🧠 Day 4 — Context Engineering, Sub-agents & Proyek Capstone (Bagian 1)

Week 3 · Day 4 · 6 Video Topik: Structured Outputs vs Tools, Context Engineering, Sub-agents, Lethal Trifecta (Keamanan), Membangun Solusi Agentic yang Kuat, Proyek Capstone Dimulai — Pipedrive CRM, RevOps & SDR Sub-agent

---

📋 Daftar Isi

1. Structured Outputs vs Tools: Trade-off
2. Context Engineering
3. Sub-agents: Konsep & Implementasi
4. Lethal Trifecta — Keamanan Agentic AI
5. Membangun Solusi Agentic yang Kuat
6. Proyek Capstone: Amplify Your Business
7. RevOps Sub-agent (Structured Outputs)
8. SDR Sub-agent (Tools)

---

⚖️ Structured Outputs vs Tools: Trade-off

Salah satu keputusan desain terpenting dalam membangun workflow agentic: kapan menggunakan Tools dan kapan menggunakan Structured Outputs?

Perbandingan

Aspek	🔧 Tools	📋 Structured Outputs
Fleksibilitas	Tinggi — LLM pilih sendiri	Rendah — alur tetap
Otonomi LLM	LLM putuskan kapan/apa	Anda yang tentukan alur
Prediktabilitas	Rendah — bisa bervariasi	Tinggi — output konsisten
Reliabilitas	Sedang — tergantung model	Tinggi — "on rails"
Build Effort	Lebih mudah (drop-in)	Lebih banyak kerja
Testability	Lebih sulit	Lebih mudah
Cocok untuk	Eksplorasi, keputusan kompleks	Pipeline tetap, produksi

Insight dari Produksi

┌─────────────────────────────────────────────┐
│  💡 RAHASIA PRODUKSI                         │
│                                              │
│  "Ketika saya membangun sistem produksi,     │
│  saya HAMPIR SELALU menggunakan Structured   │
│  Outputs daripada terlalu banyak tools."     │
│                                              │
│  Structured Outputs = BORING tapi BULLETPROOF│
│  Tools = TRENDY tapi kurang PREDICTABLE      │
│                                              │
│  Prioritaskan RELIABILITY di atas FASION     │
└─────────────────────────────────────────────┘

🔑 Pengecualian: Tools lebih cocok untuk skenario di mana otonomi benar-benar dibutuhkan (misalnya: Claude Code, agent dengan banyak kemungkinan aksi). Tapi untuk kebanyakan use case bisnis, Structured Outputs lebih aman.

---

🔬 Context Engineering

Context Engineering adalah seni dan ilmu mengelola apa yang masuk ke context window LLM agar menghasilkan output terbaik. Istilah ini dipopulerkan oleh Phil Schmidt dari Google DeepMind.

Masalah Fundamental

┌──────────────────── Context Window ────────────────────┐
│                                                         │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│  │ System   │ │ Chat     │ │ Tool     │ │ RAG      │ │
│  │ Prompt   │ │ History  │ │ Deskripsi│ │ Results  │ │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
│                                                         │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐               │
│  │ Tool     │ │Structured│ │ User     │               │
│  │ Results  │ │ Output   │ │ Prompt   │               │
│  └──────────┘ └──────────┘ └──────────┘               │
│                                                         │
│  ⚠️ SEMUA harus muat + COHERENCE harus terjaga!       │
└─────────────────────────────────────────────────────────┘

Venn Diagram Phil Schmidt

Phil Schmidt memvisualisasikan context sebagai overlap dari:

Komponen	Deskripsi
Short-term Memory	Chat history / conversation so far
Long-term Memory	Database persisten, RAG, knowledge base
System Prompt	Instruksi, persona, aturan
Available Tools	Deskripsi tools yang tersedia
Structured Output	Schema output (overlap dengan tools)
User Prompt	Input aktual dari pengguna

Prinsip Kunci

1. Lebih banyak tools ≠ lebih baik — semakin banyak yang dimuat, semakin rendah coherence
2. Tidak ada resep baku — context engineering = R&D, eksperimen, trial & error
3. North Star = Evaluation Metric — mulai dari metrik, lalu eksperimen untuk optimasi
4. Trade-off konstan — otonomi vs reliabilitas muncul berulang kali

📖 Bacaan Wajib: Blog post Phil Schmidt tentang Context Engineering — search "Phil Schmidt context engineering" di Google.

---

🤖 Sub-agents: Konsep & Implementasi

Sub-agent adalah cara memecah masalah agentic besar menjadi bagian-bagian kecil yang bisa diuji secara independen.

