Cara Membangun AI Agent dari Nol dengan Python

AI agent sudah jadi bagian penting dari modern software stack. Tapi banyak developer yang stuck di level prompt engineering dan belum paham cara membangun agent yang reliable dari nol. Repository ai-engineering-from-scratch oleh Rohit Ghumare menunjukkan bahwa membangun AI agent sebenarnya tidak serumit yang dibayangkan. Artikel ini akan membahas langkah praktis membangun AI agent dengan Python, mulai dari setup environment hingga deployment.

Langkah 1: Setup Environment dan Dependency

Pastikan Python 3.10+ sudah terinstall. Buat virtual environment terpisah agar dependency tidak bentrok dengan project lain.

python -m venv venv
source venv/bin/activate
pip install openai python-dotenv requests

Buat file .env untuk menyimpan API key. Jangan hardcode secret ke dalam source code.

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx

Langkah 2: Bangun Core Agent dengan Function Calling

Agent yang baik bukan sekadar chatbot. Agent harus bisa memanggil function eksternal berdasarkan konteks percakapan. Berikut struktur dasar agent dengan OpenAI function calling:

import json
import os
from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def get_weather(location: str):
    return {"location": location, "temperature": "28C", "condition": "cerah"}

functions = [{
    "name": "get_weather",
    "description": "Ambil data cuaca berdasarkan lokasi",
    "parameters": {
        "type": "object",
        "properties": {
            "location": {"type": "string"}
        },
        "required": ["location"]
    }
}]

def run_agent(user_input):
    messages = [{"role": "user", "content": user_input}]
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=messages,
        functions=functions,
        function_call="auto"
    )
    return response.choices[0].message

Langkah 3: Implementasikan Tool Execution Loop

Agent harus bisa mengeksekusi tool secara iteratif. Jika model merasa butuh data tambahan, ia akan memanggil function. Kita perlu loop untuk menangani multiple tool calls.

def agent_loop(user_input):
    messages = [{"role": "user", "content": user_input}]
    
    while True:
        response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=messages,
            functions=functions
        )
        msg = response.choices[0].message
        messages.append(msg)
        
        if msg.function_call:
            fn_name = msg.function_call.name
            args = json.loads(msg.function_call.arguments)
            result = globals()[fn_name](**args)
            messages.append({
                "role": "tool",
                "name": fn_name,
                "content": json.dumps(result)
            })
        else:
            return msg.content

Langkah 4: Tambahkan Memory dengan Vector Store

Agent tanpa memory akan kehilangan konteks setiap sesi. Integrasikan vector store sederhana menggunakan ChromaDB atau bahkan in-memory dictionary untuk prototype.

memory = {}

def save_to_memory(key, value):
    memory[key] = value

def retrieve_memory(key):
    return memory.get(key, "Data tidak ditemukan")

Untuk production, gunakan ChromaDB, Pinecone, atau Weaviate dengan embedding model seperti text-embedding-3-small.

Langkah 5: Deploy dengan FastAPI

Setelah agent berjalan lokal, expose via API menggunakan FastAPI. Ini memungkinkan integrasi dengan frontend atau service lain.

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Query(BaseModel):
    message: str

@app.post("/chat")
def chat(query: Query):
    return {"response": agent_loop(query.message)}

Jalankan dengan uvicorn main:app --reload dan test endpoint via curl atau Postman. Untuk production deploy, gunakan Docker dan platform seperti Railway atau Fly.io.

Kesimpulan

Membangun AI agent dari nol membutuhkan pemahaman tentang function calling, tool execution, dan memory management. Dengan Python dan OpenAI API, kamu sudah bisa membuat agent production-ready dalam hitungan jam. Source code lengkap bisa dilihat di repository ai-engineering-from-scratch.