Model belum diatur

Tentang Aplikasi

Apa yang dikerjakan aplikasi ini, bagaimana dibuat, dan bagaimana diuji.

Keunggulan

Dua metode independen

Use Case Points dan bottom-up dihitung terpisah. Bila sepakat, angkanya lebih dapat dipercaya; bila berbeda, Reviewer Agent memeriksa barisnya.

Setiap angka bisa ditelusuri

Satu baris = satu item WBS untuk satu role, lengkap dengan alasan klasifikasi dan alokasi. Tidak ada angka tanpa asal.

Model menilai, kode menghitung

Model bahasa hanya memilih dari pilihan tertutup dan menjelaskan alasannya. Semua angka berasal dari satu mesin hitung yang deterministik.

Agent yang memeriksa dirinya sendiri

Reviewer Agent mengirim baris yang janggal kembali ke Estimator, maksimal dua putaran, lalu sisanya ditandai untuk manusia.

Tanpa penyimpanan

Tidak ada database dan tidak ada file yang ditulis di server. API key hanya di memori tab. Data pribadi disamarkan sebelum dikirim ke model.

Bebas memilih model

Gemini, Claude, OpenAI, Azure OpenAI, atau endpoint kustom. Ganti penyedia tanpa mengubah kode skill.

Excel yang hidup

File unduhan berisi rumus, bukan angka mati. Reviewer bisa mengubah satu input dan semua total ikut berubah.

Skenario bantuan AI

Augmentation Agent memetakan tugas yang dapat dipercepat AI per capability, terpisah dari angka dasar.

Cara kerja

  1. Langkah 1

    Intake Agent

    Membaca WBS dan dokumen permintaan

  2. Langkah 2

    Estimator Agent

    Menilai role, kelas, dan alokasi per item; menghitung

  3. Langkah 3

    Reviewer Agent

    Membandingkan dua metode; mengirim baris janggal untuk dinilai ulang

  4. Langkah 4

    Augmentation Agent

    Memetakan peluang bantuan AI per capability

  5. Langkah 5

    Report

    Menyusun ringkasan, Excel, dan draf pesan

Augmentation berjalan setelah review selesai, jadi tugas AI dipetakan ke baris yang sudah final. Review manusia dilakukan setelah agent selesai: setiap koreksi dihitung ulang tanpa memanggil model.

Stack teknologi

Agent

Python 3.12, LangGraph

Graph berurutan dengan loop review terbatas dan cabang opsional untuk skenario AI

Kontrak data

Pydantic v2

Setiap jawaban model divalidasi skema; jawaban tidak valid dicoba ulang dengan pesan galat

Model

LangChain chat models

Satu antarmuka structured output untuk lima jenis penyedia

API

FastAPI di Vercel Python Functions

Stateless, streaming progres per agent (NDJSON)

Mesin hitung

Python murni

Satu sumber kebenaran untuk layar dan Excel

Excel

openpyxl

Workbook dengan rumus, dihitung ulang Excel saat dibuka

Antarmuka

Next.js, React, Tailwind CSS, Recharts

Mengikuti 10 heuristik usability Nielsen Norman Group

Evaluasi

Kedro

Pipeline offline: akurasi per penyedia dan kalibrasi PHM

Tooling

uv, Ruff, mypy, pytest, pre-commit

Environment identik untuk semua orang; docstring gaya NumPy

Verifikasi otomatis

Berjalan otomatis di GitHub Actions setiap ada perubahan.

Lihat CI
  • Ruff lint · Gaya kode, impor, pola bug, docstring NumPy
  • Ruff format · Format kode konsisten
  • mypy · Kebenaran tipe seluruh package
  • pytest + coverage · 23 test unit, integrasi, dan API; coverage 94%
  • Uji rumus Excel · LibreOffice menghitung ulang workbook; hasilnya harus sama dengan mesin hitung
  • Golden test · Mesin hitung mereproduksi workbook yang dihitung manual pada proyek nyata, sampai 6 desimal
  • Pipeline Kedro · Pipeline evaluasi berjalan pada kasus contoh
  • Sinkron dependensi · requirements.txt untuk Vercel sama dengan uv.lock
  • TypeScript dan build · Antarmuka lolos cek tipe dan build produksi

Kesiapan produksi

Fondasi teknisnya sudah siap untuk pilot. Beberapa langkah berikut perlu diselesaikan sebelum dipakai sebagai sistem produksi organisasi.

Sudah siap

  • Arsitektur stateless tanpa penyimpanan data
  • CI otomatis untuk setiap push, dengan laporan per pemeriksaan
  • Test otomatis untuk mesin hitung, agent, Excel, dan API
  • Validasi skema dan batas putaran untuk setiap keputusan model
  • Penyamaran data pribadi sebelum dikirim ke model
  • Dokumentasi analisis dan desain lengkap dengan diagram dan ADR

Sebelum produksi

  • Uji dengan model nyataJalankan pada beberapa proyek dengan tiap penyedia yang akan dipakai dan bandingkan dengan keputusan reviewer.
  • Kalibrasi PHMNilai bawaan 15 diambil dari batas bawah literatur. Kalibrasi dengan pipeline Kedro pada beberapa proyek yang sudah direview.
  • AutentikasiAktifkan perlindungan deployment atau SSO organisasi agar hanya pengguna berwenang yang bisa membuka aplikasi.
  • Persetujuan keamanan dataPastikan penyedia model dan region pemrosesan disetujui untuk jenis dokumen yang diunggah.
  • ObservabilitasTambahkan pemantauan galat dan latensi tanpa mencatat isi dokumen atau key.
  • Pembatasan pemakaianBatasi jumlah run per pengguna untuk mencegah penyalahgunaan endpoint.