Topik hari ini adalah sesuatu yang hampir semua orang pernah dengar tapi hampir tidak ada yang bisa menjelaskan. Saya bicara tentang agen egg. Anda mungkin pernah mendengar istilah itu dalam rapat membacanya di blog atau melihatnya di beri. Semua orang membicarakan. Tapi jika diminta mendefinisikannya, jawabannya langsung menjadi kabur. Heap-nya kencang, definisinya samar, dan istilahnya digunakan begitu bebas hingga hampir kehilangan maknanya. Inilah kesalahan yang paling sering dilakukan orang. Mereka mengira agen hanyalah chatbot dengan nama yang lebih keren. Anda bertanya sesuatu, lalu ia menjawab. Itu bukan agen, itu chatbot. Dan ada perbedaan nyata di antara keduanya. Jadi apa yang berubah? Mengapa semua orang tiba-tiba terobsesi dengan agen? Dan yang lebih penting, mengapa Anda harus peduli jika Anda bukan pengembang? Di akhir episode ini, Anda akan memahami apa sebenarnya agen AI itu, mengapa Microsoft membangun kerangka kerja untungnya, dan mengapa ini penting bagi cara kerja Anda.

Apa sebenarnya agen AI itu? Anda sudah tahu cara kerja chatbot. Anda mengetik sesuatu, ia merespon. Secara percakapan. Sifatnya reaktif. Ia menunggu Anda bicara, lalu ia membalas. Agen itu berbeda. Ia tidak hanya menjawab, ia bertindak. Berpikir memutuskan bertindak. Itulah definisi yang saya berikan. Ini cara kerjanya. Pertama, agen berpikir. Ia menggunakan model bahasa besar untuk menalar apa yang sebenarnya Anda butuhkan, bukan sekadar apa yang Anda ketik, tapi apa maksud Anda. Jika Anda berkata, buat janji temu dengan Sarah hari selasa depan, agen tidak hanya mengulangi perintah itu. Ia memikirkan apa arti permintaan itu sebenarnya. Lalu ia memutuskan. Ia memecah permintaan Anda menjadi langkah-langkah. Membuat janji temu menjadi sebuah rencana. Periksa kalender. Cari waktu luang. Periksa ketersediaan Sarah. Kirim undangan. Agen tidak menebak-nebak. Ia membuat urutan tindakan. Terakhir, ia bertindak.

Ia memanggil alat dan layanan untuk mewujudkan. Ia tidak mau ditahulkan cara membuat janji. Ia membuat janji itu. Ia tidak menjelaskan cara mengecek cuaca. Ia mengecek cuaca dan memberikan jawabannya kepada Anda. Jadi, pikirkan perbedaannya. Chatbot itu reaktif. Ia menunggu pertanyaan Anda berikut. Agen itu proaktif. Anda memberinya tujuan dan ia pergi mengerjakannya. Ia mungkin kembali dengan pertanyaan jika butuh informasi lebih. Tapi, ia tidak butuh Anda untuk menuntungnya di setiap langkah. Chatbot itu seperti meja referensi di perpustakaan. Anda bertanya di mana letak sebuah buku dan mereka menunjukkan orang. Agen ibarat asisten pribadi yang memegang kunci gedung. Anda berkata, saya butuh informasi tentang klien utama kita untuk rapat besok. Lalu, mereka mencarinya, mengaturnya dan menyerahkan dokumen pengarahan kepada Anda. Anda tidak memberitahu mereka di mana harus mencari atau format apa yang diulang.

Mereka mampu mengahaminya sendiri. Namun, rahasianya bukan hanya pada LM. Model bahasa itu cerdas, tapi sendirian ia hanyalah otak tanpa tangan. Yang membuat sesuatu menjadi agen adalah kombinasi tiga hal. Penalaran, kemampuan memikirkan masalah. Alat, kemampuan untuk bertindak dan memori. Kemampuan mengingat kejadian sebelumnya. Gabungkan ketiganya, dan Anda memiliki sesuatu yang tidak hanya menjawab pertanyaan, tetapi juga menyelesaikan pekerjaan. Sebelum adanya kerangka kerja, landscape-nya tasit. Jadi, jika agen begitu berguna, mengapa belum semua orang membangunnya? Jawaban singkatnya adalah sampai baru-baru ini prosesnya berantakan. Anda harus menggabungkan berbagai alat sendiri, seperti mencoba membangun mobil dengan membeli suku cadangan dari produsen berbedaan dan berharap semuanya cocok. Upaya pertama Microsoft untuk memperbaiki ini adalah Semantic Kernel, sebuah SDK untuk mengintegrasikan AI ke dalam aplikasi.

