Postingan dengan tag
54postingan
Migrasi total arsitektur AI BiZETO ke MCP Server (Zero Ollama), penambahan Order Intent Detection & Push Notifikasi WA ke Admin, serta penegakan aturan Whitelist.
Refaktorisasi fundamental mesin parsing Sajen API & MCP Server: penerapan invarian struktural data item fisik untuk mengunci klasifikasi faktur pembelian tanpa hardcode.
Implementasi 5 Pilar Kognitif AGY pada VibesChat: Sub-Goal Decomposition, Entity Scope Isolation kontak, Dynamic Inflow Moving Avg, dan Deterministic Simulation.
Peningkatan kapabilitas VibesChat dengan integrasi Universal URL Reader, auto-fallback dokumen logbook docs.samkarsa.com, dan eliminasi penolakan tautan luar.
Implementasi Smart Streamer Jump untuk eliminasi tampilan script saat streaming, self-hosted Plotly, dan transformasi visual grafik bergaya Data Visualisation Catalogue.
Eliminasi halusinasi atributif silang pada VibesChat melalui pemisahan entitas komoditas-supplier di SessionScratchpad, isolasi working memory, dan penegakan Zero AI-Feedback Loop.
Rilis besar VibesChat Intelligence V2: Batch Entity Resolver akurasi 100%, Smart Chart Synthesis bebas kata larangan, Chat-Driven CRUD dengan proteksi RBAC, dan Glassmorphism Action Card.
Implementasi 4-Tier Cognitive Memory Engine (SEGR, Recency Decay, Invalidation, Dual-Tier Scratchpad) pada VibesChat untuk eliminasi tuntas halusinasi utang & bias jatuh tempo.
Implementasi First-Class ReAct Tools untuk rekap finansial harian dan kalkulasi ROP riil operasional toko tanpa pelacakan stok unit di VibesChat.
Pencegahan kebocoran tag komentar HTML SUGGESTIONS & ACTIONS ke gelembung pesan chat melalui parser toleran unclosed tag di frontend dan auto-closer di backend validator.
Resolusi nama produk singkat dan alias pada Vibeschat menggunakan arsitektur Harvest & Re-Rank, PostgreSQL pg_trgm similarity, injeksi ocr_alias_mappings, dan zero-regression.
Pembersihan dead code warisan, pencabutan fast-path regex, rekonstruksi selective memory harvester, dan implementasi persona Data Storytelling pada Vibes Chat.
Implementasi History Sanitizer untuk mereduksi 71% token multi-turn, standardisasi tanggal ISO YYYY-MM-DD, dan eliminasi sapaan berulang pada percakapan lanjutan.
Arsitektur pemisahan profil toko on-demand bebas pembengkakan token, isolasi multi-tenant PostgreSQL, response typing stream mode, dan scroll anchoring ergonomis.
Ekspansi cakupan indeks Basemind: Menambahkan repositori bizeto-pos ke extra_roots basemind.toml untuk kecerdasan kode terintegrasi lintas ekosistem kasir ritel.
Mengeliminasi halusinasi data dengan serialisasi Compact Pipe Table 100% utuh tanpa pemotongan baris, serta menghapus template kaku pada Vibes Chat.
Perbaikan presisi ekstraksi diskon faktur distributor (Discount Product & Customer), pencegahan false-positive DP pada produk EDP, serta rekonsiliasi matematis dot-matrix.
Implementasi K-V Prompt Caching menggunakan DATABASE_ONTOLOGY.md untuk mencegah halusinasi SQL, dilengkapi dengan fitur belajar mandiri (Tenant-Aware Semantic Dictionary) melalui vibes_memory.
Menggantikan LLM router dengan Basemind Local Semantic Classifier, direct Fast-Path SQL, dan meletakkan multi-turn history di Top-of-Context untuk latensi < 3 detik.
Pembaruan Dynamic SQL Engine untuk agregasi riwayat multi-item per kategori komoditas dan akurasi supplier tanpa filter tanggal terpotong.
Transformasi Sajen Intelligence ke Level 4 Compound ReAct Agent dengan Dynamic Tool Suite dan Deterministic Grounding Guardrail.
Integrasi Semantic Domain Ontology Layer untuk memandu penalaran ReAct SQL Engine secara otonom tanpa batasan hardcode.
Integrasi semantik aturan toko dinamis tanpa hardcode serta fitur copy & edit prompt dengan tipografi Gemini pada Vibes Chat.
Pencatatan benchmark riil konsumsi token Gemini (18.849 token per pesan) sebelum implementasi Basemind Schema Pruning Engine.
Pemasangan binary Basemind v0.26.0 di dalam container Docker mcp-backend-prod untuk memangkas konsumsi token Gemini hingga 90%.
Penerapan Smart Early Stop pada ReAct Engine untuk memangkas latensi response dari 19.5s ke ~5s dan token total ke ~3.000 token.
Rombak total alur Vibes Chat dengan arsitektur Two-Pass Dynamic Sourcing berbasis Gemini Cloud API dan Basemind AST tanpa regex kaku atau template instruksi buatan.
Pembaruan arsitektur Sajen Intelligence: Dynamic PostgreSQL Schema Introspection, AST Route Reflection, On-Demand Plotly Chart, dan kalibrasi suhu AI ke 0.45.
Refactoring total arsitektur Sajen Intelligence ke Autonomous Text-to-SQL PostgreSQL, eliminasi template robotik, dan render visual interaktif.