Alasan Menggunakan Sub-agents

Alasan	Penjelasan
Independent Testing	Setiap sub-agent bisa diuji dan dievaluasi sendiri
Reusability	Sub-agent yang sama bisa dipakai di beberapa flow
Context Optimization	Setiap sub-agent punya tools sendiri, context lebih efisien
Divide & Conquer	Masalah besar → beberapa masalah kecil yang terkelola

Implementasi di n8n

Ada dua cara membuat sub-agent di n8n:

Cara 1: Sub-workflows (Recommended)
────────────────────────────────────
Workflow A (Main Agent)
  └── Tool: Call Workflow → Workflow B (Sub-agent)
        └── Trigger: "When executed by another workflow"

Cara 2: Agent Chaining
──────────────────────
[AI Agent #1] → [AI Agent #2] → [AI Agent #3]
     │               │               │
  Sub-agent 1    Sub-agent 2    Sub-agent 3

Peringatan (Caveats)

⚠️ Peringatan	Detail
Human Trap	Jangan buat sub-agent karena "terdengar seperti peran manusia"
Mengurangi Fleksibilitas	Sub-agent memaksa alur tertentu, LLM tidak bisa improvisasi
Lebih Banyak Kerja	Harus build, test, dan maintain setiap sub-agent
Trade-off	Otonomi/fleksibilitas ↔ bulletproof/reliable

          LEBIH OTONOM                    LEBIH BULLETPROOF
     ◄──────────────────────────────────────────────────►

  🔧 Satu agent,              🏗️ Banyak sub-agents,
     banyak tools                 masing-masing tertest
     │                           │
     ├── Cepat di-build          ├── Lebih lama di-build
     ├── Fleksibel               ├── Rigid tapi terprediksi
     └── Kurang predictable      └── Mudah di-test & debug

  Cocok: Claude Code,           Cocok: Sistem produksi,
         Eksplorasi                     Pipeline bisnis

---

☠️ Lethal Trifecta — Keamanan Agentic AI

Istilah yang dipopulerkan oleh Simon Willison, seorang engineer-journalist terkemuka. Ini adalah kerentanan spesifik untuk Agentic AI — bukan kerentanan software umum.

Tiga Kondisi

Bahaya muncul ketika KETIGANYA terpenuhi bersamaan:

          ┌───────────────────────┐
          │   LETHAL TRIFECTA     │
          │        ☠️             │
          └───────────┬───────────┘
                      │
    ┌─────────────────┼─────────────────┐
    │                 │                 │
    ▼                 ▼                 ▼
┌─────────┐    ┌──────────┐    ┌──────────────┐
│  Akses  │    │ Kemampuan│    │  Terpapar    │
│  Data   │    │ Komunikasi│   │  Konten Tidak │
│  Privat │    │ Eksternal │    │  Terpercaya  │
│         │    │          │    │              │
│ PIN bank│    │ Kirim    │    │ Web scraping │
│ API keys│    │ email,   │    │ MCP tools    │
│ Code    │    │ respond  │    │ User input   │
│ pribadi │    │ ke publik│    │ dari publik  │
└─────────┘    └──────────┘    └──────────────┘

Contoh Nyata: GitHub MCP Server

Kondisi	Bagaimana Terpenuhi
Data Privat	Akses ke private repos (termasuk API keys)
Komunikasi Eksternal	Bisa merespons komentar di public repos
Konten Tidak Terpercaya	PR reviews/komentar dari user publik

Hasil: Konten jahat dalam komentar publik bisa menipu LLM untuk mengekspos data dari private repos ke dunia luar.

Cara Menghindari

• Identifikasi ketiga kondisi di setiap workflow yang Anda bangun
• Hapus salah satu kondisi jika memungkinkan (misalnya: draft email bukan kirim langsung)
• Selalu audit data flow dari awal sampai akhir

---

✅ Membangun Solusi Agentic yang Kuat

Anti-patterns 🚫

Red Flag	Contoh
Human Trap	"Kita butuh Junior Analyst Agent dan Senior Strategy Agent"
Solution-Focused	"Saya mau agent untuk X" (tanpa identifikasi masalah)
Content Generation = Goal	"Agent-nya menghasilkan strategi bisnis, selesai!"

