Agent yang dirancang agar tidak sanggup mengarang

Alur kerja dirancang bertahap dan bukan sekali tekan. Pengguna mengunggah bahan melalui Telegram; agent mengukur fakta bahan dan mengajukan pertanyaan seperlunya; kemudian sistem mengirimkan dua varian naskah beserta papan cerita. Video baru dirender setelah pengguna menetapkan pilihan A atau B, atau menyerahkan naskah versinya sendiri.

ISI: tautan video demo

Rekaman demonstrasi memperlihatkan pemahaman per klip yang benar-benar bersumber dari isi rekaman dan bukan dari nama berkas, dua gaya penulisan naskah yang berbeda, penempatan elemen grafis yang jatuh tepat pada saat kata jangkarnya diucapkan, proses kerja pada lingkungan Cloud VPS melalui dasbor dan terminal, serta pemeriksa mutu yang memperbaiki kenyaringan sebelum berkas diserahkan.

Pipeline dijalankan oleh agent Hermes pada kanal Telegram, namun kode Python-nya tidak pernah mengirimkan apa pun ke Telegram secara mandiri. Pertimbangannya bersifat keamanan, bukan kepraktisan: Hermes tidak meneruskan identitas percakapan yang tepercaya kepada proses anak. Menebak percakapan tujuan berarti membuka kemungkinan materi milik seseorang sampai kepada orang lain. Karena itu skrip hanya mengembalikan lokasi berkas hasil melalui JSON pada stdout, dan agent Hermes yang mengirimkannya pada sesi percakapan yang sama.

Ketiga tahap dijalankan orchestrator.py sebagai subproses dengan grup proses tersendiri dan batas waktu keras melalui killpg, seluruhnya berada di dalam satu flock eksklusif karena berkas kerja dipakai bersama.

Prinsip “LLM mengusulkan, kode mengukur” bukanlah semboyan, melainkan pembagian kewenangan yang ditegakkan pada tingkat struktur data. Pada setiap titik yang berpotensi menghasilkan sebuah fakta, model bahasa hanya diperkenankan mengembalikan pilihan dari himpunan yang disusun kode — pada umumnya berupa sebuah nomor — dan kode yang kemudian menyusun isi sebenarnya dari sumber aslinya.

Baris terakhir tabel tersebut memiliki riwayat tersendiri. Fungsi estimate_metrics() sebelumnya menggunakan random.randint dan melaporkan status HIGH_PERFORMING padahal belum satu pun unggahan diterbitkan. Saat ini fetch_real_analytics() mengembalikan None dan laporan menuliskan NO_DATA. Kami memilih kolom kosong yang jujur ketimbang angka yang menyenangkan untuk dibaca.

Prinsip yang sama berlaku pada perhitungan biaya. Berkas pricing.json memuat catatan eksplisit bahwa model yang tidak terdaftar di dalamnya tidak akan ditebak; biayanya dilaporkan null dan bukan nol. Nol merupakan sebuah klaim, sedangkan null adalah pengakuan ketidaktahuan.

Rancangan gagal-tertutup

Sistem ini digunakan oleh lebih dari satu orang, dan satu tebakan yang keliru berarti materi milik seseorang sampai kepada orang lain. Oleh sebab itu setiap ketidakpastian berakhir pada penolakan:

• Percakapan tujuan tidak diketahui; tidak tersedia percakapan cadangan.
• Lokasi lampiran berada di luar folder masuk setelah realpath. Sistem tidak pernah memindai folder dan tidak pernah menggunakan “berkas terbaru” sebagai cadangan.
• Bahan tidak disebutkan secara eksplisit; direktori workspace/raw/ memuat materi milik proses dan pengguna lain, sehingga penggunaan seluruh isinya bukan pilihan yang sah.
• Draf milik percakapan lain, berusia lebih dari 24 jam, bahannya berbeda, atau telah pernah dirender. Klaim sekali pakai ditegakkan melalui O_EXCL dan dilepaskan kembali apabila render gagal.
• Nilai pengaturan yang salah ketik; ditolak pada titik masuk, sebelum kunci render diambil dan sebelum satu pun panggilan LLM berbayar dilakukan.