Penyempurnaan penjurnalan biaya operasional dinamis: isolasi beban operasional umum dari akun gaji/akrual PPh 21, resolusi cerdas sub-akun beban (BBM, utilitas, sewa, pemasaran), dan garansi pemotongan kas/bank langsung.
Cetak biru arsitektur Dynamic Autonomous Intelligence Platform mengadopsi metodologi Agentic AI Adaptation (Cheap, Lightweight & Efficient) dengan optimalisasi Specialized Tools di bawah kendali Frozen Gemini Model.
Implementasi Continuous Learning Engine OCR adaptif: Universal Deep JSON Delta, LLM Rule Distillation Agent, model database SupplierParsingRule, Dynamic Supplier Rule Injection, dan Strict Mathematical Guardrail anti-halusinasi.
Penerapan Zero-Hallucination di seluruh level data, pengenalan profil & konfigurasi toko dari app_settings, adaptasi nalar bisnis cerdas berbasis is_maintenance_stock, serta continuous feedback loop via vote up/down.
Peningkatan antarmuka Sajen Intelligence: menu opsi sesi titik 3 vertikal dengan Radix UI AlertDialog, isolasi scrollbar mandiri, integrasi i18n dwibahasa, resolusi nama toko faktual, dan aturan sapaan cerdas (Smart Greeting).
Transformasi Vibes Chat menjadi Sajen Intelligence: analitika strategis ritel, pembacaan seluruh riwayat database, integrasi Dynamic Pricing, Smart Bundling, Vision OCR, render grafik tren (chart:line), serta tombol navigasi aksi cepat.
Maksimalisasi peran MCP Server sebagai Grounding & Intelligence Hub dengan tool vibe_copilot (autonomous SQL grounding, temporal anchoring, pgvector, dan free reasoning).
Peningkatan kecerdasan AI Co-Pilot dengan detail rincian item barang faktual, saldo buku besar PSAK, rendering grafik interaktif di chat, auto-growing multi-line input, dan manajemen sesi riwayat percakapan.
Peningkatan kualitas laporan keuangan berbasis PSAK/SAK EMKM resmi (Neraca & Laba Rugi), tombol aksi cetak PDF & unduh Excel di chat, clickable suggestion chips, dan rendering visual chart interaktif.
Transformasi arsitektur AI Co-Pilot dari template statis menjadi Multi-Agent Intent Router adaptif (CFO Accountant, Procurement Specialist, Sales Consultant, Market Intelligence, Strategy Advisor, App Guide) dengan resolusi tanggal dinamis tanpa batas waktu statis.
Dukungan visualisasi graf multi-format (DOT, Mermaid, GraphML, Cypher, Interactive SVG Charts) dengan fitur Copy & Export file graf, targeted product query tanpa batasan waktu, dan eliminasi total chart ASCII.
Implementasi penuh fondasi Basemind Model untuk Vibes Chat Blonjo: Tabel vibes_memory PostgreSQL, LLM-First Intent Classifier 9 peran, Predictive Stock/Revenue Engine, Data Graph DOT/Mermaid, dan Output Response Validator.
Rancangan implementasi konsep Basemind (context-map, selective grounding, per-repo memory, agent intelligence) ke Vibes Chat Blonjo dalam 3 fase: Quick Win → Core Architecture → Intelligence Layer.
Menghitung ulang total_amount transaksi secara otomatis berdasarkan hasil penjumlahan per item jika terjadi ketidakcocokan nominal dengan teks nota/struk.
Injeksi aturan anti-halusinasi ketat pada AI Vision Prompt untuk mencegah pengubahan produk deterjen/kode pabrik menjadi barang umum seperti Cap Lang Kayu Putih, serta deteksi orientasi kemiringan gambar.
Sinkronisasi System Prompt AI Parser pada Sajen API, Blonjo Frontend, dan MCP Server untuk mendeteksi tujuan ekonomi transaksi secara utuh (mencegah salah klasifikasi BBM/Utilitas operasional sebagai pembelian stok dagangan).
Penambahan aturan 12 pada STATIC_OCR_PROMPT mcp-server untuk menangani nota multi-kolom Qty (BSR/TGH/KCL) dan harga berbasis Nilai Neto.
Pembaruan System Prompt pada tool parse_transaction di MCP Server untuk mendukung pengenalan intent Uang Muka Penjualan (Customer Deposit) secara presisi.
Perbaikan OCR Nota Tulisan Tangan dan integrasi REST Bridge JSON pada MCP Server untuk sistem Jualan.
Perbaikan akurasi pemrosesan OCR, penanganan hallusinasi tanggal sistem, dan perbaikan tampilan log LLM monitoring.
Pengembangan arsitektur Two-Pass Vision Analysis untuk penyuntikan RAG dinamis pada proses OCR nota belanja.
Changelog perbaikan bug ekstraksi tanggal transaksi pada UI SmartNote, pembersihan skema OCR di MCP Server, serta implementasi logika diskon mutually-exclusive (anti-double counting).
Refaktor arsitektur OCR Engine dari prompt hardcode menjadi Dynamic RAG Injection. Pengetahuan penafsiran nota spesifik (seperti format Faktur FI RINCINSARI / KRT.LSN.SAT) kini disuplai secara dinamis dari Vector Database RAG saat runtime, bukan dikodekan statis di source code.
Menyelesaikan masalah pada bridge REST API di MCP Server yang menyebabkan fallback dan memperbaiki logika pembersihan JSON.
Menghapus jebakan teks pada prompt yang menyebabkan model lokal Ollama berhalusinasi saat membaca gambar sepotong atau tidak jelas, dan mengembalikan pipeline fallback Ollama -> Gemini.