Membangun 33 Agen AI pada Satu Mesin: Melihat ke Dalam Lima di Antaranya

Sepanjang tahun lalu, penulis membangun 33 agen AI pada satu mesin—satu image Docker dan basis kode, tanpa modifikasi inti. Agen-agen tersebut berkisar dari pelatih catur untuk anak hingga asisten untuk istri, tutor, dan bot korporat untuk perusahaan metalurgi dan energi. Variabel utamanya adalah di mana setiap agen menarik garis antara apa yang dihitung oleh kode dan apa yang dikatakan oleh model. Untuk agen pribadi, model dapat menghitung langsung, tetapi pada agen korporat ia tidak pernah mengeluarkan angka final; ia hanya menetapkan parameter input, yang menimbulkan risiko. Skema alat mulai mendominasi prompt setelah lusinan alat ketiga; untuk admin CRM dengan 331 alat, skema JSON berjumlah 302 KB atau sekitar 75.000 token pada awalan setiap permintaan. Tiga penyesuaian konfigurasi mengurangi token prompt dari 15.266 menjadi 1.424 dan waktu respons median dari 17 menjadi 7,7 detik. Mesinnya adalah Hermes Agent dari NousResearch, dengan basis kode yang masih muda dari Juli 2025. Agen-agen tersebut berbeda terutama pada persona dan set alatnya; artikel ini menyediakan tabel yang membandingkan ukuran prompt dan pilihan model. Beberapa kegagalan juga dibahas, seperti ketidaksesuaian saldo dan 5.863 baris Python yang tidak pernah dipanggil dalam produksi.