Kuasai ReAct Agents LangGraph: Panduan Praktis Bikin AI Agent Cerdas

Oleh VOXBLICK

Jumat, 21 November 2025 - 19.45 WIB

Kuasai ReAct Agents LangGraph: Panduan Praktis Bikin AI Agent Cerdas

Panduan praktis ReAct LangGraph. (Foto oleh energepic.com)

VOXBLICK.COM - Membangun agen AI yang benar-benar cerdas, yang bisa berpikir, merencanakan, dan bertindak secara mandiri, mungkin terdengar seperti fiksi ilmiah. Namun, dengan kemajuan teknologi Large Language Model (LLM) dan kerangka kerja seperti LangChain, impian itu semakin mendekat. Jika kamu ingin mulai menciptakan agen AI yang efisien dan mampu menyelesaikan tugas kompleks, kamu sudah berada di tempat yang tepat. Kali ini, kita akan menyelami dunia ReAct Agents dan bagaimana LangGraph menjadi "otak" di balik alur kerja cerdasnya. Siap jadi ahli AI yang bisa bikin agen hebat? Mari kita mulai!

Bayangkan kamu memiliki asisten yang tidak hanya bisa menjawab pertanyaan, tapi juga tahu kapan harus mencari informasi tambahan, menggunakan kalkulator, atau bahkan berinteraksi dengan API lain untuk menyelesaikan tugasmu.

Itulah esensi dari agen AI yang cerdas. Tantangannya adalah bagaimana merancang sistem yang bisa melakukan semua itu secara mandiri, tanpa perlu intervensi manusia di setiap langkah. Di sinilah ReAct Agents dan LangGraph menunjukkan kekuatannya.

### Memahami ReAct Agents: Berpikir Lalu Bertindak

ReAct adalah singkatan dari "Reasoning and Acting" (Berpikir dan Bertindak). Ini adalah sebuah paradigma untuk membangun agen AI yang menggabungkan kemampuan penalaran (reasoning) dan tindakan (acting) dari sebuah LLM.

Konsepnya sederhana namun powerful:

Reasoning (Penalaran): LLM pertama-tama akan "berpikir" atau merencanakan langkah selanjutnya berdasarkan instruksi yang diberikan dan observasi dari tindakan sebelumnya.

Ini bisa berupa memecah masalah besar menjadi sub-tugas, memutuskan alat mana yang akan digunakan, atau bahkan memperbaiki kesalahan.
Acting (Tindakan): Setelah penalaran, LLM akan "bertindak" dengan menggunakan alat (tools) yang tersedia. Alat ini bisa apa saja, mulai dari pencarian web, kalkulator, akses database, hingga berinteraksi dengan API eksternal.

Proses ini berjalan secara iteratif: Observasi → Penalaran → Tindakan → Observasi dan seterusnya, sampai tugas selesai atau agen memutuskan untuk berhenti.

Cara kerja ReAct ini mirip dengan bagaimana manusia memecahkan masalah: kita menganalisis situasi, merencanakan langkah, mengambil tindakan, mengamati hasilnya, dan menyesuaikan rencana jika perlu. Dengan ReAct Agents, kamu bisa membuat AI yang lebih tangguh dan adaptif.

### LangGraph: Otak di Balik Alur Kerja Cerdas

Jika ReAct adalah filosofi, maka LangGraph adalah mesin yang mewujudkannya. LangGraph adalah ekstensi dari LangChain, dirancang khusus untuk membangun aplikasi multi-aktor yang stateful dengan LLM. Ini berarti LangGraph memungkinkanmu untuk:

Membangun Alur Kerja Berbasis Graf: Kamu bisa mendefinisikan "node" (langkah-langkah atau komponen) dan "edge" (transisi antar node) untuk menciptakan alur kerja yang kompleks dan bercabang.

Mengelola State (Keadaan): LangGraph menjaga "state" atau keadaan dari seluruh percakapan atau proses. Ini krusial karena agen perlu mengingat apa yang sudah terjadi, apa yang sudah dicoba, dan apa hasilnya untuk membuat keputusan selanjutnya.
Menangani Looping dan Kondisi: Dalam alur kerja agen yang cerdas, seringkali ada kebutuhan untuk melakukan tindakan berulang atau membuat keputusan berdasarkan kondisi tertentu. LangGraph memfasilitasi ini dengan mudah, memungkinkan agen untuk terus berpikir dan bertindak hingga mencapai tujuan.

