ocr

Pipeline ingest media wajib membawa kalimat pembajakan verbatim sebagai data. Justru itulah bukti file tidak pernah bertindak jadi perintah.

TL;DR: Tengah malam penulis ngetes pipeline ingest media pake audio sintesis sendiri yang isinya perintah injeksi prompt. Alih-alih dibuang, kalimat berbahayanya justru wajib utuh di transkrip dan dilabel untrusted, soalnya bahayanya bukan teksnya, tapi waktu teks berubah jadi instruksi. Model transkripsinya dibikin stub aja, yang diuji kontrak datanya, dibuktikan lewat asersi.

Nambahin tesseract ke pipeline ingest ternyata bukan soal CLI-nya. Urutan OCR, caption img, karantina meta korup, dan output kosong yang lebih menentukan.

TL;DR: Ceritanya job ingest gambar gue kena media-blocked gara-gara tesseract nggak terdaftar di config, padahal cek preflight-nya kebablasan sampai blokir semua job. Jadi gue persempit: tesseract cuma wajib buat job image-only, sisanya tetap boleh jalan. Pelajarannya, kontrak kegagalan itu penting—infrastruktur diblok cepat, konten korup dikarantina terus diheal, dan OCR kosong tetap sukses.