Sangat canggih, tapi itu adalah kotak peralatan, bukan cetak biru. Alat itu memberi Anda kepingannya, Anda tetap harus mencari cara merakit. Kemudian muncul Autogen dari Microsoft. Kerangka kerja ini mengeksplorasi percakapan multi-agen, di mana agen AI berbicara, berdebat, dan berkolaborasi. Mutakhir, ya, tapi masih bersifat eksperimental, belum dibuat untuk sistem produksi. Jadi, pengembang dihadapkan pada pindahan sulit. Semantic Kernel stabil dan siap untuk perusahaan, tetapi kurang memiliki pola orkestrasi canggih. Autogen memiliki kemampuan multi-agen yang keren, tetapi bukan untuk dijalankan di lingkungan langsung. Masing-masing memiliki kurva pembelajaran cara kerja dan komunitasnya sendiri. Dan itu bukan hanya Microsoft. Kerangka kerja lain bermunculan. Langchain, crew AI, dan belasan lainnya. Ekosistemnya sangat berantakan. Jika Anda ingin membangun agen di tempat kerja, Anda harus menjadi ahli di dunia yang berubah dengan cepat.

Rakyat kecembangan yang harus dibicari. Mana yang akan bertahan? Mana yang sebenarnya didukung oleh Microsoft? Bagi pemula itu sangat memimumkan. Bayangkan Anda seorang pengembang di perusahaan yang sedang menjajaki agen AI. Anda meneliti dan menemukan lima kerangka kerja berbeda masing-masing dengan dokumentasi pola dan komunitasnya sendiri. Anda tidak tahu harus mulai dari mana. Anda tidak tahu mana yang layak untuk dipertaruhkan waktu-wantung. Fragmentasi itu menciptakan hambatan nyata. Ini bukan sekadar mempelajari sebuah alat, ini tentang bertaruh pada keseluruhan ekosistem. Dan saat kasus penggunaan agen beralih dari eksperimen ke proses bisnis nyata, Microsoft menyadari ini tidak berkelanjutan. B. Mereka membutuhkan satu kerangka kerja, satu pendekatan terpadu, satu jawaban atas pertanyaan. Bagaimana cara saya membangun agen? Apa itu Microsoft Agent Framework? Jadi Microsoft mengambil dua kerangka kerja yang mereka miliki, Semantic Kernel dan Autogen, lalu menggabungkannya menjadi satu.

Hasilnya adalah Microsoft Agent Framework, satu SDK terpadu yang menggabungkan stabilitas perusahaan dari Semantic Kernel dengan pola multi-agent mutakir dari Autogen. Tim yang membangun kedua kerangka kerja tersebut kini bekerja bersama untuk yang. Kerangka kerja ini diluncurkan dalam perhatian jauh pada akhir 2025. Dan mencapai versi 1.0 pada Juli 2026. Lini masa itu penting karena memberitahu Anda bahwa ini bukan proyek penelitian atau eksperimen. Ini adalah produk yang siap untuk produksi. Microsoft mengatakan, bangunlah sistemnya tanda di atas ini. Ini juga bersifat buka. Anda dapat menemukannya di GitHub dengan lebih dari 7.000 bintang dan lebih dari 100 kontributor. Komunitasnya sangat tak. Terdapat sesi tanya jawab mingguan di mana Anda dapat berbicara langsung dengan tim teknik. Itu bukanlah sesuatu yang Anda dapatkan dari produk itu. Kerangka kerja ini mendukung Python dan .NET sebagai bahasa kelas 1.