Setiap aturan yang dipaparkan di atas lahir dari kegagalan yang dapat ditunjuk tanggalnya. Kami mendokumentasikannya secara lengkap karena aturan tanpa sebab yang jelas akan dilanggar kembali oleh orang berikutnya, termasuk oleh kami sendiri sepekan kemudian.

Satu insiden operasional dan aturan yang mengikutinya

Sebuah proses render milik pengguna pernah hilang tanpa jejak. Gateway berjalan sebagai layanan systemd dengan konfigurasi KillMode=mixed, sehingga tindakan restart mengirimkan SIGKILL ke seluruh cgroup, termasuk proses render yang dijalankan secara detached. Render tersebut berhenti pada _combined_text.mp4, satu langkah sebelum mux_audio selesai. Tidak tercatat peristiwa run_finished karena blok finally tidak sempat dieksekusi, dan pengguna tidak menerima pemberitahuan apa pun. Sejak saat itu scripts/check_locks.py wajib dijalankan dan menyatakan status bebas sebelum gateway boleh dimulai ulang.

Content Factory menyunting bahan milik pengguna; ia tidak membangkitkan video sintetis dari nol. Pembedaan ini menentukan keseluruhan rancangannya.

Empat resep, ditetapkan dari permintaan pengguna

1. Suara asli, subtitel, dan B-roll sisipan. Klip stok tampil sesaat di atas video pada saat kata yang relevan diucapkan, sehingga suara asli dan subtitel tidak bergeser sedikit pun.
2. Sulih suara sintetis, teks, elemen grafis, dan musik. Klip stok disisipkan di sela bahan pengguna, bukan ditumpuk di atasnya.
3. Pemecahan video bicara panjang menjadi dua hingga tiga konten pendek yang masing-masing berdiri sendiri.
4. Klip tanpa percakapan disertai lagu: montase dengan pergantian citra yang jatuh tepat pada ketukan.

Ketentuan yang lahir dari pengujian

• Pengubahan kecepatan hanya aktif pada mode sulih suara sintetis. Pada mode suara asli ia tidak disentuh sama sekali, agar subtitel yang dipatok pada transkrip asli tidak terlepas dari gerak bibir penutur pada video.
• Efek zoom Ken Burns hanya diterapkan pada bahan foto; video tidak disentuh.
• Subtitel dibatasi maksimum 74% lebar layar, karena kolom tombol pada sisi kanan antarmuka TikTok menutupi sisanya.
• Elemen grafis penjelas ditempatkan di bawah wajah penutur pada mode suara asli, dan dijadwalkan pada detik ketika kata jangkarnya diucapkan, bukan pada posisi tetap.
• Musik diukur, bukan diberi penguatan tetap. Levelnya dihitung dari kenyaringan video; musik tunggal dibawa ke −16 LUFS.
• Penempelan elemen grafis menumpang pada proses enkode teks, sehingga tidak menimbulkan enkode tambahan.

Pernah terdapat versi deskripsi tool yang tidak menyebutkan batas-batas tersebut, dan akibatnya bot menjanjikan koreksi warna kepada pengguna. Menuliskan ketiadaan ternyata sama pentingnya dengan menuliskan kemampuan.

Keseluruhan sistem berjalan pada satu peladen Linux tanpa kartu grafis, memanfaatkan layanan Cloud VPS dari CloudBaik yang didukung ekosistem AI Hosting IDwebhost sebagaimana disediakan penyelenggara. Pilihan ini bukan kebetulan: dua keputusan teknis yang memungkinkannya sama-sama bersumber dari pengukuran, bukan dari perkiraan.

Optimasi render: 332,8 detik menjadi 35,6 detik

Implementasi awal menggunakan moviepy yang memproses bingkai satu per satu di Python; untuk dua klip video pendek dibutuhkan 332,8 detik. Alih-alih menebak penyebabnya, kami melakukan pemrofilan pada setiap lapisan secara terpisah.

