Taman Rahasia Pengembang: Bagaimana Ontologi Spasial Menyelaraskan LLM Tanpa Prompt Engineering

Selama tiga minggu, saya telah mengembangkan plugin Gradle dengan Opencode, menggunakan tiga LLM yang berbeda — Kimi K2.6, GLM-5.1, dan DeepSeek-V4-Pro (yang satu-satunya yang masih bertahan, tetapi itu adalah cerita lainDéjà couverte ici.). Metode tata kelola agenJe l’ai documentée en détail dans un précédent article. berdasarkan file AsciiDoc —AGENT.adoc, INDEX.adoc, PROMPT_REPRISE.adoc— yang memuat ~30 000 token aturan, backlog, dan riwayat di setiap awal sesi.

Dan meskipun infrastruktur dokumen ini, dua hal membuat saya terkesan:

Saya membutuhkan sebuah mekanisme penyelarasan yang tidak bergantung pada jumlah token dalam prompt.

Jawaban: berhenti menyelaraskan menurut teks, dan mulai menyelaraskan dengan l'ruang.

folder saya`workspace/(di~/workspace/`) bukan pas sebuah repositori Git. Ini adalah akar dari seluruh pekerjaan saya — kode, dokumentasi, pelatihan, infrastruktur. Dan ia terstruktur dalam empat zona yang bukan konvensi pengaturan, tetapilingkaran kepercayaan konsentrik :

Tidak ada level 3 dalam tabel. Level 3 adalah level transitoire : itu adalah konten dari`office/`yang telah dianonimkan dan siap untuk dipublikasikan sebagai data terbuka. Tidak memiliki zona fisik khusus — ini adalah kondisi data, bukan lokasi.

Setiap level menjawab pertanyaan spesifik :

Ontologi inidapat dikonsumsi oleh LLM. Saat ia membaca sebuah file dalam`foundry/plantuml-gradle/src/`, dia mengetahui secara tersirat: "saya berada di lingkaran 4 — kode publik, tes wajib, tidak ada rahasia, tidak ada data pendidikan". Dia tidak memerlukan prompt yang mengingatkannya.

Mari kita bandingkan kedua pendekatan.

Ketika LLM menelusuri`foundry/, ia memiliki sebuahkerangka data terstruktur: simpul (plugins, file, tes, dependensi), tepi bertipe (`import, depends_on, generates, tests), relasi komposisi dan urutan (`training-gradle`Ekstrak repositori →`slider-gradle`menghasilkan slide →`capsule-gradle`sunting video

Algebra ini tidak ditulis di mana-mana dalam bentuk jelas — tapi ia dapat diamati. Setiap`build.gradle.kts`menunjukkan dependensi. Setiap`INDEX.adoc`menunjukkan referensi silang

LLM mengamati aljabar ini dan mendeteksi itudelta: selisih antara apa yang sistem sudah mampu menghasilkan dan apa yang visi menggambarkan.

Dari delta ini, ia dapat menentukanpeta ahli bisnis— CDA (Perancang Pengembang Aplikasi, Kotlin/Gradle/JHipster) dan FPA (Pelatihan Profesional Dewasa, Pedagogi/Qualiopi/Bloom) — dan mengidentifikasi apa yang kurang untuk setiap ahli.

LLM tidak perlu diberi tahu apa yang harus dilakukan. Delta muncul dari struktur.

Aljabar relasional bukan konstruksi teoretis. Ia terwujud oleh tiga komponen yang membentuk satuvektor komposit konteksuntuk LLM.

Ontologi spasial tidak hanya menyelaraskan LLM — ia memberi padanya sebuahgrid klasifikasi GDPRUntuk mengalirkan setiap data ke zona sahnya

Pada akhir sesi, LLM mengeksekusi sebuahtugas global:

Le `.gitignore`akar bukan berkas konfigurasi Git — ini adalahfile pengelolaan historisasi. Ia menentukan skema yang LLM konsumsi untuk memutuskan berkas mana dari taman rahasia yang masuk ke dalam biograf strategis dan mana yang dapat dibuang.

LLM tidak lagi hanya sebuah generator teks. Ia adalahmanajer informasidari ekosistem — produsen, klasifikator, router.

Hari ini, tata kelola ini adalah determinist: LLM menerapkan prosedur yang dijelaskan dalam file AsciiDoc. Ini adalahtahap 1— prompt engineering dengan memori LLM.

La fase 2akan mengekstrak setiap langkah dari prosedur dalam sebuahtugas Gradle bertipe:

La fase 3akan memodelkan proses akhir sesi sebagaigrafik statusdenganhttps://github.com/langgraph4j/langgraph4j[LangGraph4j]:

Grafik ini akan versi di CI/CD, dijalankan oleh Gradle, dan dikonfigurasi melalui GitHub Secrets plugin. LLM tidak lagi perlu memutuskan perutean — grafik akan melakukannya.

Ini adalah apa yang dia sebenarnya bawa:

Saya tidak menaruh manifesto politik di footer situs saya. Saya tidak menaruh aturan etika di prompt saya. Penataan tidak ada dalam teks — itu ada disistem file.

Saat LLM bekerja di ruang ini, ia tidak dapat membocorkan rahasia (jalan ini mencegahnya). Ia tidak dapat mencampurkan data pendidikan dengan kode sumber (zona fisik berbeda). Ia tidak dapat melupakan aturan keamanan sebesar 80.000 token — karena aturan itu tidak ada dalam prompt, melainkan di`workspace/→`configuration/→office/→`foundry/`bahwa setiap pembacaan file mengaktifkan kembali

Ini adalah prinsip secure by design yang diterapkan pada penyelarasan agen: tidak meminta LLM untuk mengingat aturan. Pastikan arsitektur membuat kesalahan menjadi mustahil secara struktural.

Dan sekaligus, ini memberi LLM apa yang tidak dapat diberikan oleh prompt apa pun: kemampuan untukmengertioù ia berada, apa yang ada, apa yang kurang — dan dari itu menyimpulkan apa yang harus dilakukan.