Memahami AI Agent Swarms: Planner, Worker, dan Verifier

Swarm agen AI membagi satu tujuan ke dalam peran planner, worker, dan verifier. Pelajari mengapa model yang lebih andal bertugas merencanakan dan mengaudit, titik kegagalan sistem swarm, serta cara menjalankannya.

Aiden Flux

Aiden Flux

12 November 2026

TL;DR

AI agent swarm membagi satu tujuan ke dalam tiga peran: planner yang memecah pekerjaan menjadi tugas-tugas, worker yang mengeksekusi tugas-tugas tersebut secara paralel di dalam workspace terisolasi, dan verifier yang menguji setiap perubahan sebelum disetujui. Planner dan verifier dialokasikan untuk model tercanggih Anda, sedangkan worker menggunakan model yang lebih hemat dan cepat. Pola ini akan gagal jika worker berbagi file, verifier hanya asal menyetujui, atau tidak ada batasan pengeluaran biaya.

Mengapa AI agent swarm kembali menjadi perbincangan

Google telah merilis Gemini 4 Carbon secara umum dan memperkenalkan pratinjau /swarm di Google Antigravity, yang mengubah satu prompt menjadi tim agen yang terkoordinasi. Mengutip pernyataan Google, Carbon menangani “desain arsitektur, koordinasi, dan audit,” yang dipadukan dengan “model yang lebih cepat dan ringan di berbagai workspace terisolasi yang berjalan paralel, serta verifier adversarial yang menguji setiap perubahan.”

Kalimat tersebut menggambarkan pola yang sebenarnya bisa Anda jalankan menggunakan model yang sudah Anda miliki saat ini. Panduan ini membahas ketiga peran tersebut, alasan mengapa anggaran lebih banyak dialokasikan untuk perencanaan dan verifikasi, titik-titik kegagalan swarm, serta cara menjalankannya di shared board. Jika Anda sudah menjalankan beberapa coding agent, Sharkly menyediakan Task, log eksekusi, dan tahapan review untuk masing-masing agen—yang merupakan kebutuhan utama dari sebuah swarm.

Apa itu AI agent swarm?

AI agent swarm adalah sekelompok agen AI yang membagi satu tujuan menjadi tugas-tugas independen dan mengerjakannya secara bersamaan. Satu agen merencanakan dan membagikan tugas, beberapa agen mengeksekusinya secara paralel, dan satu atau lebih agen memeriksa setiap hasil sebelum digabungkan (merge). Setiap peran memiliki tugas yang spesifik dan alur serah terima yang jelas.

Anthropic menjelaskan pola serupa pada tahun 2024 sebagai pola orchestrator-workers: sebuah model pusat memecah tugas, mendelegasikan bagian-bagiannya, dan menggabungkan hasilnya. Verifier merupakan tambahan yang lebih baru, sekaligus peran yang paling sering dilewatkan oleh banyak tim.

Swarm bukanlah “banyak agen yang mengerjakan hal yang sama.” Lima agen dengan prompt yang sama pada repositori yang sama bukanlah sebuah tim, melainkan race condition. Pembagian peranlah yang menjadikannya sebuah swarm. Untuk gambaran lebih luas mengenai cara kerja koordinasi agen, lihat apa itu orkestrasi agen AI.

Tiga peran utama: planner, worker, dan verifier

Setiap peran menjawab pertanyaan yang berbeda, dan masing-masing membutuhkan konteks yang berbeda.

Peran Pertanyaan yang dijawab Model yang umum digunakan Membaca Menulis
Planner Apa saja bagian-bagiannya, dan siapa yang mengerjakan masing-masing bagian? Model terkuat yang tersedia Tujuan, peta codebase Daftar task, kriteria penerimaan
Worker Bagaimana cara saya membangun satu bagian ini? Lebih murah dan cepat Satu task, file terkait Diff di workspace-nya sendiri
Verifier Apakah perubahan ini sudah sesuai dengan instruksi task? Model terkuat yang tersedia Task, diff, hasil pengujian Lolos (pass), atau penolakan disertai alasan
Diagram AI agent swarm: planner dengan model canggih membagikan tugas ke tiga worker dengan model lebih ringan, masing-masing di workspace terisolasi, yang perubahannya diteruskan ke verifier untuk ditolak atau disetujui sebelum ditinjau oleh manusia

Apa tugas planner?

Planner mengubah tujuan yang masih abstrak menjadi tugas-tugas yang tidak saling tumpang tindih. Perencanaan yang baik menentukan file mana saja yang boleh disentuh oleh setiap task, pengujian yang membuktikan bahwa tugas telah selesai, serta urutan pengerjaan jika ada task yang saling bergantung. Jika dua task memerlukan file yang sama, planner akan menggabungkannya menjadi satu atau menjalankannya secara berurutan.