Pemindahan transkripsi ke mesin sendiri

Setelah insiden kehabisan saldo, Whisper lokal melalui faster-whisper dengan model small ditetapkan sebagai bawaan. Pengukuran pada enam klip nyata menghasilkan kecocokan 0,92 terhadap whisper-1 dengan real-time factor 0,76 pada empat inti prosesor, yang berarti proses transkripsi berlangsung lebih cepat daripada durasi audionya sendiri. Terdapat manfaat tambahan yang tidak diperkirakan sebelumnya: penanda waktu kata pertama menjadi lebih jujur pada rentang 0,18–0,72 detik, dibandingkan layanan API yang selalu melaporkan 0,00 padahal suara baru dimulai sekitar detik 0,66. Sebuah penyaring sempat membuang kata pertama pada hampir setiap klip akibat penanda waktu yang keliru tersebut.

Pengendalian biaya

Tahap ContentInsight sebelumnya menggunakan model berbayar dengan konsumsi sekitar 25 ribu token per proses. Setelah dialihkan ke model gratis, pengujian nyata menunjukkan kata kunci tetap relevan, selesai dalam 5 detik, dengan biaya $0. Komponen yang masih berbayar hanya pemilihan potongan ucapan, dan itu pun terbatas pada mode suara asli. Setiap panggilan LLM, sulih suara, dan transkripsi dicatat pada run_log.jsonl beserta biayanya, dihitung dari token nyata dan bukan dari estimasi.

Pengujian dilakukan dalam dua lapis dengan pembagian tugas yang jelas. Lapis pertama menjaga agar perbaikan yang telah dicapai tidak mengalami kemunduran; lapis kedua membuktikan bahwa sistem bekerja pada bahan yang sesungguhnya.

Pengujian otomatis yang terisolasi penuh

Berkas tests/conftest.py memblokir urlopen dan requests untuk keseluruhan suite serta mengosongkan variabel lingkungan Telegram. Seluruh lokasi berkas status diarahkan ke tmp_path. Ketentuan ini pun lahir dari kekeliruan: sebuah pengujian pernah memanggil agent5.run() tanpa mengalihkan TREND_POOL_PATH, sehingga setiap kali suite dijalankan ia menimpa workspace/state/ yang asli sekaligus benar-benar mengirimkan permintaan ke Google Trends.

Pengujian ujung ke ujung pada bahan nyata

Sebagian temuan pada tabel tersebut pada mulanya merupakan kegagalan. Peringatan bahwa baris subtitel memasuki area tombol muncul karena memang demikian keadaannya; pembatasan 74% lebar adalah jawabannya. Pola ini berulang sepanjang proyek: pemeriksa mutu terbukti berguna justru ketika ia menolak hasil kami sendiri.

Aturan tersebut dirumuskan setelah perintah journalctl --user menghasilkan keluaran kosong dan kami menyimpulkan bahwa tidak terdapat galat pada log. Kenyataannya, sistem menjawab No journal files were found: perintah itu memang tidak memiliki hak akses, sehingga ia tidak akan pernah menampilkan galat apa pun. Sejak saat itu check_locks.py diuji dengan lebih dahulu memegang kunci yang sesungguhnya, lalu diperiksa kembali statusnya setelah kunci dilepaskan.

Pelaku usaha mikro, kreator perorangan, dan pengelola media sosial organisasi menghadapi kendala yang serupa: mereka memiliki bahan rekaman, tetapi tidak memiliki waktu maupun keterampilan penyuntingan untuk mengubahnya menjadi konten yang layak tayang. Jalan pintas yang tersedia saat ini umumnya berupa pembangkitan video sintetis sepenuhnya, yang justru menghilangkan satu-satunya aset yang mereka miliki, yakni keaslian.

Content Factory menempuh arah sebaliknya. Ia mempertahankan wajah, suara, dan tempat yang nyata, lalu mengerjakan bagian yang memakan waktu: pemotongan jeda, penyusunan subtitel, penyeimbangan kenyaringan, dan penempatan elemen penjelas. Pengguna tidak perlu menguasai perangkat penyuntingan; ia cukup mengunggah bahan pada percakapan Telegram dan memilih satu di antara dua naskah.

Kami sengaja tidak mencantumkan angka penghematan waktu, karena kami belum melakukan pengukuran pembanding terhadap penyuntingan manual pada populasi pengguna yang memadai. Menuliskan angka semacam itu tanpa dasar akan melanggar prinsip yang justru diusung artikel ini. Yang dapat kami nyatakan berdasarkan catatan proses adalah bahwa penyusunan draf berlangsung sekitar 122 detik dan render sekitar 188 detik untuk enam klip, seluruhnya berjalan pada VPS tanpa GPU.

