🧪 Day 2 — Teori Agentic AI, Navigasi n8n & System Prompt
Week 1 · Day 2 · 6 Video Topik: 5 Trik & 1 Jebakan Agentic AI, Navigasi 3-Level n8n Cloud, Terminologi, System Prompt, Executions Monitoring
📋 Daftar Isi
- Lima Trik Agentic AI
- Satu Jebakan: Antropomorfisme
- Tiga Level Navigasi n8n Cloud
- Terminologi Dasar n8n
- System Prompt dalam Praktik
- Executions: Monitoring Workflow
📌 Ringkasan Singkat
Hari 2 dimulai dengan deep dive ke teori Agentic AI — instruktur mengungkap bahwa di balik semua "keajaiban" AI Agent, sebenarnya hanya ada 5 trik dan 1 jebakan yang perlu dipahami. Paruh kedua berfokus pada navigasi praktis n8n Cloud — memahami tiga level hierarki, terminologi, serta penggunaan system prompt dan executions untuk mengontrol dan memonitor agent.
🎩 Lima Trik Agentic AI
Trik 1: Ilusi Memori 🧠
LLM bersifat stateless — setiap panggilan berdiri sendiri. Lalu bagaimana caranya ChatGPT "mengingat" percakapan?
TANPA TRIK MEMORI: DENGAN TRIK MEMORI:
Panggilan 1: Panggilan 1:
Input: "Nama saya Ed" Input: "Nama saya Ed"
Output: "Halo Ed!" Output: "Halo Ed!"
Panggilan 2: Panggilan 2:
Input: "Siapa nama saya?" Input: "Nama saya Ed"
Output: "Saya tidak tahu" ❌ "Halo Ed!"
"Siapa nama saya?"
Output: "Nama Anda Ed" ✅Rahasianya: Setiap kali memanggil LLM, kirimkan seluruh riwayat percakapan sebagai input. LLM memprediksi kelanjutan yang konsisten dengan seluruh konteks tersebut.
Trik 2: Pemikiran & Penalaran (Reasoning) 🤔
Ditemukan bahwa meminta LLM untuk "berpikir step by step" menghasilkan jawaban yang lebih akurat.
Bagaimana ini bekerja?
LLM menghasilkan teks token per token. Ketika diminta menghasilkan "proses berpikir" dulu sebelum jawaban akhir, token-token berikutnya menjadi konsisten dengan alur pikir tersebut → hasil lebih baik.
| Mode | Karakteristik | Kapan Digunakan |
|---|---|---|
| Chat Model | Langsung menjawab, cepat | Tugas sederhana, agentic workflows |
| Reasoning Model | Berpikir dulu, lalu jawab | Masalah kompleks, analisis mendalam |
| Hybrid | Bisa keduanya | Fleksibel |
Trik "Wait" yang mengejutkan:
Model reasoning modern menggunakan trik sederhana yang luar biasa — menyisipkan kata "wait" di tengah proses berpikir, memaksa model untuk berhenti dan meninjau ulang pemikirannya:
Model: "Ini sepertinya pertanyaan jebakan.
Saya perlu mempertimbangkan kemungkinan..."
[Sistem menyisipkan: "wait"]
Model: "Wait, saya harus double-check apakah saya
benar-benar memahami masalahnya. Mari saya
tinjau ulang dari awal..."💡 Thinking Budget di model seperti GPT-5.1 memungkinkan kamu memilih seberapa banyak model "berpikir" — dari none (chat mode) hingga high (deep reasoning).
Trik 3: Chaining LLM 🔗
Alih-alih memberi satu prompt besar ("buat puzzle lalu selesaikan"), pecah menjadi dua panggilan terpisah:
┌──────────────┐ ┌──────────────┐
│ LLM Call 1 │─────▶│ LLM Call 2 │
│ │ │ │
│ "Buat puzzle│ │ "Selesaikan │
│ yang sulit"│ │ puzzle ini:│
│ │ │ [output 1]"│
└──────────────┘ └──────────────┘Keuntungan:
- Lebih banyak kontrol atas setiap langkah
- Bisa menguji setiap langkah secara terpisah
- Prompt yang lebih fokus = hasil lebih baik
Trik 4: Tool Calling 🔧
Tool calling bukan kemampuan bawaan LLM untuk mengakses internet. Ini murni trik prompting!
