Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Kerangka Kerja
[Fondasi AI agen pada AWS](https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-foundations/) memeriksa pola inti dan alur kerja yang memungkinkan perilaku otonom yang diarahkan pada tujuan. Inti penerapan pola-pola ini terletak pada pilihan kerangka kerja. *Kerangka kerja* adalah fondasi perangkat lunak dari kode yang telah ditulis sebelumnya yang menyediakan lingkungan terstruktur dan fungsionalitas umum untuk membangun dan mengelola, alat, dan kemampuan orkestrasi yang diperlukan untuk membangun agen AI otonom siap produksi.
Kerangka kerja AI agen yang efektif menyediakan beberapa kemampuan penting yang mengubah interaksi model bahasa besar mentah (LLM) menjadi sistem terkoordinasi dan cerdas yang mampu melakukan penalaran, kolaborasi, dan tindakan:
+ **Orkestrasi agen** mengoordinasikan arus informasi dan pengambilan keputusan di seluruh agen tunggal atau ganda untuk mencapai tujuan yang kompleks tanpa campur tangan manusia.
+ **Integrasi alat** memungkinkan agen untuk berinteraksi dengan sistem eksternal APIs, dan sumber data untuk memperluas kemampuan mereka di luar pemrosesan bahasa. Untuk informasi selengkapnya, lihat [Ikhtisar Alat](https://strandsagents.com/0.1.x/user-guide/concepts/tools/tools_overview/) dalam Strands Agents dokumentasi.
+ **Manajemen memori** menyediakan keadaan persisten atau berbasis sesi untuk mempertahankan konteks lintas interaksi, penting untuk tugas yang berjalan lama atau adaptif. Kerangka kerja yang lebih canggih menggabungkan memori jangka panjang untuk menyimpan ringkasan dan preferensi pengguna, memungkinkan pengalaman agen yang dipersonalisasi dan sadar kontekstual. Untuk informasi selengkapnya, lihat [Cara berpikir tentang kerangka kerja agen](https://blog.langchain.com/how-to-think-about-agent-frameworks/) di LangChain Blog.
+ **Definisi alur kerja** mendukung pola terstruktur seperti rantai, perutean, paralelisasi, dan loop refleksi yang memungkinkan penalaran otonom yang canggih.
+ **Penyebaran dan pemantauan** memfasilitasi transisi dari pengembangan ke produksi dengan observabilitas untuk sistem otonom. Untuk informasi selengkapnya, lihat pengumuman [ketersediaan AgentCore umum Amazon Bedrock](https://aws.amazon.com/blogs/machine-learning/amazon-bedrock-agentcore-is-now-generally-available/).
Kemampuan ini diimplementasikan dengan berbagai pendekatan dan penekanan di seluruh lanskap kerangka kerja, masing-masing menawarkan keuntungan berbeda untuk kasus penggunaan agen otonom dan konteks organisasi yang berbeda.
Bagian ini membuat profil dan membandingkan kerangka kerja terkemuka untuk membangun solusi AI agen, dengan fokus pada kekuatan, keterbatasan, dan kasus penggunaan ideal untuk operasi otonom:
+ [Agen Helai](strands-agents.md)
+ [LangChain dan LangGraph](langchain-langgraph.md)
+ [CrewAI](crewai.md)
+ [AutoGen](autogen.md)
+ [LlamaIndex](llamaindex.md)
+ [Membandingkan kerangka kerja AI agen](comparing-agentic-ai-frameworks.md)
**catatan**
Bagian ini mencakup kerangka kerja yang secara khusus mendukung agensi AI dan tidak mencakup antarmuka frontend atau AI generatif tanpa agensi.
# Strands Agents
Strands Agentsadalah SDK open-source yang awalnya dirilis oleh AWS, seperti yang dijelaskan dalam [AWS Open Source Blog](https://aws.amazon.com/blogs/opensource/introducing-strands-agents-an-open-source-ai-agents-sdk/). Strands Agentsdirancang untuk membangun agen AI otonom dengan pendekatan model-first Ini menyediakan kerangka kerja yang fleksibel dan dapat diperluas yang dirancang untuk bekerja dengan mulus Layanan AWS sambil tetap terbuka untuk integrasi dengan komponen pihak ketiga. Strands Agents sangat ideal untuk membangun solusi yang sepenuhnya otonom.
## Fitur utama Strands Agents
Strands Agentstermasuk fitur utama berikut:
+ **Desain model-first** — Dibangun di sekitar konsep bahwa model fondasi adalah inti dari kecerdasan agen, memungkinkan penalaran otonom yang canggih. Untuk informasi selengkapnya, lihat [Agent Loop](https://strandsagents.com/latest/user-guide/concepts/agents/agent-loop/) dalam Strands Agents dokumentasi.
+ **Pola kolaborasi multi-agen — Model koordinasi bawaan seperti pola** Swarm, Graph, dan Workflow yang memungkinkan kolaborasi dan tata kelola yang dapat diskalakan di seluruh jaringan agen terdistribusi. Untuk informasi selengkapnya, lihat [Pola Multi-agen](https://strandsagents.com/docs/user-guide/concepts/multi-agent/multi-agent-patterns/) dalam dokumentasi Strands Agents.
+ **Integrasi MCP** — Dukungan asli untuk [Model Context Protocol](https://modelcontextprotocol.io/) (MCP), memungkinkan penyediaan konteks standar untuk LLMs operasi otonom yang konsisten.
