Bagian ini sengaja ditambahkan agar dokumen lama tidak membawa simplifikasi yang dapat menyesatkan.
“sistem prompt selalu hidden” → terlalu absolut. Implementasi instruction hierarchy dan visibility berbeda antar API/product.
“RAG selalu mengurangi hallucination” → terlalu sederhana. RAG membantu grounding ketika pengambilan dan konteks benar; pengambilan yang salah dapat menghasilkan jawaban yang tetap salah.
“<200.000 token berarti tidak perlu RAG” → bukan threshold universal. Itu merupakan saran/hasil eksperimen Anthropic pada konteks tertentu. Evaluasi aktual tetap wajib.
“Transformer adalah satu-satunya arsitektur LLM” → terlalu absolut. Transformer dominan pada banyak LLM modern, tetapi istilah model language tidak mewajibkan satu arsitektur universal.
“Open-sumber = open-weight” → bukan sinonim. Open-weight mengacu pada ketersediaan bobot; sumber terbuka dapat mencakup lebih banyak aspek dan bergantung pada lisensi/proyek.
“Reasoning model” → istilah industri, bukan satu definisi arsitektural formal universal.
OWASP 2025 → pada September 2026 sudah tersedia sumber daya OWASP 2026, sehingga dokumen ini memprioritugasan referensi 2026 dan menyebut edisi secara eksplisit.
MCP → spesifikasi terus berkembang. Dokumen ini merujuk halaman latest, yang saat diperiksa mengarah ke spesifikasi 2026-07-28.
Cara paling aman memahami AI modern adalah jangan memulainya dari daftar model. Mulai dari lapisan sistem:
Problem
→ Data
→ Model
→ Inference
→ Context
→ Retrieval
→ Tools
→ Workflow/Agen
→ Security
→ Evaluation
→ Observability
→ Operations
→ Governance
Diagram — Kesimpulan struktur
Dengan struktur tersebut, istilah seperti LLM, RAG, Agen, MCP, Skills, Rekayasa konteks, Evals, LLMOps, dan AgentOps dapat ditempatkan pada posisi yang jelas dan tidak dianggap sebagai teknologi yang saling menggantikan.
70.Status cakupan
Dokumen ini sekarang mencakup peta konseptual untuk:
RAG dari dasar sampai advanced/GraphRAG/agenic RAG;
alat/pemanggilan fungsi;
alur kerja dan arsitektur agen;
memori, skill, MCP, penggunaan komputer, multi-agen;
evals dan benchmark;
guardrails, keamanan AI, OWASP 2026;
privasi, tata kelola, NIST AI RMF;
MLOps, LLMOps, AgentOps;
observabilitas/OpenTelemetry;
cost/rekayasa latensi;
arsitektur perusahaan;
AI + database/API;
sistem rekomendasi;
daftar periksa produksi;
peta jalan pembelajaran dan peta jalan proyek.
Topik yang tetap membutuhkan dokumen teknis tersendiri
Untuk menjadi master tingkat riset/implementation, topik berikut masih perlu pembahasan khusus dengan matematika, kode, dan eksperimen sendiri:
backpropagation dan optimization secara matematis;
attention dan Transformer dari persamaan dasar;
distributed pelatihan dan parallelism;
GPU arsitektur dan memori optimization;
quantization kernels;
inference engine internals;
embedding model pelatihan;
pengambilan/index internals;
reranker pelatihan;
RL algorithms secara matematis;
diffusion/flow matching secara matematis;
multimodal fusion;
AI red teaming;
interpretability;
formal verification untuk AI;
rekayasa data skala besar;
benchmark methodology dan statistical significance.
Catatan verifikasi: teknologi AI berubah cepat. Untuk hal yang menyangkut versi protokol, keamanan framework, API, dan fitur produk, gunakan dokumentasi terbaru dari pemilik teknologi sebagai sumber otoritatif dan jangan mengandalkan snapshot lama dari blog pihak ketiga.
Dokumen ini adalah peta belajar dan arsitektur konsep. Ia sengaja membedakan fakta terdokumentasi, istilah industri, dan keputusan desain yang harus diuji pada kasus penggunaan nyata.
Lampiran: Sumber primer dan cara verifikasi
Dokumen ini adalah peta belajar, bukan pengganti dokumentasi proyek. Untuk klaim yang berubah cepat—versi API, fitur produk, protokol, model, konfigurasi, dan praktik keamanan—selalu periksa sumber primer terbaru.