Yang sebenarnya terjadi:
┌─ STEP 1 ──────────────────────────────────────────┐
│ │
│ Prompt ke LLM: │
│ "Kamu bisa melakukan 2 hal: │
│ 1. Jawab langsung │
│ 2. Minta tool: 'GUNAKAN TOOL: cek harga saham' │
│ │
│ Pertanyaan user: Berapa harga saham Google?" │
│ │
│ Output LLM: "GUNAKAN TOOL: cek harga Google" │
└─────────────────────────────────────────────────────┘
│
▼ Software (n8n) menjalankan tool
┌─ STEP 2 ──────────────────────────────────────────┐
│ │
│ Prompt ke LLM (kedua kalinya): │
│ [semua konteks sebelumnya] │
│ + "Hasil tool: harga Google = $313.72" │
│ │
│ Output LLM: "Harga saham Google adalah $313.72" │
└─────────────────────────────────────────────────────┘🪄 Bukti nyata: Di ChatGPT, jika kamu tulis prompt tentang airline agent dengan instruksi tool, ChatGPT akan merespons "use tool to fetch ticket price for Paris" — teks biasa, bukan aksi ajaib!
Trik 5: Agent Loop 🔄
Gabungkan tool calling dengan loop berulang = AI Agent sejati.
┌─────────────────────────────────────────────────────┐
│ │
│ PROMPT: "Cari nilai total portofolio saya. │
│ Tool: 1) Ambil portofolio │
│ 2) Cek harga saham" │
│ │
│ LOOP 1: LLM → "Gunakan tool: ambil portofolio" │
│ Software → hasil: "3 saham Google" │
│ │
│ LOOP 2: LLM → "Gunakan tool: cek harga Google" │
│ Software → hasil: "Google = $100" │
│ │
│ LOOP 3: LLM → "Nilai portofolio Anda: $300" │
│ (SELESAI - tidak ada tool call lagi) │
│ │
└─────────────────────────────────────────────────────┘🔑 Inilah definisi modern AI Agent: LLM yang menjalankan tools dalam loop untuk mencapai tujuan.
⚠️ Satu Jebakan: Antropomorfisme (The Human Trap)
Masalah: Banyak orang mendekati AI Agent dengan memberikan "peran manusia" — membuat diagram agent dengan "researcher", "evaluator", "manager" — seolah-olah mereka manusia.
Kenapa ini berbahaya?
| Pendekatan | Risiko |
|---|---|
| Memberi agent "peran manusia" | Agent menghasilkan konten yang terlihat masuk akal tapi belum tentu benar |
| Membuat arsitektur multi-agent tanpa evaluasi | Seolah-olah semua bekerja baik, padahal bisa jadi "LLM slop" |
| Menilai agent berdasarkan output yang "terdengar pintar" | LLM dilatih menghasilkan teks realistis, bukan teks akurat |
Cara yang benar:
- ✅ Mulai sesederhana mungkin (satu agent dulu)
- ✅ Pecah menjadi beberapa agent hanya jika hasilnya lebih baik
- ✅ Selalu punya metrik evaluasi yang jelas
- ✅ Eksperimen dan ukur — jangan cuma "kelihatan masuk akal"
🏗️ Tiga Level Navigasi n8n Cloud
┌─────────────────────────────────────────────────────────┐
│ LEVEL 1: CLOUD DASHBOARD (Admin Panel) │
│ URL: app.n8n.cloud │
│ ───────────────────────────────────────────────── │
│ • Informasi akun & billing │
│ • Kelola instance │
│ • Plan & settings │
│ │
│ ┌─────────────────────────────────────────────────┐ │
│ │ LEVEL 2: INSTANCE (Home/Overview) │ │
│ │ URL: [nama].n8n.cloud/workflows │ │
│ │ ───────────────────────────────────────── │ │
│ │ • Daftar semua workflow │ │
│ │ • Executions summary │ │
│ │ • Templates & Settings │ │
│ │ • Projects │ │
│ │ │ │
│ │ ┌─────────────────────────────────────────┐ │ │
│ │ │ LEVEL 3: WORKFLOW EDITOR (Canvas) │ │ │
│ │ │ URL: .../workflow/[id] │ │ │
│ │ │ ───────────────────────────────── │ │ │
│ │ │ • Canvas: area drag & drop node │ │ │
│ │ │ • Chat panel │ │ │
│ │ │ • Executions per workflow │ │ │
│ │ └─────────────────────────────────────────┘ │ │
│ └─────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────┘Cara Berpindah Antar Level
| Dari | Ke | Cara |
|---|---|---|
| Cloud Dashboard | Instance | Klik "Open Instance" |
| Instance | Cloud Dashboard | Klik "Admin Panel" |
| Instance | Workflow Editor | Klik workflow atau "Create Workflow" |
| Workflow Editor | Instance | Klik "Personal" atau tombol back |
🧩 Terminologi Dasar n8n
| Istilah | Definisi | Contoh |
|---|---|---|
| Node | Satu langkah/building block dalam workflow | AI Agent, Trigger, MarketStack |