+ **Layanan AWS integrasi** - Koneksi tanpa batas ke Amazon Bedrock,, AWS Lambda AWS Step Functions, dan lainnya Layanan AWS untuk alur kerja otonom yang komprehensif. Untuk informasi lebih lanjut, lihat [Roundup AWS Mingguan](https://aws.amazon.com/blogs/aws/aws-weekly-roundup-strands-agents-aws-transform-amazon-bedrock-guardrails-aws-codebuild-and-more-may-19-2025/) (AWS Blog).
+ **Pemilihan model foundation** - Mendukung berbagai model pondasi termasuk Anthropic Claude, Amazon Nova (Premier, Pro, Lite, dan Micro) di Amazon Bedrock, dan lainnya untuk mengoptimalkan kemampuan penalaran otonom yang berbeda. Untuk informasi selengkapnya, lihat [Amazon Bedrock](https://strandsagents.com/latest/user-guide/concepts/model-providers/amazon-bedrock/) di Strands Agents dokumentasi.
+ Integrasi **LLM API - Integrasi** fleksibel dengan antarmuka layanan LLM yang berbeda termasuk Amazon Bedrock, OpenAI, dan lainnya untuk penyebaran produksi. Untuk informasi selengkapnya, lihat [Amazon Bedrock Basic Usage](https://strandsagents.com/latest/user-guide/concepts/model-providers/amazon-bedrock/#basic-usage) dalam Strands Agents dokumentasi.
+ **Kemampuan multimodal** — Dukungan untuk berbagai modalitas termasuk pemrosesan teks, ucapan, dan gambar untuk interaksi agen otonom yang komprehensif. Untuk informasi selengkapnya, lihat [Amazon Bedrock Multimodal Support](https://strandsagents.com/latest/user-guide/concepts/model-providers/amazon-bedrock/#multimodal-support) di dokumentasi. Strands Agents
+ **Ekosistem alat** - Kumpulan alat yang kaya untuk Layanan AWS interaksi, dengan ekstensibilitas untuk alat khusus yang memperluas kemampuan otonom. Untuk informasi selengkapnya, lihat [Ikhtisar Alat](https://strandsagents.com/0.1.x/user-guide/concepts/tools/tools_overview/) dalam Strands Agents dokumentasi.
## Kapan harus menggunakan Strands Agents
Strands Agentssangat cocok untuk skenario agen otonom termasuk:
+ Organizations yang membangun AWS infrastruktur yang menginginkan integrasi asli dengan Layanan AWS alur kerja otonom
+ Tim yang memerlukan fitur keamanan, skalabilitas, dan kepatuhan tingkat perusahaan untuk sistem otonom produksi
+ Proyek yang membutuhkan fleksibilitas dalam pemilihan model di berbagai penyedia untuk tugas otonom khusus
+ Gunakan kasus yang memerlukan integrasi ketat dengan AWS alur kerja dan sumber daya yang ada untuk proses otonom ujung ke ujung
## Pendekatan implementasi untuk Strands Agents
Strands Agents[menyediakan pendekatan implementasi langsung untuk pemangku kepentingan bisnis, sebagaimana diuraikan dalam Panduan Memulai Cepat.](https://strandsagents.com/0.1.x/user-guide/quickstart/) Kerangka kerja ini memungkinkan organisasi untuk:
+ Pilih model foundation seperti Amazon Nova (Premier, Pro, Lite, atau Micro) di Amazon Bedrock berdasarkan persyaratan bisnis tertentu.
+ Tentukan alat khusus yang terhubung ke sistem perusahaan dan sumber data.
+ Memproses beberapa modalitas termasuk teks, gambar, dan ucapan.
+ Menyebarkan agen yang dapat secara mandiri menanggapi pertanyaan bisnis dan melakukan tugas.
Pendekatan implementasi ini memungkinkan tim bisnis untuk dengan cepat mengembangkan dan menyebarkan agen otonom tanpa keahlian teknis yang mendalam dalam pengembangan model AI.
## Contoh dunia nyata dari Strands Agents
AWS Transform untuk penggunaan .NET Strands Agents untuk memperkuat kemampuan modernisasi aplikasinya, seperti yang dijelaskan dalam [AWS Transform untuk .NET, layanan AI agen pertama untuk memodernisasi aplikasi.NET](https://aws.amazon.com/blogs/aws/aws-transform-for-net-the-first-agentic-ai-service-for-modernizing-net-applications-at-scale/) dalam skala besar (Blog).AWS Layanan produksi ini mempekerjakan beberapa agen otonom khusus. Para agen bekerja sama untuk menganalisis aplikasi.NET lama, merencanakan strategi modernisasi, dan mengeksekusi transformasi kode ke arsitektur cloud-native tanpa campur tangan manusia. [AWS Transform untuk .NET](https://aws.amazon.com/transform/net/) menunjukkan kesiapan produksi Strands Agents untuk sistem otonom perusahaan.
# LangChain dan LangGraph
LangChainadalah salah satu kerangka kerja paling mapan dalam ekosistem AI agen. LangGraph[memperluas kemampuannya untuk mendukung alur kerja agen yang kompleks dan stateful seperti yang dijelaskan dalam Blog. LangChain](https://blog.langchain.dev/how-to-think-about-agent-frameworks/) Bersama-sama, mereka memberikan solusi komprehensif untuk membangun agen AI otonom yang canggih dengan kemampuan orkestrasi yang kaya untuk operasi independen.