Baik Anda seorang pengembang C-SARP maupun Python, Anda mendapatkan pengalaman yang sama. Dan itu adalah masalah besar karena banyak rangka kerja AI hanya berbasis pek. Microsoft membuat pilihan yang disengaja untuk memperlakukan kedua bahasa tersebut secara set. Dan inilah sesuatu yang mungkin menunjukkan Anda. Kerangka kerja ini mendukung lebih dari 7 penyedia model yang berbeda. Microsoft Foundry, Azure Open AI, Open AI, Anthropic Cloud, Amazon Bedrock, Google Gemini, bahkan model lokal melalui olama. Anda menulis logika Anda sekali dan itu berfungsi di semuanya. Anda tidak terkunci pada satu penyedia saja. Berali dari Open AI kontropik, Anda cukup mengubah nilai konfigurasi bukan seluruh basis kode Anda. Kerangka kerja ini memiliki dua komponen. Agen adalah blok pembangun, unit penalaran individu yang dapat berpikir dan bertindak. Alur kerja adalah lapisan orkestrasi yang menghubungkan beberapa agen menjadi satu.

Anda dapat memiliki satu agen yang melakukan satu pekerjaan atau seluruh tim yang mengerjakan tugas yang kompon. Ada juga sesuatu yang disebut definisi deklaratif. Anda mendefinisikan perilaku agen dalam file YAMO. Konfigurasi agen Anda dapat dikontrol versinya. Masukkan ke git, tinjau dalam pull request, dan terapkan melalui alur CI plus CD. Bagi tim perusahaan, itu adalah keuntungan yang sangat besar. Namun inilah yang ingin saya Anda pahami. Kerangka kerja ini bukan hanya untuk pengembang yang membangun sistem komplek. Ini rancang untuk skenario perusahaan. Keamanan, kepatuhan, observabilitas, persetujuan dengan keterdebatan manusia, semua ini sudah ada di dalam bukan tambah. Dan itulah yang membuatnya berbeda dari kerangka kerja eksperimental sebelumnya. Blok pembangunnya, agen, alat memori, dan alur kerja. Mari kita bedah menjadi empat konsep utama. Pahami ini dan Anda mengerti 90% dari cara kerja kerangka kerja ini.

Pertama, agen. Mereka adalah unit dasar. Setiap agen memiliki nama, sekumpulan instruksi, dan akses ke alat. Ini adalah penalaran yang bisa berpikir dan bertindak. Anda beritahunya siapa dirinya, apa yang harus dilakukan, dan sumber daya apa yang bisa digunakan. Semua hal lain berawal dari sana. Kudukannya alat. Ini adalah tangan dari agen, fungsi API atau layanan eksternal yang bisa dipanggil agen, data cuaca, akses kalender, query basis data, operasi, file. Agen tidak tahu cara melakukan hal ini sendiri. Ia membutuhkan alat untuk menjangkau dunia dan mengambil tindakan. Anda bisa menulis fungsi sederhana sendiri atau bisa berupa server MCP, model konteks protokol. Itu adalah cara standar untuk menghubungkan eksternal. Anggaplah itu sebagai colokan universal. Jika suatu layanan mendukung MCP, agen Anda bisa menggunakannya tanpa kode integrasi khusus. Kemudian ada memori. Ini adalah penyimpanan otak.

Ada dua jenis. Memori tingkat sesi bersifat jangka pendek. Ia mengingat apa yang terjadi selama satu percakapan. Penyedi konteks bersifat jangkapannya. Mereka mengingat preferensi dan fakta di berbagai percakapan. Memori adalah hal yang membuat agen terasa cerdas. Tanpanya, setiap interaksi dimulai dari nol. Anda merkenalkan diri dan saat berikutnya Anda bicara, hal itu terlupakan. Dengan memori, agen tahu siapa Anda, apa yang sudah dibahas, dan apa yang Anda pedulikan. Itu adalah perbedaan antara berbicara dengan orang asing dan rekan kerja yang tahu pekerjaan Anda. Terakhir, alur kerja. Ini adalah lapisan orkestrasi di mana Anda mendefinisikan beberapa agen yang bekerja bersama. Alur kerja bisa sekuensial. Langkah A, lalu langkah B. Bisa serentak, beberapa agen bekerja paralel pada bagian masalah yang sama atau bisa kondisional. Jika ini terjadi, pergi ke sini. Jika itu terjadi, pergi ke sana.

