API untuk AI Agent: Dari MCP ke Endpoint Kustom

Saat LLM Belajar Memanggil Fungsi

Pada era GPT-3, berinteraksi dengan LLM berarti memberikan prompt dan menerima teks sebagai respons. Pengetahuan model besar tetapi statis, terkunci pada apa pun yang ada dalam data pelatihan. Anda dapat memintanya menjelaskan komputasi kuantum atau menyusun email, dan model akan menghasilkan teks yang masuk akal. Namun, model tidak dapat memeriksa cuaca hari ini, mengueri database, atau melakukan tindakan apa pun di dunia nyata.

Fitur yang mengubah hal ini secara mengejutkan jarang mendapat sorotan. Fitur ini memberi model pilihan antara menghasilkan teks dan memanggil fungsi. Alih-alih selalu menghasilkan token berikutnya, model kini dapat mengeluarkan objek JSON terstruktur yang menentukan nama fungsi dan argumennya. Runtime akan menjalankan fungsi tersebut, mengirimkan hasilnya kembali ke model, lalu model melanjutkan dari sana. Makalah ReAct (Yao et al., 2022) memformalkan pola ini sebagai loop Thought-Action-Observation. Model menalar apa yang harus dilakukan, mengambil tindakan (memanggil tool), mengamati hasilnya, lalu mengulanginya. Setiap AI agent serius pada 2026 berjalan pada salah satu versi pola ini.

Loop

Claude Code, OpenClaw, Codex, Devin, dan puluhan sistem agentic lainnya berjalan dengan cara yang sama. Panggil tool, amati hasilnya, putuskan langkah berikutnya, ulangi. Simon Willison menjelaskannya dengan baik: “LLM agent menjalankan tool dalam loop untuk mencapai tujuan.”

Claude Code, misalnya, menggunakan single-threaded master loop tanpa swarm multi-agent atau grafik orkestrasi kompleks: while(tool_call) -> execute -> feed results -> repeat.

Riset Anthropic tentang otonomi agent menunjukkan bahwa durasi turn di Claude Code hampir berlipat ganda dalam tiga bulan, dari 25 menjadi lebih dari 45 menit. Pengguna semakin memercayai loop untuk berjalan sendiri. Data menunjukkan bahwa pengguna berpengalaman lebih sering melakukan interupsi (bergeser dari persetujuan per tindakan ke pemantauan strategis), sementara agent itu sendiri meminta klarifikasi lebih dari dua kali lebih sering dibandingkan pengguna menginterupsinya.

Pola loop ini muncul di mana-mana, baik pada coding agent, bot dukungan pelanggan, maupun controller robotika.

Apa yang Disebut Tool?

LLM memberi kita kebebasan besar dalam menentukan tingkat abstraksi tempat sebuah tool harus beroperasi. Di satu ekstrem, ada endpoint API yang sangat spesifik: “buat kontak HubSpot dengan 12 field ini.” Di ekstrem lainnya, ada tool seperti “jalankan perintah bash ini” atau “eksekusi kode Python ini,” yang pada dasarnya berarti “lakukan apa pun yang Anda mau.”

Devin beroperasi dengan tiga tool: shell, editor kode, browser. Tool utama Claude Code juga berupa shell. OpenClaw menggunakan sistem plugin skill dinamis. Tren dalam tool coding agentic bergerak ke arah tool yang lebih sedikit dan lebih umum, bukan banyak tool yang spesifik.

Simon Willison mengamati bahwa MCP “awalnya meledak, tetapi kemudian terasa kurang sentral” untuk coding agent karena bash adalah tool universal. File dan skrip adalah primitif dengan overhead lebih rendah dibandingkan implementasi server MCP penuh. Jika agent dapat menulis dan mengeksekusi kode, agent dapat melakukan hampir apa saja tanpa memerlukan definisi tool khusus.

Namun, tool serbaguna cocok untuk agent serbaguna. Untuk AI agent khusus domain (dukungan pelanggan, penjualan, operasi internal), Anda memerlukan tool khusus domain. Agent dukungan Anda seharusnya tidak menulis Python untuk memeriksa status pesanan. Agent tersebut harus memanggil endpoint API yang terdefinisi jelas dengan parameter yang jelas dan respons yang dapat diprediksi. Desain kumpulan tool Anda menjadi keputusan produk.

