Agen yang Membangun Diri Sendiri dengan LangChain4j, Analisis InfoQ

Seorang asisten kode masuk ke sebuah class Java Calculator dan, alih-alih sekadar menyarankan perbaikan, ia merancang sebuah masyarakat kecil untuk menyelesaikannya. Menurut ringkasan Daily.dev atas “The Self-Building Agent: A LangChain4j Experiment” dari InfoQ, asisten tersebut menggunakan dokumentasi LangChain4j untuk membuat sistem coding multi-agen yang memperbaiki bug dan lolos semua 11 pengujian. Ini jenis hasil yang membuat video demo tampak berkilau dan membuat arsitek perangkat lunak diam-diam bertanya di mana evaluation harness-nya berada. Pertanyaan yang berguna bukanlah apakah agen itu “otonom,” yang sering kali cuma Roomba dengan tesaurus. Pertanyaan yang berguna adalah arsitektur apa yang membuat perilakunya dapat diukur.

Apa yang menurut

Daily.dev sebenarnya dibangun oleh InfoQ Ringkasan Daily.dev atas artikel InfoQ mengatakan implementasi pertama menggunakan pola supervisor dengan empat sub-agen khusus: explorer, planner, implementer, dan executor. Sistem itu bekerja pada bug di sebuah class Java Calculator dan lolos semua 11 pengujian, sebuah hasil yang dibatasi dengan rapi, bukan demo di mana agen memesan perjalanan, memperbaiki Jira, merundingkan perdamaian, dan menjadi CFO Anda sebelum makan siang. Ringkasan Daily.dev yang sama mengatakan implementasi kedua berbasis workflow dibuat setelahnya dan terbukti tiga kali lebih cepat daripada pendekatan supervisor. Dengan kata lain, arsitektur yang paling terlihat seperti agen tidak otomatis menjadi yang terbaik, yang memang kurang sopan tetapi edukatif.

Perbandingan itu adalah hidangan utamanya, bukan hiasannya. Supervisor dengan agen-agen spesialis terdengar canggih, seperti bagan organisasi perusahaan mungil yang terjebak di dalam file JAR. Namun menurut Daily.dev, versi workflow lebih cepat dalam eksperimen ini, yang berarti para pembuat harus mengevaluasi pola orkestrasi dengan cara yang sama seperti mereka mengevaluasi model: dengan tugas, waktu, dan hasil. Jika arsitektur agen Anda tidak dapat dibandingkan dengan workflow yang lebih sederhana, itu belum menjadi arsitektur. Itu baru suasana hati yang memakai lanyard.

Mengapa dokumentasi LangChain4j sendiri membuat ini terasa tidak terlalu mistis

Dokumentasi Agents and Agentic AI dari LangChain4j mengatakan modul langchain4j-agentic menyediakan abstraksi dan utilitas untuk membangun aplikasi workflow dan aplikasi AI agentic murni. Dokumentasi yang sama mengatakan sistem agentic biasanya menggunakan large language model untuk mengorkestrasi eksekusi tugas, mengelola penggunaan tool, dan mempertahankan konteks di berbagai interaksi. Dokumentasi itu juga mencatat bahwa modul tersebut bersifat eksperimental dan dapat berubah pada rilis mendatang. Kalimat terakhir itu melakukan banyak pekerjaan orang dewasa yang bertanggung jawab, seperti label peringatan pada gergaji mesin yang berbunyi “mungkin jangan dijadikan alat juggling.”

Pelajaran praktis dari dokumentasi LangChain4j adalah bahwa “agentic” bukan satu desain tunggal. Ia adalah keluarga pola untuk mengoordinasikan layanan AI, tool, dan konteks. Studi kasus InfoQ, sebagaimana diringkas oleh Daily.dev, berguna karena menaruh dua bentuk berdampingan: pola supervisor dengan spesialis bernama, dan implementasi workflow dengan kecepatan lebih baik pada tugas terbatas tersebut. Para pembuat sebaiknya meniru kebiasaannya, bukan menyembah diagramnya. Mulailah dengan tugas yang sempit, definisikan arti sukses, lalu tukar gaya orkestrasi sampai pengukuran berhenti menertawakan Anda.

Guardrail adalah arsitekturnya, bukan acara tambahan setelahnya

Ringkasan Daily.dev mengatakan sistem tersebut memperbaiki bug dan lolos semua 11 pengujian, yang persis merupakan batas evaluasi yang dibutuhkan agen yang memodifikasi atau memperluas dirinya sendiri. Pengujian bukan dekorasi di sini. Pengujian adalah pagar di sekitar kandang kambing, dan kambingnya sedang memegang editor kode. Jika sebuah agen dapat memperluas atau memodifikasi workflow-nya, maka setiap pemanggilan tool baru, peran agen, dan langkah eksekusi membutuhkan kontrak yang dapat Anda inspeksi.

Dokumentasi LangChain4j membingkai sistem agentic di sekitar orkestrasi, penggunaan tool, dan manajemen konteks, yang memberi arsitek checklist yang tersembunyi di balik hype. Tentukan tool mana yang boleh dipanggil, konteks apa yang boleh bertahan, output apa yang harus divalidasi, dan bagaimana kegagalan ditampilkan. Tambahkan pengujian regresi untuk workflow itu sendiri, bukan hanya untuk kode yang diubah agen. Agen itu mungkin “self-building,” tetapi Anda tetap memiliki scaffolding, izin, dan asuransi tanggung jawabnya. Perangkat lunak sudah punya cukup banyak kontraktor tanpa lisensi.

Mengapa ini penting saat model terus berlari cepat

Axios melaporkan bahwa Anthropic merilis Claude Opus 5, dan menggambarkannya sebagai rilis model Claude 5 keempat perusahaan tersebut dalam kurang dari dua bulan. Axios juga menulis bahwa deployment AI telah bergeser dari peluncuran besar ala blockbuster menuju peningkatan cepat dalam kapabilitas, biaya, dan kecepatan. Irama itu penting bagi pembuat agen karena model di bawah workflow Anda mungkin berubah lebih cepat daripada kalender tinjauan arsitektur Anda. Jika desain Anda hanya bekerja karena satu model kebetulan berperilaku baik pada hari Selasa, selamat, Anda telah membangun cincin suasana hati.

Bagi pembaca yang membangun dengan LangChain4j, jalur yang masuk akal justru menyegarkan karena tidak glamor: jaga tugas tetap kecil, bandingkan pola supervisor dengan workflow, ukur kecepatan dan kebenaran, dan perlakukan modul eksperimental seperti modul eksperimental. Eksperimen InfoQ bernilai karena membuat agen self-building terasa bisa dibangun tanpa berpura-pura bahwa mereka ajaib. Perhatikan tooling yang lebih baik seputar evaluasi, keterlacakan, dan versioning workflow, karena di situlah pola ini akan menjadi infrastruktur yang berguna atau sekadar goblin demo lain yang memakai hoodie. Agen itu bisa membangun dirinya sendiri, tetapi seseorang tetap harus membaca cetak birunya.