Alur kerja juga mendukung pemeriksaan. Jika sesuatu gagal di tengah jalan, sistem bisa lanjut dari tempat ia berhenti. Ia tidak mulai dari awal. Itu penting untuk tugas jangka panjang yang bisa memakan waktu berjam-jam atau melibatkan banyak langkah. Pola manusia dalam alur Himalian Dulu juga sudah disertak. Agen bisa berhenti dan meminta persetujuan sebelum mengambil tindakan sensitif. Jika agen hendak mengirim email atau menyetujui pembayaran, ia bisa berhenti dan menunggu manusia memberikan izin. Itu penting bagi industri yang diatur. Berikut contoh duniannya tanya. Bayangkan agen persiapan penjualan. Anda memiliki pertemuan dengan klien besok. Anda memberitahu agen bantu saya bersiap. Agen tersebut memeriksa kalender Anda untuk mengumpulkan. Ia menarik data CRM untuk melihat klien. Ia mencari materi pemasaran untuk studi kasus yang relevan. Ia menghasilkan dokumen pengarahan dan presentasi powerpoint semuanya tanpa Anda perlu melakukan apapun.

Itu bukan chatbot. Itu adalah agen. Mengapa dulu? Nilai praktisnya. Jadi Anda memahami apa itu. Kerangka kerja tersebut. Tapi masalahnya, mengapa Anda harus peduli jika Anda bukan pengembangan sistem ini? Jawabannya adalah kerangka kerja ini tidak hanya berada di terminal pengembang. Kerangka ini mendukung alat yang digunakan pengguna bisnis sehari. Agen yang dibangun dengan kerangka kerja ini dapat dipublikasikan langsung ke Microsoft Teams dan obrolan kopel. Itu berarti agen organisasi Anda berada di tempat Anda bekerja saat ini. Anda tidak perlu menginstall aplikasi terbisa mengatakan login baru atau melalui proses pembelajaran. Anda cukup membuka Teams dan ikan tersebut sudah ada. Bagi pengambil keputusan di bidang TI dan bisnis ini bahkan lebih penting. Kerangka kerja ini menyediakan kontrol perusahaan yang benar-benar berat. Anda mendapatkan manajemen identitas melalui EntraID, kontrol akses agar agen hanya melihat apa yang seharusnya, jejak audit, agar Anda tahu apa yang dilakukan setiap agen dan kapan, serta tata kelola data agar informasi sensitif tetap terlindungi.

Dan inilah masalah yang mungkin belum Anda pikirkan. Kedua AI itu nyata. Karyawan menggunakan alat AI yang tidak salah setiap hari, menempelkan data perusahaan ke chatbot publik, mengunggah dokumen sensitif ke server yang tidak diketahui dan berharap semuanya baik-baik saja. Tim TI tahu ini terjadi, tetapi mereka tidak bisa menghentikannya hanya dengan melarang alat tersebut. Orang akan selalu menemukan cara. Kerangka kerja ini memberi TI cara untuk menawarkan agen yang disetujui dan aman namun tetap terasa modern. Alih-alih memberitahu karyawan, jangan gunakan AI, Anda bisa berkata gunakan agen ini sebagai gantinya. Mereka aman, memiliki tata kelola dan bekerja dengan data Anda. Ada juga masalah penyebaran agen yang tidak terkendali dan itu sudah terkendali. Tim membuat agen lebih cepat daripada yang bisa dilacak oleh siapapun. Kerangka kerja ini memberi Anda satu tempat untuk mengelola, memantur semuanya.