## Fitur utama LangChain dan LangGraph
LangChaindan LangGraph termasuk fitur-fitur utama berikut:
+ **Ekosistem komponen** — Perpustakaan ekstensif komponen pra-bangun untuk berbagai kemampuan agen otonom, memungkinkan pengembangan agen khusus yang cepat. Untuk informasi selengkapnya, lihat [Mulai cepat](https://docs.langchain.com/oss/python/langchain/quickstart) di LangChain dokumentasi.
+ **Pemilihan model foundation** - Support untuk beragam model pondasi termasuk Anthropic Claude, Amazon Nova model (Premier, Pro, Lite, dan Micro) di Amazon Bedrock, dan lainnya untuk kemampuan penalaran yang berbeda. Untuk informasi selengkapnya, lihat [Input dan output](https://python.langchain.com/docs/concepts/chat_models/#inputs-and-outputs) dalam dokumentasi. LangChain
+ **Integrasi API LLM** — Antarmuka standar untuk beberapa penyedia layanan model bahasa besar (LLM) termasuk Amazon Bedrock,OpenAI, dan lainnya untuk penerapan yang fleksibel. Untuk informasi lebih lanjut, lihat [LLMs](https://python.langchain.com/docs/integrations/llms/)di LangChain dokumentasi.
+ **Pemrosesan multimodal** - Dukungan bawaan untuk pemrosesan teks, gambar, dan audio untuk memungkinkan interaksi agen otonom multimodal yang kaya. Untuk informasi selengkapnya, lihat [Multimodalitas](https://python.langchain.com/docs/concepts/chat_models/#multimodality) dalam dokumentasi. LangChain
+ **Alur kerja berbasis grafik** — LangGraph memungkinkan mendefinisikan perilaku agen otonom yang kompleks sebagai mesin negara, mendukung logika keputusan yang canggih. Untuk informasi selengkapnya, lihat pengumuman [LangGraphPlatform GA](https://blog.langchain.dev/langgraph-platform-ga/).
+ **Abstraksi memori** — Beberapa opsi untuk manajemen memori jangka pendek dan jangka panjang, yang penting untuk agen otonom yang mempertahankan konteks dari waktu ke waktu. Untuk informasi selengkapnya, lihat [Cara menambahkan memori ke chatbots](https://python.langchain.com/docs/how_to/chatbots_memory/) dalam dokumentasi. LangChain
+ **Integrasi alat** — Ekosistem integrasi alat yang kaya di berbagai layanan dan APIs, memperluas kemampuan agen otonom. Untuk informasi selengkapnya, lihat [Alat](https://python.langchain.com/docs/how_to/#tools) dalam LangChain dokumentasi.
+ **LangGraph platform** - Solusi penyebaran dan pemantauan terkelola untuk lingkungan produksi, mendukung agen otonom yang sudah berjalan lama. Untuk informasi selengkapnya, lihat pengumuman [LangGraphPlatform GA](https://blog.langchain.dev/langgraph-platform-ga/).
## Kapan harus menggunakan LangChain dan LangGraph
LangChaindan LangGraph sangat cocok untuk skenario agen otonom termasuk:
+ Alur kerja penalaran multi-langkah kompleks yang membutuhkan orkestrasi canggih untuk pengambilan keputusan otonom
+ Proyek yang membutuhkan akses ke ekosistem besar komponen prebuilt dan integrasi untuk beragam kemampuan otonom
+ Tim dengan infrastruktur dan keahlian machine learning (ML) Python berbasis yang ada yang ingin membangun sistem otonom
+ Gunakan kasus yang memerlukan manajemen negara yang kompleks di seluruh sesi agen otonom yang berjalan lama
## Pendekatan implementasi untuk LangChain dan LangGraph
LangChain[dan LangGraph memberikan pendekatan implementasi terstruktur untuk pemangku kepentingan bisnis, sebagaimana dirinci dalam dokumentasi. LangGraph](https://python.langchain.com/docs/langgraph) Kerangka kerja ini memungkinkan organisasi untuk:
+ Tentukan grafik alur kerja canggih yang mewakili proses bisnis.
+ Buat pola penalaran multi-langkah dengan poin keputusan dan logika bersyarat.
+ Mengintegrasikan kemampuan pemrosesan multimodal untuk menangani beragam tipe data.
+ Menerapkan kontrol kualitas melalui mekanisme peninjauan dan validasi bawaan.
Pendekatan berbasis grafik ini memungkinkan tim bisnis untuk memodelkan proses keputusan yang kompleks sebagai alur kerja otonom. Tim memiliki visibilitas yang jelas ke dalam setiap langkah proses penalaran dan kemampuan untuk mengaudit jalur keputusan.
## Contoh dunia nyata dari dan LangChain LangGraph
Vodafonetelah menerapkan agen otonom menggunakan LangChain (danLangGraph) untuk meningkatkan rekayasa data dan alur kerja operasinya, sebagaimana dirinci dalam [studi kasus LangChain Enterprise](https://blog.langchain.com/customers-vodafone/) mereka. Mereka membangun asisten AI internal yang secara mandiri memantau metrik kinerja, mengambil informasi dari sistem dokumentasi, dan menyajikan wawasan yang dapat ditindaklanjuti — semuanya melalui interaksi bahasa alami.
