Loop Berpikir: Plan, Act, Observe

Penyebab utama dari teknologi AI yang gagal dan halusinasi seringkali bukanlah kurangnya data, melainkan ketiadaan *alur pikir*. Mari kita lihat dari sudut pandang *"ReAct Pattern"*, di mana kamu memaksa AI untuk berhenti menebak dan mulai mengamati.

Siklus emas berbunyi: Plan (Rencanakan), Act (Bertindak), dan Observe (Amati). Ini adalah landasan filosofis di mana Agent memvalidasi keadaannya sendiri setiap kali ia memanggil tool eksternal. Bayangkan seorang koki amatir di dapur. Jika ia memasak tanpa resep, masukkannya mungkin akan hangus. Tapi jika ia meluangkan waktu merencanakan urutan masak, hasilnya akan jauh berbeda.

Kisah Koki yang "Hilang Arah" Tanpa Observasi

Mari kita bermain analogi Pasar Malam. Bayangkan kamu menyuruh AI (anggap saja si Aco) untuk membeli 3 porsi Nasi Goreng Gila di pojokan pasar malam.

AI tipe *Chatbot* biasa, tanpa Loop Berpikir, akan langsung melompat ke tindakan bodoh: Aco berlari membabi buta ke titik pojok, membanting uang Rp50.000, lalu langsung beranjak pulang. Aco tidak mengecek apakah gerobak yang ada di pojok itu Nasi Goreng Gila atau malah penjual Odong-odong. Aco gagal tugas karena dia tidak memiliki tahapan OBSERVE (Observasi lingkungan)!

Agent yang canggih dilengkapi dengan metodologi berpikir *ReAct (Reasoning and Acting)*. Aco yang canggih akan menempuh langkah berikut:

• Plan (Thought): *"Tujuanku adalah membeli Nasi Goreng Gila. Langkah pertamaku harus mencari penjualnya di mana. Aku akan berjalan ke pasar malam dan melihat sekeliling."*
• Act: Berjalan ke pasar malam dan menggunakan fungsi *Mencari Gerobak*.
• Observe: *"Ah! Penjual di pojok adalah abang Odong-odong. Sang tukang Nasi Goreng ternyata pindah ke pinggir sungai. Aku harus mengubah rutenya."*

"Otonomi yang sejati berasal dari kemampuan untuk melihat kesalahan diri (observasi) dan mengkoreksinya secara real-time sebelum menyajikan hasil akhir kepadamu." — ReAct Framework Method

Menerapkan Loop Berpikir di Dunia Kerja Digital

Di dalam pemrograman Agentic yang nyata (seperti ketika kamu mem-build LangChain *Agent* nantinya), konsep ini dipertontonkan di layar terminal CLI kamu!

Ketika kamu menugaskan Agent, *"Halo Bro, tolong cek profil GitHub perusahaan A dan simpulkan teknologi apa yang mereka pakai"*:

Agent akan mulai berbicara di dalam kotak terminalnya:
Thought: *"Saya harus melihat link GitHub perusahaan A terlebih dahulu. Saya akan menggunakan Tool Pencarian Web."*
Action: web_search("Perusahaan A GitHub link")
Observation: *"Saya mendapat URL https://github.com/perusahaan-a. Tapi halamannya kosong. Sepertinya mereka mengatur private."*
Thought: *"Karena URL ini tidak membantu, saya harus mengubah rencana. Saya akan mencoba meriset blog engineering perusahaan A ini."*

Perhatikan keindahan *"Thought (Plan)"* dan *"Observation"* di atas! Ketika Agent menghadapi dinding buntu (URL kosong), agent tidak menyerah dan tidak crash. Karena dia beroperasi di dalam Loop, Agent itu merancang Plan B dengan sendirinya demi memuaskan tujuannya.

Kelemahan Taktik ini? Hati-Hati dengan "Infinite Loop"

Tentu saja, pedang selalu bermata dua. Kalau agentmu secara teknis terlalu bodoh untuk merencanakan sesuatu—dan dia terus mengalami kegagalan Observasi—apa yang terjadi?

Agent itu akan terus *Plan - Act - Observe* tanpa henti! Kita menyebut ini Agent Loop atau Terjebak Kepastian. Loop yang berputar-putar ini tidak hanya membuang waktu, melainkan akan memakan habis tagihan (budget) API *token* LLM kamu! Inilah mengapa mendesain sebuah *guardrails* atau batas siklus sangat vital di dunia arsitektur AI (kita akan masuk ke teknik pencegahannya di Bab-bab akhir).