Mesin AI: Lebih dari Sekadar Terjemahan

Mengapa DevLingo tidak langsung menggunakan API kamus? Pencarian API sederhana mengembalikan informasi statis tanpa konteks. Mesin AI DevLingo melakukan tiga hal yang tidak bisa dilakukan kamus.

1. Pemahaman Konteks

Kamus mengatakan “deploy” berarti “menyebarkan”. Tetapi developer perlu tahu:

Skenario	Makna	Contoh
Deploy aplikasi	Rilis ke produksi	”We deployed the new version to production.”
Konfigurasi resource	Mengalokasikan/mengaktifkan resource	”Deploy additional servers to handle traffic.”
Taktis (istilah militer)	Menyebarkan, mengerahkan	”The team is deployed across different time zones.”

AI DevLingo mengetahui Anda sedang membaca kode di Xcode, jadi menekankan makna pertama. Jika Anda melihat “deploy” di software HR, mungkin makna ketiga yang lebih relevan.

{ "sourceApp": "com.apple.dt.Xcode" }
→ AI menyesuaikan gaya respons: berorientasi teknis, contoh kode diprioritaskan

{ "sourceApp": "com.tinyspeck.slackmacgap" }
→ AI menyesuaikan gaya respons: komunikasi tim, lebih kasual

:::tip Kesadaran Aplikasi DevLingo mendapatkan Bundle Identifier aplikasi aktif saat ini melalui NSWorkspace, lalu mengirimkannya ke Claude. AI menyesuaikan respons berdasarkan informasi ini. :::

2. Output Terstruktur

Kamus mengembalikan blok teks. AI DevLingo mengembalikan JSON terstruktur:

Mode Word

{
  "word": "idempotent",
  "ipa": "/ɪˈdɛmpətənt/",
  "pos": "adjective",
  "definition_en": "Describing an operation that, when applied multiple times, produces the same result as when applied once.",
  "meaning_local": "Idempoten; menghasilkan hasil yang sama meskipun diterapkan berkali-kali",
  "examples": [
    {
      "en": "Ensure your API endpoints are idempotent to handle retry requests safely.",
      "local": "Pastikan endpoint API Anda idempoten untuk menangani permintaan retry dengan aman.",
      "context": "API design"
    },
    {
      "en": "This function's idempotent nature makes it safe to call multiple times.",
      "local": "Sifat idempoten fungsi ini membuatnya aman untuk dipanggil berkali-kali.",
      "context": "Function design"
    }
  ],
  "synonyms": [
    {
      "word": "repeatable",
      "difference": "Lebih umum; mengacu pada operasi apa pun yang bisa diulang. 'idempotent' lebih khusus dan presisi."
    }
  ],
  "collocations": [
    "idempotent operation",
    "idempotent function",
    "idempotent API"
  ],
  "grammar_notes": "Kata sifat, tidak dapat dihitung. Dalam dokumentasi teknis sering digunakan sebagai atribut atau predikat.",
  "l1_tips": {
    "id": "Istilah ini berasal dari matematika/pemrograman. Dalam diskusi teknis, penggunaan langsung dalam bahasa Inggris lebih umum daripada terjemahannya."
  },
  "tech_pronunciation": {
    "ipa": "/ɪˈdɛmpətənt/",
    "common_mispronounce": "i-DEM-po-tent (salah; tekanan seharusnya pada DEM)",
    "correct_stress": "i-**DEM**-pu-tunt",
    "etymology": "Berasal dari istilah matematika, dari bahasa Latin 'idem' (sama) dan 'potent' (kuat)"
  }
}

Setiap field sesuai dengan area kartu yang berbeda di UI. Bukan sekadar tumpukan teks, melainkan materi pembelajaran yang terorganisir dengan cermat.

Mode Phrase

{
  "phrase": "rubber ducking",
  "type": "compound (noun phrase)",
  "register": "informal / tech culture",
  "definition_en": "A debugging method where you explain your code to a rubber duck (or any object), often revealing bugs through the act of articulation.",
  "meaning_local": "Metode debugging di mana Anda menjelaskan kode Anda ke bebek karet (atau objek apa pun), sering kali menemukan bug melalui proses mengartikulasikan.",
  "stress_pattern": "RUB-ber DUCK-ing",
  "usage_patterns": [
    {
      "pattern": "[Subject] [is/uses] rubber ducking",
      "example": "I've been rubber ducking this problem for 10 minutes and just found the issue.",
      "local": "Saya sudah melakukan rubber ducking masalah ini selama 10 menit dan baru saja menemukan masalahnya."
    },
    {
      "pattern": "[Let's] do some rubber ducking [on X]",
      "example": "Let's do some rubber ducking on this algorithm.",
      "local": "Mari kita lakukan rubber ducking untuk algoritma ini."
    }
  ],
  "alternatives": [
    {
      "phrase": "debugging by explanation",
      "note": "Lebih formal; tidak memiliki nuansa budaya seperti 'rubber ducking'"
    },
    {
      "phrase": "talk it out",
      "note": "Lebih kasual; tidak secara spesifik merujuk pada metode debugging"
    }
  ]
}

3. Peningkatan untuk Developer

Pengenalan Istilah Teknis

Jika input adalah istilah pengembangan, AI memberikan informasi tambahan:

Kata: latency
Output standar: definition, examples, pronunciation...