VodafoneImplementasinya menggunakan pemuat dokumen LangChain modular, integrasi vektor, dan dukungan untuk beberapa LLMs (OpenAI, LLaMA 3, danGemini) untuk membuat prototipe dan benchmark dengan cepat. Mereka kemudian digunakan LangGraph untuk menyusun orkestrasi multi-agen dengan menggunakan sub agen modular. Agen-agen ini melakukan tugas pengumpulan, pemrosesan, peringkasan, dan penalaran. LangGraphmengintegrasikan agen-agen ini APIs ke dalam sistem cloud mereka.
# CrewAI
CrewAIadalah kerangka kerja sumber terbuka yang berfokus secara khusus pada orkestrasi multi-agen otonom, tersedia di. [GitHub](https://github.com/crewAIInc/crewAI) Ini memberikan pendekatan terstruktur untuk menciptakan tim agen otonom khusus yang berkolaborasi untuk menyelesaikan tugas-tugas kompleks tanpa campur tangan manusia. CrewAImenekankan koordinasi berbasis peran dan delegasi tugas.
## Fitur utama CrewAI
CrewAImenyediakan fitur utama berikut:
+ **Desain agen berbasis peran — Agen** otonom didefinisikan dengan peran, tujuan, dan cerita belakang tertentu untuk memungkinkan keahlian khusus. Untuk informasi selengkapnya, lihat [Membuat Agen Efektif](https://docs.crewai.com/en/guides/agents/crafting-effective-agents) dalam CrewAI dokumentasi.
+ **Delegasi tugas** — Mekanisme bawaan untuk menetapkan tugas secara mandiri ke agen yang sesuai berdasarkan kemampuan mereka. Untuk informasi selengkapnya, lihat [Tugas](https://docs.crewai.com/en/concepts/tasks) dalam CrewAI dokumentasi.
+ **Kolaborasi agen** — Kerangka kerja untuk komunikasi antar-agen otonom dan berbagi pengetahuan tanpa mediasi manusia. Untuk informasi selengkapnya, lihat [Kolaborasi](https://docs.crewai.com/en/concepts/collaboration) dalam CrewAI dokumentasi.
+ **Manajemen proses** — Alur kerja terstruktur untuk eksekusi tugas otonom sekuensial dan paralel. Untuk informasi selengkapnya, lihat [Proses](https://docs.crewai.com/en/concepts/processes) dalam CrewAI dokumentasi.
+ **Pemilihan model foundation** - Support untuk berbagai model foundation termasuk Anthropic Claude, Amazon Nova model (Premier, Pro, Lite, dan Micro) di Amazon Bedrock, dan lainnya untuk mengoptimalkan tugas penalaran otonom yang berbeda. Untuk informasi lebih lanjut, lihat [LLMs](https://docs.crewai.com/en/concepts/llms)di CrewAI dokumentasi.
+ **Integrasi API LLM** - Integrasi fleksibel dengan beberapa antarmuka layanan LLM termasuk Amazon Bedrock,OpenAI, dan penerapan model lokal. Untuk informasi selengkapnya, lihat [Contoh Konfigurasi Penyedia](https://docs.crewai.com/en/concepts/llms#provider-configuration-examples) dalam CrewAI dokumentasi.
+ **Dukungan multimodal** — Kemampuan yang muncul untuk menangani teks, gambar, dan modalitas lainnya untuk interaksi agen otonom yang komprehensif. Untuk informasi selengkapnya, lihat [Menggunakan Agen Multimodal](https://docs.crewai.com/en/learn/multimodal-agents) dalam CrewAI dokumentasi.
## Kapan harus menggunakan CrewAI
CrewAIsangat cocok untuk skenario agen otonom termasuk:
+ Masalah kompleks yang mendapat manfaat dari keahlian khusus berbasis peran yang bekerja secara mandiri
+ Proyek yang membutuhkan kolaborasi eksplisit antara beberapa agen otonom
+ Gunakan kasus di mana dekomposisi masalah berbasis tim meningkatkan pemecahan masalah otonom
+ Skenario yang membutuhkan pemisahan kekhawatiran yang jelas antara peran agen otonom yang berbeda
## Pendekatan implementasi untuk CrewAI
CrewAImenyediakan implementasi berbasis peran pendekatan tim agen AI untuk pemangku kepentingan bisnis, sebagaimana dirinci dalam [Memulai dalam dokumentasi](https://github.com/crewAIInc/crewAI?tab=readme-ov-file#getting-started). CrewAI Kerangka kerja ini memungkinkan organisasi untuk:
+ Tentukan agen otonom khusus dengan peran, tujuan, dan bidang keahlian tertentu.
+ Tetapkan tugas kepada agen berdasarkan kemampuan khusus mereka.
+ Menetapkan dependensi yang jelas antara tugas untuk membuat alur kerja terstruktur.
+ Mengatur kolaborasi antara beberapa agen untuk memecahkan masalah yang kompleks.
Pendekatan berbasis peran ini mencerminkan struktur tim manusia, sehingga intuitif bagi para pemimpin bisnis untuk memahami dan menerapkan. Organizations dapat membuat tim otonom dengan bidang keahlian khusus yang berkolaborasi untuk mencapai tujuan bisnis, mirip dengan bagaimana tim manusia beroperasi. Namun, tim otonom dapat bekerja terus menerus tanpa campur tangan manusia.
