Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Selamat datang di Sesi 7 kelas Agentic AI Tanpa Coding. Di Sesi 6 kita sudah membuat workflow pertama yang berjalan sendiri. Sekarang kita naik satu tingkat: membuat agent yang punya alat. Di episode ini kita mengenal node AI Agent di n8n, beserta tiga perlengkapannya: model sebagai otak, memori sebagai ingatan, dan alat sebagai tangan. Lalu kita memasangnya satu per satu dan mengujinya.
Langkah 1: Dari langkah AI ke AI Agent
Mari ingat dulu workflow yang kita bangun di Sesi 6. Semuanya dimulai dari trigger, yaitu pemicu. Setiap ada formulir pesanan masuk, workflow langsung berjalan. Node kedua adalah langkah AI. Node ini mengirim isi formulir ke model AI dengan satu perintah tetap: rangkum pesan pelanggan, lalu beri kategori pesanan, pertanyaan, atau keluhan. Hasilnya disimpan sebagai baris baru di Google Sheets. Terakhir, Gmail mengirim notifikasi ke admin. Workflow ini sudah sangat berguna, dan mungkin sudah berjalan di usaha Anda sejak sesi lalu. Tetapi perhatikan polanya. Jalurnya selalu sama, dari kiri ke kanan. Langkah AI di tengah hanya menjalankan satu perintah. Ia tidak bisa memutuskan untuk mengecek stok dulu, atau memilih tidak mengirim email. Sekarang kita jajarkan bedanya. Baris pertama, jalur kerja. Langkah AI di Sesi 6 mengikuti urutan node yang kita pasang. Agent memilih jalurnya sendiri, tergantung isi pesan yang masuk. Baris kedua, tugas AI. Langkah AI menjalankan satu perintah, misalnya merangkum. Agent diberi tujuan, misalnya melayani pelanggan, dan boleh mengambil beberapa langkah untuk mencapainya. Baris ketiga, alat. Langkah AI hanya menghasilkan teks. Agent bisa memanggil alat: membaca Google Sheets, menambah baris, atau mengirim email. Baris keempat, ingatan. Langkah AI selalu mulai dari nol di setiap eksekusi. Agent bisa diberi memori, sehingga ingat apa yang dibicarakan beberapa pesan sebelumnya. Dan baris terakhir: langkah AI cocok untuk alur yang selalu sama. Agent cocok untuk percakapan yang beragam, seperti chat pelanggan yang menanyakan stok, harga, lalu memesan. Inilah gagasan utama Sesi 7. Agent memilih alatnya sendiri, berdasarkan isi pesan yang ia terima. Tugas kita berubah. Kita tidak lagi menyusun urutan langkah. Kita menyediakan alat yang aman, menulis aturan yang jelas, lalu membiarkan agent memutuskan kapan alat itu dipakai. Contohnya di Kopi Senja. Kalau pelanggan hanya menyapa, agent cukup membalas. Kalau pelanggan bertanya stok, agent membuka data stok. Kalau pelanggan memesan, agent mencatat pesanan lalu mengabari Dimas. Satu workflow, tiga jalur berbeda, dipilih oleh agent sendiri.
Langkah 2: Anatomi node AI Agent
Sebuah agent di n8n tersusun dari lima bagian. Pertama, Chat Trigger. Ini pintu masuk pesan, baik dari pelanggan maupun dari Anda sendiri saat menguji. Kedua, node AI Agent. Inilah pusat kendalinya. Ia membaca pesan, menimbang apa yang dibutuhkan, lalu memutuskan langkah berikutnya. Ketiga, Chat Model, yaitu otaknya. Di sini kita memilih model bahasa dari penyedia seperti OpenAI, Anthropic, atau Google. Keempat, Memory, yaitu ingatan. Memori menyimpan beberapa pesan terakhir dalam satu sesi percakapan, supaya agent tidak bertanya ulang hal yang sudah disebut. Dan kelima, Tools, yaitu tangan. Lewat alat inilah agent bisa membaca data stok, mencatat pesanan, atau mengirim pesan ke admin. Begini kelima bagian itu terlihat di kanvas. Di kiri ada Chat Trigger. Bentuknya sedikit membulat di sisi kiri, tanda bahwa node ini pemicu workflow. Di sebelah kanannya ada node AI Agent. Kotaknya lebih lebar dari node biasa, dan di bagian bawahnya ada beberapa titik sambungan. Dari titik pertama turun garis putus-putus ke Chat Model. Sambungan ini wajib. Tanpa model, agent tidak bisa berpikir, dan n8n akan menandai node agent dengan peringatan. Titik kedua tersambung ke Memory. Sambungan ini boleh kosong, tetapi untuk agent yang melayani chat, memori hampir selalu dibutuhkan. Titik ketiga tersambung ke Tools. Di sini kita boleh memasang banyak alat sekaligus, misalnya alat baca stok, alat catat pesanan, dan alat kirim email. Perhatikan bedanya dengan Sesi 6. Garis abu-abu berpanah adalah urutan langkah. Garis putus-putus ungu adalah perlengkapan yang dipakai agent kapan saja ia butuh, bukan langkah berurutan.
Langkah 3: Memasang Chat Trigger dan node AI Agent
Sekarang kita praktik. Buka n8n, buat workflow baru, dan beri nama Agent Admin Kopi Senja. Kanvasnya masih kosong. Klik tombol tambah, lalu ketik chat di kotak pencarian. Pilih On chat message. Node pemicu muncul di kanvas dengan nama When chat message received. Node ini membuka jendela chat kecil untuk menguji agent langsung dari editor. Biarkan pilihan chat publik dalam keadaan mati. Kita belum ingin agent ini bisa diakses orang lain sebelum benar-benar teruji. Menghubungkannya ke WhatsApp atau Telegram baru dibahas di Sesi 8. Perhatikan dua data yang dikirim node ini. Kotak kuning pertama mengambil isi pesan yang diketik. Kotak kedua mengambil nomor sesi percakapan. Nomor sesi ini nanti dipakai oleh memori. Berikutnya, klik tanda tambah di sebelah kanan trigger, lalu cari AI Agent. Node agent muncul lebih lebar dari node lain, tersambung panah dari trigger. Di panel pengaturan, sumber pesan sudah otomatis terisi: Connected Chat Trigger Node. Artinya agent membaca isi pesan dari chat trigger tadi. Kita tidak perlu mengetik apa pun. Kolom System Message, yaitu instruksi tetap untuk agent, kita biarkan kosong dulu. Instruksi admin Kopi Senja ditulis lengkap di Episode 34. Satu kebiasaan baik: ganti nama node agar mudah dibaca. Misalnya node agent diberi nama Agent Admin. Saat workflow makin panjang, nama yang jelas sangat membantu Anda dan rekan kerja membaca alurnya. Tutup panelnya. Node AI Agent kini bertanda merah. Itu wajar, karena agent belum punya otak. Mari kita pasangkan sekarang.
Langkah 4: Menyambungkan Chat Model dan Memory
Klik titik Chat Model di bawah node AI Agent. Muncul daftar penyedia: OpenAI, Anthropic, Google Gemini, dan lainnya. Untuk contoh ini kita pilih OpenAI Chat Model. Lihat garisnya: putus-putus, dari bawah agent ke atas model. Model adalah otak yang membaca pesan dan memutuskan langkah. Begitu tersambung, tanda merah di node agent hilang. Untuk tersambung ke model, n8n meminta kredensial berupa API key, yaitu kunci akses dari penyedia model. Kunci ini dibuat di halaman developer penyedia, terpisah dari langganan ChatGPT atau Claude biasa. Pemakaian model lewat API dihitung per banyaknya teks yang diproses, jadi cek halaman harga terbaru penyedia Anda. Untuk agent admin toko, model kecil yang hemat biasanya sudah cukup. Opsi temperature mengatur seberapa bebas model mengarang kalimat. Untuk admin yang menjawab harga dan stok, nilai rendah seperti nol koma tiga membuat jawaban lebih konsisten dari hari ke hari. Sekarang klik titik Memory dan pilih Simple Memory. Di versi lama, node ini bernama Window Buffer Memory, jadi namanya bisa sedikit berbeda tergantung versi n8n Anda. Memori ini mengingat beberapa pesan terakhir per sesi. Kunci sesinya diambil otomatis dari nomor sesi di chat trigger, sehingga percakapan Rina tidak tercampur dengan percakapan Budi. Context Window Length berisi angka lima. Artinya agent mengingat lima putaran tanya jawab terakhir dalam sesi itu. Cara memilih angka yang pas kita bahas di Episode 34. Karena API key bisa dipakai untuk menagih biaya ke akun Anda, mari jaga dengan benar. Pertama, simpan hanya di menu Credentials. Jangan pernah menuliskannya di dalam prompt atau instruksi. Kedua, beri nama kredensial yang jelas, misalnya Akun OpenAI Kopi Senja. Kalau nanti punya beberapa usaha atau klien, Anda tidak bingung memilih. Ketiga, pasang batas pemakaian bulanan di dasbor penyedia model, supaya tagihan tidak membengkak bila ada kesalahan di workflow. Dan yang ditandai silang: jangan mengirim API key lewat chat, email, atau grup WhatsApp. Bila kunci terlanjur tersebar, segera hapus di dasbor penyedia dan buat kunci baru.
Langkah 5: Memasang alat pertama dan menguji
Bagian terakhir adalah alat. Klik titik Tool di bawah agent. Daftarnya panjang: Google Sheets, Gmail, Google Calendar, HTTP Request, dan banyak lagi. Untuk uji pertama, pilih yang paling sederhana: Calculator. Calculator adalah alat hitung tanpa pengaturan apa pun. Kita memakainya untuk membuktikan satu hal penting: agent memutuskan sendiri kapan alat dipakai, dan kapan tidak. Sekarang susunan lengkapnya terlihat: satu trigger, satu agent, dan tiga sub-node. Simpan workflow, lalu klik tombol Open chat di bawah kanvas untuk mulai menguji. Jendela chat terbuka. Kita mulai dengan salam sederhana: halo, selamat pagi. Agent langsung membalas. Perhatikan, tidak ada baris alat di sini. Untuk salam, agent tidak butuh alat, jadi ia menjawab langsung dari modelnya. Sekarang ajukan soal hitungan: tiga kopi susu satu liter dan dua cold brew, dengan harga yang kita sebutkan sendiri di pesan. Kali ini muncul baris abu-abu bertanda roda gigi. Itu tanda agent memanggil alat. Ia memutuskan sendiri memakai Calculator, karena pertanyaannya soal hitungan. Hasil dari alat dipakai untuk menyusun jawaban: tiga ratus enam puluh lima ribu rupiah. Kita tidak pernah menulis aturan jika ada angka maka hitung. Agent yang memilih. Pertanyaan terakhir: stok cold brew hari ini masih ada? Jawabannya jujur: agent belum punya akses ke data stok. Ini justru jawaban yang baik. Lebih baik mengaku tidak tahu daripada mengarang angka. Data stok dan harga kita siapkan di episode berikutnya. Bagaimana kita tahu apa yang terjadi di dalam? Kembali ke kanvas. Semua node yang dipakai bertanda centang hijau, dan di panel samping tampil log eksekusi untuk pesan hitungan tadi. Bacalah dari atas. Memori dibaca lebih dulu, lalu model memutuskan bahwa pertanyaan ini perlu dihitung. Calculator dipanggil dengan soal yang disusun model sendiri, lalu mengembalikan hasilnya. Model membaca hasil itu dan menyusun jawaban yang ramah. Terakhir, memori menyimpan pesan dan jawaban. Biasakan membuka log seperti ini setiap kali agent menjawab aneh. Di sinilah Anda melihat alat mana yang dipilih, dan dengan isian apa. Saat mencoba sendiri, ada beberapa masalah yang sering muncul. Pertama, node AI Agent bertanda merah. Hampir selalu penyebabnya Chat Model belum tersambung ke titik di bawah agent. Kedua, muncul pesan kredensial gagal. Periksa apakah API key tersalin utuh tanpa spasi, dan apakah akun di penyedia model masih punya saldo atau kuota. Ketiga, chat tidak dibalas. Pastikan workflow sudah disimpan, lalu lihat apakah eksekusi sebelumnya masih berjalan atau berhenti dengan galat. Keempat, agent menjawab dengan data toko yang dikarang, misalnya menyebut harga yang tidak ada. Untuk saat ini itu wajar, karena agent belum punya data dan belum punya instruksi. Dua hal itu kita perbaiki di episode-episode berikutnya.
