{"content_id":"5mvogdwkj2","slug":"graph-engineering-ai-agent-workflow-guide","locale":"id","schema_type":"TechArticle","category":"ai_data","category_name":"Data AI","title":"Rekayasa Graf: Prinsip Desain untuk Menstrukturkan Alur Kerja Agen AI","summary":"Rekayasa graf adalah pendekatan yang membagi tugas AI yang kompleks menjadi node dan aturan transisi, serta merancang status, validasi, pemulihan kegagalan, dan persetujuan pengguna secara eksplisit. Intinya bukan menyerahkan semua tahap kepada AI, melainkan membedakan peran kode, model, dan manusia.","sponsorship_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Rekayasa graf tidak hanya merancang satu jawaban model, tetapi juga seluruh jalur tugas, status, percabangan, pengulangan, dan kondisi penghentian.","Node menjalankan tugas, edge menentukan jalur perpindahan, status meneruskan data antartahap, dan kondisi memilih jalur berikutnya.","Perutean, eksekusi paralel, pengulangan generator–evaluator, dan persetujuan pengguna merupakan pola graf agen yang umum.","Lebih baik menugaskan pekerjaan deterministik seperti validasi format dan perbandingan numerik kepada kode, interpretasi ambigu kepada AI, dan keputusan berisiko tinggi kepada manusia.","Graf yang siap dioperasikan memerlukan skema status, batas percobaan ulang, pencegahan eksekusi duplikat, observabilitas, batas kewenangan, dan anggaran biaya."],"content_markdown":"Graph Engineering adalah pendekatan yang merancang urutan dan kondisi pelaksanaan berbagai tugas serta alat, alih-alih hanya meningkatkan kualitas jawaban dari satu model AI. Dengan merepresentasikan pekerjaan kompleks sebagai node dan hubungan antarnode, input dan output setiap tahap, penyebab kegagalan, jalur percobaan ulang, serta titik persetujuan manusia dapat dikelola secara terpisah.\n\nNamun, istilah ini belum menjadi istilah standar tunggal yang disepakati oleh seluruh industri. Istilah ini lebih tepat dipahami sebagai konsep praktis yang mencakup perancangan alur kerja agen, orkestrasi berbasis graf, dan pengendalian multiagen.\n\n## Latar belakang munculnya graf dalam rekayasa AI\n\nFokus perancangan aplikasi AI telah berkembang sebagai berikut. Ini bukan tahapan perkembangan resmi yang dilalui secara identik oleh semua organisasi, melainkan lapisan-lapisan perancangan yang saling melengkapi.\n\n| Lapisan | Pertanyaan utama | Sasaran perancangan utama |\n|---|---|---|\n| Rekayasa prompt | Bagaimana cara memberikan instruksi kepada model? | Instruksi, contoh, format output |\n| Rekayasa konteks | Informasi apa yang perlu disusun untuk pengambilan keputusan? | Hasil pencarian, memori, hasil alat, aturan sistem |\n| Rekayasa loop | Bagaimana mengulangi perencanaan, pelaksanaan, verifikasi, dan perbaikan? | Kondisi pengulangan, kriteria evaluasi, kondisi penghentian |\n| Graph Engineering | Melalui jalur apa berbagai tugas dan pihak pengambil keputusan harus dihubungkan? | Node, transisi, status, percabangan, paralelisasi, persetujuan |\n\nPrompt dan konteks tetap diperlukan di dalam graf. Loop juga dapat direpresentasikan sebagai edge siklik dalam graf. Oleh karena itu, Graph Engineering bukan teknologi yang meniadakan teknik-teknik sebelumnya, melainkan lebih menyerupai perspektif perancangan tingkat tinggi yang menempatkan teknik tersebut dalam struktur eksekusi.\n\n## Komponen Graph Engineering\n\n### Node\n\nNode adalah unit tugas dengan satu tanggung jawab yang jelas. Tidak hanya pemanggilan LLM, kode umum seperti kueri basis data, pemanggilan API pencarian, validasi format, kalkulasi, dan menunggu persetujuan pengguna juga dapat menjadi node.\n\nNode yang baik memiliki input dan output yang jelas serta dapat diuji secara mandiri. Untuk memudahkan debugging, lebih baik mempersempit tanggung jawab dengan nama seperti `mengumpulkan data terbaru dari industri yang ditentukan`, `menghapus duplikasi sumber`, dan `memeriksa bukti untuk setiap klaim` daripada nama dengan cakupan luas seperti `riset pasar`.\n\n### Edge\n\nEdge adalah transisi dari satu node ke node berikutnya. Ada edge tetap yang selalu berpindah ke tahap berikutnya yang sama, edge bersyarat yang memilih jalur setelah memeriksa status, serta edge bercabang yang memulai beberapa tugas secara bersamaan.\n\n### Status\n\nStatus adalah data yang dibagikan selama graf dijalankan. Data ini dapat mencakup permintaan pengguna, hasil antara, sumber pencarian, kode kesalahan, hasil persetujuan, dan jumlah pengulangan.\n\nStatus berbeda dari sekadar riwayat percakapan. Field mana yang wajib, siapa yang dapat mengubahnya, bagaimana menggabungkan hasil paralel, dan kapan menghapus informasi sensitif harus ditentukan melalui skema dan aturan.\n\n### Kondisi\n\nKondisi adalah aturan untuk memilih jalur berikutnya. Kondisi deterministik seperti `apakah ada setidaknya tiga sumber` dapat dinilai dengan kode. Sebaliknya, kondisi yang memerlukan penilaian makna seperti `apakah bukti cukup mendukung kesimpulan` mungkin memerlukan evaluasi model atau peninjauan manusia.\n\n## Alasan lebih mudah dikendalikan daripada agen tunggal\n\nJika satu agen diberi seluruh tugas riset, analisis, penulisan, dan verifikasi, penyebabnya sulit dibedakan ketika hasilnya keliru. Hal ini karena kesalahan perencanaan, pencarian yang terlewat, kegagalan pemanggilan alat, dan pembuatan konten tanpa dasar tercampur dalam satu catatan eksekusi.\n\nDengan menguraikan pekerjaan menjadi graf, hal-hal berikut dapat dikelola pada setiap tahap.\n\n- Membatasi alat dan hak akses data yang diizinkan untuk setiap node.\n- Menyimpan hasil antara dan mengevaluasinya secara mandiri.\n- Mengurangi biaya dan waktu dengan hanya menjalankan ulang node yang gagal.