## Contoh dunia nyata dari CrewAI
AWS [telah menerapkan sistem multi-agen otonom menggunakan CreWai yang terintegrasi dengan Amazon Bedrock, sebagaimana dirinci dalam studi kasus yang CrewAI diterbitkan.](https://www.crewai.com/case-studies/aws-powers-bedrock-agents-with-crewai) AWS dan CrewAI mengembangkan kerangka kerja yang aman dan netral vendor. Arsitektur “aliran dan kru” CrewAI sumber terbuka terintegrasi dengan mulus dengan model fondasi Amazon Bedrock, sistem memori, dan pagar pembatas kepatuhan.
Elemen kunci dari implementasi meliputi:
+ **Cetak biru dan sumber terbuka — AWS dan CrewAI** [merilis desain referensi](https://aws.amazon.com/blogs/machine-learning/build-agentic-systems-with-crewai-and-amazon-bedrock/) yang memetakan agen CrewAI ke model Amazon Bedrock dan alat observabilitas. Mereka juga merilis sistem contoh seperti kru audit AWS keamanan multi-agen, arus modernisasi kode, dan otomatisasi back‑office consumer packaged goods (CPG).
+ **Integrasi tumpukan observabilitas** — Solusi ini menyematkan pemantauan dengan Amazon CloudWatch, dan AgentOpsLangFuse, memungkinkan penelusuran dan debugging dari pembuktian konsep hingga produksi.
+ **Demonstrated Return on Investment (ROI)** — Pilot awal menunjukkan peningkatan besar — eksekusi 70 persen lebih cepat untuk proyek modernisasi kode besar dan sekitar 90 persen pengurangan waktu pemrosesan untuk aliran back-office CPG.
# AutoGen
[https://www.microsoft.com/en-us/research/project/autogen/](https://www.microsoft.com/en-us/research/project/autogen/)adalah kerangka kerja sumber terbuka yang dirilis awalnya olehMicrosoft. AutoGenberfokus pada mengaktifkan agen AI otonom percakapan dan kolaboratif. Ini menyediakan arsitektur yang fleksibel untuk membangun sistem multi-agen dengan penekanan pada interaksi asinkron, berbasis peristiwa antara agen untuk alur kerja otonom yang kompleks.
## Fitur utama AutoGen
AutoGenmenyediakan fitur utama berikut:
+ **Agen percakapan** — Dibangun di sekitar percakapan bahasa alami antara agen otonom, memungkinkan penalaran canggih melalui dialog. Untuk informasi selengkapnya, lihat [Kerangka Percakapan Multi-agen](https://microsoft.github.io/autogen/docs/Use-Cases/agent_chat) dalam AutoGen dokumentasi.
+ **Arsitektur asinkron** — Desain berbasis peristiwa untuk interaksi agen otonom non-pemblokiran, mendukung alur kerja paralel yang kompleks. Untuk informasi selengkapnya, lihat [Memecahkan Beberapa Tugas dalam Urutan Obrolan Async dalam dokumentasi](https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_multi_task_async_chats/). AutoGen
+ **H uman-in-the-loop** — Dukungan kuat untuk partisipasi manusia opsional dalam alur kerja agen otonom bila diperlukan. Untuk informasi selengkapnya, lihat [Mengizinkan Umpan Balik Manusia di Agen](https://microsoft.github.io/autogen/0.2/docs/tutorial/human-in-the-loop/) dalam AutoGen dokumentasi.
+ **Pembuatan dan eksekusi kode** — Kemampuan khusus untuk agen otonom yang berfokus pada kode yang dapat menulis dan menjalankan kode. Untuk informasi selengkapnya, lihat [Eksekusi Kode](https://microsoft.github.io/autogen/stable/user-guide/core-user-guide/design-patterns/code-execution-groupchat.html) dalam AutoGen dokumentasi.
+ **Perilaku yang dapat disesuaikan** - Konfigurasi agen otonom yang fleksibel dan kontrol percakapan untuk beragam kasus penggunaan. Untuk informasi selengkapnya, lihat [agentchat.conversable\$1agent](https://microsoft.github.io/autogen/docs/reference/agentchat/conversable_agent) di dokumentasi. AutoGen
+ **Pemilihan model foundation** — Support untuk berbagai model foundation termasuk Anthropic Claude, Amazon Nova model (Premier, Pro, Lite, dan Micro) di Amazon Bedrock, dan lainnya untuk kemampuan penalaran otonom yang berbeda. Untuk informasi selengkapnya, lihat [Konfigurasi LLM](https://microsoft.github.io/autogen/docs/topics/llm_configuration) dalam AutoGen dokumentasi.
