Sembilan istilah berikut telah menjadi kosakata standar dalam sistem AI production saat ini. Bukan sekadar istilah populer di konten viral. Bagi Anda yang masih berada di level prompt engineering, uraian berikut menunjukkan apa yang perlu dipelajari selanjutnya, lengkap dengan urutan belajarnya agar tidak asal loncat antar konsep.
Agent tidak menjawab sekali lalu selesai. Ia berjalan melalui siklus Plan (merencanakan langkah) → Act (eksekusi) → Observe (mengamati hasil) → Reflect (mengevaluasi apakah target tercapai). Apabila belum tercapai, siklus diulang dari tahap Plan. Apabila sudah tercapai, proses selesai.
Kenapa penting: inilah yang membedakan AI agent dari chatbot biasa. Chatbot menjawab satu kali. Agent terus berputar dalam siklus tersebut sampai tugas benar-benar selesai, termasuk apabila langkah pertama gagal dan perlu direncanakan ulang.
Contoh kasus: agent riset yang diminta "cari 10 kompetitor dan bandingkan harganya" akan mengulang siklus tersebut berkali-kali. Mencari, memeriksa hasil, menyadari data yang didapat belum lengkap, mencari lagi. Barulah setelah itu ia memberikan laporan akhir.
MCP adalah protokol terbuka dari Anthropic yang menjadi standar penghubung antara AI agent dan tool eksternal, seperti email, repository kode, database, browser, dan calendar. Tanpa MCP, developer harus membuat integrasi khusus satu per satu untuk setiap tool.
Kenapa penting: dengan satu protokol, agent dapat langsung terhubung ke banyak tool sekaligus. Inilah alasan mengapa agent saat ini dapat benar-benar bekerja, membaca file, menjalankan query database, membuka browser, bukan sekadar menjawab teks.
Contoh kasus: Anda dapat menghubungkan Claude ke Google Drive dan Notion melalui MCP tanpa perlu menulis kode integrasi sendiri. Cukup memasang connector yang tersedia.
Satu tugas besar dipecah dan didelegasikan. Orchestrator menerima tugas, kemudian membaginya ke beberapa subagent. Masing-masing subagent memiliki tool sendiri dan context sendiri yang terisolasi. Hasil dari seluruh subagent kemudian digabungkan menjadi satu output akhir.
Kenapa penting: context yang terisolasi mencegah satu subagent menumpuk informasi yang dapat membingungkan subagent lain atau memboroskan token. Pekerjaan menjadi paralel, bukan berurutan.
Contoh kasus: agent yang diminta mengaudit sebuah codebase dapat mendelegasikan satu subagent untuk memeriksa keamanan, satu untuk memeriksa performa, dan satu lagi untuk memeriksa gaya penulisan kode. Ketiganya berjalan bersamaan, dan hasilnya digabungkan pada akhir proses.
Layer perantara antara aplikasi Anda dan berbagai provider model, seperti OpenAI, Anthropic, atau model open source. Seluruh permintaan melewati satu pintu yang mengelola autentikasi, rate limit, dan log secara terpusat.
Kenapa penting: mengganti provider atau menambahkan model baru tidak memerlukan perubahan kode di setiap aplikasi. Terdapat satu titik kendali untuk seluruh traffic AI Anda.
Contoh kasus: tim yang memiliki lima aplikasi internal berbeda dapat beralih dari satu model ke model lain untuk seluruh aplikasi sekaligus, tanpa menyentuh kode masing-masing aplikasi.
Token adalah satuan biaya. Prompt caching merupakan cara penghematan yang paling signifikan. Cache hit dikenakan biaya sekitar 10% dari harga input standar, sedangkan cache miss dikenakan biaya penuh.
Kenapa penting: desain prompt yang konsisten, dengan system prompt dan urutan yang sama, dapat memangkas biaya inference secara signifikan. Hal ini bukan hanya soal model mana yang digunakan, melainkan juga bagaimana prompt tersebut disusun.