\n- Memperoleh persetujuan manusia tepat sebelum tindakan eksternal yang penting.\n- Melacak jalur eksekusi, latensi, penggunaan token, dan kesalahan.\n\nNamun, membagi pekerjaan menjadi banyak node tidak otomatis meningkatkan keandalan. Jika penyampaian status tidak akurat atau kriteria evaluasi tidak jelas, kesalahan dapat teramplifikasi sepanjang beberapa tahap.\n\n## Pola umum pemanfaatan graf\n\n### Pola router\n\nRouter memilih jalur yang berbeda berdasarkan jenis atau tingkat risiko permintaan. Misalnya, pertanyaan tentang pengembalian dana dapat dikirim ke node pencarian kebijakan, sedangkan gangguan teknis dapat dikirim ke node diagnosis.\n\nJika kriteria routing berupa kata kunci sederhana atau status akun, penggunaan kode lebih sesuai. Jika konteks perlu ditafsirkan, klasifikasi model dapat digunakan, tetapi diperlukan mekanisme pengaman yang mengarahkannya ke jalur default atau peninjauan manusia ketika tingkat keyakinannya rendah.\n\n### Pola eksekusi paralel\n\nTugas-tugas yang tidak saling bergantung dijalankan secara bersamaan, lalu digabungkan di node agregasi. Contoh umumnya adalah menjalankan riset pasar, pelanggan, dan pesaing secara paralel.\n\nParalelisasi dapat mengurangi latensi, tetapi meningkatkan jumlah pemanggilan dan biaya sesaat. Jika hasil mengubah field status yang sama secara bersamaan, aturan penyelesaian konflik dan urutan penggabungan juga harus ditentukan.\n\n### Pola pembuat-evaluator\n\nPembuat menyusun draf, lalu evaluator memutuskan apakah draf tersebut lulus, perlu diperbaiki, atau perlu ditulis ulang berdasarkan kriteria. Karena hasil evaluasi dikembalikan kepada pembuat, sebuah loop terbentuk di dalam graf.\n\nJika evaluator juga merupakan LLM, evaluator dapat membuat penilaian yang keliru. Komponen yang memungkinkan harus dilengkapi dengan validasi deterministik seperti pemeriksaan skema, pelaksanaan pengujian, dan verifikasi URL kutipan, serta jumlah pengulangan maksimum harus ditetapkan untuk mencegah loop tanpa akhir.\n\n### Pola persetujuan pengguna\n\nEksekusi dihentikan dan menunggu keputusan manusia sebelum tindakan yang sulit dibatalkan atau memiliki tanggung jawab besar, seperti mengubah sistem eksternal, mengirim pesan, melakukan pembayaran, atau melakukan deployment. Demi keamanan, layar persetujuan sebaiknya tidak hanya menampilkan hasil akhir, tetapi juga tindakan yang akan dijalankan, data yang digunakan, dampak yang diperkirakan, dan cara membatalkannya.\n\n### Pola manajer-spesialis\n\nNode manajer menguraikan tugas dan membagikannya kepada node spesialis seperti pencarian, analisis, dan penulisan, kemudian menghimpun hasilnya. Pemisahan peran memang berguna, tetapi menambah jumlah agen tidak boleh menjadi tujuan itu sendiri. Untuk prosedur tetap, alur kerja eksplisit mungkin lebih mudah diprediksi.\n\n## Prinsip pembagian peran AI, kode, dan manusia\n\n| Karakteristik tugas | Sarana utama | Contoh |\n|---|---|---|\n| Aturan jelas yang harus menghasilkan hasil sama | Kode umum | Menghitung jumlah, membandingkan tanggal, memeriksa skema JSON |\n| Penilaian yang menangani makna dan ambiguitas bahasa alami | Model AI | Klasifikasi niat, peringkasan, penyusunan draf, evaluasi kualitatif |\n| Keputusan yang memerlukan tanggung jawab, etika, dan penilaian berisiko tinggi | Manusia | Persetujuan pengiriman eksternal, pemberian pengecualian, persetujuan tindakan berisiko tinggi |\n\nMenggunakan LLM meskipun aturannya jelas akan meningkatkan biaya, latensi, dan sifat non-deterministik secara tidak perlu. Sebaliknya, menetapkan semua penilaian sebagai aturan kode akan menyulitkan pemrosesan input nyata dengan ekspresi beragam. Graf yang baik menggabungkan keunggulan ketiga sarana tersebut dan memvalidasi input serta output pada setiap batasnya.\n\n## Perbedaan graf pengetahuan dan Graph Engineering\n\nKedua konsep ini dapat berkaitan, tetapi tidak sama.\n\n- **Graf pengetahuan** adalah representasi data terstruktur dari entitas seperti orang, organisasi, dokumen, dan konsep, beserta hubungan di antaranya.\n- **Graf eksekusi agen** merepresentasikan urutan dan kondisi pelaksanaan tugas.\n- **Graph Engineering** dapat merujuk pada praktik merancang struktur, status, kontrol, validasi, dan cara pengoperasian graf eksekusi.\n\nPencarian graf pengetahuan dapat dihubungkan sebagai salah satu node, tetapi graf pengetahuan tidak selalu diperlukan dalam Graph Engineering. Sebaliknya, membangun graf pengetahuan juga tidak otomatis menghasilkan alur kerja agen yang memiliki jalur percobaan ulang dan persetujuan.\n\n## Elemen perancangan tersembunyi yang menentukan kualitas operasional\n\nDiagram graf saja tidak cukup untuk menyelesaikan sistem produksi. Faktor yang menentukan keandalan sebenarnya adalah semantik eksekusi dan kontrak operasional.\n\n### Kontrak status dan manajemen versi\n\nSkema input-output, field wajib, sumber data, dan hak pembaruan setiap node harus ditentukan. Kompatibilitas skema status dan versi alur kerja juga harus dikelola agar eksekusi yang sebelumnya terhenti dapat dilanjutkan setelah graf diubah.\n\n### Pemulihan kegagalan dan idempotensi\n\nJika node dijalankan ulang setelah kesalahan jaringan, pengiriman email atau pembayaran dapat terduplikasi. Tugas yang memiliki efek samping eksternal memerlukan kunci idempotensi, pemeriksaan sebelum eksekusi, tindakan kompensasi, atau penyimpanan pencegah duplikasi.\n\nTidak semua kegagalan sama. Jalur harus dibedakan berdasarkan jenis kesalahan, misalnya mencoba ulang kesalahan API sementara, mengembalikan input yang keliru kepada pengguna, dan segera menghentikan pelanggaran kebijakan.