Kegagalan adalah Informasi
Ketika sebuah agen AI mencoba menyelesaikan tugas dan gagal, kegagalan itu sendiri berisi informasi berharga. API mengembalikan 429 (rate limited), yang memberi tahu agen untuk memperlambat. Model menghasilkan JSON yang tidak valid, yang memberi tahu agen untuk menambahkan validasi format. Berkas tidak ditemukan di jalur yang diharapkan, yang memberi tahu agen untuk memverifikasi jalur sebelum mengoperasikannya.
Agen yang memperlakukan kegagalan sebagai peristiwa sekali pakai akan mengulangi kesalahan yang sama. Agen yang menangkap dan belajar dari kegagalan akan menjadi semakin andal. Perbedaannya adalah apakah kegagalan tersebut dicatat di tempat yang dapat dirujuk agen di kemudian hari.
Mengklasifikasi Kegagalan
Tidak semua kegagalan setara, dan respons agen harus bergantung pada jenisnya. Kegagalan sementara (timeout jaringan, rate limit, gangguan layanan sementara) harus memicu pengulangan dengan backoff. Kegagalan permanen (kredensial tidak valid, izin yang hilang, operasi yang tidak didukung) harus memicu pendekatan berbeda atau eskalasi. Kegagalan logika (rencana agen yang salah, bukan eksekusinya) harus memicu perencanaan ulang.
Klasifikasi penting karena respons yang salah terhadap kegagalan justru memperburuk keadaan. Mengulangi kegagalan permanen membuang waktu. Merencanakan ulang setelah kegagalan sementara membuang rencana yang baik. Mengeskalasi kegagalan sementara mengganggu manusia tanpa perlu.
Membangun Basis Pengetahuan Kegagalan
Pola yang paling efektif menyimpan kegagalan dalam format yang dapat dicari: apa yang dicoba, apa yang salah, apa akar penyebabnya, dan apa yang akhirnya berhasil. Sebelum mencoba sebuah tugas, agen mencari di basis pengetahuan ini untuk kegagalan masa lalu yang serupa dan menyesuaikan pendekatannya.
"Terakhir kali saya mencoba memanggil API ini dengan payload di atas 1MB, terjadi timeout. Solusinya adalah membagi permintaan menjadi potongan-potongan lebih kecil." Jika hal ini ada dalam sistem memori agen, ia dapat secara proaktif membagi payload besar alih-alih gagal dan mencari tahu solusinya lagi.
Putaran Umpan Balik
Umpan balik manusia atas kegagalan agen sangat berharga karena memberikan "alasan" yang mungkin tidak dapat ditemukan agen sendiri. "Hal itu gagal karena lingkungan staging kami memerlukan akses VPN" adalah konteks yang tidak dapat ditemukan agen melalui coba-coba. Menangkap umpan balik ini dan menyediakannya bagi agen untuk tugas-tugas mendatang menutup lingkar pembelajaran.
Beberapa framework agen menyertakan mekanisme umpan balik bawaan tempat pengguna dapat memberi catatan pada tugas yang gagal. Catatan ini menjadi bagian dari memori jangka panjang agen, meningkatkan penanganannya untuk situasi serupa di masa depan.
Menghindari Pelajaran yang Salah
Agen juga bisa mempelajari pelajaran yang salah dari kegagalan. Jika panggilan API gagal sekali karena masalah sementara, agen tidak boleh menghindari API tersebut secara permanen. Pengetahuan kegagalan memerlukan tanggal kedaluwarsa atau tingkat keyakinan. "API ini sempat tidak stabil tiga bulan lalu" kurang relevan dibandingkan "API ini gagal lima menit lalu".
Bacaan Terkait
- Membangun Alur Agen AI yang Toleran terhadap Kesalahan
- Mengapa Agen AI Membutuhkan Sistem Memori di Luar Riwayat Obrolan
- Arsitektur Sistem Agen AI yang Memperbaiki Diri
Jelajahi agen AI di Skillful.sh. Cari lebih dari 137.000 alat AI.