Anda dapat melihat agen mana yang sedang digunakan, mana yang tidak terpakai dan mana yang merlukan perhatian. Visibilitas biaya adalah poin. Anda dapat melihat dengan tepat berapa biaya operasional setiap agen-agen mana yang mahal, mana yang efisien dan di mana perlu dioptimalkan. Itu bukan sesuatu yang Anda dapatkan dengan kumpulan alat dan skrip aja. Intinya adalah kerangka kerja ini membuat agen AI menjadi praktis, aman dan dapat dikelola bagi organisasi nyata. Ini bukan sekadar membangun teknologi keren, tapi membangun sesuatu yang berfungsi dalam bisnis nyata dengan kendala nyata, keamanan, kepatuhan, anggaran, dan tata kelola. Jika Anda bertanggung jawab atas semua hal tersebut, kerangka kerja ini penting bagian. Bagaimana kerangka yang masuk ke doang lebih besar? Jadi di mana sebenarnya kerja agen ini ditempatkan? Ini bukan produk mandiri, melainkan satu bagian dari teka-teki yang jauh besar.

Mari kita lihat bagaimana semua Anda teruk. Mulai dengan Azure Eye Foundry. Bayangkan seperti ini, kerangka kerja agen adalah cara Anda membangun agen Anda dan Foundry adalah tempat mereka tinggal dan berjalan. Ini menangani semua tugas berat, infrastruktur, pensekalaan, pemantauan, dan keamanan. Anda membangun secara lokal, Anda mendeploy ke Foundry dan agen Anda berjalan di lingkungan produksi dengan kontrol perusahaan. Sekarang jika Anda bukan pengembang, Anda punya pilihan lain, Co-Pilot Studio. Ini adalah jalur logon. Anda menggunakan antarmuka visual untuk menentukan apa yang dilakukan agen Anda, menghubungkannya ke sumber data dan menerbitkannya ke tim. Tidak perlu kode. Kerangka kerja agen diperuntukkan bagi pengembang yang menginginkan gedali. Keduanya sering melengkapi. Butuh kustomisasi? Gunakan kekerjaan tersebut. Perlu bergerak cepat? Gunakan Co-Pilot Studio. Kemudian ada Microsoft 365 Co-Pilot, sisi yang menghadap pengguna.

Agen yang dibangun dengan kerangka kerja ini dapat muncul langsung di dalam Co-Pilot. Jadi pengguna berinteraksi dengan mereka melalui antarmuka yang familiar, Co-Pilot yang sama yang sudah mereka gunakan untuk bekerja. Tidak ada alat baru untuk dipelajari, tidak ada alur kerja baru sih. Namun disinilah nilai sebenarnya bersinar lapisan kecerdasan. Ini memiliki tiga bagian. Work IQ terhubung ke data pribadi email, kalender dan obrolan Anda. Foundry IQ terhubung ke pengetahuan organisasi, dokumen, kebijakan dan sumber daya bersama. Dan Fabrik IQ terhubung ke data bisnis, angka penjualan, catatan pelanggan dan metrik operasional. Agen dapat menarik data dari ketiganya. Itulah membuat mereka benar berguna. Mereka tidak hanya menjawab pertanyaan umum, mereka memiliki konteks. Mereka tahu siapa Anda, apa yang sedang Anda kerjakan dan data apa yang penting bagi bisnis Anda. Saat Agen menyiapkan dokumen pengarahan untuk rapat penjualan, ia tidak menebak nebuk.

Ia menarik data dari kalender Anda, CRM Anda, materi pemasaran Anda, dan basis pengetahuan perusahaan Anda, semuanya dalam satu permintaan. Dan semuanya bekerja dengan modal keamanan Microsoft. Enter ID untuk identitas, intern untuk manajemen perangkat, defender untuk perlindungan ancaman. Jika organisasi Anda sudah menggunakan alat-alat ini, kerangka kerja ini akan langsung cocok. Tidak perlu membangun lapisan keamanan terpisah. Bagi organisasi yang sudah menggunakan Microsoft 365 Azure dan Power Platform, kerangka kerja ini adalah langkah selanjutnya yang alami. Anda tidak memulai dari nor. Anda memperluas ambil miliki. Tisi jangka panjangnya. Akin menjadi lumrah seperti aplikasi. Setiap proses bisnis mendapatkan lapisan agen bukan untuk mendihatkan orang, tetapi membantu mereka bekerja lebih cepat dengan informasi yang lebih baik dan tugas rutin yang lebih sedikit. Kerangka kerja inilah cara Anda membangun lapisan.