+ **Integrasi API LLM** - Konfigurasi standar untuk beberapa antarmuka layanan LLM termasuk Amazon Bedrock,, dan. OpenAI Azure OpenAI Untuk informasi selengkapnya, lihat [oai.openai\$1utils](https://microsoft.github.io/autogen/docs/reference/oai/openai_utils) di Referensi API. AutoGen
+ **Pemrosesan multimodal** — Dukungan untuk pemrosesan teks dan gambar untuk memungkinkan interaksi agen otonom multimodal yang kaya. Untuk informasi lebih lanjut, lihat [Terlibat dengan Model Multimodal: GPT-4V](https://microsoft.github.io/autogen/0.2/docs/notebooks/agentchat_lmm_gpt-4v/) dalam dokumentasi. AutoGen AutoGen
## Kapan harus menggunakan AutoGen
AutoGensangat cocok untuk skenario agen otonom termasuk:
+ Aplikasi yang membutuhkan aliran percakapan alami antara agen otonom untuk penalaran yang kompleks
+ Proyek yang membutuhkan operasi otonom penuh dan kemampuan pengawasan manusia opsional
+ Gunakan kasus yang melibatkan pembuatan kode otonom, eksekusi, dan debugging tanpa campur tangan manusia
+ Skenario yang membutuhkan pola komunikasi agen otonom yang fleksibel dan asinkron
## Pendekatan implementasi untuk AutoGen
AutoGenmenyediakan pendekatan implementasi percakapan untuk pemangku kepentingan bisnis, sebagaimana dirinci dalam [Memulai dalam dokumentasi](https://microsoft.github.io/autogen/docs/Getting-Started). AutoGen Kerangka kerja ini memungkinkan organisasi untuk:
+ Buat agen otonom yang berkomunikasi melalui percakapan bahasa alami.
+ Menerapkan interaksi asinkron yang digerakkan oleh peristiwa antara beberapa agen.
+ Gabungkan operasi otonom penuh dengan pengawasan manusia opsional bila diperlukan.
+ Mengembangkan agen khusus untuk berbagai fungsi bisnis yang berkolaborasi melalui dialog.
Pendekatan percakapan ini membuat penalaran sistem otonom transparan dan dapat diakses oleh pengguna bisnis. Pengambil keputusan dapat mengamati dialog antara agen untuk memahami bagaimana kesimpulan dicapai dan secara opsional berpartisipasi dalam percakapan ketika penilaian manusia diperlukan.
## Contoh dunia nyata dari AutoGen
Magentic-One[adalah sistem multi-agen generalis open source yang dirancang untuk menyelesaikan tugas multi-langkah yang kompleks secara mandiri di berbagai lingkungan, seperti yang dijelaskan dalam blog AI Frontiers. Microsoft ](https://www.microsoft.com/en-us/research/articles/magentic-one-a-generalist-multi-agent-system-for-solving-complex-tasks/) Pada intinya adalah agen Orchestrator, yang menguraikan tujuan tingkat tinggi dan melacak kemajuan dengan menggunakan buku besar terstruktur. Agen ini mendelegasikan subtugas kepada agen khusus (sepertiWebSurfer,, FileSurferCoder, danComputerTerminal) dan beradaptasi secara dinamis dengan perencanaan ulang bila diperlukan.
Sistem ini dibangun di atas AutoGen kerangka kerja dan model‑agnostik, default ke GPT‑4o. Ini mencapai kinerja mutakhir di seluruh tolok ukur seperti,, dan —semuanya tanpa penyetelan khusus tugas. GAIA AssistantBench WebArena Selain itu, mendukung ekstensibilitas modular dan evaluasi yang ketat melalui saran. AutoGenBench
# LlamaIndex
[https://www.llamaindex.ai/](https://www.llamaindex.ai/)adalah kerangka data yang dirancang khusus untuk menghubungkan model bahasa besar (LLMs) dengan sumber data eksternal untuk memungkinkan Retrieval Augmented Generation (RAG) dan aplikasi AI agen yang canggih. Kerangka kerja ini menyediakan abstraksi dan alur kerja pengembangan yang dipercepat untuk sistem agen, pola orkestrasi khusus, dan integrasi sistem yang mengurangi solusi AI berbasis pengetahuan. time-to-production
## Fitur utama LlamaIndex
LlamaIndexmenyediakan serangkaian kemampuan komprehensif yang membuatnya sangat cocok untuk aplikasi AI agen perusahaan:
+ **Arsitektur data-sentris** — Unggul dalam menelan, mengindeks, dan mengambil informasi dari lebih dari 100 format data termasuk, dokumen Word, spreadsheet PDFs, Microsoft dan banyak lagi. Kerangka kerja ini mengubah data perusahaan menjadi basis pengetahuan yang dapat dikueri yang dioptimalkan untuk agen AI. Lihat informasi yang lebih lengkap dalam [dokumentasi LlamaIndex](https://developers.llamaindex.ai/).
+ **Penerapan siap produksi** - LlamaIndex menawarkan kerangka kerja sumber terbuka dan layanan terkelola melaluiLlamaCloud, menyediakan fitur tingkat perusahaan termasuk kontrol keamanan, skalabilitas, integrasi observabilitas, dan fleksibilitas penerapan. Untuk informasi selengkapnya, lihat [dokumentasi LlamaIndex kerangka kerja](https://developers.llamaindex.ai/python/framework/).
+ **Pemrosesan dokumen lanjutan** — LlamaCloud menyediakan kemampuan penguraian dokumen, ekstraksi, pengindeksan, dan pengambilan yang menangani tata letak kompleks, tabel bersarang, konten multi-modal, dan bahkan catatan tulisan tangan. Penguraian canggih ini memungkinkan agen untuk bekerja secara efektif dengan dokumen perusahaan dunia nyata yang berisi bagan, diagram, dan pemformatan kompleks. Lihat informasi yang lebih lengkap dalam [dokumentasi LlamaCloud](https://developers.llamaindex.ai/python/cloud/).