Arti Endpoint API Saat Ini

Untuk AI agent, endpoint API berfungsi sebagai deklarasi kapabilitas. Dengan memublikasikannya, Anda menyatakan bahwa Anda (atau AI agent Anda) kini dapat melakukan sesuatu yang sebelumnya tidak mungkin dilakukan.

Ini berlaku dua arah. Vendor software memublikasikan API agar pihak lain dapat berintegrasi dengan produknya. Namun, AI agent juga dapat menemukan endpoint sendiri dengan mencari dokumentasi, membaca spesifikasi OpenAPI, atau secara harfiah mencari di Google cara menyelesaikan suatu tugas.

Server MCP adalah bundel endpoint API yang telah dikurasi dengan gagasan awal tentang bagaimana endpoint tersebut seharusnya digunakan. Pembuat MCP telah membuat keputusan tentang endpoint mana yang diekspos, bagaimana menamainya, parameter apa yang dimunculkan, dan secara implisit workflow apa yang didukung. Kurasi tersebut merupakan kekuatan (kemudahan, standardisasi) sekaligus kelemahan (kaku, cakupan yang terlalu beropini). Server Notion adalah contoh konkret: server tersebut memublikasikan 28 tool, dan agent pusat bantuan membutuhkan empat di antaranya, terbagi dalam dua koneksi.

MCP menukar kontrol dengan kemudahan penggunaan. Pada 2026, AI menulis sebagian besar kode integrasi. Jika agent dapat membaca dokumentasi API dan menulis integrasinya sendiri, argumen “kemudahan penggunaan” untuk MCP menjadi lebih lemah. Lapisan MCP mungkin paling penting selama periode transisi, ketika tooling belum menyamai kapabilitas model. Panduan Anthropic tentang pola desain penggunaan tool adalah referensi praktis untuk menyusun skema tool, baik Anda menggunakan MCP maupun endpoint individual.

Perkembangan terkait: llms.txt adalah standar yang diusulkan tempat website memublikasikan file /llms.txt untuk mengarahkan model AI ke resource bernilai tinggi. Anthropic, Cloudflare, Docker, dan Stripe telah mengadopsinya. MCP menstandardisasi pemanggilan tool; llms.txt menstandardisasi penemuan dokumentasi. Keduanya mencoba membuat web lebih mudah dibaca mesin, dari sudut yang berbeda.

Apa itu endpoint API dalam konteks AI agent?

Endpoint API adalah URL spesifik yang menerima input terstruktur dan mengembalikan output terstruktur. Untuk AI agent, setiap endpoint merepresentasikan kapabilitas diskret, yaitu sesuatu yang dapat dilakukan agent di dunia nyata. Deskripsi endpoint, definisi parameter, dan respons error berfungsi sebagai manual instruksi agent. Semakin baik dokumentasi endpoint, semakin andal agent dapat menggunakannya.

Tidak seperti developer manusia yang dapat membaca tutorial dan melakukan debug secara iteratif, agent mengandalkan skema dan deskripsi endpoint untuk melakukan satu panggilan yang benar. Karena itu, dokumentasi API yang dirancang untuk konsumsi AI menjadi lebih penting dari sebelumnya. Hanya 24% developer saat ini yang merancang API dengan mempertimbangkan AI agent, meskipun 89% menggunakan AI dalam workflow mereka.

Apa itu MCP (Model Context Protocol)?

MCP adalah protokol terbuka yang diperkenalkan oleh Anthropic yang menstandardisasi cara AI agent terhubung ke tool eksternal dan sumber data. Anggap saja seperti USB-C untuk AI. Satu konektor yang dapat diimplementasikan oleh penyedia tool mana pun dan digunakan oleh AI agent mana pun. Server MCP mengekspos sekumpulan tool (pada dasarnya endpoint API) dengan skema standar, dan klien MCP (agent) dapat menemukan serta memanggilnya tanpa kode integrasi kustom. Untuk penjelasan teknis yang lebih mendalam, lihat posting MCP Explained kami. Untuk uraian praktis tentang MCP di produksi, lihat analisis kami tentang tantangan nyata membangun di atas MCP Shopify.

Spektrum Kontrol di Quickchat AI

Quickchat AI memberi Anda tiga cara untuk membekali AI Agent dengan tool eksternal. Ketiganya berada pada spektrum dari yang paling otomatis hingga yang paling terkontrol. Setiap pendekatan membuat tradeoff berbeda antara kecepatan setup dan presisi perilaku.