Output tambahan (khusus istilah teknis):
• Metrik terkait: milidetik (ms) / mikrodetik (μs)
• Konsep yang berpasangan: throughput, bandwidth
• Skenario praktis: "P99 latency < 100ms" artinya apa
• Tolok ukur industri: latensi jaringan normal 50ms, buruk 500ms+

Contoh Kalimat Berbasis Skenario

Bukan “kucing duduk di atas tikar”, melainkan:

Kata: concurrent
Contoh kalimat (dari pengembangan nyata):
1. "This function is not concurrent-safe; you need to add locking."
   → Skenario code review
2. "We redesigned the system to handle concurrent requests efficiently."
   → Skenario desain arsitektur
3. "Make sure your HTTP client supports concurrent connections."
   → Skenario optimasi performa

Tips Interferensi L1 (Bahasa Pertama)

Berdasarkan bahasa ibu pengguna, AI secara proaktif menunjukkan jebakan umum:

Pengguna: penutur bahasa Indonesia
Kata: article / the / a

Tips AI:
"Penutur bahasa Indonesia sering kesulitan dengan artikel karena bahasa Indonesia
tidak memiliki sistem artikel. Bahasa Inggris membedakan definite article (the)
dan indefinite article (a/an).

Salah: 'I saw cat' → 'I saw a cat' atau 'I saw the cat' (tergantung konteks)

Tips mengingat: Setiap kata benda yang bisa dihitung dalam bahasa Inggris biasanya
memerlukan artikel. Dalam bahasa Indonesia 'kucing' ya kucing saja, tapi dalam
bahasa Inggris harus 'a cat' atau 'the cat'."

:::note Interferensi L1 Ini adalah keunikan DevLingo. Kamus standar tidak akan memberitahu “alasan Anda mungkin salah menggunakan kata ini terkait latar belakang bahasa ibu Anda”. :::

Model AI: Claude oleh Anthropic

Alasan DevLingo memilih Claude:

1. Kemampuan output terstruktur yang kuat: Claude mahir menghasilkan JSON terformat, dengan reliabilitas tinggi
2. Pemahaman konteks yang mendalam: Claude dapat memahami konteks aplikasi, konteks kode, interferensi L1
3. Ramah developer: Pemahaman Claude terhadap istilah teknis, kode, dan alur kerja pengembangan lebih unggul dari LLM umum
4. Kemampuan kontrol: Melalui prompt engineering, DevLingo dapat mengontrol format dan kualitas output secara presisi

Prompt Engineering

Panggilan Claude DevLingo menggunakan template prompt yang dirancang dengan cermat:

You are an English learning assistant for developers.
The user selected: "{selectedText}"
Mode: {mode}
User's native language: {userLanguage}
Current application: {sourceApp}
Surrounding context: "{context}"

Respond with JSON in the following structure:
{
  "mode": "word|phrase|sentence|paragraph|express",
  ... [detailed schema]
}

Important:
1. Examples must be from software development context
2. Provide 2-3 examples per item
3. For native speakers of {userLanguage}, highlight common interference patterns
4. If applicable, note pronunciation and stress patterns
5. Keep definitions concise (< 20 words)

Prompt ini memastikan:

• Format output konsisten
• Contoh kalimat berasal dari konteks pengembangan
• Interferensi L1 diperhatikan
• Hasil ditargetkan untuk pembelajaran

Perbandingan: Kamus vs AI DevLingo

Fitur	API Kamus	AI DevLingo
Definisi dasar	✓	✓
Beberapa contoh kalimat	✓ (biasanya tidak ditargetkan)	✓ (semuanya skenario teknis)
Kesadaran konteks	✗	✓ (mengetahui aplikasi yang Anda gunakan)
Tips interferensi L1	✗	✓
Output terstruktur	✗ (hanya teks)	✓ (JSON, ramah UI)
Bonus istilah teknis	✗	✓ (etimologi, tolok ukur industri, dll.)
Analisis sinonim	✗ (hanya daftar sinonim)	✓ (menjelaskan perbedaan)
Pengucapan dan IPA	✓ (sebagian)	✓ (lengkap + 4 aksen)

Keseimbangan Biaya dan Performa

:::note Mengapa berlapis bukan semuanya AI Sistem pencarian berlapis DevLingo memastikan:

• Kosakata umum (mencocokkan pustaka lokal): 0ms AI, 100% cepat
• Cache hit (pengguna pernah mencari sebelumnya): 0ms AI, 100% cepat
• Kosakata langka (panggilan AI): <2 detik selesai, tetap cepat

Dengan begitu 95% pencarian pengguna tidak memerlukan panggilan API, menurunkan biaya sekaligus meningkatkan pengalaman. :::

Mesin AI DevLingo bukan untuk “menerjemahkan”, melainkan untuk “memahami dan mengajar”. Ia mengetahui apa yang sedang Anda kerjakan, mengetahui latar belakang bahasa Anda, dan mengetahui cara paling efektif untuk mengajari Anda.