Wie haben wir das beim letzten Mal gelöst

Jedes Mal, wenn eine KI-Session ein Stück Arbeit abschließt, kann sie festhalten, was passiert ist: den Bereich, den sie angefasst hat, die ausgeführte Aktion, die beteiligten Dateien und eine kurze Zusammenfassung (unter Was eine KI-Session aufzeichnet wird dieser Eintrag ausführlich beschrieben). Für sich genommen ist jeder Eintrag nur eine Zeile in einer langen Liste. Arbeitsepisoden machen aus dieser Liste etwas, mit dem eine spätere Session tatsächlich arbeiten kann.

Pathrule bündelt zusammengehörige Aktivität aus einer Arbeitssession zu einer Arbeitsepisode: einem betitelten Eintrag über eine Sache, die dein Team gelöst hat, mit den Themen, um die es ging, den berührten Pfaden und Dateien, den beteiligten KI-Clients und dem Zeitpunkt. Wenn jemand Monate später wieder im selben Bereich landet, steht diese Episode zum Abruf bereit.

Abruf bei Bedarf, nicht bei jedem Prompt

Arbeitsepisoden fahren nicht bei jeder Anfrage mit. Ein gewöhnlicher Prompt fügt überhaupt keine Historie hinzu, dein Kontextfenster zahlt also nichts für Gedächtnis, das du gerade nicht nutzt.

Wenn dein Agent an einer Art von Aufgabe arbeitet, bei der die Vergangenheit zählt (einen Bug beheben, debuggen, refaktorieren oder einen unbekannten Bereich erkunden), kann Pathrule einige der relevantesten früheren Episoden in den zurückgegebenen Kontext aufnehmen. Dein Agent kann auch ausdrücklich nach früherer Arbeit fragen, und eine deutlich formulierte Frage nach der Vergangenheit („wie haben wir das letztes Mal gelöst“) reicht schon aus, um nachzusehen. Bei kleinen UI-Anpassungen und ganz neuen Features bleiben Episoden still, weil es meist mehr schadet als nützt, neue Arbeit an alten Mustern auszurichten.

Was eine Episode relevant macht

Die Relevanz wird aus zwei einfachen Signalen und einer Präferenz berechnet, nicht geraten:

• Worum es bei der Arbeit ging. Eine Episode zur Authentifizierung kommt infrage, wenn du wieder an der Authentifizierung arbeitest, nicht wenn du eine Tabelle formatierst.
• Wo die Arbeit stattfand. Eine Episode, die einen Pfad berührt hat, kommt infrage, wenn du an oder unterhalb dieses Pfads arbeitest, und zwar in beide Richtungen.
• Wie aktuell sie ist. Aktuelle Arbeit hat Vorrang vor veralteter, denn Code verändert sich, und alte Episoden beschreiben womöglich eine Codebasis, die es so nicht mehr gibt.

Das Ergebnis ist eine kurze, nach Priorität geordnete Auswahl: höchstens eine Handvoll Episoden, jede kompakt genug, um sie auf einen Blick zu erfassen.

Lieber nichts als das Falsche

Pathrule zeigt lieber gar nichts als das Falsche. Hat eine Episode keine echte Überschneidung mit dem, was du gerade tust, wird sie nicht angezeigt. Ist sich das System nicht sicher, bleibt es still. Hat dein Workspace noch nicht genug Historie aufgebaut, um verlässlich zu bewerten, bricht der Abruf vorzeitig ab und liefert nichts. Du bekommst keine Wand aus vage verwandter Arbeit zu sehen, sondern die wenigen Episoden, die sich ihren Platz verdient haben, oder gar keine.

Entsteht aus deinen Protokollen, nie aus deinem Code

Arbeitsepisoden entstehen ausschließlich aus der Aktivität, die deine Agents über Pathrule protokollieren. Pathrule liest, durchsucht oder indexiert deine Quelldateien dafür nicht. Für Episoden gilt dieselbe Zugriffskontrolle wie für den Rest deines Workspaces: Sie sind auf deinen Workspace beschränkt, liegen hinter der benutzerbezogenen Zugriffskontrolle deines Teams und sind für alle, die sie sehen dürfen, identisch.

Der Abruf in der Cloud basiert auf aufbewahrten Aktivitätsdaten. Aktivität, die älter als 180 Tage ist, wird durch eine geplante Wartung entfernt, der Abruf ist also keine dauerhafte Aufzeichnung jeder Session. Die lokale Aufbewahrung ist davon getrennt.

Wo du das findest

Arbeitsepisoden erscheinen im Kontext, den dein KI-Client erhält, und zwar bei den Aufgaben, bei denen sie helfen. Du konfigurierst sie weder pro Repository, noch schaltest du sie Prompt für Prompt ein. Sie sind eine Eigenschaft eines Workspaces, in dem sich echte, protokollierte Arbeit angesammelt hat. Unter Vorschläge und Selbstprüfung erfährst du, wie eine gespeicherte Memory oder Regel, die nicht mehr zum Code passt, markiert und korrigiert wird.