Azhar's Notes

Orkestrasi Meta-Agen

6 menit baca

Satu Agen adalah Alat, Banyak Agen adalah Sistem

Di sinilah kita melangkah dari tool use ke team management. Meta-Agen bukanlah agen yang melakukan tugas. Ia adalah orkestrator yang memahami kapabilitas agen spesialis, mendelegasikan tugas, mengelola konflik, dan mensintesis hasil. Jika agen adalah karyawan, Meta-Agen adalah Manajer, Arsitek, dan Juri dalam satu paket.

🏛️ Mengapa Meta-Agen Diperlukan?

Agen tunggal punya keterbatasan mendasar:

  1. Context Window: Satu agen tidak bisa menangani semua konteks sekaligus.
  2. Spesialisasi: Model yang jago coding belum tentu jago security analysis.
  3. Resiliensi: Jika satu agen gagal, seluruh tugas gagal. Dengan Meta-Agen, kegagalan bisa dialihkan.
  4. Skalabilitas: Meta-Agen bisa menambahkan agen baru tanpa mengubah kode inti.

🏛️ Fungsi Inti Meta-Agen

1. Dynamic Capability Registry

Meta-Agen tidak boleh memiliki daftar agen yang di-hardcode. Agen spesialis harus bisa mendaftar dan keluar secara dinamis (plug-and-play).

Self-Describing Agents:

Setiap agen spesialis mendeskripsikan dirinya saat mendaftar:

{
  "agent_id": "agent-code-reviewer-v2",
  "capabilities": ["code_review", "refactor", "lint"],
  "languages": ["Python", "JavaScript", "Rust"],
  "max_context": 10000,
  "cost_per_1k_tokens": 0.1,
  "status": "healthy"
}

Semantic Discovery:

Meta-Agen tidak mencari nama, tapi mencari kemampuan. “Saya butuh agen yang bisa refactor_code dan memahami Rust.” Ia kemudian mencocokkan kebutuhan ini dengan registri menggunakan embedding similarity atau keyword matching.

Health Probe:

Setiap 5 menit, Meta-Agen mengirim ping ke semua agen terdaftar. Jika tidak ada respons dalam 30 detik, agen ditandai UNHEALTHY dan dikeluarkan dari pool tugas. Ini mencegah delegasi ke agen yang sudah mati.

2. Task Orchestration & Decomposition

LLM-based Planner + DAG Validator:

Meta-Agen menggunakan model penalaran kuat (o1-style) untuk membuat ExecutionPlan. Rencana ini adalah DAG (Directed Acyclic Graph) tugas, bukan daftar linear.

Contoh DAG untuk task “Audit Keamanan Server”:

          ┌──────────────┐
          │ Port Scan    │
          └──────┬───────┘
                 │
          ┌──────▼───────┐
          │ Service      │
          │ Enumeration  │
          └──────┬───────┘
                 │
     ┌───────────┼───────────┐
     │           │           │
┌────▼───┐ ┌────▼───┐ ┌────▼───┐
│ CVE    │ │ Log    │ │ Config │
│ Check  │ │ Review │ │ Audit  │
└────┬───┘ └────┬───┘ └────┬───┘
     │          │          │
     └──────────┼──────────┘
                │
          ┌─────▼──────┐
          │ Synthesis  │
          │ Report     │
          └────────────┘

Keuntungan DAG: tugas paralel bisa dijalankan bersamaan, dan kegagalan satu cabang tidak menghentikan cabang lain.

Dynamic Replanning — Empat Strategi:

Jika Agent-X gagal mengerjakan Task-B, Meta-Agen tidak hanya menyerah. Ia memiliki empat strategi bertingkat:

  1. Retry: “Agent-X, coba lagi dengan petunjuk baru.” (1-2 retry, dengan prompt yang dimodifikasi)
  2. Reassign: “Agent-Y, kamu juga bisa melakukan Task-B. Tolong ambil alih.” (hanya jika ada agen alternatif dengan kapabilitas sama)
  3. Decompose Further: “Task-B terlalu sulit. Mari kita pecah menjadi Task-B1 dan Task-B2.” (gunakan LLM untuk memecah ulang)
  4. Escalate: “Semua agen gagal. Task-B memerlukan input manusia.” (Human-in-the-Loop — kirim notifikasi ke pengguna)

Prioritas: retry → reassign → decompose → escalate. Jangan pernah lompat ke escalate sebelum mencoba yang lain.

3. Synthesis & Conflict Resolution

Ketika banyak agen memberikan input, bagaimana Meta-Agen menghasilkan satu output yang koheren?

Blackboard Integration (Papan Tulis Bersama):

Semua agen menulis hasil mereka ke struktur data bersama (blackboard). Blackboard ini berisi:

  • shared_context: fakta yang sudah diverifikasi oleh minimal satu agen.
  • disputed_facts: klaim yang kontradiktif antar agen.
  • pending_verification: klaim yang baru diajukan, belum diperiksa.

Meta-Agen membaca blackboard dan mensintesis jawaban akhir. Keuntungan: agen tidak perlu berkomunikasi langsung satu sama lain.

Debate + Arbiter (Swarm Intelligence):

Untuk keputusan kritis, Meta-Agen bisa menjalankan protokol debat:

  1. Meta-Agen memberi masalah yang sama ke Agent-A dan Agent-B.
  2. Masing-masing memberikan solusi lengkap dengan reasoning.
  3. Meta-Agen meminta Agent-C (Arbiter) untuk menilai dan memilih solusi terbaik — atau mensintesis elemen terbaik dari keduanya.
  4. Arbiter menambahkan confidence score pada keputusan akhir.

