Segera Hadir
Apa itu agent harness dan mengapa layanan pelanggan WhatsApp membutuhkannya
Sebagian besar AI dalam percakapan dengan pelanggan bekerja dengan pola satu pertanyaan, satu jawaban. Agent harness mengubah model bahasa menjadi sesuatu yang benar-benar bisa menangani sebuah kasus: merencanakan, memakai tools, memeriksa hasil kerjanya, dan mengingat. Berikut penjelasannya, harness apa saja yang tersedia saat ini, dan bagaimana harness segera hadir di MonoChat.
Atau mulai dengan kredit $150, cukup untuk bulan pertama plan Growth
Dipublikasikan:
Dalam setahun terakhir, pembicaraan seputar AI diam-diam bergeser dari model ke apa yang ada di sekelilingnya. Model yang sama bisa menjadi chatbot yang menjawab satu pesan, atau agen yang menyelesaikan masalah pengiriman lintas tiga sistem dalam dua hari. Pembedanya bukan modelnya, melainkan harness-nya, yakni "kerangka kerja" yang menggerakkan agen AI.
Artikel ini menjelaskan konsep tersebut dengan bahasa sederhana, membandingkan harness yang bisa Anda gunakan saat ini, dan menunjukkan apa yang sedang kami bangun di MonoChat agar bisnis dapat menjalankannya di WhatsApp, Instagram, web chat, dan semua kanal lain di inbox mereka.
Apa itu agent harness?
Agent harness adalah lapisan perangkat lunak yang membungkus large language model (LLM) sehingga model tersebut bisa bertindak, bukan sekadar membalas. Model bernalar dan memutuskan langkah berikutnya. Harness menjalankan keputusan itu, mengembalikan hasilnya ke model, lalu mengulanginya sampai pekerjaan selesai. Singkatnya: agen = model + harness.
Istilah ini mulai populer setelah banyak tim menyadari bahwa coding agent seperti Claude Code dan Codex berutang keandalannya pada lapisan di sekeliling model ini, bukan semata pada modelnya. Kini Anthropic, OpenAI, Google, dan Microsoft merilis harness mereka sebagai produk yang bisa dipakai developer untuk membangun agen.
Komponen sebuah harness
- Loop: Bernalar, bertindak, mengamati, ulangi. Harness terus berjalan sampai tugas selesai atau sampai membutuhkan manusia.
- Tools: Fungsi yang boleh dipanggil model: mengecek pesanan, mencari reservasi, memproses refund, menelusuri basis pengetahuan. Sering kali dihubungkan melalui MCP.
- Memori dan state: Apa yang sudah terjadi sebelumnya dalam kasus ini, preferensi pelanggan, dan apa saja yang sudah dicoba, tersimpan lintas pesan dan sesi.
- Manajemen konteks: Menentukan apa yang dilihat model di setiap langkah dan meringkas (compaction) riwayat panjang agar bagian penting tetap terlihat.
- Guardrail dan persetujuan: Izin, kebijakan, dan titik pemeriksaan oleh manusia untuk tindakan yang memakan biaya atau tidak bisa dibatalkan.
- Sandbox dan file: Ruang kerja terisolasi tempat agen bisa menjalankan kode, menyiapkan dokumen, atau menghitung penawaran harga tanpa menyentuh sistem live.
- Tracing dan evaluasi: Log setiap langkah dan panggilan tool, sehingga tim bisa melihat alasan di balik tindakan agen dan mengukurnya dari banyak eksekusi.
Inference vs harness: apa bedanya?
Inference adalah satu panggilan ke model: Anda mengirim prompt, model mengembalikan teks, dan interaksi selesai. Cepat, murah, dan dapat diprediksi, serta sangat tepat untuk banyak pekerjaan, misalnya mengklasifikasikan pesan, membuat draf balasan, atau meringkas percakapan.