Resep Sukses ✅

┌──────────────────────────────────────────────┐
│           FORMULA SOLUSI AGENTIC            │
│                                              │
│  1. 🎯 Business Problem yang JELAS          │
│     "Revenue terlalu rendah"                 │
│     (bukan "kita butuh sales agent")         │
│                                              │
│  2. 📏 METRIK Evaluasi                      │
│     "Conversion rate naik 15%"               │
│     "10 qualified leads/minggu"              │
│                                              │
│  3. 🧪 TESTING Ketat                        │
│     Eksperimen → ukur → iterasi              │
│     R&D, bukan waterfall                     │
│                                              │
│  ❌ LLM = generate PLAUSIBLE content         │
│  ✅ TUGAS KITA = plausible → ACCURATE        │
└──────────────────────────────────────────────┘

🔑 Insight Terpenting: LLM dirancang untuk menghasilkan konten yang masuk akal (plausible), BUKAN yang akurat. Membuat output LLM menjadi akurat adalah tugas AI engineer — melalui testing, metrik, structured outputs, dan kontrol lainnya.

---

🏗️ Proyek Capstone: Amplify Your Business

Proyek capstone dimulai hari ini dan selesai besok. Ini adalah proyek yang sangat applicable untuk bisnis apapun — hobi, side gig, pekerjaan utama, atau AI automation agency.

Arsitektur Keseluruhan

┌─────────────────────────────────────────────────────────┐
│              AMPLIFY YOUR BUSINESS                       │
│                                                          │
│  Agent 1: OUTBOUND SALES                                │
│  ┌──────────────────────────────────────────────────┐   │
│  │  Business Development Manager                     │   │
│  │  (Orchestrator Agent)                             │   │
│  │                                                    │   │
│  │  ┌──────────┐  ┌──────────┐  ┌──────────┐       │   │
│  │  │Prospecting│  │  RevOps  │  │   SDR    │       │   │
│  │  │Sub-agent  │  │Sub-agent │  │Sub-agent │       │   │
│  │  │           │  │          │  │          │       │   │
│  │  │🔍 Find   │  │💾 Save   │  │📧 Draft  │       │   │
│  │  │  leads   │  │  to CRM  │  │  emails  │       │   │
│  │  └──────────┘  └──────────┘  └──────────┘       │   │
│  └──────────────────────────────────────────────────┘   │
│                                                          │
│  Agent 2: ACCOUNT EXECUTIVE (Dibangun besok)            │
│  ┌──────────────────────────────────────────────────┐   │
│  │  Akan dibahas di Day 5                            │   │
│  └──────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘

Integrasi Baru: Pipedrive CRM

Pipedrive adalah platform sales CRM modern — versi lebih sederhana dari Salesforce, dengan free trial termasuk akses API (Salesforce memerlukan bayar untuk API).

Aspek	Detail
Website	pipedrive.com
Trial	Gratis dengan API access
API Key	Avatar menu → Personal Preferences → API
Data Model	Leads, Deals, People (Contacts), Organizations
Shortcuts	1=Leads, 2=Deals, 7=Organizations

Setup Awal

1. Sign up → Try it Free
2. Jawab survey questions
3. Remove sample data (penting!)
4. Copy API key dari Personal Preferences → API
5. Paste ke n8n credential (Bearer Token)

---

💾 RevOps Sub-agent (Structured Outputs)

Sub-agent ini bertanggung jawab menyimpan data prospect ke Pipedrive CRM. Menggunakan Structured Outputs + Workflow (bukan tools) karena langkah-langkahnya sekuensial dan tetap.

Mengapa Structured Outputs, Bukan Tools?

Masalah: Perlu buat 3 record terurut di Pipedrive
─────────────────────────────────────────────────
❌ Tools Approach:
   Agent harus manage 4 tools, pass ID antar tools,
   urutan bisa salah → unreliable

✅ Structured Outputs + Workflow:
   Agent parse input → JSON → Workflow handle urutan
   → ID otomatis disambungkan → bulletproof

Arsitektur Workflow

┌──────────┐   ┌────────────────────┐   ┌───────────┐   ┌───────────┐   ┌───────────┐
│   Chat   │──▶│  AI Agent          │──▶│  Create   │──▶│  Create   │──▶│  Create   │
│  Trigger │   │  (GPT-5.2, low)    │   │Organization│  │  Person   │   │   Lead    │
│          │   │                    │   │           │   │           │   │           │
│          │   │  Structured Output:│   │  name:    │   │  name:    │   │  title:   │
│          │   │  {name, company,   │   │  $company │   │  $name    │   │  $name    │
│          │   │   role, email}     │   │           │   │  email:   │   │  org_id:  │
│          │   │                    │   │→ returns  │   │  $email   │   │  from #1  │
│          │   │  System: "Parse    │   │  org ID   │   │→ returns  │   │  person_id│
│          │   │  input into lead"  │   │           │   │  person ID│   │  from #2  │
└──────────┘   └────────────────────┘   └───────────┘   └───────────┘   └───────────┘

Schema Structured Output

{
  "name": "the full name of the lead",
  "company": "the company where they work",
  "role": "their job title",
  "email": "their email address"
}

Alur Data ID

Create Organization → ID ──────────┐
                                    ├──▶ Create Lead
Create Person → ID ────────────────┘     (org_id + person_id)

💡 Eureka Moment: Data flow di n8n menggunakan drag-and-drop expression ($json.id, $('AI Agent').json.output.name) jauh lebih reliable daripada menyuruh LLM mengelola ID antar tool calls.

