Pola Agen Pemicu-Tindakan
Deteksi acara → keputusan → tindakan: inti putaran otomatisasi.
Pola Agen Pemicu-Tindakan adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.
Apa Itu Agen Pemicu-Tindakan
Agen pemicu-tindakan memantau peristiwa dan meresponsnya dengan tindakan. Siklus tiga bagiannya adalah: deteksi peristiwa → LLM menentukan tindakan → jalankan tindakan.
Contoh: surel diterima → rangkum dan balas; berkas diunggah → validasi dan proses; setiap hari pukul 09.00 → buat laporan harian.
Jenis-Jenis Pemicu
Pemicu terbagi menjadi tiga kategori:
- Berbasis peristiwa: webhook terpicu ketika surel tiba atau berkas diunggah
- Berbasis waktu: jadwal cron menjalankan agen pada interval tetap
- Berbasis pemeriksaan berkala: agen berulang kali memeriksa API untuk mencari data baru
Pemilihan jenis pemicu yang tepat menentukan latensi dan penggunaan sumber daya agen Anda.
Fase Deteksi
Deteksi berarti menerima atau mengenali suatu peristiwa. Untuk webhook, server Anda menerima permintaan POST. Untuk pemeriksaan berkala, agen meminta data dari API dan membandingkan hasilnya dengan status terakhir yang diketahui.
import json
def detect_new_email(current_emails, last_seen_id):
new_emails = [
e for e in current_emails
if e['id'] > last_seen_id
]
return new_emails
# Simulate detection
current = [{'id': 3, 'subject': 'Meeting'}, {'id': 4, 'subject': 'Invoice'}]
new = detect_new_email(current, last_seen_id=2)
print('New emails:', [e['subject'] for e in new])Fase Penentuan
Setelah mendeteksi peristiwa, agen mengirimkan konteks kepada LLM dan menanyakan tindakan yang harus dilakukan. LLM akan memilih alat atau mengembalikan respons langsung.
import openai
client = openai.OpenAI(api_key='sk-...')
def decide_action(event_description):
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[
{'role': 'system', 'content': 'You are an automation agent. Decide what action to take for the event.'},
{'role': 'user', 'content': f'Event: {event_description}'}
],
tools=[
{'type': 'function', 'function': {'name': 'send_reply', 'description': 'Reply to email', 'parameters': {'type': 'object', 'properties': {'message': {'type': 'string'}}, 'required': ['message']}}}
]
)
return response.choices[0].message
result = decide_action('New email: Invoice for $500 from supplier')
print(result)Fase Eksekusi
Eksekusi menjalankan tindakan yang dipilih. Tindakan ini dapat memanggil API, menulis berkas, mengirim pesan, atau memicu alur kerja lain. Selalu tangani kesalahan dan catat hasilnya.
import logging
import sys
logging.basicConfig(level=logging.INFO, stream=sys.stdout)
logger = logging.getLogger('agent')
def execute_action(action_name, params):
try:
if action_name == 'send_reply':
# In real code, call Gmail API here
logger.info(f'Sending reply: {params["message"]}')
return {'status': 'success'}
elif action_name == 'create_task':
logger.info(f'Creating task: {params["title"]}')
return {'status': 'success'}
else:
raise ValueError(f'Unknown action: {action_name}')
except Exception as e:
logger.error(f'Action failed: {e}')
return {'status': 'error', 'message': str(e)}
if __name__ == '__main__':
result = execute_action('send_reply', {'message': 'Thanks for reaching out!'})
print('Result:', result)
Model Mesin Status
Mesin status adalah model yang kuat untuk agen otomasi. Statusnya dapat berupa: IDLE, DETECTING, DECIDING, EXECUTING, ERROR. Transisi terjadi berdasarkan peristiwa atau kondisi.
Mesin status membuat perilaku agen lebih mudah diprediksi dan ditelusuri kesalahannya.
from enum import Enum
class AgentState(Enum):
IDLE = 'idle'
DETECTING = 'detecting'
DECIDING = 'deciding'
EXECUTING = 'executing'
ERROR = 'error'
class AutomationAgent:
def __init__(self):
self.state = AgentState.IDLE
def transition(self, new_state):
print(f'State: {self.state.value} -> {new_state.value}')
self.state = new_state
def run_cycle(self, event=None):
self.transition(AgentState.DETECTING)
if event:
self.transition(AgentState.DECIDING)
self.transition(AgentState.EXECUTING)
self.transition(AgentState.IDLE)
agent = AutomationAgent()
agent.run_cycle(event={'type': 'email', 'subject': 'Test'})Pola Pemicu Surel Diterima
Notifikasi push Gmail menggunakan Pub/Sub. Saat surel baru tiba, Google memublikasikan pesan ke topik Anda. Agen menerima webhook, mengambil surel, lalu memprosesnya.