Harness menjalankan banyak panggilan inference dalam sebuah loop dan menambahkan semua hal di sekelilingnya: tools, memori, pemeriksaan, dan batasan. Prosesnya lebih lambat dan memakai lebih banyak token per tugas, tetapi mampu menuntaskan pekerjaan yang membutuhkan beberapa langkah, data dari luar, atau keputusan di tengah jalan.
| AI inference | Agent harness | |
|---|---|---|
| Apa itu | Satu permintaan ke model, satu respons | Loop di sekeliling model yang merencanakan, bertindak, dan memeriksa |
| Langkah per tugas | Satu | Sebanyak yang dibutuhkan tugas, dalam batas yang Anda tetapkan |
| Tools dan sistem | Opsional, biasanya satu function call | Banyak tools, dipanggil dan dirangkai sesuai kebutuhan kasus |
| Memori | Hanya yang ada di prompt | Riwayat kasus dan state tersimpan lintas langkah dan sesi |
| Saat terjadi kegagalan | Mengembalikan apa pun yang dihasilkannya | Mendeteksi error, mencoba ulang, atau meminta bantuan manusia |
| Paling cocok untuk | Klasifikasi, draf, ringkasan, jawaban tunggal | Menyelesaikan kasus, permintaan multi-langkah, tindak lanjut selama berhari-hari |
| Biaya dan kecepatan | Biaya terendah, hampir instan | Pemakaian token lebih tinggi, beberapa detik hingga menit per tugas |
Dalam praktiknya, tim yang baik memakai keduanya: inference untuk langkah cepat yang terdefinisi jelas, dan harness ketika pekerjaan memang membutuhkan beberapa langkah.
Apa yang diubah harness dalam layanan pelanggan WhatsApp
Percakapan dengan pelanggan adalah tempat perbedaan antara menjawab dan menyelesaikan paling terasa. Pelanggan menulis "pesanan saya belum sampai" dan berharap masalahnya dibereskan, bukan dijelaskan.
Kasus diselesaikan, bukan sekadar dijawab
Agen bisa mencari pesanan, mengecek kurir, melihat bahwa paket tertahan, mengajukan klaim, dan menawarkan pengganti dalam percakapan yang sama.
Memeriksa sebelum berjanji
Stok, harga, slot janji temu, dan kebijakan diverifikasi di sistem Anda saat menjawab, bukan ditebak dari data pelatihan.
Mengingat kasusnya
Jika pelanggan kembali besok, agen tahu apa yang sudah dicoba dan apa yang sudah dijanjikan, bahkan setelah jendela 24 jam WhatsApp ditutup.
Menindaklanjuti dari waktu ke waktu
Tugas jangka panjang, seperti menunggu refund cair atau suku cadang tiba, bisa terus berjalan dan mengirim pesan ke pelanggan saat ada perubahan, dengan template yang disetujui jika diwajibkan WhatsApp.
Manusia tetap memegang kendali
Refund di atas batas tertentu, pembatalan, atau hal sensitif lainnya menunggu persetujuan anggota tim, dan pengalihan ke manusia tetap membawa riwayat lengkap.
Setiap langkah terlihat
Panggilan tool dan keputusan tercatat di log, sehingga supervisor bisa meninjau alasan agen bertindak dan memperbaiki instruksinya.
Contoh: retur barang lewat WhatsApp
- Pelanggan mengirim foto barang yang rusak dan meminta retur.
- Agen menemukan pesanannya, memastikan masih dalam periode retur, dan membaca foto tersebut.
- Agen membuat retur di sistem e-commerce Anda dan menjadwalkan penjemputan kurir untuk keesokan harinya.
- Nilai refund melebihi batas otomatis, jadi agen meminta anggota tim menyetujuinya langsung di inbox.
- Setelah disetujui, agen mengonfirmasi ke pelanggan, dan dua hari kemudian, saat kurir memindai paket, agen mengirim konfirmasi refund.