Remote MCP: Hubungkan dan Jalankan

Remote MCP adalah cara tercepat untuk menghubungkan AI Agent ke fungsionalitas eksternal. Anda memberikan URL server MCP, Quickchat AI terhubung ke server tersebut, menemukan semua tool yang tersedia, lalu memungkinkan Anda memilih mana yang harus digunakan agent.

Cara menyiapkannya:

1. Buka AI Actions di dashboard Quickchat AI
2. Klik “Add Remote MCP”
3. Tempel URL server MCP Anda (mis., https://mcp.example.com/sse)
4. Tambahkan token autentikasi atau header kustom secara opsional (keduanya saling eksklusif)
5. Klik “Connect.” Quickchat AI menemukan semua tool yang tersedia dan menampilkan namanya
6. Aktifkan atau nonaktifkan masing-masing tool untuk mengontrol tool mana yang dapat digunakan agent Anda
7. Atur flag “default tool is active” untuk mengontrol apakah tool yang baru ditemukan diaktifkan atau dinonaktifkan secara otomatis

Apa yang terjadi di balik layar:

Saat Anda mengklik Connect, Quickchat AI otomatis mendeteksi protokol transport dari URL. Jika URL berisi sse, transport SSE digunakan; jika tidak, streamable_http menjadi default. Saat Anda memberikan token auth, token dikirim sebagai token Bearer di header Authorization.

Pemfilteran tool bekerja melalui sistem tiga tingkat. Setiap tool dari server MCP diperiksa terhadap dua set: tool yang diaktifkan secara eksplisit selalu disertakan, tool yang dinonaktifkan secara eksplisit selalu dikecualikan, dan tool apa pun yang tidak ada di kedua set mengikuti setting “default tool is active” yang Anda pilih. Artinya, ketika server MCP menambahkan tool baru, Anda mengontrol apakah tool tersebut otomatis tersedia untuk agent Anda atau memerlukan aktivasi eksplisit.

Pada runtime, saat percakapan dimulai, semua koneksi Remote MCP aktif untuk agent dimuat. Tool diambil dan difilter sesuai konfigurasi setiap koneksi, dan keunikan nama tool diverifikasi di semua sumber (dengan peringatan jika ditemukan duplikat).

Tradeoff: Anda mendapatkan akses langsung ke semua yang diekspos MCP, tetapi Anda memiliki kontrol terbatas atas deskripsi tool, definisi parameter, atau bagaimana agent memutuskan untuk menggunakannya. Seperti yang kami temukan saat membangun AI Agent di MCP Shopify, bergerak dari demo ke produksi memerlukan penyetelan cermat yang dapat dipersulit oleh pendekatan bundel MCP.

Lihat juga: hubungkan agent Anda ke server MCP remote, How to Launch Your Quickchat AI MCP, pertimbangan keamanan MCP, dokumentasi Quickchat AI: channel MCP.

AI Actions (HTTP Request): Satu Endpoint, Kontrol Penuh

AI Action di Quickchat AI adalah satu endpoint HTTP API yang Anda konfigurasikan secara individual untuk AI Agent Anda. Jika MCP mengimpor bundel tool sekaligus, setiap AI Action memberi Anda kontrol penuh atas satu kapabilitas spesifik. Untuk contoh lengkap yang dikerjakan, empat action yang membuat dan memperkaya kontak, mencatat deal, dan membuka ticket di CRM, lihat tutorial HubSpot AI Actions.

Mengonfigurasi AI Action:

1. Name (maks. 64 karakter): ini menjadi nama tool yang dilihat LLM. Nama dinormalisasi menjadi identifier yang valid (mis., “Check Order Status” menjadi Check_Order_Status)
2. Description (maks. 1.000 karakter): ini adalah field paling penting. Deskripsi memberi tahu LLM kapan menggunakan tool ini. Deskripsi yang baik menjelaskan dalam situasi percakapan apa tool harus dipanggil, informasi apa yang perlu dikumpulkan dari pengguna terlebih dahulu, dan bagaimana hasil harus disampaikan kembali
3. HTTP method: GET, POST, PATCH, DELETE, atau PUT
4. URL (maks. 10.000 karakter): dapat berisi placeholder {{parameter_name}} untuk nilai dinamis
5. Headers: pasangan key-value untuk autentikasi dan content type
6. Body items / Body JSON: body request dengan injeksi parameter
7. Query parameters: nilai query string URL
8. Parameters (maks. 10): masing-masing dengan nama, deskripsi (maks. 500 karakter), tipe (str, int, float, bool, atau custom), flag wajib, dan nilai default opsional

Placeholder {{parameter_name}} adalah mekanisme utama. Saat LLM memanggil tool, LLM memberikan nilai untuk setiap parameter berdasarkan konteks percakapan. Quickchat AI kemudian menyuntikkan nilai tersebut ke template URL, header, body, dan query string sebelum melakukan HTTP request. Ada juga empat variabel bawaan yang dapat disuntikkan dengan cara ini: scenario_id, conversation_id, conversation_channel, dan conversation_url.