\n\n### Kondisi penghentian dan anggaran biaya\n\nLoop pembuat-evaluator harus memiliki jumlah pengulangan maksimum, batas waktu, serta batas token atau biaya. Diperlukan pula kondisi untuk menghentikan proses atau menyerahkannya kepada manusia jika peningkatan kualitas tidak signifikan.\n\nTotal biaya graf harus dihitung dengan mencakup tidak hanya biaya setiap pemanggilan model, tetapi juga percobaan ulang, pemanggilan paralel, penyimpanan status, alat eksternal, dan sistem observabilitas.\n\n### Observabilitas dan evaluasi\n\nCatatan operasional harus mencatat node dan model yang dijalankan, jalur yang dipilih, serta input, output, dan kesalahan yang terjadi. Namun, masking dan periode retensi harus diterapkan agar informasi pribadi, informasi autentikasi, dan data bisnis sensitif tidak tersimpan apa adanya dalam log.\n\nEvaluasi tidak berakhir pada skor jawaban akhir. Metrik untuk setiap node dan jalur, seperti akurasi routing, tingkat keberhasilan alat, tingkat pemenuhan bukti, tingkat deteksi risiko sebelum persetujuan, dan jumlah rata-rata percobaan ulang, harus diukur bersama agar hambatan dapat ditemukan.\n\n### Batas keamanan dan hak akses\n\nPrompt injection, yaitu instruksi dalam dokumen pencarian atau input pengguna yang mengubah aturan sistem, harus diperhitungkan. Argumen alat yang dihasilkan model harus divalidasi sebelum dijalankan, dan setiap node hanya diberi hak akses minimum yang diperlukan untuk melaksanakan tugas. Memisahkan hak membaca, menulis, menghapus, dan mengirim ke pihak eksternal dapat mengurangi risiko kesalahan pada satu node berkembang menjadi insiden pada seluruh sistem.\n\n## Kondisi yang sesuai untuk Graph Engineering\n\nSemakin banyak kondisi berikut yang terpenuhi secara bersamaan, semakin besar manfaat struktur graf.\n\n- Diperlukan jalur pemrosesan khusus yang berbeda-beda sesuai input.\n- Tugas independen dapat dijalankan secara paralel.\n- Jika tahap tertentu gagal, proses harus kembali ke titik yang telah ditentukan.\n- Hasil antara perlu diverifikasi atau diaudit.\n- Persetujuan diperlukan sebelum mengubah sistem eksternal.\n- Eksekusi berlangsung lama sehingga harus dapat dilanjutkan setelah dihentikan atau statusnya perlu dipertahankan.\n- Hak akses dan cakupan akses data untuk setiap alat harus dipisahkan.\n\nUntuk peringkasan sederhana, klasifikasi satu kali, dan tanya jawab singkat, pemanggilan model tunggal atau pipeline sekuensial pendek lebih baik. Jika beban manajemen status, pengujian, observasi, dan deployment akibat penerapan graf lebih besar daripada manfaatnya, itu merupakan over-engineering.\n\n## Daftar periksa peninjauan desain\n\n1. Tentukan hasil akhir dan kriteria keberhasilan dalam bentuk yang dapat diukur.\n2. Batasi setiap node pada satu tanggung jawab serta input-output yang dapat diuji.\n3. Implementasikan aturan yang jelas dengan kode dan minimalkan cakupan penilaian LLM.\n4. Tentukan skema status dan aturan penggabungan hasil paralel.\n5. Bedakan kesalahan yang dapat dicoba ulang dari kesalahan yang harus segera dihentikan.\n6. Tetapkan batas atas jumlah pengulangan, waktu eksekusi, dan biaya.\n7. Sediakan mekanisme pencegah eksekusi duplikat pada node yang memiliki efek samping eksternal.\n8. Tempatkan persetujuan manusia dan penjelasan yang memadai sebelum tindakan berisiko tinggi.\n9. Siapkan log dan metrik evaluasi untuk setiap node dan jalur, serta aturan perlindungan informasi pribadi.\n10. Periksa kembali apakah keandalan yang sama tidak dapat dicapai dengan struktur yang lebih sederhana.\n\n## Ringkasan utama\n\nJika agen tunggal menyerupai pemberian berbagai tugas sekaligus kepada seorang karyawan yang kompeten, Graph Engineering lebih menyerupai perancangan peran organisasi, jalur penyerahan pekerjaan, prosedur pemeriksaan, dan jalur persetujuan.\n\nKuncinya bukan jumlah agen, melainkan struktur yang dapat dikendalikan. Harus jelas pada tahap mana AI membuat penilaian, di mana kode melakukan validasi, dan kapan manusia mengambil keputusan yang bertanggung jawab. Graf baru menjadi sistem AI yang dapat dioperasikan, bukan sekadar diagram, jika dilengkapi kontrak status, pemulihan kegagalan, observabilitas, kontrol hak akses, dan batas biaya.","content_html":"\u003cp\u003eGraph Engineering adalah pendekatan yang merancang urutan dan kondisi pelaksanaan berbagai tugas serta alat, alih-alih hanya meningkatkan kualitas jawaban dari satu model AI. Dengan merepresentasikan pekerjaan kompleks sebagai node dan hubungan antarnode, input dan output setiap tahap, penyebab kegagalan, jalur percobaan ulang, serta titik persetujuan manusia dapat dikelola secara terpisah.\u003c/p\u003e\n\u003cp\u003eNamun, istilah ini belum menjadi istilah standar tunggal yang disepakati oleh seluruh industri. Istilah ini lebih tepat dipahami sebagai konsep praktis yang mencakup perancangan alur kerja agen, orkestrasi berbasis graf, dan pengendalian multiagen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#latar-belakang-munculnya-graf-dalam-rekayasa-ai\" class=\"anchor\" id=\"latar-belakang-munculnya-graf-dalam-rekayasa-ai\"\u003e\u003c/a\u003eLatar belakang munculnya graf dalam rekayasa AI\u003c/h2\u003e\n\u003cp\u003eFokus perancangan aplikasi AI telah berkembang sebagai berikut. Ini bukan tahapan perkembangan resmi yang dilalui secara identik oleh semua organisasi, melainkan lapisan-lapisan perancangan yang saling melengkapi.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eLapisan\u003c/th\u003e\n\u003cth\u003ePertanyaan utama\u003c/th\u003e\n\u003cth\u003eSasaran perancangan utama\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Lapisan\"\u003eRekayasa prompt\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eBagaimana cara memberikan instruksi kepada model?