AI Agent Bukan Sihir: Memahami Primitives, MCP, dan Agent Skills

18 August 2026

AI-Agents , Arsitektur , MCP

Membangun AI agent terkadang terasa membingungkan. Hampir setiap minggu muncul istilah, protokol, atau framework baru: Function Calling, Model Context Protocol (MCP), Agent Skills, Subagents, hingga CLI wrappers.

Pertanyaan yang sering muncul di kalangan developer:

Apakah konsep-konsep ini menyelesaikan masalah yang sama?
Kapan kita perlu membuat MCP server, menulis Agent Skill, atau cukup memanggil REST API biasa?

Jawabannya: Mereka tidak saling bersaing. Mereka bekerja pada layer arsitektur yang sama sekali berbeda.

Begitu kita memahami fungsi dari masing-masing komponen, membangun AI agent terasa jauh lebih masuk akal dan terstruktur. Berikut adalah model mental sederhana untuk memahaminya.

Model Mental 3 Layer

Pada dasarnya, setiap AI agent yang siap digunakan di dunia nyata (production) terdiri dari tiga layer utama:

Core Engine (LLM Primitives): Otak dan sistem saraf yang bertugas berpikir, mengambil keputusan, dan menentukan langkah berikutnya.
I/O & Capability Layer (MCP & CLI): Tangan yang berinteraksi langsung dengan dunia luar (database, GitHub, Slack, atau API).
Procedure Layer (Agent Skills): Buku panduan atau SOP (Standard Operating Procedure) yang mengajarkan agent bagaimana cara menjalankan alur kerja spesifik dengan benar.

Primitives memberi agent kemampuan bernalar. MCP dan CLI memberinya tangan. Skills memberinya buku panduan operasional.

1. Core Engine: LLM Primitives & Execution Loop

Di balik semua hype, pondasi sebuah AI agent sebenarnya sangat sederhana: sebuah model bahasa (LLM) yang dibungkus dalam loop while dengan state (kondisi) yang terus diperbarui.

Pondasi ini mengandalkan 4 primitives dasar:

System Prompt: Menentukan peran, persona, batasan kerja, dan aturan dasar.
Short-Term Memory: Deretan riwayat pesan (messages array) berisi pesan user, assistant, dan hasil pemanggilan tool.
Tool Schemas: Definisi format JSON yang memberi tahu LLM fungsi apa saja yang tersedia untuk dipanggil.
Execution Loop: Siklus kerja di mana LLM memutuskan apakah perlu memanggil tool tertentu, kode kita menjalankannya, lalu mengembalikan hasilnya ke memori sampai tugas selesai.

Mengapa Primitives Saja Tidak Cukup?

Jika kita menulis kode eksekusi tool langsung di dalam script utama agent, masalah akan cepat muncul begitu sistem membesar:

Setiap penambahan database atau API baru memaksa kita menulis kode integrasi khusus di basis kode agent.
Tool tersebut tidak bisa dipakai bersama di aplikasi lain (misalnya di Cursor, Claude Desktop, atau script CLI internal).
Logika bisnis, kredensial rahasia, dan siklus eksekusi agent menjadi campur aduk di satu tempat.

Untuk memisahkan kemampuan tool dari engine utama agent, muncullah standar baru: Model Context Protocol (MCP).

2. I/O Layer: Model Context Protocol (MCP) & CLI Tools

Model Context Protocol (MCP)

MCP adalah standar terbuka (yang diperkenalkan oleh Anthropic) untuk menyeragamkan cara AI agent terhubung ke tool, database, dan layanan eksternal menggunakan protokol JSON-RPC.

Ibaratnya, MCP adalah port USB-C untuk aplikasi AI:

Alih-alih menanamkan logika query database langsung ke script agent, kita cukup membuat MCP Server (misalnya untuk PostgreSQL, GitHub, atau Slack).
Klien mana pun yang mendukung MCP (Cursor, Claude Desktop, maupun custom agent buatan kita) bisa langsung “mencolokkan diri” ke server tersebut.
Isolasi Keamanan: Kredensial database dan API key tersimpan aman di dalam proses MCP server. Model bahasa hanya menerima definisi skema tool dan tidak pernah bersentuhan langsung dengan kredensial rahasia.

Alternatif Praktis: CLI Tools

Kita tidak selalu harus membuat MCP server untuk semua kebutuhan.

Banyak layanan developer yang sudah memiliki aplikasi baris perintah (CLI) yang matang dan aman, seperti gh (GitHub CLI), docker, aws, stripe, atau kubectl.

Model bahasa modern sudah sangat terlatih memahami perintah terminal (bash). Jika tool CLI seperti gh sudah terpasang dan login di laptop atau server Anda, agent cukup diberi izin menjalankan perintah shell yang aman. Anda langsung mendapatkan integrasi GitHub lengkap tanpa perlu menulis satu baris pun kode wrapper API tambahan.