AI Action yang dikonfigurasi untuk memeriksa status pesanan, menampilkan template URL dengan placeholder parameter, header, dan definisi parameter.

Di balik layar: Quickchat AI secara dinamis membangun skema bertipe dari definisi parameter Anda untuk setiap AI Action. Lima tipe yang didukung (str, int, float, bool, custom) dipetakan ke ekuivalen native masing-masing, dan skema ini digunakan untuk memvalidasi input dari LLM sebelum melakukan HTTP request.

Contoh AI Action untuk memeriksa status pesanan:

{
  "name": "check_order_status",
  "description": "Saat pengguna bertanya tentang status pesanan mereka dan telah memberikan nomor pesanan, panggil endpoint ini untuk mengambil status saat ini. Laporkan status, perkiraan tanggal pengiriman, dan nomor pelacakan (jika tersedia) kembali kepada pengguna.",
  "method": "GET",
  "url": "https://api.example.com/orders/{{order_id}}",
  "headers": [
    { "name": "Authorization", "value": "Bearer YOUR_API_KEY" },
    { "name": "Content-Type", "value": "application/json" }
  ],
  "parameters": [
    {
      "name": "order_id",
      "description": "ID pesanan yang diberikan oleh pengguna (mis., ORD-12345)",
      "type": "str",
      "is_required": true
    }
  ]
}

Pengujian: Dashboard memiliki tombol “Test” yang memungkinkan Anda memberikan contoh nilai parameter dan melihat HTTP request aktual (termasuk perintah curl yang dihasilkan) serta respons sebelum deployment.

Tips menulis deskripsi AI Action yang efektif:

• Jelaskan secara spesifik kapan agent harus memanggilnya: “Saat pengguna bertanya tentang status pesanan mereka dan memberikan nomor pesanan, panggil endpoint ini”
• Sebutkan informasi apa yang harus dikumpulkan terlebih dahulu: “Sebelum memanggil, pastikan Anda memiliki alamat email dan ID pesanan pengguna”
• Jelaskan cara menangani respons: “Jika statusnya ‘shipped’, beri tahu pengguna nomor pelacakan dari respons”
• Untuk workflow multi-langkah, jelaskan urutan di prompt sistem utama agent, bukan di deskripsi action individual, dan untuk membawa nilai antar-action serta membatasi write berdasarkan nilai tersebut, gunakan Save to memory ditambah run-condition

Contoh yang dikerjakan: untuk AI Action langkah demi langkah yang mencatat lead, pertanyaan yang belum terjawab, dan permintaan demo langsung ke spreadsheet, lihat cara menghubungkan AI agent ke Google Sheets.

Generate from Text: Biarkan AI Menentukannya

Opsi ketiga ditujukan bagi pengguna yang tahu apa yang mereka ingin agent lakukan, tetapi tidak tahu endpoint API mana (atau bahkan layanan mana) yang harus digunakan.

Cara kerjanya:

1. Anda mengetik deskripsi bahasa alami tentang apa yang Anda inginkan, mis., “Saya ingin AI Agent saya dapat menyalakan Tesla milik pengguna saat mereka meminta”
2. Quickchat AI mengirimkannya ke LLM dengan tool web_search diaktifkan
3. Model meneliti web untuk menemukan API yang tepat, membaca dokumentasi resmi, dan menghasilkan spesifikasi AI Action lengkap termasuk URL, method, header, parameter, dan persyaratan autentikasi
4. Hasilnya kembali dengan konfigurasi action lengkap, sitasi ke dokumentasi yang digunakan, dan pesan penjelasan yang mencatat asumsi dan gap
5. Anda meninjau, mengisi kredensial, lalu mengaktifkan

Memasukkan deskripsi bahasa alami tentang kapabilitas yang diinginkan.

Konfigurasi AI Action yang dihasilkan dengan sitasi ke dokumentasi API yang digunakan.