Dengan inference saja, ini hanyalah chatbot yang menjelaskan kebijakan retur. Dengan harness, inilah proses returnya.
Agent harness yang bisa Anda gunakan saat ini
Sejumlah perusahaan dan proyek open source kini menawarkan harness yang bisa Anda jadikan fondasi. Perbedaannya terletak pada siapa yang meng-host, model apa yang dijalankan, dan seberapa banyak fitur yang tersedia langsung.
| Harness | Dari | Hosting dan lisensi | Model | Sorotan |
|---|---|---|---|---|
| Claude Agent SDK | Anthropic | Library (Python, TypeScript) | Claude | Harness di balik Claude Code: tools, MCP, sub-agent, skills, context compaction, izin akses |
| Claude Managed Agents | Anthropic | API ter-hosting (public beta sejak April 2026) | Claude | Anthropic yang menjalankan loop: eksekusi dalam sandbox, sesi jangka panjang, kerja multi-agen, tracing |
| OpenAI Agents SDK | OpenAI | Open source, MIT (utamanya Python) | Model OpenAI, model lain via adapter | Sandbox dari beberapa penyedia, memori, MCP, skills, AGENTS.md, eksekusi yang bisa dilanjutkan |
| Codex | OpenAI | CLI open source (Apache 2.0) plus cloud | Model OpenAI | Harness coding agent dengan SDK untuk menjalankannya dari layanan Anda sendiri |
| Agent Development Kit (ADK) | Open source, Apache 2.0 (Python, Java, Go, TypeScript) | Gemini secara default, agnostik model | Pohon multi-agen, MCP, protokol Agent2Agent (A2A), evaluasi bawaan | |
| Agent Framework | Microsoft | Open source, MIT (Python, .NET) | Azure OpenAI, OpenAI, Anthropic, dan lainnya | Harness stabil sejak Juli 2026: tool loop, riwayat, compaction, skills, persetujuan, OpenTelemetry |
| Deep Agents | LangChain | Open source, MIT | Agnostik model | Perencanaan, sub-agent, sistem file, dan context engineering di atas LangGraph |
| Pi | Earendil Works | Open source, MIT | Penyedia apa pun, pakai API key sendiri | Inti yang sengaja dibuat minimal (read, write, edit, shell), diperluas dengan skills yang bisa dibagikan |
| Mastra | Mastra | Open source (TypeScript) | Agnostik model | Agen dengan thread persisten, persetujuan tool, dan studio lokal |
| OpenCode | OpenCode | Open source, MIT | Agnostik model | Agen plan dan build, SDK, terminal, dan desktop |
Detail berubah dengan cepat; periksa dokumentasi masing-masing proyek untuk kondisi terbaru. Nama produk dan logo adalah milik pemiliknya masing-masing.
Harness yang dibandingkan di artikel ini
Bagaimana dengan Business Agent milik Meta?
Pada 2026, Meta meluncurkan Meta Business Agent, agen AI miliknya sendiri untuk WhatsApp, Instagram, dan Messenger. Pada dasarnya, ini adalah harness yang dibangun dan dijalankan oleh Meta: menjawab berdasarkan konten Anda, memanggil sistem yang terhubung, dan mengalihkan percakapan ke tim Anda.
Ini pilihan yang baik bagi banyak usaha kecil. Namun, ini juga sistem tertutup: Anda tidak bisa memilih model, data percakapan tetap berada di Meta, beberapa sektor seperti keuangan dan kesehatan dikecualikan, dan sejak Agustus 2026 tagihannya dihitung per token, kira-kira 4 hingga 5 sen dolar AS per pesan menurut estimasi Meta sendiri.