Apa tugas worker?

Worker membangun satu task saja secara paralel, tanpa mengerjakan hal lain. Setiap worker mendapatkan workspace tersendiri, biasanya berupa git worktree: checkout terpisah dari repositori yang sama pada branch-nya masing-masing. Isolasi inilah yang memungkinkan tiga worker mengedit kode secara bersamaan tanpa saling menimpa. Pembahasan lebih lanjut dapat dilihat di agen paralel dalam worktree terisolasi.

Apa tugas verifier?

Verifier bertugas mencari celah atau kesalahan dalam suatu perubahan kode. Google menyebutnya bersifat “adversarial” (berperan sebagai penguji yang kritis), dan istilah itu sangat tepat: verifier menjalankan pengujian, meninjau diff terhadap instruksi task, dan mencari jalan pintas yang mungkin diambil oleh worker. Verifier yang hanya memeriksa “apakah tesnya lolos?” akan kecolongan oleh worker yang memanipulasi tes agar terlihat lolos.

Mengapa model mahal bertugas merencanakan dan mengaudit

Perencanaan dan verifikasi melibatkan pembacaan konteks yang singkat namun berisiko tinggi. Sementara itu, proses implementasi menghasilkan output panjang dengan risiko per baris yang relatif rendah. Asimetri inilah yang menentukan penempatan masing-masing model.

Planner menulis beberapa ratus baris deskripsi task. Verifier menulis keputusan evaluasi. Keduanya tidak menghasilkan banyak output, sehingga tarif harga premium per token tetap menghasilkan total biaya yang rendah. Sebaliknya, worker menghasilkan sebagian besar token, sehingga penggunaan model yang lebih hemat di tahap ini memberikan penghematan terbesar.

Dampak dari kesalahan pun berskala beda. Rencana yang buruk akan menyesatkan semua worker, dan verifier yang ceroboh akan meloloskan setiap perubahan yang bermasalah. Sedangkan worker yang kurang andal hanya menghasilkan satu diff yang bermasalah, yang nantinya dapat ditangkap oleh verifier. Alokasikan kemampuan penalaran terbaik Anda di titik di mana kesalahan bisa berdampak domino.

Penetapan posisi model oleh Google sendiri mendukung pembagian ini. Google menyatakan bahwa Gemini 4 Argon “tetap menjadi pilihan ideal untuk mayoritas rekayasa perangkat lunak dan pekerjaan berbasis pengetahuan,” sementara Carbon menggunakan lebih banyak token “untuk mengeksplorasi secara mendalam, bernalar secara komprehensif, dan menjalankan loop verifikasi lanjutan.” Biaya penggunaan Carbon adalah $2 per satu juta token input dan $10 per satu juta token output hingga 30 November 2026, lalu menjadi $4 dan $20 setelahnya. Untuk rincian mengenai model ini, baca Gemini 4 Carbon untuk coding agent dan Gemini 4 Argon untuk coding agent. Prinsip yang sama berlaku untuk kombinasi model apa pun; lihat Crew multi-model dengan worker hemat dan reviewer premium.

Di mana AI agent swarm bisa gagal

Sebagian besar kegagalan swarm bersumber dari tiga celah: shared state (status bersama), pemeriksaan yang lemah, dan ketiadaan batas anggaran.

Mengapa agen bisa saling menimpa perubahan?

Dua worker menyentuh file yang sama karena rencana pengerjaan tidak melarangnya. Tanpa workspace yang terisolasi, penulisan terakhir yang akan bertahan dan perubahan dari worker pertama akan hilang begitu saja. Dengan isolasi, kedua perubahan akan bertahan hingga tahap merge, di mana konflik antar-kode baru akan terjadi. Solusinya ada pada perencanaan: tentukan kepemilikan file untuk setiap task, dan jalankan task yang berbagi file secara berurutan.

Mengapa verifier bisa asal setuju (rubber-stamp)?

Verifier yang hanya membaca ringkasan dari worker alih-alih diff kode sebenarnya hanya menilai klaim, bukan hasil kerja nyata. Verifier tersebut melihat klaim “semua tes lolos” lalu langsung menyetujuinya. Berikan diff mentah dan output tes kepada verifier, jangan pernah hanya mengandalkan laporan mandiri dari worker. Jalankan juga verifier pada model yang berbeda dari worker, agar tidak memiliki titik buta (blind spot) yang sama. Artikel agen code review AI membahas apa saja yang bisa dan tidak bisa diverifikasi oleh agen peninjau.