Pembuatan AI Action otomatis disusun di sekitar tiga prioritas:

• Prioritas 1: Memahami maksud. Identifikasi kapabilitas persis yang diinginkan developer dan endpoint API spesifik yang menyediakannya
• Prioritas 2: Berpijak pada dokumentasi. Gunakan pencarian web untuk menemukan dokumentasi vendor resmi, bukan tebakan
• Prioritas 3: Mendesain semantik conversation-first. Nama dan deskripsi yang dihasilkan harus menjelaskan kapan dalam percakapan tool ini digunakan, bukan hanya apa yang dilakukan API secara teknis

Prompt menggunakan dua konvensi placeholder. {{param}} menandai parameter runtime yang diisi LLM dari konteks percakapan. [[secret_name]] (kurung siku ganda) menandai konstanta developer seperti API key dan ID akun yang harus dikonfigurasi manual sebelum aktivasi. Setiap nama parameter harus muncul sebagai placeholder {{that_exact_name}} di suatu tempat dalam definisi request, dan placeholder yatim tidak diizinkan.

Sistem menggunakan kebijakan fail-closed. Jika model tidak dapat mengonfirmasi bagian informasi penting dari dokumentasi (HTTP method, URL, skema autentikasi, atau struktur payload yang wajib), action tidak dibuat. Sebagai gantinya, sistem mengembalikan penjelasan ringkas tentang apa yang hilang, bukan menebak.

Di sinilah poin filosofis tentang AI agent yang menemukan API terhubung ke fitur produk konkret. Fitur Generate from Text secara harfiah adalah AI agent (LLM dengan pencarian web) yang membangun definisi tool untuk AI agent lain (agent Quickchat AI yang akan menggunakannya dalam percakapan).

Contoh yang dikerjakan: untuk tutorial lengkap yang mengubah dua kalimat yang diketik menjadi dua action yang aktif dan sudah diuji (lookup cuaca tanpa key dan satu action NASA dengan key, termasuk penolakan fail-closed), lihat cara menghubungkan AI agent Anda ke API apa pun dalam bahasa Inggris sederhana.

Pada runtime, semua jenis tool ini dirakit bersama. Quickchat AI mengumpulkan tool AI Action HTTP request, tool Shopify MCP, tool knowledge base, tool remote MCP, tool Discord, dan tool kustom lainnya ke dalam koleksi untuk disajikan kepada LLM. Model tidak melihat perbedaan di antara semuanya. Tool Remote MCP dan AI Action yang dikonfigurasi manual terlihat identik setelah masuk ke daftar tool.

Open API sebagai SEO Baru

Jika AI agent akan menemukan dan menggunakan API secara otonom, memiliki API yang terdokumentasi baik dan mudah digunakan menjadi aset distribusi. Gartner memprediksi bahwa lebih dari 30% peningkatan permintaan API akan berasal dari AI agent pada 2026.

Perusahaan yang memiliki open API dengan hambatan kredensial minimal mungkin mendapati bahwa API mereka menjadi channel akuisisi terbaik. Alih-alih impresi pencarian Google, “impresi” tersebut adalah AI agent yang memilih menggunakan layanan Anda dibandingkan layanan kompetitor.

Logika yang sama berlaku satu tingkat di atasnya. AI agent yang menjawab dari dokumentasi Anda sendiri dapat diekspos sebagai server MCP yang dipanggil ChatGPT, Claude, dan Cursor sebagai tool, sehingga pengetahuan Anda, bukan hanya API Anda, dapat ditemukan oleh web agentic.

Kualitas dokumentasi API Anda menentukan apakah AI agent dapat berhasil berintegrasi dengan Anda dalam satu percobaan. Deskripsi parameter, pesan error, dan contoh respons menjalankan fungsi yang sama seperti meta description dan data terstruktur dalam SEO tradisional. Respons error yang membingungkan atau field wajib yang tidak terdokumentasi berarti agent akan gagal, dan tidak ada manusia di sisi lain untuk melakukan debug.

Perusahaan yang API-nya tidak terdokumentasi atau dikunci di balik persyaratan kredensial berat dapat menjadi tidak terlihat bagi web agentic, sama seperti perusahaan tanpa website menjadi tidak terlihat bagi Google pada 2000-an.

Computer Use vs. API

Ada investasi signifikan dalam mengajarkan model AI “computer use” (mengklik tombol, mengisi formulir, menavigasi UI). Anthropic, OpenAI (Operator), dan proyek open-source seperti Browser Use semuanya menawarkan versi pendekatan ini.