| Trigger | Node yang memulai workflow | On Chat Message, Webhook, Schedule |
| Action | Node yang melakukan sesuatu | AI Agent, Send Email, HTTP Request |
| Connector | Garis penghubung antar node | Panah dari Trigger → AI Agent |
| Workflow | Kumpulan node + connector = satu proses bisnis | "Snarky Stock Price Lookup" |
| Execution | Satu kali jalan/run dari workflow | Setiap kamu kirim pesan chat |
| Canvas | Area visual tempat menggambar workflow | Bagian utama editor |
| Template | Workflow siap pakai yang bisa di-copy | Tersedia di menu Templates |
🎭 System Prompt dalam Praktik
System prompt mengontrol kepribadian dan perilaku agent. Hasil perubahan sangat dramatis:
┌─ System Prompt Default ──────────────────────┐
│ "You are a helpful assistant" │
│ │
│ User: "Hi there" │
│ AI: "Hello! How can I assist you today?" │
└───────────────────────────────────────────────┘
┌─ System Prompt Custom ────────────────────────┐
│ "You are a snarky, humorous assistant that │
│ makes fun of whoever you are chatting with" │
│ │
│ User: "Hi there" │
│ AI: "Well, well, well, look who decided │
│ to show up! What's on your mind, │
│ oh mighty keyboard warrior?" │
└───────────────────────────────────────────────┘Cara menambahkan System Prompt:
- Double-click AI Agent node
- Scroll ke bawah → Add Option
- Pilih System Message
- Tulis instruksi untuk agent
📊 Executions: Monitoring Workflow
Ada dua tempat melihat executions:
- Di dalam workflow → tab "Executions" (di samping "Editor")
- Melihat run spesifik untuk workflow itu saja
- Di Home/Overview → tab "Executions"
- Melihat semua run dari semua workflow
Executions menunjukkan:
- Input dan output setiap run
- Detail teknis panggilan LLM (system message, messages, tool calls)
- Status sukses/gagal
🔍 Mengintip "Di Balik Layar" Panggilan LLM
Dengan memeriksa detail execution di Chat Model node, kamu bisa melihat:
- System message yang dikirim
- Seluruh riwayat percakapan (user + assistant messages)
- Tool calls yang dilakukan
- Respons tool yang diterima
- Output akhir yang digenerate
💡 Ini membuktikan semua teori yang dipelajari sebelumnya — memory = mengirim seluruh riwayat, tools = prompt khusus, semuanya bermuara pada cara menyusun input ke LLM.
📊 Tabel Istilah
| Istilah | Penjelasan |
|---|---|
| System Prompt | Bagian awal prompt yang memberi konteks umum dan instruksi ke LLM |
| User Prompt | Pesan spesifik dari pengguna yang perlu dijawab |
| Token | Fragmen kecil teks yang dihasilkan satu per satu oleh LLM |
| Inference | Proses LLM menghasilkan output token per token |
| Chain of Thought | Teknik meminta LLM berpikir step-by-step |
| Context Engineering | Istilah modern untuk "prompt engineering" — cara terbaik menyusun input ke LLM |
| Anthropomorphizing | Memberikan sifat manusia pada AI (jebakan yang harus dihindari) |
| Thinking Budget | Pengaturan seberapa banyak model reasoning "berpikir" sebelum menjawab |
🏆 Pencapaian Day 2
╔════════════════════════════════════════════════════╗
║ 🏆 HARI 2 SELESAI! (13% kursus) ║
╠════════════════════════════════════════════════════╣
║ ║
║ ✅ Memahami 5 trik Agentic AI ║
║ (Memory, Reasoning, Chaining, Tools, Loop) ║
║ ✅ Waspada terhadap jebakan antropomorfisme ║
║ ✅ Navigasi Cloud Dashboard ↔ Instance ↔ Editor ║
║ ✅ Terminologi: Node, Trigger, Connector, etc. ║
║ ✅ System Prompt untuk kontrol perilaku agent ║
║ ✅ Monitoring via Executions ║
║ ✅ Inspeksi "behind the scenes" panggilan LLM ║
║ ║
║ 🔜 Besok: Integrasi Google (Sheets, Drive, Gmail) ║
╚════════════════════════════════════════════════════╝🧭 Takeaway: Hari 2 adalah fondasi teori yang krusial. Memahami bahwa AI Agent hanyalah prompt yang diatur cerdik + loop + tools akan membuat semua yang dibangun ke depan terasa jauh lebih intuitif. Sekarang kamu juga tahu cara navigasi n8n dengan percaya diri!