Memulai langkah pertama Anda. Di kabar baiknya, Anda tidak perlu menjadi pakar AI untuk mulainya. Ada dua jalur. Jalur tanpa kode adalah kopelot studi. Antar muka visual serat lepas konfigurasikan tanpa perlu kode. Anda bisa mendapatkan seberfungsi dalam hitungan jam bukan hari. Jika tujuan Anda adalah menyelesaikan masalah bisnis tertentu dengan cepat, inilah jalur Anda. Jalur kode adalah kerangka kerja agen itu sendiri. Anda menginstal paket untuk Python atau Python.net dan Anda menggunakan ekstensi Vesco. Dan ekstensi ini layak dibahas karena mencakup keterampilan berbasis AE. Anda memberitahu apa yang Anda ingin. Buat agen persiapan penjualan yang meriksa kalender saya dan menarik data CRM. Lalu ia membuat kerangka seluruh proyek untuk Anda. Kode file konfigurasi semuanya ini bukan halaman kosong. Ini adalah apanya itu. Ekstensi ini juga menyertakan sesuatu yang disebut pemeriksa agen inspekter.

Ini adalah alat visual yang menunjukkan apa yang dilakukan agen Anda secara waktunya atau langkah. Anda bisa melihatnya berpikir. Anda bisa melihat alat apa yang dipanggil. Anda bisa melihat di panggilan makinnya. Ini seperti miliki debagger yang berbicara dalam bahasa yang mudah di paham. Jika Anda sudah menggunakan semantik kernel atau autogen ada asisten migrasi yang menganalisi skoda Anda yang ada dan membuat rencana migrasi langkah demi langkah. Anda tidak perlu mulai dari nol. Rangka kerja ini bersifat sumber terbuka. Repository GitHub ada di github.com slash microsoft slash region framework. Sample dokumentasi, forum diskusi, semuanya ada di sana. Komunitasnya aktif. Ada sesi konsultasi mingguan di mana Anda bisa berbicara langsung dengan tim teknik. Itu bukan sesuatu yang Anda dapatkan kebanyakan kerja. Pesan kuncinya adalah ini. Mulai dengan kecil. Bangun satu agen yang melakukan satu hal yang bermanfaat.

Mungkin ia memiksa kalender Anda. Mungkin ia meringkas email Anda. Mungkin ia mencari informasi pelangkut. Bagaimana rasanya? Ketikatkan skalanya. Hal terpenting adalah memahami konsep-konsep ini. Dan itulah inti dari surat ini. Izinkan saya menyimpulkannya dengan menggabungkan bagian-bagian. Agen bukanlah chatbot. Ini adalah sistem yang berpikir, memutuskan, dan bertindak sendiri. Kerangka kerja ini ada karena membangun akin dengan cara lama. Berarti harus mengelola alat dan kerangka kerja yang tidak kompatibel dan tidak saling terhubung. Fragmentasi itu membuat segalanya membingungkan. Jadi Microsoft membangun satu cara untuk membuat, satu cara untuk menyebarkan, dan satu cara untuk mengelola. Tidak perlu lagi berpindah antar framework atau menyatukan potongan yang tidak cocok. Bagi pemula, inilah poin pentingnya. Agen AI bukanlah sihir. Mereka adalah sistem terstruktur yang menalar, menggunakan alat, dan mengingat konteks.

Microsoft memberi Anda framework lengkap untuk membangunnya dan siap digunakan sekarang juga. Ini bukan SkySensor. Agen mulai menjadi bagian normal dari cara kita bekerja seperti aplikasi dan situs web pertantangan. Alatnya sudah tersedia, komunitasnya aktif, dan agen pertama Anda lebih dekat dari yang Anda kira. Jika ingin menjelajah lebih jauh, mulailah dengan repository GitHub dan ekstensi VS Code. Berlangganan di platform podcast favorit Anda, dan bagikan ini kepada seseorang yang memulai perjalanan mereka.