Dengan LangGraph, kamu bisa merancang bagaimana ReAct Agentmu akan bergerak dari satu tahap ke tahap berikutnya, bagaimana ia akan menggunakan alat, kapan ia harus bertanya kembali kepada pengguna, dan kapan ia harus mengakhiri tugas.

Ini memberikan kontrol yang sangat presisi atas perilaku agen AI-mu.

### Panduan Praktis: Membangun ReAct Agent dengan LangGraph

Mari kita wujudkan konsep ini menjadi panduan praktis yang bisa langsung kamu terapkan.

#### 1. Persiapan Awal: Lingkungan dan Dependencies

Sebelum memulai, pastikan kamu memiliki lingkungan Python yang siap.

Instalasi Library:
bash
pip install langchain-community langchain-openai langgraph

(Ganti `langchain-openai` jika kamu menggunakan LLM provider lain seperti `langchain-anthropic` atau

`langchain-google-genai`).
API Keys: Pastikan kamu memiliki API key untuk LLM provider pilihanmu (misalnya, OpenAI API Key) dan set sebagai variabel lingkungan.

python
import os
os.environ"OPENAI_API_KEY" = "sk-..." # Ganti dengan API Key-mu

#### 2. Memahami Komponen Dasar untuk ReAct & LangGraph

Untuk membangun agenmu, ada beberapa komponen inti yang perlu kamu kenali:

Tools (Alat): Ini adalah fungsi atau API yang bisa digunakan oleh agenmu. Contohnya:
`DuckDuckGoSearchRun`: Untuk melakukan pencarian web.
`Calculator`: Untuk perhitungan matematis.

Custom tools: Fungsi Python yang kamu buat sendiri untuk berinteraksi dengan sistem spesifik.
LLM (Large Language Model): Ini adalah "otak" agenmu. Model seperti `ChatOpenAI` (GPT-4, GPT-3.5) akan digunakan untuk penalaran dan menghasilkan respons.
Graph State: LangGraph menggunakan `TypedDict` untuk mendefinisikan struktur data yang akan menyimpan status agenmu sepanjang eksekusi. Ini penting agar agen bisa mengingat konteks.
Nodes (Node): Setiap node dalam LangGraph adalah sebuah langkah atau fungsi yang akan dieksekusi. Contohnya, satu node bisa untuk "memanggil alat", node lain untuk "meminta LLM untuk berpikir".
Edges (Tepi/Transisi): Ini mendefinisikan bagaimana agen bergerak antar node. Edges bisa berupa transisi langsung atau transisi kondisional (misalnya, "jika alat berhasil, pergi ke node X jika gagal, pergi ke node Y").

#### 3. Merancang Alur Kerja LangGraph untuk ReAct

Inilah bagian paling menarik, di mana kita mendefinisikan bagaimana agenmu akan berpikir dan bertindak.

a. Definisikan Graph State:
Pertama, kita tentukan `state` yang akan dibawa oleh agenmu.

python
from typing import List, Tuple, TypedDict

class AgentState(TypedDict):
input: str # Input dari pengguna
chat_history: ListTuplestr, str # Riwayat percakapan
agent_outcome: str # Hasil dari tindakan agen
intermediate_steps: ListTuplestr, str #

Langkah-langkah perantara (pemikiran & tindakan)

b. Siapkan Tools dan LLM:
Buat instance tools yang akan digunakan agenmu dan LLM.

python
from langchain_community.tools import DuckDuckGoSearchRun
from langchain_openai import ChatOpenAI

tools = DuckDuckGoSearchRun(), Calculator() # Contoh: pencarian dan kalkulator
llm = ChatOpenAI(model="gpt-4o", temperature=0) # Sesuaikan modelmu

c. Buat Fungsi Node:
Kita akan membuat beberapa node utama:

`call_tool(state)`: Fungsi ini akan memanggil alat yang direkomendasikan oleh LLM.
`run_agent(state)`: Fungsi ini akan memanggil LLM untuk berpikir (reasoning) dan memutuskan tindakan (acting) selanjutnya, atau memberikan jawaban akhir.

d. Bangun Graph:
Setelah memiliki node, kita akan menyusunnya menjadi sebuah graph. Ini melibatkan:

`add_node()`: Menambahkan fungsi ke graph.
`add_edge()`: Menghubungkan node secara langsung.
`add_conditional_edges()`: Menghubungkan node berdasarkan kondisi (misalnya, apakah agen perlu melanjutkan atau selesai).