3. Procedure Layer: Agent Skills

Jika MCP memberikan agent tangan, maka Agent Skills memberikannya SOP (Standar Operasional Prosedur).

Memiliki akses ke sebuah tool saja belum menjamin pekerjaan beres dengan baik. Agent membutuhkan konteks domain, aturan bisnis, dan urutan langkah yang jelas agar tidak salah bertindak.

Agent Skill adalah kumpulan panduan terstruktur (biasanya berupa file SKILL.md beserta script pendukung) yang mengajarkan agent cara menyelesaikan alur kerja yang kompleks.

Mengapa Skills Sangat Penting?

Bayangkan seorang agent memiliki tool create_pull_request:

Tanpa skill, agent bisa saja membuat PR tanpa deskripsi, mengabaikan unit test, dan sembarangan me-mention reviewer.
Dengan Agent Skill, agent dipandu langkah demi langkah:
1. Baca pedoman kontribusi proyek terlebih dahulu.
2. Jalankan test lokal dan linter; pastikan semuanya lolos.
3. Format judul PR sesuai standar Conventional Commits (feat(auth): ...).
4. Tulis ringkasan perubahan dan tag CODEOWNERS yang tepat.

Agent Skills biasanya dimuat ke dalam memori agent secara dinamis hanya saat tugas terkait dijalankan. Dengan begitu, context window agent tetap hemat dan fokus.

Matriks Keputusan: Kapan Menggunakan Apa?

Pendekatan Integrasi	Kapan Sebaiknya Digunakan	Keunggulan	Konsekuensi / Trade-off
Native Function Call	1–2 helper function sederhana	Cepat untuk prototipe, tanpa setup tambahan	Terikat di satu script, sulit digunakan ulang
MCP Server	Database bersama, API internal, tool lintas klien	Terstandarisasi, aman, bisa dipakai di Cursor, Claude, & custom agent	Perlu mengelola proses server MCP terpisah
CLI Tool + Skill	Tool developer yang sudah ada (`gh`, `docker`, `aws`)	Memanfaatkan auth lokal yang sudah aktif, tanpa kode API baru	Membutuhkan binary CLI terpasang di mesin lokal
Agent Skill (SOP)	Alur kerja multi-langkah dan aturan bisnis khusus	Menjaga kualitas output, konsistensi langkah, dan SOP kerja	Mengonsumsi token konteks saat dipanggil

4 Hal Penting untuk Menuju Tahap Produksi

Prototipe agent sering kali gagal saat dipakai di tahap produksi (production) karena loop LLM yang dibiarkan bebas menebak langkah berikutnya cenderung tidak stabil. Sistem yang tangguh biasanya menerapkan 4 pilar rekayasa berikut:

Alur Kerja Terstruktur (Workflow Patterns): Alih-alih membiarkan model berputar-putar tanpa arah dalam loop terbuka, gunakan pola kerja yang lebih terprediksi:
- Prompt Chaining: Memecah tugas kompleks menjadi rantai berurutan (Draft -> Review -> Format).
- Routing: Mengklasifikasikan maksud (intent) user terlebih dahulu, lalu mengarahkannya ke prompt atau subagent spesialis.
- Evaluator-Optimizer: Satu model menghasilkan draf, model atau prompt lain mengevaluasi dan menyempurnakannya.
Manajemen Konteks & Memori: Riwayat pesan akan cepat membengkak. Terapkan strategi pemangkasan (sliding window) atau peringkasan berkala agar biaya token tetap terkendali dan performa model tidak menurun.
Batasan Keamanan & Human-in-the-Loop (HITL): Jangan pernah membiarkan agent menjalankan aksi berisiko tinggi secara otonom tanpa pengawasan. Selalu minta konfirmasi manusia sebelum menghapus tabel database, mengirim email resmi, atau menjalankan script berbahaya.
Observabilitas & Evals: Catat jejak pemanggilan tool, biaya token, dan latensi (menggunakan observability tools seperti Langfuse atau OpenTelemetry). Buat kumpulan uji (eval suite) berupa 20–30 skenario uji nyata untuk memastikan pembaruan prompt atau model tidak merusak perilaku yang sudah berjalan.

Kesimpulan

AI agent bukanlah sihir. Mereka adalah sistem perangkat lunak modular yang bekerja selaras:

LLM Primitives bertindak sebagai otak dan siklus eksekusi.
MCP & CLI bertindak sebagai tangan dan penghubung ke dunia luar.
Agent Skills bertindak sebagai SOP dan panduan alur kerja.
Pola Workflow & Guardrails menjaga keandalan sistem di tahap produksi.

Ketika kita memisahkan kapabilitas teknis dari prosedur kerja, membangun AI agent bukan lagi hal yang rumit dan membingungkan, melainkan sekadar perancangan sistem yang rapi dan terukur.