This chapter introduces the core concepts and setup needed to build agentic workflows using LlamaIndex. Get hands-on practice with tools like Tavily and OpenAI models, define your first tool function, and create an intelligent agent capable of interacting with the web. By the end, you'll have a fully functional AI agent built with LlamaIndex, ready to tackle real-world tasks.

Welcome!

Getting started with LlamaIndex

What are agents?

Creating an agent

Do agents remember?

Maintaining state across agent runs

Streaming output and events

Building an Agent

Why stop at one agent when you can build a team? In this chapter, you'll unlock the power of multi-agent systems, where specialized agents work together like a research squad, each with a unique role. You'll build your own collaborative agent workflow that searches, writes, and reviews, showing how teamwork makes your AI smarter and more scalable.

Apa itu sistem multi-agen?

Sistem multi-agen dengan AgentWorkflow

Membangun alur kerja agentic dari nol

Merancang alur kerja multi-langkah dengan event kustom

Konkruensi dan pengumpulan event

Menyusun sistem multi-agen

Menambahkan refleksi diri ke alur kerja

Ringkasan

Creating a Deep Research Workflow

Siap membangun tim agen AI Anda sendiri? Dalam kursus ini, Anda akan mulai dengan satu asisten cerdas dan meningkatkannya menjadi alur kerja agentic lengkap yang mampu merencanakan, mencari, mengingat, dan berkolaborasi. Dengan LlamaIndex, Anda akan membuat sistem andal yang menangani tugas kompleks seperti riset mendalam dan pelaporan. Sepanjang jalan, Anda akan mempelajari cara mengorkestrasi alat, memori, dan kolaborasi multi-agen untuk mewujudkan alur kerja AI Anda.

<h2>Bangun Agen AI Cerdas dan Mampu dari Nol</h2>

Pelajari cara membangun alur kerja agen cerdas dari awal menggunakan LlamaIndex, sebuah kerangka kerja yang kuat untuk mengoordinasikan perilaku AI. Mulai dengan konfigurasi satu agen dan beralih ke kolaborasi multi-agen, Anda akan menciptakan sistem yang mampu melakukan penelitian, menghasilkan laporan, dan mengevaluasi hasil kerjanya sendiri.
<br></br>

<h2>Buat dan Atur Alur Kerja Berbasis Agen</h2>

Anda akan memulai dengan membuat agen AI sederhana menggunakan kelas AgentWorkflow dan menghubungkannya dengan fungsi-fungsi seperti pencarian di web. Anda akan belajar cara memberikan "memori" kepada agen Anda menggunakan konteks dan membuat respons mereka terasa lebih dinamis dengan output streaming. Seiring berjalannya kursus, Anda akan mempelajari fitur-fitur lanjutan seperti penanganan peristiwa, eksekusi bersamaan, dan pembuatan alur kerja kustom menggunakan logika berbasis langkah. Anda juga akan menerapkan siklus refleksi diri untuk memungkinkan agen meningkatkan hasil kerja mereka sendiri.
<br></br>

<h2>Desain Sistem Multi-Agen dengan LlamaIndex</h2>

Pada langkah terakhir, Anda akan melampaui sistem agen tunggal dengan merancang tim agen AI yang bekerja sama. Anda akan membangun alur kerja di mana setiap agen memiliki peran khusus—seperti melakukan riset, menulis, dan meninjau—dan berbagi informasi melalui konteks yang sama. Anda akan bereksperimen dengan alur kerja berurutan, berulang, dan bercabang, serta memperoleh wawasan tentang cara mengelola tugas-tugas kompleks yang melibatkan beberapa agen.

Intermediate Python

Bangun alur kerja AI yang dapat merencanakan, mencari, mengingat, dan berkolaborasi dengan LlamaIndex.

Membangun Alur Kerja Agentic dengan LlamaIndex

Bangun alur kerja agen AI yang dapat merencanakan, mencari, mengingat, dan berkolaborasi, menggunakan LlamaIndex.

Menambahkan refleksi diri ke alur kerja

Membangun Alur Kerja Agentic dengan LlamaIndex

Petunjuk latihan

Latihan interaktif praktis