Ini adalah inti dari bagaimana ReAct Agents beroperasi dalam LangGraph. LLM akan menerima prompt yang berisi instruksi, riwayat percakapan, dan daftar alat yang tersedia.

Berdasarkan itu, ia akan menghasilkan `Thought` (pemikiran) dan `Action` (tindakan) yang ingin dilakukan, atau `Final Answer` (jawaban akhir).

#### 4. Contoh Sederhana: Agen Penjawab Pertanyaan dengan Pencarian

Mari kita bayangkan agen yang bisa menjawab pertanyaan kompleks menggunakan pencarian web.

1. Pengguna Bertanya: "Siapa penemu LangChain dan kapan diluncurkan?"
2. Agen (LLM) Berpikir: "Saya perlu mencari informasi tentang penemu LangChain dan tanggal peluncuran LangChain. Saya akan menggunakan alat pencarian.

"
3. Agen Bertindak: Memanggil `DuckDuckGoSearchRun` dengan query `penemu LangChain`.
4. Agen Mengamati: Menerima hasil pencarian yang menyebutkan Harrison Chase dan tanggal peluncuran.
5. Agen Berpikir Lagi: "Saya sudah punya informasinya. Sekarang saya bisa merangkum dan memberikan jawaban."
6. Agen Bertindak (Final Answer): "Harrison Chase adalah penemu LangChain, yang diluncurkan pada tanggal."

Dalam LangGraph, alur ini akan terlihat seperti:
`Start` -> `run_agent` (LLM berpikir/bertindak) -> `conditional_edge` (apakah butuh alat?)
-> Jika ya: `call_tool` -> `run_agent` (LLM berpikir lagi) -> `conditional_edge` (apakah

butuh alat lagi?)
-> Jika tidak: `End` (jawaban akhir)

Ini adalah siklus berkelanjutan sampai agen merasa tugasnya selesai. Kamu bisa menambahkan lebih banyak alat, seperti kalkulator atau database internal, untuk membuat agenmu lebih kaya kemampuan.

### Tips Tambahan untuk Agen AI yang Lebih Cerdas

Membangun agen adalah sebuah seni dan sains. Berikut beberapa tips untuk membuat agenmu makin canggih:

Prompt Engineering yang Cermat: Prompt adalah instruksi utama bagi LLM. Berikan instruksi yang jelas, spesifik, dan sertakan contoh jika memungkinkan. Jelaskan peran agen dan apa yang diharapkan darinya.

Pilih Tools yang Tepat: Jangan kebanyakan, tapi juga jangan terlalu sedikit. Setiap alat harus memiliki tujuan yang jelas dan relevan dengan tugas agen. Pastikan deskripsi alat sangat jelas agar LLM tahu kapan harus menggunakannya.
Error Handling: Apa yang terjadi jika sebuah alat gagal? Atau jika LLM menghasilkan respons yang tidak valid? Bangun logika untuk menangani skenario ini, mungkin dengan mencoba lagi, menggunakan alat alternatif, atau meminta klarifikasi dari pengguna.
Iterasi dan Pengujian: Agen AI jarang sempurna pada percobaan pertama. Uji agenmu dengan berbagai skenario, identifikasi kelemahan, dan perbaiki alur kerja atau prompt.
Manfaatkan `chat_history`: Pastikan agenmu bisa mengingat konteks percakapan sebelumnya. Ini sangat penting untuk interaksi yang berkelanjutan dan alami.

Dengan menguasai ReAct Agents dan memanfaatkan kekuatan LangGraph, kamu tidak hanya membangun agen AI, tapi menciptakan sistem cerdas yang mampu beradaptasi, belajar, dan menyelesaikan tugas-tugas kompleks.

Ini adalah keterampilan yang sangat berharga di dunia AI yang terus berkembang. Jadi, tunggu apa lagi? Mulailah bereksperimen, bangun agen pertamamu, dan saksikan potensi tak terbatas yang bisa kamu ciptakan!