[JALUR BELAJAR A1]4 MODUL PEMBELAJARAN PRAKTIS

Fondasi AI, LLM & Cara Kerja Agen Otonom

Membedah Mekanisme Kognitif dari Prediksi Token hingga Agen Otonom

Pelajari prinsip fundamental Large Language Models (LLM), rekayasa instruksi sistem, output JSON terstruktur, protokol Tool Calling, hingga arsitektur memori berlapis.

[TARGET PEMBELAJAR]

Developer pemula-menengah, praktisi otomasi, dan engineer yang ingin membangun sistem AI yang deterministik dan andal.

[PROYEK CAPSTONE AKHIR JALUR]

SINTESIS PRAKTIK

Agen Analis Finansial Mandiri Berbasis Tool Calling

Membangun agen CLI di Node.js yang mampu memvalidasi parameter input, mengeksekusi fungsi kalkulasi lokal, dan mensintesis laporan keuangan bebas halusinasi.

[SILABUS KURIKULUM BERURUTAN // 4 MODUL MANDIRI]

URL PUBLIK & DAPAT DIBAGIKAN
1[A1-M1]Pemula⏱ 25 Mnt Baca + 35 Mnt Praktik

Anatomi LLM & Siklus Hidup AI Agent

Pelajari mengapa Large Language Model (LLM) murni bersifat stateless dan bagaimana siklus Perceive–Plan–Act–Observe–Reflect mengubahnya menjadi agen otonom.

Artefak Dibangun: Skrip Node.js `minimal-agent-loop.mjs` yang menjalankan siklus penalaran hingga kondisi berhenti terpenuhi.
BUKA MODUL→Lulus ≥ 80 Poin
2[A1-M2]Pemula⏱ 30 Mnt Baca + 45 Mnt Praktik

Rekayasa Konteks, System Instructions & Output Terstruktur

Pelajari seni Context Engineering, perancangan guardrails di System Prompt, dan penegakan struktur JSON valid menggunakan skema ketat.

Artefak Dibangun: Validator skema data terstruktur untuk triase tiket layanan pelanggan.
BUKA MODUL→Lulus ≥ 80 Poin
3[A1-M3]Menengah⏱ 35 Mnt Baca + 50 Mnt Praktik

Mekanisme Tool Calling & Integrasi Fungsi Eksternal

Pelajari protokol Tool Calling dua arah: dari deklarasi JSON Schema fungsi, sinyal tool_calls, eksekusi di sisi host, hingga observasi balik ke model.

Artefak Dibangun: Skrip mandiri `agent-tool-runner.mjs` (Node.js ES Module) yang mengotomasi pengecekan katalog layanan dan perhitungan estimasi proyek.
BUKA MODUL→Lulus ≥ 80 Poin
4[A1-M4]Menengah⏱ 35 Mnt Baca + 55 Mnt Praktik

Manajemen Memori, State & Dasar RAG untuk Agen

Pelajari cara mengelola konteks jangka panjang agen AI tanpa melebihi batas token melalui pemangkasan memori, ringkasan berkala, dan pencarian semantik.

Artefak Dibangun: Modul pengelola memori `agent-memory-manager.mjs` dengan fitur peringkasan otomatis.
BUKA MODUL→Lulus ≥ 80 Poin
Lanjutkan Menggulir
untuk Eksplorasi
Edukasi & Lab
Halaman Selanjutnya