from fastapi import FastAPI, Request
import base64, json
app = FastAPI()
@app.post('/gmail-push')
async def gmail_push(request: Request):
body = await request.json()
# Decode Pub/Sub message
message = body.get('message', {})
data = base64.b64decode(message.get('data', '')).decode('utf-8')
notification = json.loads(data)
email_address = notification.get('emailAddress')
history_id = notification.get('historyId')
print(f'New email for {email_address}, historyId: {history_id}')
# Fetch email details and run agent here
return {'status': 'ok'}Pola Pemicu Pengunggahan Berkas
Notifikasi peristiwa S3 atau pemantau sistem berkas lokal dapat memicu agen saat berkas muncul. Pustaka watchdog memantau direktori untuk mencari berkas baru.
from watchdog.observers import Observer
from watchdog.events import FileSystemEventHandler
import time
class UploadHandler(FileSystemEventHandler):
def on_created(self, event):
if event.is_directory:
return
print(f'New file detected: {event.src_path}')
self.process_file(event.src_path)
def process_file(self, filepath):
# Run agent logic on new file
print(f'Processing: {filepath}')
observer = Observer()
handler = UploadHandler()
observer.schedule(handler, path='/tmp/uploads/', recursive=False)
observer.start()
try:
time.sleep(30) # Watch for 30 seconds
finally:
observer.stop()
observer.join()Pola Pemicu Berbasis Waktu
Pemicu berbasis waktu menjalankan agen sesuai jadwal. Gunakan APScheduler untuk penjadwalan dalam proses atau pekerjaan cron sistem untuk penjadwalan pada tingkat proses.
from apscheduler.schedulers.blocking import BlockingScheduler
from datetime import datetime
scheduler = BlockingScheduler()
def daily_report_agent():
print(f'Daily report running at {datetime.now()}')
# Fetch data, call LLM, send report
pass
def hourly_check_agent():
print(f'Hourly check at {datetime.now()}')
pass
# Run at 8am every day
scheduler.add_job(daily_report_agent, 'cron', hour=8, minute=0)
# Run every 30 minutes
scheduler.add_job(hourly_check_agent, 'interval', minutes=30)
print('Scheduler started')
scheduler.start()Eksekusi Tindakan Idempoten
Agen otomasi harus bersifat idempoten: menjalankan tindakan yang sama dua kali tidak boleh menimbulkan efek ganda. Gunakan kunci idempotensi dan pola periksa sebelum bertindak.
import hashlib
processed_events = set() # In production, use Redis or DB
def compute_event_id(event):
content = f"{event['type']}:{event['source_id']}:{event['timestamp']}"
return hashlib.sha256(content.encode()).hexdigest()[:16]
def handle_event_idempotent(event):
event_id = compute_event_id(event)
if event_id in processed_events:
print(f'Skipping duplicate event: {event_id}')
return {'status': 'duplicate', 'event_id': event_id}
# Process event
print(f'Processing event: {event_id}')
processed_events.add(event_id)
return {'status': 'processed', 'event_id': event_id}
# Simulate duplicate event
event = {'type': 'email', 'source_id': 'abc123', 'timestamp': '2024-01-01T09:00:00'}
print(handle_event_idempotent(event))
print(handle_event_idempotent(event)) # Duplicate - skippedStatus Kesalahan dan Pemulihan
Agen yang tangguh menangani kegagalan dengan baik. Saat eksekusi gagal, agen dapat mencoba lagi dengan penundaan eksponensial, memberi tahu manusia, atau memindahkan tugas ke antrean pesan gagal untuk ditinjau secara manual.
import time
def execute_with_retry(action_fn, max_retries=3):
for attempt in range(max_retries):
try:
result = action_fn()
print(f'Success on attempt {attempt + 1}')
return result
except Exception as e:
wait = 2 ** attempt # Exponential backoff: 1s, 2s, 4s
print(f'Attempt {attempt + 1} failed: {e}. Retrying in {wait}s')
if attempt < max_retries - 1:
time.sleep(wait)
else:
print('All retries exhausted. Moving to dead-letter queue.')
raise
# Example usage
call_count = [0]
def flaky_action():
call_count[0] += 1
if call_count[0] < 3:
raise ConnectionError('Service unavailable')
return 'Done'
execute_with_retry(flaky_action)Uji Pemahaman: Pola Pemicu-Tindakan
Uji pemahaman Anda tentang pola agen pemicu-tindakan.
Menyatukan Semuanya
Agen pemicu-tindakan yang lengkap menggabungkan semua bagian: sumber pemicu (surel, berkas, pengatur waktu), lapisan deteksi, pengambilan keputusan berbasis LLM, eksekusi idempoten, logika percobaan ulang, dan pelacakan status.
Mulailah dengan sederhana: satu jenis pemicu dan satu tindakan. Tambahkan kompleksitas secara bertahap seiring meningkatnya keyakinan Anda terhadap perilaku agen.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pola Agen Pemicu-Tindakan” gratis?
Ya — teks lengkap “Pola Agen Pemicu-Tindakan” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Pola Agen Pemicu-Tindakan”?
Deteksi acara → keputusan → tindakan: inti putaran otomatisasi. Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Agents?
Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Pola Agen Pemicu-Tindakan” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?
Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pola Agen Pemicu-Tindakan
- Menghubungkan Agen ke Webhook
- Agen Berbasis Penjadwalan dan Cron
- Membangun Pipeline Otomatisasi Multi-Aplikasi