Namun, penggunaan browser adalah solusi sementara untuk API yang tidak ada. Panggilan POST /orders memerlukan milidetik dan mengembalikan data terstruktur. Agent browser yang menavigasi alur checkout memerlukan beberapa menit dan dapat rusak ketika tombol bergeser tiga piksel ke kiri. API lebih cepat, lebih deterministik, dan lebih murah untuk dieksekusi.

Argumen tandingannya nyata: API tidak tersedia untuk semuanya. Sistem legacy, software enterprise tanpa permukaan API, perangkat fisik yang dikendalikan melalui GUI. Computer use mengisi celah nyata dalam kasus tersebut.

Respons jangka panjang yang lebih baik terhadap “kami tidak memiliki API untuk ini” mungkin adalah membangun API tersebut, bukan mengajari AI menggunakan GUI. Ketika lebih banyak software ditulis oleh AI agent untuk AI agent, biaya membangun dan memelihara API turun. Kalkulasi ekonomi yang dulu membuat scraping UI lebih murah daripada membangun API sedang bergeser.

Ada juga sudut keamanan. “Lethal trifecta” dari Simon Willison menjelaskan kombinasi berbahaya dari akses data pribadi + paparan konten tidak tepercaya + komunikasi eksternal. Ini berlaku untuk kedua pendekatan, tetapi tool berbasis API lebih mudah diaudit dan dibatasi. Anda dapat mencatat setiap panggilan API, memvalidasi setiap parameter, dan membatasi laju setiap endpoint. Melakukan hal setara untuk agent browser yang dapat mengklik apa saja jauh lebih sulit.

Tool untuk Dunia Fisik

Semua yang dibahas sejauh ini berkaitan dengan software. Pola yang sama muncul di dunia fisik.

RT-2 dan Gemini Robotics dari Google DeepMind menggunakan arsitektur yang sama, kecuali tool mengirimkan perintah ke aktuator, bukan API. Framework SPCA (Sense-Plan-Code-Act) memformalkan hal ini untuk robotika: memindai lingkungan, merencanakan pendekatan, menghasilkan kode yang dapat dieksekusi, menjalankannya, mengamati hasil.

Tidak ada API untuk “pindahkan tanaman di meja saya ke kanan.” Namun, robot dengan kamera dapat mendefinisikan move_object(object_id="plant_01", direction="right", distance_cm=15) sebagai tool secara spontan, lalu memanggilnya. Definisi tool berfungsi sebagai antarmuka antara lapisan penalaran dan lapisan eksekusi fisik, peran yang sama seperti endpoint API dalam software.

Arsitektur LLM + tool + loop bersifat serbaguna. Saat ini, arsitektur tersebut kebetulan paling mudah diimplementasikan dalam software, tetapi robotika sedang mengejar.

API yang Ditulis oleh AI, untuk AI

Dalam kira-kira dua tahun (2024 hingga 2026), kita telah bergerak dari sebagian besar kode ditulis oleh manusia menjadi sebagian besar kode ditulis oleh AI. Ini momen yang tepat untuk mempertimbangkan ulang apa itu endpoint API. Semakin sering, endpoint adalah deklarasi kapabilitas yang dirancang untuk ditemukan dan dieksekusi oleh mesin, bukan antarmuka teknis yang dokumentasinya dibaca developer manusia lalu diintegrasikan secara manual.

MCP adalah lapisan standardisasi yang berguna, tetapi juga merupakan lapisan kurasi yang memperkenalkan bias. Pembuat MCP memutuskan tool apa yang akan diekspos dan bagaimana membingkainya. Untuk AI agent produksi, pembingkaian itu mungkin tidak sesuai dengan kebutuhan Anda yang sebenarnya. (Kami menulis tentang ini secara detail saat menganalisis tantangan dengan MCP Shopify.)

Spektrum yang telah kita bahas di Quickchat AI Agents mencerminkan poin yang lebih luas. Tingkat kontrol yang tepat bergantung pada kasus penggunaan Anda. Remote MCP bekerja baik untuk prototyping cepat. AI Actions individual memberi Anda kontrol terperinci untuk agent produksi yang melayani pelanggan. Generate from Text memungkinkan AI meneliti API dan membangun definisi tool untuk Anda saat Anda masih bereksplorasi.

Dan pada setiap level, pola dasarnya sama. LLM, sekumpulan tool, sebuah loop. Baik tool tersebut berupa perintah bash, endpoint API, server MCP, maupun aktuator robot, semuanya adalah tool sampai ke lapisan paling bawah.