Contoh Pengujian

Input: "Please record this lead. John Smith, CFO at IBM, johnsmith@ibm.com"

Hasil di Pipedrive:

• ✅ Organization: IBM
• ✅ Person: John Smith (email: johnsmith@ibm.com)
• ✅ Lead: John Smith (linked to IBM + John Smith)

---

📧 SDR Sub-agent (Tools)

Sub-agent kedua menggunakan Tools (bukan Structured Outputs) karena di sini otonomi agent benar-benar dibutuhkan — agent harus memutuskan bagaimana menulis email yang efektif.

Arsitektur

┌──────────────┐   ┌──────────────────────────────┐
│   Manual     │──▶│  AI Agent (GPT-5.2, low)      │
│   Trigger    │   │                                │
└──────────────┘   │  Tools:                        │
                   │  ├── 🔧 Pipedrive: Get People  │
                   │  └── 🔧 Gmail: Create Draft    │
                   │                                │
                   │  System: "Read all contacts,   │
                   │  draft professional outreach    │
                   │  emails for each person"        │
                   └────────────────────────────────┘

Konfigurasi Tools

Tool	Resource	Operation	Model Defines
Pipedrive	Person	Get Many (all)	—
Gmail	Draft	Create	Subject, Message (HTML), To

Keamanan: Menghindari Lethal Trifecta

⚠️ CEKLIS KEAMANAN:
✅ Data privat: Ya (data Pipedrive)
✅ Konten tidak terpercaya: Ya (nama/email dari internet)
❌ Komunikasi eksternal: TIDAK — hanya CREATE DRAFT

→ Draft email = AMAN (manusia review sebelum kirim)
→ Mengirim email otomatis = BERBAHAYA (Lethal Trifecta!)

Iterasi Prompting

Versi	Masalah	Solusi
v1	LLM mengarang detail produk yang tidak ada	Tambah: "Do not include additional details you do not know"
v1	Email tidak punya alamat tujuan	Tambah: "To email" → let model define
v2	✅ Email bersih, profesional, tanpa halusinasi	Prompting lebih ketat + to field defined

🔑 Pelajaran Prompting: Ketika LLM "berhalusinasi", itu bukan kesalahan model — model memang dirancang untuk menghasilkan konten plausible. Tugas kita sebagai AI engineer adalah membatasi outputnya melalui prompting yang presisi.

---

📊 Tabel Terminologi

Istilah	Definisi
Context Engineering	Seni mengelola input context window untuk output optimal
Context Window	Batas maksimum token yang bisa diproses LLM sekaligus
Coherence	Kemampuan LLM menghasilkan output konsisten dengan goal
Sub-agent	Agent kecil yang menangani sub-task dari agent utama
Sub-workflow	Workflow n8n yang dipanggil oleh workflow lain
Lethal Trifecta	Kerentanan saat tiga kondisi keamanan terpenuhi bersamaan
Pipedrive	Platform Sales CRM dengan free trial + API
RevOps	Revenue Operations — admin/logistik terkait revenue
SDR	Sales Development Rep — outbound sales person
Evaluation Metric	Ukuran kesuksesan sistem agentic terhadap business goal
Plausible vs Accurate	LLM generate plausible; tugas kita membuatnya accurate

---

🏆 Pencapaian Day 4

✅ Memahami trade-off Structured Outputs vs Tools
✅ Menguasai prinsip Context Engineering
✅ Memahami konsep Sub-agents dan implementasinya
✅ Mengenal Lethal Trifecta dan cara menghindarinya
✅ Mengidentifikasi anti-pattern dan best practice agentic AI
✅ Setup Pipedrive CRM dan API key
✅ Membangun RevOps Sub-agent (structured outputs approach)
✅ Membangun SDR Sub-agent (tools approach)
✅ Memulai proyek capstone "Amplify Your Business"

🎯 Progres: 93% kursus selesai! Dua sub-agent capstone sudah bekerja. Besok: Business Development Manager, Account Executive, dan Voice Agent finale!