Bagaimana biaya swarm bisa membengkak?

Setiap penolakan memicu proses build ulang dan review ulang. Artinya, task yang gagal tiga kali akan menelan biaya setara empat kali pengerjaan dan peninjauan. Sepuluh worker yang terjebak dalam siklus penolakan semalaman bisa menghabiskan anggaran satu minggu. Batasi percobaan ulang (retry) per task (dua kali adalah batas default yang wajar), batasi jumlah worker konkuren, dan teruskan task ke manusia setelah batas percobaan ulang terakhir gagal.

Ada kegagalan keempat yang sering kali tersembunyi: jika rencana, proses eksekusi, dan keputusan verifikasi berada dalam satu context window, tidak ada pihak yang dapat mengaudit hasilnya secara objektif. Pihak di luar swarm tetap harus memantaunya.

Cara menjalankan AI agent swarm di shared board

Anda tidak memerlukan alat khusus swarm untuk menjalankannya. Yang Anda butuhkan hanyalah pembagian task, workspace terisolasi, dan gerbang evaluasi (gate). Shared board menyediakan ketiganya, sekaligus menyimpan rekam jejak di tempat yang mudah dibaca oleh manusia.

Papan kanban untuk AI agent swarm: task induk planner terhubung ke tiga task worker di In Progress, task verifier di Review, dan gerbang review antara Review dan Done
  1. Buat satu task induk untuk tujuan utama. Planner akan membacanya dan menyusun rencana kerja menjadi beberapa subtask, lengkap dengan file terkait dan pengujian penerimaannya.
  2. Berikan tepat satu task untuk setiap worker. Satu task, satu agen, satu branch. Jika ada dua subtask yang memerlukan file yang sama, gabungkan keduanya sebelum mulai dikerjakan.
  3. Jalankan setiap task di direktorinya sendiri. Satu worktree per proses eksekusi menjaga agar pengeditan paralel tidak saling bercampur.
  4. Tambahkan status Review sebelum Done. Tidak ada task yang boleh berpindah ke Done hanya berdasarkan klaim dari worker.
  5. Tugaskan proses review ke agen verifier dengan model yang lebih kuat. Verifier membaca diff dan output tes, lalu meloloskan task atau mengembalikannya dengan menyertakan alasan.
  6. Tempatkan manusia di tahap akhir. Verifier menyaring daftar hasil pekerjaan; manusia yang memutuskan penerimaannya.

Berikut penerapannya di Sharkly. Crew adalah kelompok kerja fleksibel berisi manusia dan agen yang dikoordinasikan oleh satu agen pemimpin (leader). Saat Task induk ditugaskan ke Crew, leader akan berjalan terlebih dahulu: ia membaca Task, lalu melibatkan agen anggota untuk bagian-bagian spesifik, dan menggabungkan hasilnya. Urutan kerja berorientasi pemimpin ini memastikan tidak ada worker yang mulai bekerja sebelum rencana selesai disusun.

Agen dalam mode working-directory Sementara (Temporary) mendapatkan direktori terisolasi untuk setiap Task, dan eksekusi berbasis repositori dapat menyiapkan worktree baru, sehingga para worker yang berjalan paralel tidak saling berbagi file. Setiap Agen beroperasi pada Runtime yang Anda tentukan—inilah cara mengatur agar leader dan reviewer menggunakan model yang lebih kuat dibanding worker.

Gerbang review merupakan salah satu status dalam alur kerja Task Anda. Agen dapat menandai Task untuk menunggu review manusia, dan peralihan status tersebut akan muncul di modul Task Chats pada bilah sisi utama, sebagaimana dijelaskan dalam dokumentasi eksekusi task agen. Eksekusi yang gagal atau terhambat akan tetap masuk ke Inbox. Agen bertugas meriset, mengeksekusi, menguji, dan melapor. Manusia menentukan arah, memberikan otorisasi, dan menyetujui hasil akhirnya. Sharkly dapat dimulai secara gratis: hubungkan satu Komputer, buat dua Agen, dan berikan tugas kecil pada sebuah Crew. Untuk pembahasan lebih mendalam mengenai peran manusia, baca merancang review untuk agen paralel.

Kapan Anda tidak memerlukan AI agent swarm

Hindari penggunaan swarm jika pekerjaannya tidak dapat dipecah. Perbaikan satu bug, refaktorisasi satu file, atau rantai penalaran panjang yang berkesinambungan akan selesai lebih cepat dengan satu agen yang kuat dan satu reviewer. Jika jumlah tugas independen kurang dari tiga, biaya koordinasi biasanya lebih besar daripada efisiensi yang didapat dari pemrosesan paralel.