\u003c/td\u003e\n\u003ctd data-label=\"Sasaran perancangan utama\"\u003eInstruksi, contoh, format output\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Lapisan\"\u003eRekayasa konteks\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eInformasi apa yang perlu disusun untuk pengambilan keputusan?\u003c/td\u003e\n\u003ctd data-label=\"Sasaran perancangan utama\"\u003eHasil pencarian, memori, hasil alat, aturan sistem\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Lapisan\"\u003eRekayasa loop\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eBagaimana mengulangi perencanaan, pelaksanaan, verifikasi, dan perbaikan?\u003c/td\u003e\n\u003ctd data-label=\"Sasaran perancangan utama\"\u003eKondisi pengulangan, kriteria evaluasi, kondisi penghentian\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Lapisan\"\u003eGraph Engineering\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eMelalui jalur apa berbagai tugas dan pihak pengambil keputusan harus dihubungkan?\u003c/td\u003e\n\u003ctd data-label=\"Sasaran perancangan utama\"\u003eNode, transisi, status, percabangan, paralelisasi, persetujuan\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003ePrompt dan konteks tetap diperlukan di dalam graf. Loop juga dapat direpresentasikan sebagai edge siklik dalam graf. Oleh karena itu, Graph Engineering bukan teknologi yang meniadakan teknik-teknik sebelumnya, melainkan lebih menyerupai perspektif perancangan tingkat tinggi yang menempatkan teknik tersebut dalam struktur eksekusi.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#komponen-graph-engineering\" class=\"anchor\" id=\"komponen-graph-engineering\"\u003e\u003c/a\u003eKomponen Graph Engineering\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#node\" class=\"anchor\" id=\"node\"\u003e\u003c/a\u003eNode\u003c/h3\u003e\n\u003cp\u003eNode adalah unit tugas dengan satu tanggung jawab yang jelas. Tidak hanya pemanggilan LLM, kode umum seperti kueri basis data, pemanggilan API pencarian, validasi format, kalkulasi, dan menunggu persetujuan pengguna juga dapat menjadi node.\u003c/p\u003e\n\u003cp\u003eNode yang baik memiliki input dan output yang jelas serta dapat diuji secara mandiri. Untuk memudahkan debugging, lebih baik mempersempit tanggung jawab dengan nama seperti \u003ccode\u003emengumpulkan data terbaru dari industri yang ditentukan\u003c/code\u003e, \u003ccode\u003emenghapus duplikasi sumber\u003c/code\u003e, dan \u003ccode\u003ememeriksa bukti untuk setiap klaim\u003c/code\u003e daripada nama dengan cakupan luas seperti \u003ccode\u003eriset pasar\u003c/code\u003e.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#edge\" class=\"anchor\" id=\"edge\"\u003e\u003c/a\u003eEdge\u003c/h3\u003e\n\u003cp\u003eEdge adalah transisi dari satu node ke node berikutnya. Ada edge tetap yang selalu berpindah ke tahap berikutnya yang sama, edge bersyarat yang memilih jalur setelah memeriksa status, serta edge bercabang yang memulai beberapa tugas secara bersamaan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#status\" class=\"anchor\" id=\"status\"\u003e\u003c/a\u003eStatus\u003c/h3\u003e\n\u003cp\u003eStatus adalah data yang dibagikan selama graf dijalankan. Data ini dapat mencakup permintaan pengguna, hasil antara, sumber pencarian, kode kesalahan, hasil persetujuan, dan jumlah pengulangan.\u003c/p\u003e\n\u003cp\u003eStatus berbeda dari sekadar riwayat percakapan. Field mana yang wajib, siapa yang dapat mengubahnya, bagaimana menggabungkan hasil paralel, dan kapan menghapus informasi sensitif harus ditentukan melalui skema dan aturan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#kondisi\" class=\"anchor\" id=\"kondisi\"\u003e\u003c/a\u003eKondisi\u003c/h3\u003e\n\u003cp\u003eKondisi adalah aturan untuk memilih jalur berikutnya. Kondisi deterministik seperti \u003ccode\u003eapakah ada setidaknya tiga sumber\u003c/code\u003e dapat dinilai dengan kode. Sebaliknya, kondisi yang memerlukan penilaian makna seperti \u003ccode\u003eapakah bukti cukup mendukung kesimpulan\u003c/code\u003e mungkin memerlukan evaluasi model atau peninjauan manusia.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#alasan-lebih-mudah-dikendalikan-daripada-agen-tunggal\" class=\"anchor\" id=\"alasan-lebih-mudah-dikendalikan-daripada-agen-tunggal\"\u003e\u003c/a\u003eAlasan lebih mudah dikendalikan daripada agen tunggal\u003c/h2\u003e\n\u003cp\u003eJika satu agen diberi seluruh tugas riset, analisis, penulisan, dan verifikasi, penyebabnya sulit dibedakan ketika hasilnya keliru. Hal ini karena kesalahan perencanaan, pencarian yang terlewat, kegagalan pemanggilan alat, dan pembuatan konten tanpa dasar tercampur dalam satu catatan eksekusi.\u003c/p\u003e\n\u003cp\u003eDengan menguraikan pekerjaan menjadi graf, hal-hal berikut dapat dikelola pada setiap tahap.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eMembatasi alat dan hak akses data yang diizinkan untuk setiap node.\u003c/li\u003e\n\u003cli\u003eMenyimpan hasil antara dan mengevaluasinya secara mandiri.\u003c/li\u003e\n\u003cli\u003eMengurangi biaya dan waktu dengan hanya menjalankan ulang node yang gagal.\u003c/li\u003e\n\u003cli\u003eMemperoleh persetujuan manusia tepat sebelum tindakan eksternal yang penting.\u003c/li\u003e\n\u003cli\u003eMelacak jalur eksekusi, latensi, penggunaan token, dan kesalahan.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eNamun, membagi pekerjaan menjadi banyak node tidak otomatis meningkatkan keandalan. Jika penyampaian status tidak akurat atau kriteria evaluasi tidak jelas, kesalahan dapat teramplifikasi sepanjang beberapa tahap.