MCP v1.0.0-022: Baseline Audit Token LLM & Rencana Integrasi Basemind Native Engine
Pencatatan benchmark riil konsumsi token Gemini (18.849 token per pesan) sebelum implementasi Basemind Schema Pruning Engine.
1mnt baca
Berdasarkan audit riil pada tabel mcp_request_logs di database PostgreSQL production VPS, tercatat konsumsi token untuk 1 pertanyaan pengguna (“apakah kamu tahu aturan yang digunakan oleh toko kusuma untuk perhitungan margin dan pengelolaan stock”) mencapai 18.849 total token.
| Log ID | Tahapan Proses AI | Model LLM | Token In | Token Out | Total Token |
|---|---|---|---|---|---|
| #418 | Intent Classification (Router) | gemini-2.5-flash |
1.905 | 168 | 2.073 |
| #419 | ReAct Loop Iterasi 1 (Planning) | gemini-3.1-flash-lite |
2.925 | 137 | 3.062 |
| #420 | ReAct Loop Iterasi 2 (Planning) | gemini-3.1-flash-lite |
3.028 | 109 | 3.137 |
| #421 | ReAct Loop Iterasi 3 (Planning) | gemini-3.1-flash-lite |
3.121 | 159 | 3.280 |
| #422 | CFO Advisor Synthesis (Jawaban) | gemini-3.1-flash-lite |
6.530 | 767 | 7.297 |
| TOTAL | 1 Pertanyaan Pengguna | — | 17.509 | 1.340 | 🔥 18.849 Token |
Dengan menanamkan Basemind langsung ke dalam container mcp-backend-prod:
- Schema Pruning: Mengurangi ukuran skema DDL berulang dari ~3.000 token menjadi ~250 token per iterasi ReAct.
- Result Data Compression: Mengompresi hasil raw JSON dari database menjadi matriks ringkas (~150 token).
- Target Reduksi: Memangkas konsumsi token per pertanyaan dari 18.849 token menjadi < 2.000 token (Efisiensi 90%).