Dampak yang kami anggap paling bernilai justru bersifat metodologis. Pola “model mengusulkan, kode mengukur” beserta pembedaan tegas antara kegagalan dan ketiadaan tidak terikat pada ranah video. Pola yang sama berlaku pada agent yang menyusun laporan keuangan, meringkas rekam medis, atau memproses dokumen hukum — yaitu setiap keadaan ketika sebuah sistem otonom menghasilkan keluaran yang akan dipercaya orang lain sebagai fakta. Karena itu pola tersebut kami uraikan di artikel ini selengkap mungkin — beserta insiden yang melatarinya dan angka yang mendasarinya — agar dapat diuji dan ditiru tanpa perlu membaca kode kami.

Pada tataran etika, sistem ini menegaskan satu pendirian: perangkat yang menempelkan kata-kata pada wajah seseorang tidak boleh berjalan tanpa persetujuan manusia. Tidak terdapat penerbitan otomatis, dan tahap pemilihan naskah tidak dapat dilewati.

• Steven Chandra Lead AI Engineer & Arsitek Sistem

  Perancangan arsitektur pipeline tiga tahap dan tata kelola anti-halusinasi, meliputi pembatasan keluaran model bahasa serta gerbang gagal-tertutup. Menangani mesin render ffmpeg native beserta optimasinya, orkestrasi subproses dengan penguncian eksklusif, penjadwalan elemen grafis terhadap kata terucap, dan integrasi dengan kerangka kerja Hermes.

• Steven Infrastruktur & Operasional

  Penyediaan dan administrasi Cloud VPS, penerapan layanan systemd untuk gateway, pemasangan Whisper lokal sebagai pengganti layanan berbayar, pemantauan proses latar belakang, penanganan insiden operasional, serta pengendalian biaya melalui pencatatan run log.

• Angky Kurniawan Pengujian & Jaminan Mutu

  Penyusunan 52 berkas uji otomatis dengan isolasi jaringan dan status, pengujian ujung ke ujung pada bahan pengguna yang sesungguhnya, pengembangan pemeriksa mutu keluaran untuk kenyaringan, bingkai beku, dan teks terpotong, serta dokumentasi studi kasus kegagalan.

Bagian tersulit dalam membangun agent yang menyentuh materi milik orang lain bukanlah membuatnya cerdas. Justru itulah bagian yang relatif mudah, sebab model bahasa saat ini telah sangat mampu. Yang sulit adalah membuatnya berhenti: berhenti menebak ketika data tidak lengkap, berhenti mengisi kekosongan dengan sesuatu yang terdengar masuk akal, dan berhenti memperlakukan kegagalannya sendiri sebagai informasi.

Setiap kali sistem ini menghasilkan keluaran yang keliru, polanya selalu sama: terdapat satu titik ketika kegagalan secara diam-diam berubah bentuk menjadi kesimpulan. Transkripsi yang gagal menjadi “tidak ada yang berbicara”. Klip merah yang kosong menjadi “ilustrasi galat”. Model yang tidak melihat gambar tetap menjawab seolah-olah melihat. Tidak satu pun di antaranya merupakan kesalahan model; seluruhnya merupakan kesalahan kode yang tidak menyediakan sarana untuk menyatakan “saya tidak tahu”.

Arah pengembangan berikutnya bukanlah penambahan efek, melainkan perluasan prinsip yang sama ke bagian yang belum tercakup: sumber tren yang lebih beragam dengan verifikasi yang setara ketatnya, serta analitik nyata begitu kredensial platform tersedia — dengan ketentuan yang tidak berubah, bahwa kolom tanpa data tetap dituliskan sebagai NO_DATA.

Pada akhirnya, bentuk akhir sistem ini banyak berisi penolakan, dan menyisakan satu titik keputusan manusia yang tidak dapat dilewati. Pengguna membaca dua naskah, menetapkan pilihan, atau menuliskan naskahnya sendiri; barulah video dibuat. Untuk pekerjaan yang menempelkan kata-kata pada wajah seseorang, kami tidak menemukan alasan yang cukup kuat untuk melewatkan langkah tersebut.