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#pola-umum-pemanfaatan-graf\" class=\"anchor\" id=\"pola-umum-pemanfaatan-graf\"\u003e\u003c/a\u003ePola umum pemanfaatan graf\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#pola-router\" class=\"anchor\" id=\"pola-router\"\u003e\u003c/a\u003ePola router\u003c/h3\u003e\n\u003cp\u003eRouter memilih jalur yang berbeda berdasarkan jenis atau tingkat risiko permintaan. Misalnya, pertanyaan tentang pengembalian dana dapat dikirim ke node pencarian kebijakan, sedangkan gangguan teknis dapat dikirim ke node diagnosis.\u003c/p\u003e\n\u003cp\u003eJika kriteria routing berupa kata kunci sederhana atau status akun, penggunaan kode lebih sesuai. Jika konteks perlu ditafsirkan, klasifikasi model dapat digunakan, tetapi diperlukan mekanisme pengaman yang mengarahkannya ke jalur default atau peninjauan manusia ketika tingkat keyakinannya rendah.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#pola-eksekusi-paralel\" class=\"anchor\" id=\"pola-eksekusi-paralel\"\u003e\u003c/a\u003ePola eksekusi paralel\u003c/h3\u003e\n\u003cp\u003eTugas-tugas yang tidak saling bergantung dijalankan secara bersamaan, lalu digabungkan di node agregasi. Contoh umumnya adalah menjalankan riset pasar, pelanggan, dan pesaing secara paralel.\u003c/p\u003e\n\u003cp\u003eParalelisasi dapat mengurangi latensi, tetapi meningkatkan jumlah pemanggilan dan biaya sesaat. Jika hasil mengubah field status yang sama secara bersamaan, aturan penyelesaian konflik dan urutan penggabungan juga harus ditentukan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#pola-pembuat-evaluator\" class=\"anchor\" id=\"pola-pembuat-evaluator\"\u003e\u003c/a\u003ePola pembuat-evaluator\u003c/h3\u003e\n\u003cp\u003ePembuat menyusun draf, lalu evaluator memutuskan apakah draf tersebut lulus, perlu diperbaiki, atau perlu ditulis ulang berdasarkan kriteria. Karena hasil evaluasi dikembalikan kepada pembuat, sebuah loop terbentuk di dalam graf.\u003c/p\u003e\n\u003cp\u003eJika evaluator juga merupakan LLM, evaluator dapat membuat penilaian yang keliru. Komponen yang memungkinkan harus dilengkapi dengan validasi deterministik seperti pemeriksaan skema, pelaksanaan pengujian, dan verifikasi URL kutipan, serta jumlah pengulangan maksimum harus ditetapkan untuk mencegah loop tanpa akhir.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#pola-persetujuan-pengguna\" class=\"anchor\" id=\"pola-persetujuan-pengguna\"\u003e\u003c/a\u003ePola persetujuan pengguna\u003c/h3\u003e\n\u003cp\u003eEksekusi dihentikan dan menunggu keputusan manusia sebelum tindakan yang sulit dibatalkan atau memiliki tanggung jawab besar, seperti mengubah sistem eksternal, mengirim pesan, melakukan pembayaran, atau melakukan deployment. Demi keamanan, layar persetujuan sebaiknya tidak hanya menampilkan hasil akhir, tetapi juga tindakan yang akan dijalankan, data yang digunakan, dampak yang diperkirakan, dan cara membatalkannya.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#pola-manajer-spesialis\" class=\"anchor\" id=\"pola-manajer-spesialis\"\u003e\u003c/a\u003ePola manajer-spesialis\u003c/h3\u003e\n\u003cp\u003eNode manajer menguraikan tugas dan membagikannya kepada node spesialis seperti pencarian, analisis, dan penulisan, kemudian menghimpun hasilnya. Pemisahan peran memang berguna, tetapi menambah jumlah agen tidak boleh menjadi tujuan itu sendiri. Untuk prosedur tetap, alur kerja eksplisit mungkin lebih mudah diprediksi.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#prinsip-pembagian-peran-ai-kode-dan-manusia\" class=\"anchor\" id=\"prinsip-pembagian-peran-ai-kode-dan-manusia\"\u003e\u003c/a\u003ePrinsip pembagian peran AI, kode, dan manusia\u003c/h2\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKarakteristik tugas\u003c/th\u003e\n\u003cth\u003eSarana utama\u003c/th\u003e\n\u003cth\u003eContoh\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Karakteristik tugas\"\u003eAturan jelas yang harus menghasilkan hasil sama\u003c/td\u003e\n\u003ctd data-label=\"Sarana utama\"\u003eKode umum\u003c/td\u003e\n\u003ctd data-label=\"Contoh\"\u003eMenghitung jumlah, membandingkan tanggal, memeriksa skema JSON\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Karakteristik tugas\"\u003ePenilaian yang menangani makna dan ambiguitas bahasa alami\u003c/td\u003e\n\u003ctd data-label=\"Sarana utama\"\u003eModel AI\u003c/td\u003e\n\u003ctd data-label=\"Contoh\"\u003eKlasifikasi niat, peringkasan, penyusunan draf, evaluasi kualitatif\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Karakteristik tugas\"\u003eKeputusan yang memerlukan tanggung jawab, etika, dan penilaian berisiko tinggi\u003c/td\u003e\n\u003ctd data-label=\"Sarana utama\"\u003eManusia\u003c/td\u003e\n\u003ctd data-label=\"Contoh\"\u003ePersetujuan pengiriman eksternal, pemberian pengecualian, persetujuan tindakan berisiko tinggi\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eMenggunakan LLM meskipun aturannya jelas akan meningkatkan biaya, latensi, dan sifat non-deterministik secara tidak perlu. Sebaliknya, menetapkan semua penilaian sebagai aturan kode akan menyulitkan pemrosesan input nyata dengan ekspresi beragam. Graf yang baik menggabungkan keunggulan ketiga sarana tersebut dan memvalidasi input serta output pada setiap batasnya.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#perbedaan-graf-pengetahuan-dan-graph-engineering\" class=\"anchor\" id=\"perbedaan-graf-pengetahuan-dan-graph-engineering\"\u003e\u003c/a\u003ePerbedaan graf pengetahuan dan Graph Engineering\u003c/h2\u003e\n\u003cp\u003eKedua konsep ini dapat berkaitan, tetapi tidak sama.