v1.0.0-007 : Peningkatan Strategi Auto-Switch Gemini (MCP Server)
Penambahan API Key fallback lapis ketiga dan pembaruan versi model Vision untuk memaksimalkan resiliensi layanan AI.
Pembaruan ini mencakup optimasi ketahanan layanan integrasi pihak ketiga (Gemini AI) pada MCP Server. Peningkatan mekanisme Auto-Switch dirancang untuk memastikan kelancaran fungsionalitas RAG (Retrieval-Augmented Generation) dan tools parsing sekalipun kuota gratis pada kunci API utama telah melampaui batas (limit).
Telah dilakukan modifikasi pada berkas src/services/aiProviderService.ts beserta konfigurasi variabel lingkungannya (.env.production).
- Sistem MCP kini mengelola 3 Lapis Kunci API Gemini (
GOOGLE_API_KEY,GOOGLE_API_KEY_FALLBACK, danGOOGLE_API_KEY_FALLBACK_2). - Logika sistem dipastikan mengeksekusi metode Outer-Loop Key Switching. Artinya, sistem secara berurutan akan menghabiskan jatah seluruh kelas model (mulai dari 3.5 hingga yang terendah) di API Key 1 terlebih dahulu. Jika Key 1 seluruhnya limit, maka sistem berpindah penuh ke Key 2, dan demikian seterusnya ke Key 3.
Telah dihapus implementasi model gemini-1.5-flash pada daftar fallback fungsi Vision (OCR Image-to-Text).
- Alasan: Model
1.5-flashsudah sepenuhnya usang (menghasilkan respons404 Not Found), yang berpotensi memicu timeout tak berarti saat sistem memaksakan interaksi. - Pengganti: Model ditingkatkan dengan menggunakan
gemini-3.5-flashsebagai prioritas pertama saat melangsungkan fungsi generatif Vision, memberikan hasil akurasi baca karakter (OCR) yang jauh lebih presisi dibandingkan generasi pendahulunya.
Melalui analisis arsitektural yang mandalam, ditetapkan bahwa modul kecerdasan buatan terpisah yang tertanam di backend aplikasi sentral (sajen/app/services/ai_engine.py) harus tetap dipertahankan.
Backend sajen menampung beban asynchronous berskala besar (Ratusan antrean data per menit melalui Celery Worker) dan perhitungan matematis yang membutuhkan latency mendekati nol dengan kueri SQLAlchemy. Mengekspor rutinitas mandiri tersebut ke Gateway HTTP eksternal (MCP Server) justru akan melanggar prinsip Separation of Concerns dan menimbulkan Single Point of Failure.
Oleh karena itu, modul AI di Backend tetap menangani beban internal berat, sementara MCP Server (dengan logika API Key 3 lapisnya) bertugas eksklusif sebagai jembatan interaksi natural-language dan utilitas RAG.
Admin server direkomendasikan untuk langsung mengeksekusi berkas deploy.sh pada directory /mcp-server di lingkungan produksi guna membangun ulang kontainer Docker MCP, sehingga konfigurasi kunci API terbaru dapat direkognisi oleh modul Node.js.