+ **Orkestrasi alur kerja — LlamaAgents menyediakan mesin orkestrasi** async-first yang digerakkan oleh peristiwa untuk membangun sistem agen multi-langkah. Alur kerja mendukung pola kompleks termasuk loop, eksekusi paralel, percabangan bersyarat, dan dimulainya kembali stateful, menjadikannya ideal untuk interaksi agen yang canggih. Untuk informasi selengkapnya, lihat [dokumentasi LlamaIndex alur kerja](https://developers.llamaindex.ai/python/framework/understanding/workflows/).
+ **Kemampuan pengambilan agen — Mode pengambilan** lanjutan termasuk pencarian hibrida, pencarian semantik, dan perutean otomatis yang secara cerdas menentukan strategi pengambilan terbaik untuk setiap kueri. Kerangka kerja ini mendukung pengambilan komposit di beberapa basis pengetahuan dengan reranking untuk meningkatkan akurasi. Untuk informasi selengkapnya, lihat [dokumentasi LlamaIndex RAG](https://developers.llamaindex.ai/python/framework/understanding/rag/).
+ **Observabilitas dan evaluasi** — LlamaIndex terintegrasi dengan berbagai alat observabilitas dan evaluasi. Kemampuan integrasi ini membantu Anda melacak dan men-debug aplikasi Anda, mengevaluasi kinerjanya, dan memantau biaya. Untuk informasi selengkapnya, lihat dokumentasi [Tracing dan Debugging dan LlamaIndex](https://developers.llamaindex.ai/python/framework/understanding/tracing_and_debugging/tracing_and_debugging/) [Evaluating](https://developers.llamaindex.ai/python/framework/module_guides/evaluating).
## Kapan harus menggunakan LlamaIndex
LlamaIndexsangat cocok untuk skenario AI agen yang menekankan alur kerja intensif data dan manajemen pengetahuan:
+ Aplikasi dokumen berat yang mengharuskan agen untuk memproses, menganalisis, dan mengekstrak wawasan dari sejumlah besar dokumen perusahaan seperti kontrak, laporan, manual, dan pengajuan peraturan
+ Pembuatan prototipe cepat ke skenario produksi di mana organisasi ingin dengan cepat membangun dan menyebarkan agen yang berpusat pada dokumen tanpa overhead manajemen infrastruktur yang luas
+ Arsitektur RAG-first yang memprioritaskan akurasi pengambilan dan relevansi konteks, terutama ketika bekerja dengan dokumen multi-modal yang kompleks yang berisi tabel, gambar, dan data terstruktur
+ Alur kerja dokumen multi-agen yang memerlukan agen khusus untuk berbagai aspek pemrosesan dokumen, seperti penguraian, analisis, ringkasan, dan pemeriksaan kepatuhan
## Pendekatan implementasi untuk LlamaIndex
LlamaIndex menyediakan blok bangunan tingkat rendah dan abstraksi tingkat tinggi yang mengakomodasi pendekatan implementasi yang berbeda:
+ Perkembangan pesat aplikasi RAG fungsional hanya dalam beberapa baris kode dengan menggunakan LlamaIndex tingkat tinggi APIs. Pendekatan ini dapat LlamaIndex diakses oleh tim bisnis dan pengembang yang baru mengenal AI agen.
+ Integrasi perusahaan melalui LlamaHub sistem perusahaan populer termasuk SharePoint, Amazon Simple Storage Service (Amazon S3), database, dan. APIs Pendekatan ini memungkinkan integrasi tanpa batas dengan infrastruktur data yang ada.
+ Opsi penyebaran yang fleksibel antara penerapan yang di-host mandiri sumber terbuka untuk kontrol maksimum, atau layanan LlamaCloud terkelola untuk mengurangi overhead operasional dan fitur perusahaan.
+ Aplikasi dapat dimulai dengan mesin kueri sederhana dan secara progresif menambahkan kemampuan agen, orkestrasi multi-agen, dan alur kerja yang kompleks seiring dengan berkembangnya persyaratan.
## Contoh dunia nyata dari LlamaIndex
Contoh ini berfokus pada anak perusahaan dari perusahaan kedirgantaraan yang berspesialisasi dalam navigasi penerbangan dan solusi operasi. Mereka perlu mengatasi tantangan yang berkembang yang melibatkan uji coba chatbot AI yang tidak terkoordinasi. Uji coba menghasilkan pekerjaan berulang, siklus pengembangan yang panjang, hambatan kepatuhan, dan implementasi yang terisolasi di seluruh organisasi.
Mereka mengembangkan kerangka agen terpadu, solusi berbasis template yang dapat digunakan kembali yang dibangun di atas kerangka kerja LlamaIndex sumber terbuka yang membuat pembuatan agen jauh lebih efisien. Mereka membandingkan beberapa kerangka kerja yang bersaing, baik berorientasi rantai maupun berbasis grafik. Pada akhirnya, mereka LlamaIndex memilih tiga keunggulan penting: desainnya yang fleksibel, komponen modular, dan kontrol orkestrasi siap produksi.
Platform ini mengurangi waktu pengembangan dan penyebaran agen sebesar 87% dari 512 menjadi 64 jam. Pengurangan ini dicapai dengan memungkinkan tim untuk membangun agen dengan sekitar 50 baris kode dan file konfigurasi JSON. Tim memanfaatkan kerangka kerja terpadu dengan keamanan bawaan, kepatuhan, dan akses sistem istimewa. Untuk detail lebih lanjut, lihat [studi kasus LlamaIndex pelanggan](https://www.llamaindex.ai/customers).