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003eGraf pengetahuan\u003c/strong\u003e adalah representasi data terstruktur dari entitas seperti orang, organisasi, dokumen, dan konsep, beserta hubungan di antaranya.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eGraf eksekusi agen\u003c/strong\u003e merepresentasikan urutan dan kondisi pelaksanaan tugas.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eGraph Engineering\u003c/strong\u003e dapat merujuk pada praktik merancang struktur, status, kontrol, validasi, dan cara pengoperasian graf eksekusi.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003ePencarian graf pengetahuan dapat dihubungkan sebagai salah satu node, tetapi graf pengetahuan tidak selalu diperlukan dalam Graph Engineering. Sebaliknya, membangun graf pengetahuan juga tidak otomatis menghasilkan alur kerja agen yang memiliki jalur percobaan ulang dan persetujuan.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#elemen-perancangan-tersembunyi-yang-menentukan-kualitas-operasional\" class=\"anchor\" id=\"elemen-perancangan-tersembunyi-yang-menentukan-kualitas-operasional\"\u003e\u003c/a\u003eElemen perancangan tersembunyi yang menentukan kualitas operasional\u003c/h2\u003e\n\u003cp\u003eDiagram graf saja tidak cukup untuk menyelesaikan sistem produksi. Faktor yang menentukan keandalan sebenarnya adalah semantik eksekusi dan kontrak operasional.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#kontrak-status-dan-manajemen-versi\" class=\"anchor\" id=\"kontrak-status-dan-manajemen-versi\"\u003e\u003c/a\u003eKontrak status dan manajemen versi\u003c/h3\u003e\n\u003cp\u003eSkema input-output, field wajib, sumber data, dan hak pembaruan setiap node harus ditentukan. Kompatibilitas skema status dan versi alur kerja juga harus dikelola agar eksekusi yang sebelumnya terhenti dapat dilanjutkan setelah graf diubah.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#pemulihan-kegagalan-dan-idempotensi\" class=\"anchor\" id=\"pemulihan-kegagalan-dan-idempotensi\"\u003e\u003c/a\u003ePemulihan kegagalan dan idempotensi\u003c/h3\u003e\n\u003cp\u003eJika node dijalankan ulang setelah kesalahan jaringan, pengiriman email atau pembayaran dapat terduplikasi. Tugas yang memiliki efek samping eksternal memerlukan kunci idempotensi, pemeriksaan sebelum eksekusi, tindakan kompensasi, atau penyimpanan pencegah duplikasi.\u003c/p\u003e\n\u003cp\u003eTidak semua kegagalan sama. Jalur harus dibedakan berdasarkan jenis kesalahan, misalnya mencoba ulang kesalahan API sementara, mengembalikan input yang keliru kepada pengguna, dan segera menghentikan pelanggaran kebijakan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#kondisi-penghentian-dan-anggaran-biaya\" class=\"anchor\" id=\"kondisi-penghentian-dan-anggaran-biaya\"\u003e\u003c/a\u003eKondisi penghentian dan anggaran biaya\u003c/h3\u003e\n\u003cp\u003eLoop pembuat-evaluator harus memiliki jumlah pengulangan maksimum, batas waktu, serta batas token atau biaya. Diperlukan pula kondisi untuk menghentikan proses atau menyerahkannya kepada manusia jika peningkatan kualitas tidak signifikan.\u003c/p\u003e\n\u003cp\u003eTotal biaya graf harus dihitung dengan mencakup tidak hanya biaya setiap pemanggilan model, tetapi juga percobaan ulang, pemanggilan paralel, penyimpanan status, alat eksternal, dan sistem observabilitas.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#observabilitas-dan-evaluasi\" class=\"anchor\" id=\"observabilitas-dan-evaluasi\"\u003e\u003c/a\u003eObservabilitas dan evaluasi\u003c/h3\u003e\n\u003cp\u003eCatatan operasional harus mencatat node dan model yang dijalankan, jalur yang dipilih, serta input, output, dan kesalahan yang terjadi. Namun, masking dan periode retensi harus diterapkan agar informasi pribadi, informasi autentikasi, dan data bisnis sensitif tidak tersimpan apa adanya dalam log.\u003c/p\u003e\n\u003cp\u003eEvaluasi tidak berakhir pada skor jawaban akhir. Metrik untuk setiap node dan jalur, seperti akurasi routing, tingkat keberhasilan alat, tingkat pemenuhan bukti, tingkat deteksi risiko sebelum persetujuan, dan jumlah rata-rata percobaan ulang, harus diukur bersama agar hambatan dapat ditemukan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#batas-keamanan-dan-hak-akses\" class=\"anchor\" id=\"batas-keamanan-dan-hak-akses\"\u003e\u003c/a\u003eBatas keamanan dan hak akses\u003c/h3\u003e\n\u003cp\u003ePrompt injection, yaitu instruksi dalam dokumen pencarian atau input pengguna yang mengubah aturan sistem, harus diperhitungkan. Argumen alat yang dihasilkan model harus divalidasi sebelum dijalankan, dan setiap node hanya diberi hak akses minimum yang diperlukan untuk melaksanakan tugas. Memisahkan hak membaca, menulis, menghapus, dan mengirim ke pihak eksternal dapat mengurangi risiko kesalahan pada satu node berkembang menjadi insiden pada seluruh sistem.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#kondisi-yang-sesuai-untuk-graph-engineering\" class=\"anchor\" id=\"kondisi-yang-sesuai-untuk-graph-engineering\"\u003e\u003c/a\u003eKondisi yang sesuai untuk Graph Engineering\u003c/h2\u003e\n\u003cp\u003eSemakin banyak kondisi berikut yang terpenuhi secara bersamaan, semakin besar manfaat struktur graf.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eDiperlukan jalur pemrosesan khusus yang berbeda-beda sesuai input.\u003c/li\u003e\n\u003cli\u003eTugas independen dapat dijalankan secara paralel.\u003c/li\u003e\n\u003cli\u003eJika tahap tertentu gagal, proses harus kembali ke titik yang telah ditentukan.\u003c/li\u003e\n\u003cli\u003eHasil antara perlu diverifikasi atau diaudit.\u003c/li\u003e\n\u003cli\u003ePersetujuan diperlukan sebelum mengubah sistem eksternal.