Gunakan swarm ketika tujuan besar dapat dipecah menjadi bagian-bagian yang menyentuh file berbeda: migrasi multi-paket, penulisan ulang tes (test backfill) lintas modul, atau perubahan satu API yang diterapkan ke sepuluh layanan. Google menyebut “migrasi multi-paket” dan “investigasi akar masalah lintas subsistem” sebagai contoh pekerjaan yang dapat ditangani dengan sangat baik oleh Carbon dalam konfigurasi multi-agen.

Kesimpulan

AI agent swarm terdiri dari tiga pekerjaan, bukan sekadar satu prompt besar: perencanaan, pembuatan, dan verifikasi. Alokasikan model terbaik Anda untuk perencanaan dan penentuan hasil, gunakan model yang hemat untuk pembuatan, serta simpan setiap hasil di tempat yang bisa ditinjau oleh manusia. Mulailah dengan satu task induk, tiga worker, dan satu verifier. Untuk menjalankan pola tersebut dengan agen yang sudah Anda miliki, hubungkan Komputer ke Sharkly dan tugaskan Crew pertama Anda.

FAQ

Apa perbedaan antara agent swarm dan orkestrasi multi-agen?

Orkestrasi adalah praktik umum dalam mengoordinasikan beberapa agen. Swarm adalah salah satu pola orkestrasi dengan pembagian peran yang baku: planner, worker paralel, dan verifier. Setiap swarm terorkestrasi, namun tidak semua orkestrasi berbentuk swarm.

Berapa banyak agen yang ideal dalam sebuah AI agent swarm?

Mulailah dengan satu planner, tiga worker, dan satu verifier. Tambahkan worker hanya jika tugas-tugas tetap independen dan antrean review dapat mengimbanginya. Jumlah worker yang melebihi kapasitas review hanya akan memindahkan bottleneck ke verifier.

Bisakah planner dan verifier diperankan oleh agen yang sama?

Keduanya bisa menggunakan model yang sama, tetapi jalankan dalam sesi eksekusi terpisah dengan konteks yang berbeda. Planner yang meninjau hasil dari rencananya sendiri cenderung akan menyetujuinya begitu saja. Verifier yang terpisah dapat memeriksa diff secara objektif tanpa prasangka atau asumsi planner.

Apakah saya memerlukan Google Antigravity untuk menjalankan agent swarm?

Tidak. Perintah /swarm memang merupakan fitur pratinjau di dalam Antigravity, tetapi pola ini pada dasarnya hanya membutuhkan pemecahan task, workspace terisolasi, dan tahapan review. Anda bisa membangunnya menggunakan git worktree dan papan kanban, menggunakan coding agent mana pun yang sudah Anda jalankan.

Apa yang mencegah para worker dalam swarm mengedit file yang sama?

Rencana kerja menentukan kepemilikan file agar task tidak saling tumpang tindih, dan workspace yang terisolasi menjaga editan setiap worker tetap berada di branch masing-masing hingga tahap merge. Aturan CODEOWNERS dapat menambahkan pemeriksaan tambahan saat proses review.

Jelajahi lebih lanjut

Agen AI Human-in-the-Loop: Keunggulan Alih Kendali Browser

Agen AI Human-in-the-Loop: Keunggulan Alih Kendali Browser

Agen AI human-in-the-loop memerlukan dua jenis titik pemeriksaan: langkah yang hanya dapat dilakukan oleh manusia dan langkah yang seharusnya dinilai oleh manusia. Apa yang sudah tepat dari serah terima Browse, dan bagaimana memetakannya ke papan tugas.

19 November 2026

Gemini 4 Neon Orchestrator: Padukan dengan Hydrogen Subagents

Gemini 4 Neon Orchestrator: Padukan dengan Hydrogen Subagents

Cara menjalankan orkestrator Gemini 4 Neon di atas subagen Hydrogen: kontrak sub-tugas yang ditulisnya, penentuan ukuran fan-out, perhitungan biaya per eksekusi vs Carbon, dan aturan kegagalan.

19 November 2026

Agentic SDLC: Lima Komponen yang Dibutuhkan (Board, Agent, Review Gate)

Agentic SDLC: Lima Komponen yang Dibutuhkan (Board, Agent, Review Gate)

Apa yang benar-benar dibutuhkan dalam SDLC agentic: satu papan bersama, agent yang bisa ditugaskan, agent reviewer terpisah, alur untuk mengembalikan pekerjaan, dan seorang manusia yang melakukan rilis. Siklusnya, langkah demi langkah.

18 November 2026