# Membandingkan kerangka kerja AI agen
Saat memilih kerangka kerja AI agen untuk pengembangan agen otonom, pertimbangkan bagaimana setiap opsi selaras dengan persyaratan spesifik Anda. Pertimbangkan tidak hanya kemampuan teknisnya tetapi juga kecocokan organisasinya, termasuk keahlian tim, infrastruktur yang ada, dan persyaratan pemeliharaan jangka panjang. Banyak organisasi mungkin mendapat manfaat dari pendekatan hibrida, memanfaatkan beberapa kerangka kerja untuk berbagai komponen ekosistem AI otonom mereka.
Tabel berikut membandingkan tingkat kematangan (terkuat, kuat, memadai, atau lemah) dari setiap kerangka kerja di seluruh dimensi teknis utama. Untuk setiap kerangka kerja, tabel juga mencakup informasi tentang opsi penerapan produksi dan kompleksitas kurva pembelajaran.
|
|
| **Kerangka** | **AWS integrasi** | **Dukungan multi-agen otonom** | **Kompleksitas alur kerja otonom** | **Kemampuan multimodal** | **Pemilihan model pondasi** | **Integrasi API LLM** | **Penyebaran produksi** | **Kurva belajar** |
| --- |--- |--- |--- |--- |--- |--- |--- |--- |
| AutoGen | Lemah | Kuat | Kuat | Memadai | Memadai | Kuat | Lakukan sendiri (DIY) | Curam |
| CrewAI | Lemah | Kuat | Memadai | Lemah | Memadai | Memadai | DIY | Sedang |
| LangChain/LangGraph | Memadai | Kuat | Terkuat | Terkuat | Terkuat | Terkuat | Platform atau DIY | Curam |
| LlamaIndex | Memadai | Memadai | Kuat | Memadai | Kuat | Kuat | Platform atau DIY | Sedang |
| Strands Agents | Terkuat | Kuat | Terkuat | Kuat | Kuat | Terkuat | DIY | Sedang |
## Pertimbangan dalam memilih kerangka kerja AI agen
Saat mengembangkan agen otonom, pertimbangkan faktor-faktor kunci berikut:
+ **AWS Integrasi infrastruktur** — Organizations yang banyak diinvestasikan AWS akan mendapat manfaat paling besar dari integrasi asli Strands Agents dengan Layanan AWS untuk alur kerja otonom. Untuk informasi lebih lanjut, lihat [Roundup AWS Mingguan](https://aws.amazon.com/blogs/aws/aws-weekly-roundup-strands-agents-aws-transform-amazon-bedrock-guardrails-aws-codebuild-and-more-may-19-2025/) (AWS Blog).
+ **Pemilihan model foundation** - Pertimbangkan kerangka kerja mana yang memberikan dukungan terbaik untuk model fondasi pilihan Anda (misalnya, model Amazon Nova di Amazon Bedrock atau Anthropic Claude), berdasarkan persyaratan penalaran agen otonom Anda. Untuk informasi lebih lanjut, lihat [Membangun Agen Efektif](https://www.anthropic.com/engineering/building-effective-agents) di Anthropic situs web.
+ **Integrasi API LLM** - Evaluasi kerangka kerja berdasarkan integrasinya dengan antarmuka layanan model bahasa besar (LLM) pilihan Anda (misalnya, Amazon Bedrock atauOpenAI) untuk penerapan produksi. Untuk informasi selengkapnya, lihat [Antarmuka Model](https://strandsagents.com/latest/user-guide/concepts/model-providers/amazon-bedrock/#basic-usage) dalam Strands Agents dokumentasi.
+ **Persyaratan multimodal** — Untuk agen otonom yang perlu memproses teks, gambar, dan ucapan, pertimbangkan kemampuan multimodal dari setiap kerangka kerja. Untuk informasi selengkapnya, lihat [Multimodalitas](https://python.langchain.com/docs/concepts/chat_models/#multimodality) dalam dokumentasi. LangChain
+ **Kompleksitas alur kerja otonom** - Alur kerja otonom yang lebih kompleks dengan manajemen negara yang canggih mungkin mendukung kemampuan mesin negara bagian yang canggih. LangGraph
+ **Kolaborasi tim otonom** — Proyek yang membutuhkan kolaborasi otonom berbasis peran eksplisit antara agen khusus dapat memperoleh manfaat dari arsitektur berorientasi tim. CrewAI
+ **Paradigma pengembangan otonom** — Tim yang lebih menyukai pola percakapan dan asinkron untuk agen otonom mungkin lebih menyukai arsitektur berbasis peristiwa. AutoGen
+ **Pendekatan terkelola atau berbasis kode** - Organizations yang menginginkan pengalaman yang dikelola sepenuhnya dengan pengkodean minimal harus mempertimbangkan Amazon Bedrock Agents. Organizations yang memerlukan kustomisasi lebih dalam mungkin lebih suka Strands Agents atau kerangka kerja lain dengan kemampuan khusus yang lebih selaras dengan persyaratan agen otonom tertentu.
+ **Kesiapan produksi untuk sistem otonom** — Pertimbangkan opsi penyebaran, kemampuan pemantauan, dan fitur perusahaan untuk agen otonom produksi.