AI yang Lebih Personal
Kami membangun pipeline konteks yang terstruktur agar asisten memiliki gambaran berkelanjutan tentang apa yang sedang kamu kerjakan — bukan sekadar membaca pesan terakhir. Secara internal, Soplantila memadukan beberapa lapisan informasi: percakapan terkini, keadaan pengguna saat ini, proyek yang sedang aktif, ringkasan sesi, serta memori jangka panjang yang relevan ketika diaktifkan.
Semua lapisan ini disatukan secara deterministik sehingga perilakunya dapat diprediksi dan diuji. Tujuannya sederhana: semakin kamu bercakap dengan Soplantila, semakin nyambung percakapan berikutnya.
Memahami Apa Arti 'Tadi'
Bagian yang paling menarik adalah kemampuan Soplantila untuk memahami referensi seperti 'buatkan dari tadi', 'pakai rumus sebelumnya', 'gunakan pembahasan tadi', 'buat diagram dari itu', atau 'lanjutkan yang kemarin'.
Sistem menyelesaikan referensi tersebut melalui prioritas yang terikat pada percakapan dan proyek terdekat, lalu menyatukannya dengan konteks pribadi. Yang tak kalah penting: ketika konteks benar-benar ambigu, sistem memilih untuk tidak mengarang. Daripada menebak-nebak objek yang dirujuk, Soplantila menggunakan konteks terkuat yang benar-benar ada — atau meminta klarifikasi singkat yang jelas.
Ketika dua topik yang berbeda dibahas berurutan, sistem menahan diri agar tidak mengarang. Referensi yang tidak jelas dilewati atau diminta diperjelas, bukan dilengkapi dengan tebakan.
Dari Percakapan Menjadi Gambar
Contoh paling nyata ada di alur pembuatan gambar. Sebelumnya, setiap permintaan gambar diperlakukan sebagai prompt yang terisolasi. Kini, alur pembuatan gambar menerima konteks dari percakapan sebelumnya secara otomatis.
Kami menguji fitur ini langsung melalui aplikasi yang berjalan sungguhan: seorang pengguna berdiskusi tentang hukum Ohm dengan data V = I × R, arus I = 2A, dan hambatan R = 10Ω, sehingga tegangannya V = 20V. Kemudian pengguna menulis instruksi untuk membuatkan gambar 'dari yang tadi'. Gambar yang dihasilkan berhasil mewakili konten percakapan dengan benar: V = I × R, I = 2A, R = 10Ω, dan V = 20V.
Verifikasi dilakukan melalui antarmuka aplikasi yang terautentikasi, memastikan konteks mengalir dari percakapan menuju gambar yang dihasilkan — bukan sekadar hasil simulasi.
Batas Konteks yang Lebih Aman
Memperbanyak konteks juga berarti menjaga batas-batasnya. Kami memastikan konteks selalu terikat pada pengguna yang sedang berinteraksi, dilindungi oleh kebijakan keamanan tingkat-baris di database, dan dibuktikan dengan pengujian isolasi: pengguna A tidak pernah membaca keadaan pengguna B, begitu pula sebaliknya.
Konteks yang dikirim ke model juga dibatasi dan difilter. Data kredensial, metadata autentikasi mentah, dan informasi rahasia tidak dibocorkan ke prompt gambar yang diberikan ke model. Saat memori jangka panjang dimatikan, sistem tidak mengambil maupun menggunakan memori tersebut — namun kelangsungan percakapan (continuity) yang dibutuhkan untuk tugas saat ini tetap berjalan.
Fondasi Data yang Lebih Kuat
Selama verifikasi produksi, kami menemukan cacat pada trigger basis data yang berpotensi menghambat pembaruan pada tabel keadaan pengguna, proyek, dan ringkasan sesi. Kami memperbaikinya dengan memperkenalkan trigger pemutakhiran timestamp yang lebih generik dan menerapkan ulang kaitannya ke tabel yang terdampak, tanpa mengubah data maupun kebijakan keamanan yang ada.
Pada sisi lain, kami juga menertibkan catatan migrasi Drizzle: beberapa migrasi yang sebenarnya telah diterapkan di database ternyata belum tercatat dalam ledger. Kami mendaftarkannya secara metadata-only — tanpa mengeksekusi ulang SQL-nya — sehingga riwayat migrasi menjadi konsisten dan data yang ada tetap utuh. Ini perubahan internal yang penting karena menjaga keandalan proses pengembangan ke depan.
Bagaimana Kami Memverifikasinya
Selain menguji melalui aplikasi nyata, kami menjalankan rangkaian pengujian otomatis di area konteks, memori, gambar, parser, dan skema basis data, serta pemeriksaan tipe, lint, build produksi, konsistensi basis data, dan instalasi dependensi yang terkunci.
Verifikasi basis data sungguhan juga mencakup isolasi antar pengguna, persistensi keadaan saat ini, resolusi referensi, kontinuitas konteks, perilaku memori aktif/nonaktif, serta regresi kuota, autentikasi, dan pembatasan laju permintaan.
Apa Selanjutnya
Kontinuitas konteks ini adalah pondasi. Ke depan, kami ingin menghadirkan pengalaman yang semakin nyambung: melanjutkan pekerjaan lintas sesi dengan lebih halus, membuat referensi multi-objek lebih presisi, dan memperluas konteks ke seluruh fitur Soplantila tanpa melonggarkan batas keamanan.
Sebuah catatan jujur: verifikasi otomatis menyeluruh pada model pembuat gambar belum dapat diselesaikan di lingkungan pengembangan karena kendala sesi autentikasi pada jalur pengujian otomatis. Namun, pengujian manual langsung melalui aplikasi yang berjalan sungguhan telah membuktikan bahwa kontinuitas konteks-to-gambar berfungsi. Transparansi seperti ini kami rasa penting, karena keandalan tidak boleh hanya diukur dari angka pengujian.
Kesimpulan
Pembaruan ini bukan sekadar menambah fitur — melainkan membuat Soplantila memahami konteks sebagaimana manusia memahami satu sama lain: dengan memperhatikan, mengingat uraian di atas, dan saat ragu memilih untuk bertanya daripada mengarang. Fondasi yang lebih personal, lebih aman, dan lebih andal adalah landasan untuk pengalaman yang jauh lebih berguna di masa depan.
Tim Rekayasa Soplantila
AI Context & Architecture • Fokus pada pengembangan multimodal AI dan performa sistem Next.js.