LLM sistem prompt, yang dapat mencakup definisi beberapa agen dan alat-alat mereka. beberapa alat ini dapat memungkinkan agen untuk memanggil agen lain, mengelola konteks itu sendiri, dan bahkan memilih model untuk langkah berikutnya. 
 
 
 
 
 
 
 
 
 
 LLM Chatbot 
 AI Agent 
 
 
 
 
 Flow 
 User Input -> Model -> Output 
 User Goal -> LLM -> Reasoning/Planning ->  Tool Use -> Action -> Verification -> Output 
 
 
 
 
 Summary 
 Gives you advice but you have to do the work. 
 You give the agents a goal and access to software, they come back when the job is done. Flow User Input > Model > Output Tujuan Pengguna -> LLM -> Pertimbangan / Perencanaan -> Gunakan Alat -> Tindakan -> Verifikasi -> Hasil Pendekatan Dia memberi Anda saran, tetapi Anda harus melakukan pekerjaan. Anda memberi agen tujuan dan akses ke perangkat lunak, mereka kembali ketika pekerjaan selesai. Penguasaan membangun sistem AI Agentic adalah menemukan campuran yang tepat dari agen, alat, dan petunjuk yang memungkinkan LLM untuk mencapai tujuan Anda sambil masih memberikan pengawasan dan verifikasi yang memadai. Untuk tujuan ini, mengelola alat dan sumber daya lain yang tersedia untuk agen AI adalah fokus utama. Model Protokol Kontekstual Ini adalah standar terbuka yang diperkenalkan oleh Pada bulan November 2024, sistem ini akan menyederhanakan bagaimana sistem AI terhubung dengan data dan layanan eksternal. MCP Antropologi Ide di balik MCP adalah bahwa semua penyedia API LLM memungkinkan LLM untuk memanggil alat. pengembang dapat mendapatkan keuntungan dari cara terstruktur untuk mendefinisikan alat-alat tersebut dan membuatnya tersedia untuk LLM dengan cara yang seragam dan konsisten. Sebelum MCP, integrasi alat pihak ketiga ke dalam sistem Agentic AI menambah banyak gesekan.Tapi dengan menyediakan antarmuka universal untuk membaca file, menjalankan fungsi, dan menangani petunjuk kontekstual, MCP memungkinkan model AI untuk mengakses data yang mereka butuhkan dengan aman dan konsisten, terlepas dari di mana informasi itu tinggal. Sejak rilisnya, protokol ini telah diadopsi oleh penyedia AI utama termasuk OpenAI dan Google, memperkuat perannya sebagai standar industri untuk integrasi sistem AI. MCP beroperasi melalui arsitektur client-server yang sederhana dengan empat komponen utama: 
 
 
 
 
 Aplikasi host seperti Claude Desktop, IDEs modern, atau sistem AI Anda. Klien MCP yang membangun koneksi satu-ke-satu dari host ke server, seringkali kemampuan built-in framework AI. Server MCP yang mengekspos alat, sumber daya, dan petunjuk. Layer transportasi yang mengelola komunikasi antara klien dan server. MCP juga membuka pintu ke ekosistem di mana platform pihak ketiga mengekspos kemampuan mereka kepada agen AI dengan menerbitkan server MCP resmi mereka sendiri. , yang , yang dan Menggunakan semua server MCP. Microsoft yang AWS yang atlasan Pengertian Logika MCP memecahkan masalah penting, tetapi itu hanya salah satu dari banyak untuk agen. mari kita lihat selanjutnya bagaimana merancang sistem agentik AI yang aman. Merancang Sistem AI Agentik yang Aman Agentic AI dapat pergi salah secara bencana.Ada beberapa risiko seperti: 
 
 
 
 
 
 Prompt injeksi yang menculik alur kerja untuk mengekspos data atau menjalankan ransomware. Privilege eskalasi melalui rantai alat yang menguras akun atau menghapus sistem produksi. Lingkaran tak terbatas yang membakar jutaan biaya API. Halusinasi tindakan yang memicu perdagangan irreversibel atau pelanggaran kepatuhan. **Token Torching **di mana pelaku jahat menculik token yang dihabiskan melalui MCP. Agen sering dipercayakan dengan akses ke API, browser, dan sistem infra. Tanpa perlindungan, ini sangat memperbesar risiko Anda. Safe Agentic AI membutuhkan pendekatan “defence-in-depth” yang dibangun pada beberapa lapisan berlapis. 
 
