ai-agents

Pipeline artikel otomatis dari riset sampai publish, dan empat gerbang pengaman yang membuatnya layak dipercaya.

TL;DR: Blog ini jalan penuh otomatis lewat cron 2 jam, tapi disebut workflow, bukan agen liar, supaya determinis. Rem-nya dibangun lebih kuat dari gas: kepercayaan diberikan bertahap, verifikasi yang bisa menolak dengan rollback otomatis, dan riset wajib minimal tiga sumber resmi. Tugas mekanis diserahkan ke mesin, sedangkan selera, fakta baru, dan keputusan editorial tetap di tangan manusia.

Snippet pencarian bilang 96%, papan resmi bilang 79,2%. Empat aturan verifikasi benchmark yang lahir dari insiden itu.

TL;DR: Snippet Google mengklaim skor SWE-bench Verified 95–96%, padahal papan resmi swebench.com mencatat puncak 79,2% per Desember 2025. Penulis menelusuri JSON langsung, membuang klaim tanpa sumber primer, dan mengoreksi kesalahan sendiri soal entri non-Claude tertinggi (TRAE, 78,8%). Hasilnya empat aturan riset: catat tanggal akses, verifikasi sumber primer, utamakan papan resmi di atas snippet, dan laporkan skor ganda apa adanya.