Ollama di Intel Celeron, Bagian V: Menguji Kebocoran Chain-of-Thought (CoT), Latensi KV-Cache, dan Sistem Rule

Dalam Bagian IV dari seri ini, kami melakukan benchmark terhadap latensi LAN lokal dan mesh Tailscale untuk grav-ai-chatbot, membuktikan bahwa transport jaringan sangat cepat dan andal.

Namun, segera setelah model pemrosesan logika seperti qwen3.5:2b di-deploy ke produksi, pengguna mulai melaporkan bug yang membingungkan: mengirim pesan sederhana seperti "hello" berulang kali mengembalikan pesan error umum:

"Terjadi kesalahan koneksi tidak terduga. Silakan coba lagi nanti."

Investigasi kegagalan ini mengungkapkan interaksi mendalam antara pemrosesan logika CoT, batasan max_tokens rendah, perilaku KV-cache Ollama, dan pertahanan klien (client-side fallback). Berikut adalah apa yang sebenarnya terjadi di bawah kapak dan bagaimana kami memperbaikinya langkah demi langkah.

1. Penyebab Utama: Kebocoran Monolog CoT & Error Konten Kosong

Model reasoning lokal modern (seperti Qwen 3.5 dan DeepSeek R1) mengirimkan respons melalui dua saluran dalam API Ollama:

1. reasoning: Alur pemikiran internal / monologue (Thinking Process:).
2. content: Jawaban akhir teks yang dimaksudkan untuk pengguna.

Ketika pengguna mengirim input pendek seperti "hello", model qwen3.5:2b memulai monolog eksternya:

{
  "id": "chatcmpl-801",
  "choices": [
    {
      "finish_reason": "length",
      "index": 0,
      "message": {
        "content": "",
        "reasoning": "Thinking Process:

1. **Analyze the Request:**
   * Input: \"hello\"
   * Intent: Salam dan memeriksa kehadiran...
2. **Determine Appropriate Response:**...
3. **Drafting the Response:**..."
      }
    }
  ],
  "usage": {
    "completion_tokens": 512,
    "prompt_tokens": 18,
    "total_tokens": 530
  }
}

Ini menghasilkan dua mode kegagalan kritis:

• Ekspensi Budget Token: Ketika max_tokens rendah (misalnya 256/512 token), model menghabiskan seluruh budget di "reasoning", mencapai finish_reason: "length" dengan "content": "". PHP client (OpenAiCompatibleClient.php) mengevaluasi !empty($content) sebagai false, menyebabkan ChatbotHandler.php memunculkan pesan error custom umum ke pengunjung.
• Monolog Kebocoran: Ketika max_tokens lebih besar, model menyelesaikan reasoning dan mengeluarkan teks monologue mentah (Thinking Process: 1. Analyze...), yang disimpan dalam riwayat percakapan dan ditampilkan di antarmuka chat.

2. Kegagalan KV-Cache: Bagaimana Masking Prompt Caching Menyembunyikan Masalah

Selama pengujian pengembangan, mengulang input test identik ("hello") menghasilkan hasil yang berbeda-beda. Kadang gagal segera, kadang mengembalikan jawaban cepat.

Inkonsistensi ini disebabkan oleh KV-Cache (Ollama) di Ollama:

1. Penggunaan Konteks: Ollama menggunakan state KV pre-computed untuk prefix sistem + user prompt identik.
2. Latensi Tersembunyi & Perilaku: Ketika mengulang input yang sama, Ollama melompati evaluasi prompt penuh dan menyajikan token cache. Ini menyembunyikan alokasi token sungguhan selama pengujian manual berulang.
3. Kebutuhan Validasi Cache: Untuk menyingkap perilaku model asli, pengujian harus dilakukan menggunakan prompt unik (atau dengan restart Ollama untuk membersihkan KV-cache).

Beragamkan input prompt saat benchmark sangat penting untuk mengisolasikan perilaku CoT yang sebenarnya.

3. Apa yang Kami Sebenarnya Implementasi: Arsitektur & Perubahan Kode

Untuk mengatasi kebocoran CoT, ekspensi token, dan menyediakan kontrol admin konfigurable, kami melakukan update spesifik pada kodebase berikut:

A. Sistem Prompt Rules Custom & Prepending (ChatbotHandler.php)

Kami menambahkan opsi konfigurasi custom_system_prompt di Grav Admin dan plugin settings.

Di ChatbotHandler.php, kami mengimplementasikan logika untuk menyelesaikan sistem prompt rules:

• Jika custom_system_prompt terisi di Grav Admin, plugin menjalankan instruksi custom pengguna.
• Jika custom_system_prompt kosong/lebar, otomatis jatuh ke aturan default system yang tepat:

  Jawabkan user secara langsung. Jangan termasuk proses pemikiran, langkah-langkah reasoning, scratchpad, atau monologue internal Anda. Pertahankan total respons di bawah sekitar {max_response_chars} karakter.

• Placeholder {max_response_chars} dinamis interpolasi batas soft setting.

Prepending Rules ke Context Situs

Crucialnya, sistem prompt rules diletakkan di paling atas dari context system prompt ($siteContext) sebelum dokumentasi RAG atau konteks situs terikat:

// Kode yang diimplementasikan dalam ChatbotHandler.php
$customSystemPrompt = trim($this->config['custom_system_prompt'] ?? '');
$maxChars = (int)($this->config['max_response_chars'] ?? 1000);
$defaultSystemPrompt = "Jawabkan user secara langsung. Jangan termasuk proses pemikiran, langkah-langkah reasoning, scratchpad, atau monologue internal Anda. Pertahankan total respons di bawah sekitar {max_response_chars} karakter.";

$template = !empty($customSystemPrompt) ? $customSystemPrompt : $defaultSystemPrompt;
$systemRule = str_replace('{max_response_chars}', (string)$maxChars, $template);

// PREPEND SYSTEM RULES TO SITE CONTEXT
$siteContext = trim($systemRule . "

" . $siteContext);