 
 
 
 
 
 Validasi input, audit output, dan eskalasi manusia-in-the-loop membentuk tulang belakang verifikasi. Keputusan tidak pernah sepenuhnya otonom ketika radius ledakan atau dampak keuangan tinggi. Sandboxing dan batas izin eksplisit mencegah akses yang tidak sah. Setiap agen harus menerima identitas yang berbeda dengan kredensial paling sedikit hak istimewa dan token yang luas, daripada mewarisi izin pengguna. Toleransi kesalahan melalui logika retry, model fallback, dan deteksi anomali memastikan bahwa sistem merosot dengan baik di bawah kegagalan. Observasi mendalam yang diimplementasikan melalui telemetri standar, logging terstruktur, pengumpulan metrik, dan dashboard pemantauan real-time memungkinkan deteksi dan respons yang cepat. Rekayasa sistem multi-agent yang efektif membutuhkan desain arsitektur yang disengaja yang menggabungkan satu atau lebih pola koordinasi: 
 
 
 
 Orkestrasi terpusat di mana agen pengawas mengkoordinasikan pekerja khusus dan mempertahankan negara global. Komunikasi peer-to-peer yang terdesentralisasi memungkinkan interaksi agen-to-agent yang fleksibel. Delegasi hierarkis yang mengatur agen ke dalam tingkat abstraksi. Lingkungan pengembangan seperti Sumo Logic (platform Agentic AI untuk pusat operasi keamanan) dapat membantu secara signifikan, menyediakan infrastruktur penting untuk iterasi yang aman pada sistem agentic sebelum pengembangan produksi. Dojo AI disusun dengan hati-hati sesuai dengan prinsip-prinsip desain dan jaminan. pelanggan dapat menggunakan Dojo AI seperti itu dan mereka dapat membangun lingkungan AI agency mereka sendiri (serupa dengan Dojo AI) untuk kompetensi inti mereka sendiri berdasarkan AI. memungkinkan Anda untuk menjalankan kueri data dan membuat panggilan agen AI Dojo ketika dibutuhkan dari agen AI Anda sendiri. Dojo yang Menggunakan Sumo Logic MCP Server Selanjutnya, mari kita lihat beberapa cara yang berbeda orang berinteraksi dengan sistem AI Agentic. Bagaimana orang bekerja sama dengan agen AI Sistem tradisional mengikuti alur kerja yang didefinisikan dengan baik dan algoritma yang diprogram sebelumnya. input dan output pengguna sepenuhnya terstruktur. Sistem AI agen, bagaimanapun, berbeda. LLM mengendalikan aliran (dalam pengawasannya). Pengguna memberikan niat dan motivasi awal, dan kemudian bertindak sebagai pengesahan dan fungsi gating. khususnya, percakapan teks gratis adalah novel. Jadi bagaimana cara terbaik untuk berkolaborasi dengan agen ini? Salah satu cara paling umum untuk berinteraksi dengan agen AI adalah melalui chatbot, di mana Anda dapat bertukar teks, gambar, dan file dengan LLM dan agen mereka. Tentu saja, chatbot umum seperti ChatGPT, Gemini, dan Claude Desktop tidak menyadari agen Anda di luar kotak. Pilihan lain yang menarik adalah membangun aplikasi Slack yang memungkinkan agen untuk bergabung dengan saluran, berinteraksi dengan pengguna, secara otomatis memantau saluran, dan secara otomatis merespons peristiwa. Ini adalah lingkungan yang kaya karena memungkinkan manusia dan agen untuk berkolaborasi dengan lancar. pengalaman pengguna Slack sudah mendukung saluran grup dan thread, sehingga agen dapat menambahkan detail seperti rantai pikiran atau kutipan mereka tanpa mengganggu layar. Jika Anda membutuhkan pengalaman pengguna yang lebih khusus, Anda dapat membangun aplikasi web, desktop, atau mobile yang disesuaikan untuk agen Anda. Anda bahkan dapat membuat chatbot seperti integrasi aplikasi Slack, atau suite khusus agen seperti . Mobot Dojo yang Masa Depan Agen Mungkin hal yang paling penting untuk dipahami tentang agen AI adalah bahwa mereka datang lebih cepat dari yang Anda pikirkan.Di masa lalu, revolusi teknologi utama seperti komputer pribadi, internet, dan ponsel membutuhkan beberapa dekade untuk menjadi universal dan kecepatan inovasi dapat dikendalikan. Banyak ahli memprediksi bahwa hanya dalam beberapa tahun ke depan, agen AI akan dapat melakukan pekerjaan pengetahuan apa pun lebih baik daripada manusia terbaik. mereka akan membuka penemuan ilmiah dan memberikan peningkatan produktivitas yang belum pernah terjadi sebelumnya. tenaga manual tidak jauh di belakang, dengan robot humanoid membuat kemajuan yang mengesankan yang didukung oleh agen AI. LLMs sudah dapat melakukan banyak tugas serta manusia, meskipun mereka tidak memiliki kemampuan untuk merencanakan dan beroperasi di atas cakrawala waktu yang panjang, menangani kompleksitas, dan mempertahankan koherensi. tetapi dengan web agen yang dibangun dengan hati-hati dan satu set alat yang dikurasi yang bekerja sama di atas beberapa iterasi untuk menyelesaikan tugas cakrawala panjang, hambatan-hambatan ini dihapus. Ada banyak inovasi di bidang ini di luar hanya MCP seperti orchestrasi agen, toolkit, dan lapisan verifikasi. Standarisasi Industri Kami mulai sekarang untuk melihat standardisasi teknik, alat, dan format untuk agen AI. adalah inisiatif baru di bawah Linux Foundation untuk memastikan Agentic AI berkembang dengan cara yang terbuka dan kolaboratif. termasuk Anthropic, OpenAI, Amazon, Google, Microsoft dan Block. Ini host beberapa teknologi agen terkemuka, termasuk MCP, goose, dan . Yayasan Agentik AI (AAIF) Anggota Penulis.md Terdapat juga upaya terbuka lain yang menonjol, termasuk Google dan (juga berasal dari kata antropologi) Protokol Agent2Agent (A2A) keterampilan agen Pengalaman Pengguna Dinamis Masa depan pengalaman pengguna adalah tentang UI generatif. LLM dan agen akan menghasilkan UI yang tepat pada fly tergantung pada kueri, pengguna, riwayat percakapan, dan banyak lagi. Misalnya, jika Anda bertanya tentang pasar saham, alih-alih memberikan gambaran umum tentang berita bisnis hari ini, sistem AI mungkin memutuskan untuk menampilkan jadwal historis dan grafik kue dengan posisi Anda saat ini serta tautan ke materi pendidikan yang relevan. Perubahan pada agen Pergeseran agen adalah di sini. kita bergerak dari generasi teks pasif ke aktif, kerja otonom. seperti yang telah kita lihat, pergeseran ini membutuhkan lebih dari sekedar model baru. Untuk sukses, organisasi harus fokus pada: 
 