Deteksi Konflik Otomatis:

Meta-Agen secara konstan memindai blackboard untuk kontradiksi: jika Agent-A mengatakan “Port 443 terbuka” dan Agent-B mengatakan “Port 443 tertutup (filtered)”, Meta-Agen mendeteksi kontradiksi ini dan menginisiasi prosedur resolusi. Ini bisa berupa verifikasi ulang oleh agen ketiga, atau eksekusi tool verifikasi (misal: nmap langsung).

4. Agent Lifecycle Management

Horizontal Scaling:

Jika antrian tugas untuk “analisis sentimen” sedang panjang (antrian > 10 tugas), Meta-Agen bisa meminta sistem untuk spawn (menghidupkan) lebih banyak instance Agent-Sentiment-Analyzer. Ini adalah auto-scaling untuk agen — persis seperti Kubernetes menambah pod. Threshold scaling: antrian > N tugas selama > 60 detik.

Health Monitoring:

Meta-Agen memonitor tiga metrik utama setiap agen:

  • Latency: Waktu respons rata-rata. Jika > 30 detik, tandai WARNING.
  • Error Rate: Persentase tugas gagal. Jika > 10%, tandai UNHEALTHY.
  • Hallucination Rate: (Diperiksa oleh Quality Gate) Jika skor faithfulness < 0.7, tandai UNHEALTHY.

Agen UNHEALTHY tidak lagi diberi tugas sampai pulih — dan penyebabnya dicatat untuk debugging.

🧠 Diagram: Arsitektur Orkestrasi

┌───────────────────────────────────────────────────────────────────────┐
│                    ORKESTRASI META-AGEN (Conductor)                     │
├───────────────────────────────────────────────────────────────────────┤
│                                                                        │
│  ┌──────────────────┐   ┌──────────────────┐   ┌──────────────────┐   │
│  │ INPUT & TUJUAN   │   │ REGISTRI AGEN    │   │ KONTEKS GLOBAL   │   │
│  │ (Dari User/Goal) │   │ (Dynamic Registry)│   │ (Blackboard)     │   │
│  └────────┬─────────┘   └────────┬─────────┘   └────────┬──────────┘   │
│           │                      │                      │              │
│           ▼                      ▼                      ▼              │
│  ┌─────────────────────────────────────────────────────────────────┐   │
│  │                PERENCANA (Planner & Decomposer)                  │   │
│  │ • Task DAG Generator  • Resource Estimator  • Dynamic Replanning │   │
│  └──────────────────────────────┬──────────────────────────────────┘   │
│                                 │                                      │
│                                 ▼                                      │
│  ┌─────────────────────────────────────────────────────────────────┐   │
│  │                EKSEKUTOR (Dispatcher & Monitor)                  │   │
│  │ • A2A Protocol  • Fault Recovery  • Auto-Scale                  │   │
│  └───────┬─────────────────┬─────────────────┬─────────────────────┘   │
│          │                 │                 │                         │
│          ▼                 ▼                 ▼                         │
│  ┌──────────┐      ┌──────────┐      ┌──────────┐                      │
│  │ Agent    │      │ Agent    │      │ Agent    │  ... (Specialists)   │
│  │ Code     │      │ Research │      │ Security │                      │
│  └──────────┘      └──────────┘      └──────────┘                      │
│                                                                        │
│  ┌─────────────────────────────────────────────────────────────────┐   │
│  │                ARBITER (Synthesis & Conflict Resolution)         │   │
│  │ • Debate Manager  • Consensus Engine  • Quality Gate (Eval)      │   │
│  └─────────────────────────────────────────────────────────────────┘   │
│                                                                        │
└───────────────────────────────────────────────────────────────────────┘

🔗 Koneksi ke Vault

KonsepDokumen Pendukung
Multi-Agent Frameworkagentic-ai-mcp-roadmap (Fase 5: Multi-Agent)
Agent Communication Protocolai-comm-protocol-deep-dive (A2A, Gibberlink)
Orchestration Pillarcognitive-architecture-engineering (Pilar 1, 3)
Goal Managementdesain-sistem-otonom (Goal Tree Manager)
Evaluator as First-Classai-evaluation-framework, test-time-compute-system2 (PRM)
Agent Securityllm-security-red-teaming-attack-surface-ai-layer (Tool Sandboxing)
MCP Integrationagentic-ai-mcp-architecture-deepdive (Tool Use, MCP)

🎯 Contoh Skenario: Meta-Agen dalam Aksi

Tugas: “Audit keamanan server web produksi dan buat laporan.”

  1. Input: Meta-Agen menerima perintah dari user.
  2. Plan: Buat DAG: Port Scan → Service Enumeration → (CVE Check || Log Review || Config Audit) → Synthesis.
  3. Dispatch: Kirim Port Scan ke Agent-Security. Kirim Log Review ke Agent-Analytics. Jalankan paralel.
  4. Monitor: Agent-Security selesai dalam 10 detik. Agent-Analytics masih berjalan. Meta-Agen menunggu.
  5. Conflict: Agent-Security bilang “nginx 1.24” tapi Config Audit bilang “nginx 1.22”. Meta-Agen deteksi konflik. Kirim verifikasi ke Agent-C.
  6. Synthesis: Setelah semua selesai, Meta-Agen kumpulkan hasil, format laporan, dan kirim ke user.
  7. Log: Semua langkah dicatat di Episodic Memory untuk pembelajaran berikutnya.

Orkestrasi Meta-Agen — 2026-07-09

Tampilan Grafik