Perbandingan berbagai pendekatan
| Agen AI bawaan platform messaging | Meta Business Agent | Harness di MonoChat (segera hadir) | |
|---|---|---|---|
| Memilih model | Biasanya tetap atau daftar terbatas | Tidak | Ya, model apa pun yang Anda hubungkan |
| Membawa harness sendiri | Tidak | Tidak | Ya: Claude Agent SDK, OpenAI Agents SDK, ADK, Pi, dan lainnya |
| Opsi ter-hosting, tanpa kode | Ya | Ya | Ya |
| Tools dan API milik Anda | Integrasi terbatas | Konektor | Fungsi kustom, MCP, webhook, dan API Anda |
| Di dalam flow dan aplikasi Anda | Bot builder terpisah | Terpisah dari flow Anda | Node dan method di flow dan aplikasi, berdampingan dengan AI inference |
| Pengalihan ke tim Anda | Ya | Ya, dengan thread control | Shared inbox dengan riwayat lengkap dan persetujuan |
| Lokasi data | Platform vendor | Meta | MonoChat plus penyedia pilihan Anda |
Berdasarkan informasi produk publik per Oktober 2026. Sebagian besar platform messaging yang kami tinjau menawarkan agen AI bawaan; kami tidak menemukan satu pun yang memungkinkan bisnis menjalankan harness ter-hosting maupun menghubungkan harness sendiri di dalam inbox dan flow yang sama.
Apa yang sedang kami bangun di MonoChat
MonoChat sudah memungkinkan Anda memilih model bahasa dan vector database: gunakan yang kami sediakan, atau hubungkan milik Anda sendiri. Harness akan bekerja dengan cara yang sama.
Berdampingan dengan node dan method AI inference yang Anda gunakan saat ini, MonoChat akan memiliki node harness dan method harness. Tempatkan node ke dalam flow atau panggil method-nya dari aplikasi, dan percakapan akan diserahkan ke agen yang bisa merencanakan, memakai tools Anda, dan melaporkan hasilnya.
- Gunakan harness yang kami host, tanpa kode, lalu pilih model dan tools yang boleh dipakainya
- Atau hubungkan harness Anda sendiri, yang dibangun dengan Claude Agent SDK, OpenAI Agents SDK, Google ADK, Microsoft Agent Framework, Deep Agents, Pi, atau kode Anda sendiri
- Berikan tools Anda: fungsi kustom, server MCP, webhook, dan data di MonoChat
- Jalankan di flow dan aplikasi, di WhatsApp, Instagram, Messenger, Telegram, TikTok, web chat, dan SMS
- Atur aturan persetujuan dan pengalihan ke manusia, dengan setiap langkah tercatat di percakapan
- Kombinasikan dengan inference: langkah cepat cukup dengan satu panggilan, kasus kompleks ditangani harness
Kapan memakai inference dan kapan memakai harness
- Gunakan inference untuk pekerjaan satu langkah: memberi tag, routing, menerjemahkan, membuat draf balasan, meringkas chat.
- Gunakan harness ketika permintaan pelanggan membutuhkan beberapa langkah, data dari sistem Anda, atau keputusan di tengah jalan.
- Mulailah dari yang kecil: beri harness dua atau tiga tools dan satu aturan persetujuan, ukur hasilnya, lalu perluas cakupan tugasnya.
Segera hadir di MonoChat
Node dan method harness sedang dikembangkan dan akan diluncurkan lebih dulu ke akun MonoChat. Buat akun gratis hari ini untuk menghubungkan kanal Anda, menyiapkan flow AI inference, dan bersiap mengaktifkan harness begitu fitur ini tersedia.
Bersiaplah untuk agent harness di WhatsApp
Sumber dan bacaan lanjutan
- Databricks: What is an AI agent harness?
- Anthropic: Claude Agent SDK overview
- Anthropic: Claude Managed Agents overview
- OpenAI: The next evolution of the Agents SDK
- Google: Agent Development Kit
- Microsoft: Agent Framework documentation
- LangChain: Deep Agents
- WhatsApp Business: Introducing Meta Business Agent
- Meta: WhatsApp Business Platform pricing