 
 
 Menggunakan Protokol Konteks Model (MCP) Melangkah melampaui petunjuk sederhana menuju strategi "defense-in-depth". Merancang antarmuka, seperti aplikasi Slack dan UI kustom, di mana manusia memberikan niat dan agen menangani eksekusi. Agen AI dapat segera melampaui pekerja pengetahuan manusia teratas, membuka keuntungan ilmiah dan produktivitas utama, dan akhirnya memperluas ke pekerjaan fisik melalui robotika. Punya hari yang benar-benar hebat!

2022 - HackerNoon Contributor of the Year - Cloud Computing

2022 - HackerNoon Contributor of the Year - Design

2022 - HackerNoon Contributor of the Year - Heroku

2022 - HackerNoon Contributor of the Year - Javascript

2022 - HackerNoon Contributor of the Year - Salesforce

2022 - Hackernoons Tech Storyteller of the Year

I ♥ writing code. Find me on GitLab.

Nominated for 2022 - HackerNoon Contributor of the Year - Javascript

Nominated for 2022 - Hackernoons Tech Storyteller of the Year

Nominated for 2022 - HackerNoon Contributor of the Year - Cloud Computing

Nominated for 2022 - HackerNoon Contributor of the Year - Heroku

Nominated for 2022 - HackerNoon Contributor of the Year - Design

Nominated for 2022 - HackerNoon Contributor of the Year - Salesforce

Audio ini diproduksi dalam bahasa asli cerita!

Terlalu panjang; Untuk membaca

MCP dijelaskan: Protokol yang memblokir ekosistem agen AI nyata

MCP dijelaskan: Protokol yang memblokir ekosistem agen AI nyata

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

Building an API-Powered Platform

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

PROMISES FULFILLED.

THE CAVERNS OF VENUS

Building an API-Powered Platform

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

PROMISES FULFILLED.

THE CAVERNS OF VENUS

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps