🤖 Sesi 5 — Agentic AI & Orchestration

Dari ReAct sampai Agent Factory — paham gimana & kenapa AI agent bekerja

🧠 10 topik inti 📅 24 Juli 2026 🏭 14 agent nyata

📋 Daftar Isi

1🧠 Apa Itu Agentic AI? 2🔄 Agent Loop 3⚙️ ReAct & Pola Agent 4🤝 Multi-Agent Systems 5🎯 Orchestration Patterns 6🔌 MCP & ACP Protocol 7🧠 Agent Memory 8⚙️ Framework Perbandingan 9🏭 Agent Factory Kamu 10🎨 Agent Design Patterns

1️⃣ 🧠 Apa Itu Agentic AI?

🎯 Agentic AI vs LLM Biasa

LLM biasa (ChatGPT tanpa tools): tanya → jawab. Selesai.
Agentic AI (Hermes, Claude Code): tanya → mikir → pake tool → lihat hasil → putuskan → jawab. Ini yang bikin Hermes berbeda dari chatbot biasa.

LLM Biasa

💬 Chatbot Pasif

Tanya: "Cek status server"
Jawab: "Maaf, saya tidak bisa akses server. Tapi secara umum kamu bisa cek pake perintah df -h"

❌ Cuma ngasih tau, gak bisa ngelakuin

Agentic AI

⚡ Agent Aktif

Tanya: "Cek status server"
Action: terminal("ssh... df -h")
Observe: "Disk 85%"
Think: "Perlu bersihin"
Action: terminal("find... -delete")
Jawab: "Server udah clean, disk 60%"

✅ Mikir + executes, action sendiri

Ciri-ciri Agentic AI

🎯 Autonomy

Bisa kerja sendiri tanpa disuruh tiap langkah. Hermes mutusin langkah apa yang perlu diambil.

🛠 Tool Use

Bisa pake tools: terminal, file, web, browser, API. Hermes punya 25+ toolsets.

🔄 Planning

Bisa rencanain langkah-langkah sebelum execute. Plan → Act → Observe → Loop.

🧠 Reasoning

Gak cuma generate teks, tapi beneran mikir. Chain-of-thought, reflection, self-correction.

💾 Memory

Ingat konteks antar langkah, antar sesi. Hermes: state.db + memory tool + skills.

🤝 Multi-Agent

Bisa kerja sama dengan agent lain. Hermes: delegate_task + Agent Factory.

"An AI agent is a system that perceives its environment, makes decisions, and takes actions to achieve a goal. It's not just a chat model — it's an autonomous problem-solver." — Russell & Norvig, AI: A Modern Approach

2️⃣ 🔄 Agent Loop — Jantung Hermes

🎯 Ini yang Terjadi Setiap Kali Kamu Kirim Pesan ke Hermes

Setiap interaksi dengan Hermes menjalankan conversation loop. Paham ini = paham gimana Hermes "berpikir".

🔄 Standard Agent Loop (Simplified)

👤 User Input

"Cek status server"

1️⃣ THINK / REASON

LLM analisis input + konteks
Putuskan: jawab langsung atau pake tool?

2️⃣ ACT (Tool Calling)

Pilih tool + argument
Execute: terminal("df -h")

3️⃣ OBSERVE

Baca hasil tool
Evaluasi: goal tercapai?

✅ Goal Tercapai

Kembali ke user

🔄 Loop Lagi

Kembali ke Step 1

Di Dalam Hermes

⚙️ run_conversation()

1. Build system prompt
← SOUL.md + AGENTS.md + skills
   + memory + env hints
2. Loop while turns < max:
   a. Call LLM (messages + tools)
   b. If tool_calls → dispatch →
      append results → continue
   c. If text → return to user
3. Auto-compress near limit

⏱ Batasan Agent Loop

max_turns: 60 (default)
Istilah: setiap LLM call = 1 turn
1 turn = think + (optional) tool call
Kalo 60 turns gak selesai → timeout
Bisa diubah di config: agent.max_turns

🧠 Tool Calling Mechanism

LLM ngeluarin JSON: {name, arguments}
Hermes dispatch ke handle_function_call()
Hasil tool dikembalikan ke LLM
LLM putuskan: lanjut atau jawab
Parallel tool calls — bisa panggil banyak tools sekali jalan

3️⃣ ⚙️ ReAct & Pola Agent

🎯 ReAct = Reasoning + Acting = Pola Dasar Semua Agent AI

Diciptakan oleh Shunyu Yao & Google Brain (2023). Jadi fondasi Hermes, Claude Code, ChatGPT dengan tools, dan hampir semua agent modern.

REACT

🧠 Reasoning + Acting

LLM bergantian antara Think → Act → Observe → Loop. Setiap tool call didahului reasoning kenapa tool itu dipilih. Hermes pake ini sebagai default agent loop.

# Contoh ReAct di Hermes:
THINK: "Saya perlu cek disk usage server"
ACT: terminal("ssh... df -h")
OBSERVE:"Disk 85%"
THINK: "Hampir penuh, perlu cleanup"
ACT: terminal("find... -delete")
RESULT: "Disk aman 60%" ✅

PLAN-EXECUTE

📋 Plan-and-Execute

Rencanain semua langkah dulu di awal, baru execute satu per satu. Cocok untuk task kompleks yang butuh perencanaan matang. Hermes bisa pake pola ini via /goal command.

# Plan dulu, baru gas:
PLAN:
1. SSH ke server
2. Cek disk dengan df -h
3. Cek RAM dengan free -m
4. Cek CPU dengan top
EXECUTE: (satu per satu) ✅

TREE-OF-THOUGHT

🌳 Tree-of-Thought (ToT)

Model coba banyak jalur reasoning paralel, eksplorasi kemungkinan berbeda, evaluasi mana yang paling menjanjikan. Advanced pattern — lebih mahal tapi lebih akurat untuk problem kompleks.

REFLECTION

🔍 Self-Reflection

Minta AI review hasil kerjanya sendiri. "Cek lagi jawaban kamu, apa ada yang salah?" atau "Review kode yang barusan kamu tulis". Hermes punya /retry untuk iterasi.

SELF-CONSISTENCY

🎲 Self-Consistency

Generate banyak jawaban dari prompt yang sama, lalu vote yang terbaik. Kayak nanya 5 orang ahli trus ambil suara terbanyak. Meningkatkan akurasi reasoning.

TOOL USE

🔧 Tool-Augmented LLM

LLM dikasih akses ke tools eksternal: calculator, search engine, code interpreter, database. Ini yang membedakan agent dari chatbot. Hermes punya 25+ toolsets.

💡 Kamu Udah Pake Semua Pola Ini!

ReAct = Hermes daily conversation. Plan-and-Execute = pas kamu minta Hermes rencanain dulu. Reflection = /retry atau "cek lagi". Self-Consistency = delegate_task multiple agents untuk task yang sama. Kamu udah praktik tanpa tau namanya!

4️⃣ 🤝 Multi-Agent Systems

🎯 Kenapa Perlu Banyak Agent?

Satu agent punya keterbatasan: context window, fatigue, bias. Multi-agent system bagi tugas ke beberapa agent spesialis — masing-masing fokus, hasil lebih akurat.

Arsitektur Multi-Agent

Hierarchical

🏗 Supervisor-Worker

Satu supervisor agent ngatur beberapa worker agent. Supervisor bagi tugas, kumpulin hasil, ambil keputusan. Ini arsitektur Agent Factory kamu!

Supervisor (Agent Factory:5000)
├── Worker Absensi (8581)
├── Worker Finance (8584)
├── Worker Website (8585)
└── Worker Akunbiz (8590)

Peer-to-Peer

🔗 Mesh / Jaringan

Semua agent sederajat, saling ngobrol dan koordinasi. Gak ada bos. Cocok untuk debate pattern atau voting pattern.

Pipeline

📦 Sequential Pipeline

Agent A → Agent B → Agent C. Output agent A jadi input agent B, dst. Cocok untuk workflow linear kayak Research → Write → Review → Publish.

Debate

🎤 Multi-Perspective

Dua agent atau lebih debat dari sudut pandang berbeda. Satu pro, satu kontra. Hasil debat dievaluasi oleh judge agent untuk keputusan final.

Multi-Agent di Hermes

⚡ delegate_task = Multi-Agent Built-in

# Parallel: 3 agent riset barengan
delegate_task(tasks=[
  {goal: "Riset model A", ...},
  {goal: "Riset model B", ...},
  {goal: "Riset model C", ...},
])

5️⃣ 🎯 Orchestration Patterns

🎯 Orchestration = Cara Ngatur Banyak Agent

Ini pola-pola standar yang dipake di industri untuk mengkoordinasikan multi-agent system.

SEQUENTIAL

🔗 Berurutan

Agent 1 → Agent 2 → Agent 3. Output sebelumnya = input berikutnya. Cocok untuk pipeline: Research → Draft → Review.

PARALLEL

⚡ Paralel

Semua agent jalan barengan. Hasil dikumpulin trus digabung. Hermes: delegate_task(tasks=[...]) — maksimal 3 paralel.

VOTING

🗳 Voting / Ensemble

Banyak agent generate jawaban untuk prompt yang sama. Hasil di-vote — jawaban paling sering dipilih = final. Self-Consistency pattern.

SUPERVISOR

🎯 Supervisor / Router

Satu agent supervisor nge-route task ke agent yang tepat. "Task ini butuh finance → kirim ke Finance Agent". Agent Factory pake pola ini.

SCHEDULED

⏰ Terjadwal

Agent jalan otomatis berdasarkan schedule. Hermes: cronjob. Contoh: daily report tiap jam 6 pagi.

EVENT-DRIVEN

⚡ Berbasis Event

Agent kepicu oleh event eksternal: webhook, pesan masuk, file baru. Hermes: webhook subscriptions + gateway triggers.

6️⃣ 🔌 MCP — Model Context Protocol

MCP

Model Context Protocol — "USB-C untuk AI"

Open standard dari Anthropic (8.6k stars di GitHub) untuk menghubungkan AI applications ke external systems: files, databases, APIs, tools. Standar industri yang lagi naik daun.

⭐ 8,673 GitHub stars 🔌 Founded by Anthropic 📡 Open standard

🤔 Analogi USB-C

USB-C nyediain satu port standar buat semua perangkat. MCP nyediain satu protokol standar buat AI connect ke semua tools. Gak perlu adaptor custom tiap tool.

🧩 Cara Kerja MCP

MCP Client (Hermes) → MCP Server (tool/database). Server expose: Resources (data), Tools (functions), Prompts (templates).

⚡ Hermes + MCP

Hermes punya MCP client built-in. Bisa connect ke MCP server via hermes mcp add. Server bisa lokal (stdio) atau remote (HTTP).

hermes mcp add my-tool --url http://localhost:3000/mcp

🔥 Kenapa MCP Penting?

Sebelum MCP, tiap tool butuh integrasi manual. MCP = standarisasi. Satu MCP server untuk GitHub → semua AI agent (Hermes, Claude Code, Codex) bisa pake langsung. Ekosistem makin kaya!

ACP — Agent Communication Protocol

🔄 ACP = MCP tapi antar Agent

Kalo MCP buat connect AI ke tools, ACP buat connect AI ke AI. Standar komunikasi antar agent — agent bisa saling kirim task, shared context, koordinasi. Hermes support ACP via hermes acp.

hermes acp # ACP server (IDE integration)

7️⃣ 🧠 Agent Memory Types

🎯 Memory = Yang Bikin Agent "Ingat"

Tanpa memory, agent mulai dari nol tiap chat. Hermes punya 6 tipe memory yang bekerja bersama.

SHORT-TERM

💬 In-Context Memory

Semua yang ada di context window saat ini. Terbatas 4K-2M token (tergantung model). Hilang setelah sesi berakhir. Contoh: percakapan Hermes saat ini.

LONG-TERM

💾 Persistent Memory

Disimpan di database, bertahan antar sesi. Hermes: state.db (SQLite + FTS5). Bisa dicari pake session_search(). Contoh: memory tool di Hermes.

EPISODIC

📜 Ingatan Kejadian

"Kemarin pas kita diskusi X, kita putuskan Y". Hermes: session_search buat recall sesi lama. "Ingetin aku tentang diskusi auth refactor".

PROCEDURAL

📚 Cara Melakukan Sesuatu

Ini SKILLS! Yang bikin Hermes unik. Simpan cara deploy, cara bikin laporan, cara troubleshoot — sebagai skill yang bisa dipanggil lagi. Belajar dari pengalaman.

WORKING

⚙️ Temporary State

State sementara selama task berlangsung. Hermes: context window + tool call results. Hilang setelah task selesai.

SEMANTIC

📖 Pengetahuan Umum

Fakta, aturan, identitas. Hermes: SOUL.md (identitas), AGENTS.md (project rules), skills (pengetahuan domain).

💡 Memory Hermes = Gabungan Semua Tipe

Short-term = chat saat ini. Long-term = memory tool + state.db. Episodic = session_search. Procedural = skills. Working = tool call results. Semantic = SOUL.md + AGENTS.md. Semuanya bekerja bareng tiap kali kamu chat.

8️⃣ ⚙️ Framework Perbandingan

Framework	Tipe	Versi	Fokus	Cocok untuk?
🧠 Hermes Agent	General Agent	Latest	Agent serba bisa + skills + multi-platform	Kamu udah pake ini ✅
🦜 LangGraph	Orchestration	0.6.11	Low-level stateful agent orchestration	Butuh kontrol granular
🤝 CrewAI	Multi-Agent	0.5.0	Role-based agent teams	Bikin "tim" agent dengan role
🔄 AutoGen	Multi-Agent	0.9	Multi-agent conversation	⚠️ Maintenance mode
🛠 Claude Code	Coding Agent	Latest	Coding + terminal + file ops	Developer, coding-focused
📝 OpenAI Codex	Coding Agent	Latest	Sandboxed coding agent	Developer, butuh sandbox

💡 Kenapa Hermes yang Tepat Buat Kamu?

LangGraph butuh coding Python manual. CrewAI fokus role-based. AutoGen udah maintenance mode. Claude Code/Codex cuma coding.
Hermes = agent serba bisa + skills (procedural memory) + multi-platform (Telegram/WA) + multi-agent (delegate_task) + cron + gratis/open source. Cocok banget untuk use case bisnis kamu.

9️⃣ 🏭 Agent Factory Kamu — 14 Agent

🎯 Agent Factory = Implementasi Hierarchical Orchestration

Ini 14 agent yang udah jalan di setup kamu. Masing-masing punya profile Hermes sendiri, port sendiri, tugas sendiri. Ini multi-agent system beneran!

Agent Factory (Supervisor — port 5000)

8580MP Horde Dashboard

8581Absensi

8582Chat Bot

8583Audit Medsos

8584Finance

8585Website Srkhorde

8586Horde Voice

8587Mokap

8588Market VS

8589n8n x Tele

8590Akunbiz

8591Belajar AI ← kamu di sini

—VPS Mac Agent

—HordeSys

🏗 Arsitektur Agent Factory

Supervisor (Factory:5000) → route task ke agent spesifik berdasarkan jenis task. Masing-masing agent jalan di port sendiri dengan profile Hermes terisolasi — config, skills, memory, cron masing-masing. Ini Hierarchical Pattern paling klasik!

🔟 🎨 Agent Design Patterns

🎯 Pola-Pola yang Bisa Kamu Langsung Pake

Setiap pola punya contoh Hermes — karena kamu udah pake beberapa tanpa sadar.

🎯 Tool Use Pattern

Agent pake tools eksternal untuk完成任务. Paling dasar.

Hermes: terminal("ls"), read_file("x"), web_search("y")

🔄 Reflection Pattern

Agent review hasil kerjanya sendiri, cari kesalahan, perbaiki.

/retry # atau "Cek lagi kode kamu"

📋 Plan-and-Execute

Rencanain dulu semua langkah, baru execute. Hemat token.

/goal "Bersihin server" # Hermes rencanain dulu

🤝 Delegation Pattern

Agent utama delegasi subtask ke subagent. Parallel processing.

delegate_task(tasks=[{...}, {...}])

⏰ Scheduled Pattern

Agent jalan otomatis berdasarkan jadwal. Set-and-forget.

cronjob(schedule='0 8 * * *', ...)

🧠 RAG Pattern

Agent retrieve data dari knowledge base, baru generate jawaban. AI yang paham data kamu.

ChromaDB query + LLM generate

🔍 Multi-Perspective Pattern

Dua agent lihat masalah dari sudut berbeda. Hasil lebih akurat.

delegate_task dua agent, bandingkan hasil

🛡 Human-in-the-Loop

Agent minta approval manusia sebelum action berbahaya. Safety first.

approvals.mode: smart # auto-approve low risk

🔥 Kamu Udah Pake 7 dari 8 Pola Ini!

Dari 8 design patterns di atas, kamu udah pake 7 pola dalam daily Hermes workflow. Satu-satunya yang belum adalah Multi-Perspective (debate) — itu pola advanced yang jarang dipake. Kamu bukan user biasa — kamu power user!

◀

Sebelumnya

Sesi 4: Hermes Ecosystem

🏠 Beranda

Selanjutnya

Coming Soon ✨

▶

🏠 0 1 2 3 4 5

📅 24 Juli 2026 — Sesi 5: Agentic AI & Orchestration 🤖

10 topik · ReAct → Agent Factory → Design Patterns

Kembali ke belajarai.srkhorde.id