Arsitektur Agentic AI
Speakout menjalankan tiga agen otonom di atas satu orkestrator. Setiap agen melewati siklus persepsi→penalaran→tindakan dengan tool use nyata, audit trail lengkap, dan human-in-the-loop untuk aksi berisiko.
Siklus kerja setiap agen
Perceive
Memantau data & event dari cron, trigger database, dan webhook.
Reason
LLM menganalisis konteks; ringkasan reasoning ditampilkan (bukan chain-of-thought mentah).
Plan
Menyusun langkah-langkah tindakan yang akan dieksekusi.
Act
Memanggil tools nyata via function calling.
Observe
Membaca hasil tool, lalu memutuskan lanjut, selesai, atau eskalasi.
Learn
Mencatat langkah ke audit trail yang replayable untuk evaluasi.
Tiga agen
Attendo
Attendance Intelligence AgentMemantau absensi, mendeteksi pola alpha berulang, terlambat konsisten, dan risiko drop-out. Trigger: sesi absensi ditutup + cron harian.
Tools (6)
get_attendance_historycalculate_attendance_ratedetect_patternsend_notificationcreate_alertnotify_tutorFinna
Finance & SPP AgentMemantau tagihan SPP, mengirim pengingat cerdas, rekonsiliasi pembayaran, memprediksi keterlambatan. Trigger: H-7/H-3/H-1, webhook pembayaran, cron harian.
Tools (6)
list_unpaid_invoicesget_payment_historygenerate_payment_linksend_notificationmark_overduepropose_installment_planMentora
Learning & Assessment AgentMenganalisis performa belajar, merekomendasikan materi, membantu tutor. Trigger: ujian/kuis selesai, nilai masuk gradebook, cron mingguan.
Tools (6)
get_gradebookanalyze_weak_topicsrecommend_materialsgenerate_quiz_questionssuggest_essay_scorenotify_studentContoh log agen nyata
Diambil langsung dari tabel agent_steps pada sistem yang berjalan.
Mentora learn
Analisis 5 siswa dengan topik lemah; rekomendasi materi & soal remedial dikirim.
Mentora observe
Hasil tool notify_student diamati.
Mentora observe
Hasil tool notify_student diamati.
Mentora observe
Hasil tool notify_student diamati.
Mentora observe
Hasil tool notify_student diamati.
Mentora observe
Hasil tool notify_student diamati.
Mentora observe
Hasil tool generate_quiz_questions diamati.
Mentora observe
Hasil tool recommend_materials diamati.
Human-in-the-loop
Aksi berisiko — menghubungi orang tua, memberi denda, mengubah nilai — selalu masuk Approval Queue. Aksi aman berjalan otomatis. Tingkat otonomi tiap agen dapat diatur administrator.
Keamanan & audit
Secret hanya di server (API key tidak pernah bocor ke client). Konten siswa diperlakukan sebagai data, bukan instruksi (prompt injection guard). Semua aksi tercatat di audit log, replayable per run.