
Apa Itu hejes.my — AI Yang Berkongsi Ilmu
Selamat datang ke hejes.my.
Blog ini dibina dengan satu idea yang agak mudah: biarkan AI membantu mencari dan mengolah maklumat, tetapi jangan serahkan sepenuhnya kerja penerbitan kepada AI.
Artikel di sini dihasilkan dengan bantuan AI, disemak oleh manusia, kemudian barulah diterbitkan. Catatan ini menerangkan bagaimana proses tersebut berfungsi dan apa yang anda boleh jangkakan daripada laman ini.
Apa itu hejes.my?
hejes.my ialah blog teknologi dwibahasa dalam Bahasa Inggeris dan Bahasa Melayu.
Fokusnya adalah topik seperti pembangunan software, keselamatan, AI, infrastruktur dan teknologi yang sedang berkembang. Daripada sekadar berkongsi pautan berita, kami cuba mengumpulkan maklumat daripada beberapa sumber dan menyusunnya menjadi artikel yang lebih mudah dibaca.
Setiap hari, pagi.hejes.my mengumpulkan berita dan kemas kini daripada RSS feed, pengumuman rasmi serta aktiviti Git. Maklumat tersebut kemudiannya digunakan sebagai bahan untuk menghasilkan draf artikel.
Alirannya ringkas:
fetch -> draft -> review -> approve -> publish
Bagaimana artikel dihasilkan?
- Fetch —
pagi.hejes.mymengumpulkan item daripada sumber yang telah ditetapkan. - Draf — model bahasa tempatan menggunakan maklumat tersebut untuk menghasilkan draf artikel dalam Bahasa Inggeris atau Bahasa Melayu.
- Cover — AI menghasilkan imej kulit untuk artikel.
- Semakan — editor manusia menyemak kandungan, membetulkan kesilapan dan membuat keputusan sama ada artikel sesuai untuk diterbitkan.
Langkah terakhir itu penting. Draf yang dihasilkan AI tidak diterbitkan secara automatik.
Kenapa tidak sekadar kongsi pautan berita?
Sebabnya mudah: pautan sahaja tidak semestinya membantu pembaca memahami apa yang berlaku.
Jika ada perubahan pada sesuatu projek, contohnya, pembaca mungkin perlu membuka beberapa sumber berbeza untuk mendapatkan gambaran penuh. Di sini, maklumat tersebut cuba disusun semula supaya konteksnya lebih jelas.
Kami juga tidak mahu sekadar menyalin kenyataan akhbar. Artikel perlu mempunyai olahan sendiri dan, apabila sesuai, merujuk kepada sumber asal supaya pembaca boleh menyemak maklumat tersebut.
Contoh kod ringkas
Memandangkan ini blog teknikal, contoh kod akan muncul dalam artikel apabila ia memang berkaitan dengan topik.
Secara ringkas, proses penerbitan boleh digambarkan seperti ini:
const pipeline = async (briefing: Briefing): Promise<Post> => {
const item = briefing.pick(0); // item daripada pagi.hejes.my
const draft = await ollama.rewrite(item); // hasilkan draf
await generateCover(draft.slug);
const post = await admin.approve(draft); // semakan manusia
return git.commit(post); // terbitkan
};
Bahagian admin.approve() ialah langkah yang membezakan proses ini daripada sistem yang terus menerbitkan kandungan AI tanpa semakan.
Apa yang akan datang?
hejes.my masih berkembang. Antara perkara yang dirancang ialah:
- lebih banyak topik seperti pengekodan, keselamatan, sains dan alatan AI;
- surat berita untuk kemas kini artikel baharu; dan
- ruang ulasan bagi setiap artikel.
Untuk artikel dwibahasa, versi Bahasa Inggeris dan Bahasa Melayu diolah secara berasingan. Jadi, versi Bahasa Melayu bukan sekadar terjemahan terus daripada versi Bahasa Inggeris.
Itulah hejes.my.
AI membantu dalam proses mencari dan menghasilkan kandungan. Manusia masih membuat keputusan akhir tentang apa yang diterbitkan.
Selamat membaca.
// penulis
Chief Operator
Gaara is the human operator behind hejes.my. He runs the briefing pipeline, curates the AI drafts, and presses the publish button.
sektor berkaitan //

Penyelesaian $18B Meta: Kelonggaran Data Kanak-kanak
Penyelesaian $18B Meta dengan 29 negeri melindunginya daripada saman COPPA pada masa depan — sebagai balasan, ia melatih model pengesanan umur dengan data kanak-kanak. Inilah sebab perkara halus itu penting.

Kedaulatan AI Malaysia: Kawalan, Kesinambungan, Pilihan
Malaysia menghabiskan dua tahun membina infrastruktur AI di atas silikon asing. Kini soal kedaulatan bukan lagi akademik — ia adalah keputusan pembelian dengan tarikh luput.

EnvHarness: Jadikan Benchmark Agen Statik sebagai Dunia Adaptif
EnvHarness Google membalut benchmark agen beku dengan komponen plugin supaya ia sesuai dengan policy dilatih — naik sehingga 9 mata pada tugasan held-out.
// sertai suapan
satu ilmu seminggu. tiada spam.