\u003c/li\u003e\n\u003cli\u003eEksekusi berlangsung lama sehingga harus dapat dilanjutkan setelah dihentikan atau statusnya perlu dipertahankan.\u003c/li\u003e\n\u003cli\u003eHak akses dan cakupan akses data untuk setiap alat harus dipisahkan.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eUntuk peringkasan sederhana, klasifikasi satu kali, dan tanya jawab singkat, pemanggilan model tunggal atau pipeline sekuensial pendek lebih baik. Jika beban manajemen status, pengujian, observasi, dan deployment akibat penerapan graf lebih besar daripada manfaatnya, itu merupakan over-engineering.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#daftar-periksa-peninjauan-desain\" class=\"anchor\" id=\"daftar-periksa-peninjauan-desain\"\u003e\u003c/a\u003eDaftar periksa peninjauan desain\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003eTentukan hasil akhir dan kriteria keberhasilan dalam bentuk yang dapat diukur.\u003c/li\u003e\n\u003cli\u003eBatasi setiap node pada satu tanggung jawab serta input-output yang dapat diuji.\u003c/li\u003e\n\u003cli\u003eImplementasikan aturan yang jelas dengan kode dan minimalkan cakupan penilaian LLM.\u003c/li\u003e\n\u003cli\u003eTentukan skema status dan aturan penggabungan hasil paralel.\u003c/li\u003e\n\u003cli\u003eBedakan kesalahan yang dapat dicoba ulang dari kesalahan yang harus segera dihentikan.\u003c/li\u003e\n\u003cli\u003eTetapkan batas atas jumlah pengulangan, waktu eksekusi, dan biaya.\u003c/li\u003e\n\u003cli\u003eSediakan mekanisme pencegah eksekusi duplikat pada node yang memiliki efek samping eksternal.\u003c/li\u003e\n\u003cli\u003eTempatkan persetujuan manusia dan penjelasan yang memadai sebelum tindakan berisiko tinggi.\u003c/li\u003e\n\u003cli\u003eSiapkan log dan metrik evaluasi untuk setiap node dan jalur, serta aturan perlindungan informasi pribadi.\u003c/li\u003e\n\u003cli\u003ePeriksa kembali apakah keandalan yang sama tidak dapat dicapai dengan struktur yang lebih sederhana.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#ringkasan-utama\" class=\"anchor\" id=\"ringkasan-utama\"\u003e\u003c/a\u003eRingkasan utama\u003c/h2\u003e\n\u003cp\u003eJika agen tunggal menyerupai pemberian berbagai tugas sekaligus kepada seorang karyawan yang kompeten, Graph Engineering lebih menyerupai perancangan peran organisasi, jalur penyerahan pekerjaan, prosedur pemeriksaan, dan jalur persetujuan.\u003c/p\u003e\n\u003cp\u003eKuncinya bukan jumlah agen, melainkan struktur yang dapat dikendalikan. Harus jelas pada tahap mana AI membuat penilaian, di mana kode melakukan validasi, dan kapan manusia mengambil keputusan yang bertanggung jawab. Graf baru menjadi sistem AI yang dapat dioperasikan, bukan sekadar diagram, jika dilengkapi kontrak status, pemulihan kegagalan, observabilitas, kontrol hak akses, dan batas biaya.\u003c/p\u003e\n","tags":["AI generatif","Rekayasa konteks","Rekayasa harness","Agen AI","Pengembangan AI","Alat pengembangan"],"faqs":[{"question":"Apa itu rekayasa graf?","answer":"Ini adalah pendekatan yang membagi tugas AI yang kompleks menjadi beberapa node serta merancang secara eksplisit jalur perpindahan antartugas, status bersama, kondisi percabangan, pengulangan, dan prosedur persetujuan. Alih-alih merupakan satu istilah standar yang disepakati oleh seluruh industri, istilah ini lebih dekat dengan ungkapan praktis untuk menjelaskan orkestrasi agen berbasis graf."},{"question":"Apa perbedaan antara rekayasa graf dan rekayasa prompt?","answer":"Rekayasa prompt membahas instruksi dan contoh apa yang akan diberikan kepada setiap pemanggilan model. Rekayasa graf membahas urutan dan kondisi untuk menghubungkan beberapa pemanggilan model, kode, alat, serta penilaian manusia. Prompt tetap digunakan di dalam setiap node yang membentuk graf."},{"question":"Apakah rekayasa graf dan graf pengetahuan merupakan konsep yang sama?","answer":"Tidak. Graf pengetahuan adalah data yang menyusun entitas dan hubungan secara terstruktur, sedangkan graf eksekusi agen menunjukkan urutan tugas dan alur kendali. Pencarian graf pengetahuan dapat digunakan sebagai salah satu node dalam graf eksekusi, tetapi keduanya tidak saling menjadi prasyarat."},{"question":"Apakah semua node harus dibuat sebagai agen AI?","answer":"Tidak perlu. Untuk tugas dengan hasil yang jelas, seperti menghitung jumlah, membandingkan tanggal, dan memeriksa format, kode biasa lebih cepat, murah, dan dapat diprediksi. Cara yang tepat adalah menyerahkan interpretasi bahasa alami dan penilaian kualitatif kepada AI, sedangkan keputusan dengan tanggung jawab besar atau yang sulit dibatalkan diserahkan kepada manusia."},{"question":"Bagaimana loop pembuat–penilai mencegah pengulangan tanpa batas?","answer":"Jumlah pengulangan maksimum, batas waktu dan biaya, serta kriteria kelulusan harus ditetapkan terlebih dahulu. Diperlukan pula kondisi penghentian untuk mengembalikan hasil terbaik sebelumnya atau mengirimkannya ke jalur peninjauan manusia jika kualitas tidak membaik meskipun telah diulang atau tingkat keyakinan evaluasinya rendah."},{"question":"Apakah sistem multiagen selalu lebih baik daripada agen tunggal?","answer":"Tidak. Ketika jumlah peran bertambah, biaya pemanggilan, kesalahan penyampaian status, latensi, dan beban debugging juga meningkat. Struktur multiagen sebaiknya dipilih hanya ketika pemisahan antarperan khusus benar-benar berkontribusi pada kualitas atau pengendalian wewenang, sedangkan prosedur tetap mungkin lebih baik ditangani sebagai alur kerja dengan kode biasa."