Langkah 6: Cara agent memutuskan, dan peta Sesi 7
Mari rangkum cara agent memutuskan. Setiap pesan masuk, agent membaca isi chat beserta beberapa pesan terakhir dari memori. Lalu ia menimbang: bisakah saya menjawab langsung, atau perlu alat? Kalau perlu, ia memanggil alat yang paling cocok. Dan ini penting: agent memilih alat berdasarkan nama dan deskripsinya. Karena itu di Episode 33 kita menulis deskripsi alat dengan sangat jelas. Hasil alat dibaca. Kalau belum cukup, misalnya stok sudah dicek tetapi harga ongkir belum jelas, agent bisa memanggil alat lain. Putaran ini bisa berulang beberapa kali dalam satu pesan. Setelah yakin, barulah agent menjawab. Jadi satu pesan pelanggan bisa memicu nol, satu, atau beberapa pemanggilan alat, tergantung apa yang dibutuhkan. Agent memang menarik, tetapi tidak selalu jawabannya. Kalau setiap formulir cukup disimpan ke Sheets, pakai workflow biasa. Lebih murah, lebih cepat, dan lebih mudah diperiksa. Kalau alurnya tetap tetapi isinya perlu dipahami, misalnya meringkas email pelanggan setiap pagi, workflow dengan langkah AI dari Sesi 6 sudah cukup. Agent dipakai saat pertanyaannya beragam dan perlu memilih alat, seperti chat pelanggan yang menanyakan stok, lalu harga, lalu ingin memesan. Dan untuk urusan berisiko tinggi seperti pembayaran atau refund, serahkan ke manusia. Di Kopi Senja, itu tugas Dimas sebagai admin. Agent cukup meneruskan kasusnya. Inilah peta Sesi 7. Hari ini, di Episode 31, kita sudah memasang kerangka agent: trigger, agent, model, memori, dan alat pertama. Di Episode 32 kita menyiapkan sumber data di Google Sheets: tab Produk berisi harga dan stok, serta tab Pesanan untuk mencatat order. Di Episode 33 agent diberi tiga alat: mengecek produk, mencatat pesanan, dan mengirim notifikasi ke Dimas. Di Episode 34 kita mengatur memori dan menulis instruksi sistem: peran, aturan harga, konfirmasi sebelum mencatat, dan kapan meneruskan ke Dimas. Dan di Episode 35 semuanya diuji dari awal sampai akhir, mulai dari pelanggan bertanya stok sampai pesanan tercatat di Sheets. Sebelum menutup episode, cek pekerjaan Anda. Workflow Agent Admin sudah dibuat dan disimpan, dan Chat Trigger tersambung ke AI Agent. Chat Model tersambung dengan kredensial yang valid, dan Simple Memory memakai nomor sesi dari Chat Trigger. Terakhir, Calculator terpasang dan Anda sudah mencoba tiga pesan uji: salam, hitungan, dan pertanyaan stok. Kalau semua tercentang, kerangka agent Anda siap diisi data.
Selesai!
Mari kita rangkum. Node AI Agent adalah pusat kendali. Chat Model menjadi otaknya, Memory menjadi ingatannya, dan Tools menjadi tangannya. Bedanya dengan Sesi 6, agent memilih sendiri kapan memakai alat. Agent kita sudah bisa berpikir, tetapi belum tahu stok dan harga Kopi Senja. Di episode berikutnya kita menyiapkan Google Sheets sebagai sumber datanya, dengan tab Produk dan tab Pesanan yang rapi. Sampai jumpa di Episode 32.
Latihan mandiri
Kerjakan sendiri setelah menonton supaya materinya benar-benar melekat.
Buat workflow baru berisi Chat Trigger, AI Agent, Chat Model, Simple Memory, dan Calculator, lalu uji dengan tiga pesan: salam, soal hitungan, dan pertanyaan stok.
Buka log eksekusi untuk setiap pesan dan catat kapan agent memanggil alat dan kapan tidak.
Tulis tiga pertanyaan pelanggan yang paling sering masuk di usaha Anda. Pertanyaan ini dipakai untuk menguji agent di Episode 35.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
