LLM
Prasyarat untuk Meningkatkan Akurasi Multi-Agen LLM
Jalankan banyak agen maka jadi akurat? Hanya setengah benar. Model yang dilatih dengan data yang sama akan salah di tempat yang sama. Multi-agen bekerja dalam dua kondisi — rancang independensi error, atau dirikan verifier di luar LLM pada domain yang dapat diverifikasi.
Kode Ratchet yang Memanfaatkan IFEval
Bias sanjungan LLM bukan bug melainkan aset. Gabungkan kemampuan mengikuti instruksi yang diukur IFEval dengan umpan balik deterministik, dan bahkan model lokal 4.5B menghasilkan loop konvergensi yang menghasilkan kode yang benar.
Bias Penjilatan AI Adalah Fitur Bisnis
Bias penjilatan LLM bukan bug. Ini adalah keniscayaan matematis dari RLHF dan fitur komersial yang tidak punya insentif untuk diperbaiki oleh big tech. Inilah mengapa LLM-as-Judge secara struktural tidak mungkin.
Mengapa Coding Agent Bekerja dan Mengapa Runtuh
Model yang sama berhalusinasi di web chat tapi mengirimkan fitur 200 baris di coding agent. Bukan karena modelnya berubah — karena topologinya berubah. Generasi boleh probabilistik. Verifikasi harus deterministik.
Topologi Feedback Lebih Penting dari IQ Model
Model yang sama berhenti di 40 atau menyelesaikan semua 527. Perbedaannya bukan modelnya — melainkan struktur feedback. Performa LLM jauh lebih bergantung pada seberapa cepat dan deterministik loop feedback-nya daripada model itu sendiri.
tsma -- Garis Pertahanan Regresi untuk Kode Legacy
Alat CLI yang mengindeks semua fungsi, mendeteksi keberadaan test, mengukur coverage, dan memberikan feedback akurat kepada agen LLM. Satu perintah membangun garis pertahanan regresi pada kode legacy.
Batasan adalah Kontrak
Tanpa kesepakatan adalah kekacauan, terlalu banyak kesepakatan adalah penindasan. Batasan yang rasional membentuk rasio emas. Prinsip rule of law berlaku sama pada kode dan pengetahuan.
filefunc — Satu File, Satu Konsep
Unit penelusuran AI code agent adalah file. Konvensi struktur kode Go sekaligus CLI tool yang memaksa satu konsep per file.