},{"question":"Apa yang harus disimpan dalam status graf?","answer":"Prinsipnya adalah hanya menyimpan data yang diperlukan untuk tahap berikutnya, seperti permintaan pengguna, hasil antara yang telah diverifikasi, sumber, jenis kesalahan, jumlah pengulangan, dan status persetujuan. Format dan wewenang pengubahan untuk setiap bidang harus ditetapkan, sedangkan informasi autentikasi atau data pribadi yang tidak diperlukan tidak boleh disimpan atau harus disamarkan."},{"question":"Apa yang perlu diperhatikan saat mencoba kembali node yang gagal?","answer":"Pertama-tama harus dibedakan apakah kesalahan tersebut bersifat sementara, apakah inputnya sendiri salah, atau apakah proses harus dihentikan berdasarkan kebijakan. Untuk tugas yang memiliki efek samping eksternal, seperti mengirim email, melakukan pembayaran, atau mengubah data, kunci idempotensi dan pemeriksaan eksekusi duplikat harus digunakan."},{"question":"Tugas apa yang tidak memerlukan rekayasa graf?","answer":"Rekayasa graf biasanya tidak diperlukan untuk tugas yang cukup dilakukan dengan satu pemanggilan, seperti ringkasan sederhana, tanya jawab singkat, atau klasifikasi satu kali. Jika biaya pengelolaan status dan operasional yang timbul akibat penambahan graf lebih besar daripada peningkatan kualitas, kendali, atau kemampuan pemulihan, sebaiknya pertahankan struktur yang sederhana."}],"sources":[{"url":"https://www.anthropic.com/research/building-effective-agents","title":"Membangun agen yang efektif","type":"source"},{"url":"https://github.com/langchain-ai/langgraph","title":"LangGraph","type":"source"},{"url":"https://docs.temporal.io/","title":"Dokumentasi Temporal","type":"source"},{"url":"https://www.nist.gov/itl/ai-risk-management-framework","title":"Kerangka Kerja Manajemen Risiko AI NIST","type":"source"},{"url":"https://github.com/getzep/graphiti","title":"Graphiti","type":"source"},{"url":"https://genai.owasp.org/llm-top-10/","title":"OWASP Top 10 untuk Aplikasi Model Bahasa Besar","type":"source"}],"images":[{"id":809,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTA0NzMsInB1ciI6ImJsb2JfaWQifX0=--ef1105ce6a385a669f3ac38d2daca7268be12737/ai-8a9b7d63.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"서버실에서 여성이 터치스크린의 연결된 워크플로 그래프를 조작하는 모습","caption":"엔지니어가 노드와 경로로 구성된 AI 에이전트 워크플로를 점검하고 있다.","description":null},"en":{"alt":"Woman operating a connected workflow graph on a touchscreen in a server room","caption":"An engineer examines an AI agent workflow composed of interconnected nodes and paths.","description":null},"ja":{"alt":"サーバールームでタッチ画面上のワークフローグラフを操作する女性","caption":"エンジニアがノードと経路で構成されたAIエージェントのワークフローを確認している。","description":null},"es":{"alt":"Mujer operando un grafo de flujo de trabajo en una pantalla táctil de una sala de servidores","caption":"Una ingeniera examina un flujo de agentes de IA compuesto por nodos y rutas conectados.","description":null},"id":{"alt":"Perempuan mengoperasikan grafik alur kerja pada layar sentuh di ruang server","caption":"Seorang insinyur memeriksa alur kerja agen AI yang tersusun dari simpul dan jalur terhubung.","description":null},"pt":{"alt":"Mulher operando um grafo de fluxo de trabalho em uma tela sensível ao toque numa sala de servidores","caption":"Uma engenheira analisa um fluxo de agentes de IA formado por nós e caminhos interligados.","description":null},"zh-hant":{"alt":"女子在伺服器機房操作觸控螢幕上的工作流程圖","caption":"工程師正在檢視由節點與路徑連接而成的 AI 代理工作流程。","description":null},"de":{"alt":"Frau bedient in einem Serverraum einen vernetzten Workflow-Graphen auf einem Touchscreen","caption":"Eine Ingenieurin prüft einen KI-Agenten-Workflow aus verbundenen Knoten und Pfaden.","description":null}}},{"id":810,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTA0NzksInB1ciI6ImJsb2JfaWQifX0=--dcdc470a0909904f41c12684bf7ee53b4ab8a805/ai-03b3a3b1.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"AI 에이전트, 데이터 대시보드, 보안 단계를 화살표로 연결한 워크플로 다이어그램","caption":"데이터 처리와 검증, 보안, 사람의 승인을 연결하는 AI 에이전트 워크플로를 보여준다.","description":null},"en":{"alt":"Workflow diagram linking AI agents, data dashboards, validation, security, and human review","caption":"The diagram shows a structured AI agent workflow spanning data processing, validation, security, and human approval.","description":null},"ja":{"alt":"AIエージェント、データ画面、検証、セキュリティ、人の確認を矢印で結んだワークフロー図","caption":"データ処理から検証、セキュリティ、人による承認までをつなぐAIエージェントの流れを示している。","description":null},"es":{"alt":"Diagrama de flujo con agentes de IA, paneles de datos, validación, seguridad y revisión humana","caption":"El diagrama muestra un flujo estructurado de agentes de IA con procesamiento, validación, seguridad y aprobación humana.","description":null},"id":{"alt":"Diagram alur yang menghubungkan agen AI, dasbor data, validasi, keamanan, dan tinjauan manusia","caption":"Diagram ini menunjukkan alur kerja agen AI terstruktur dari pemrosesan data hingga validasi, keamanan, dan persetujuan manusia.","description":null},"pt":{"alt":"Diagrama de fluxo com agentes de IA, painéis de dados, validação, segurança e revisão humana","caption":"O diagrama mostra um fluxo estruturado de agentes de IA com processamento, validação, segurança e aprovação humana.","description":null},"zh-hant":{"alt":"以箭頭連結 AI 代理、資料儀表板、驗證、安全與人工審核的工作流程圖","caption":"此圖呈現串聯資料處理、驗證、安全控管與人工核准的 AI 代理工作流程。","description":null},"de":{"alt":"Workflow-Diagramm mit KI-Agenten, Daten-Dashboards, Validierung, Sicherheit und menschlicher Prüfung","caption":"Das Diagramm zeigt einen strukturierten KI-Agenten-Workflow von der Datenverarbeitung bis zur Validierung und Freigabe.","description":null}}}],"published_at":"2026-08-21T02:29:06+09:00","updated_at":"2026-08-21T02:29:06+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/graph-engineering-ai-agent-workflow-guide"}