Wie Retrieval das richtige Wissen findet

Ein Workspace kann Tausende Memories, Regeln und Skills enthalten. Aufgabe des Retrievals ist es, die wenigen, auf die es ankommt, in den Kontext des Assistenten zu bringen, bevor er loslegt, und den Rest draußen zu lassen. Diese Seite beschreibt, was diese Auswahl leistet und wie sie sich mit der Zeit verbessert. Wie die Priorisierung berechnet wird, ist Teil der proprietären Engine von Pathrule und wird nicht veröffentlicht.

Zuerst kommt der Pfadbezug

Der erste Filter ist der Ort. Jede Memory, jede Regel und jeder Skill liegt an einem Knotenpfad. Arbeitet der Assistent in /apps/api/payments, geht Pathrule von dem aus, was an diesem Pfad hinterlegt ist, und von dem, was er von den darüberliegenden Pfaden erbt. Eine kleine UI-Anpassung in /apps/web/dashboard zieht also nicht die Regeln zu Datenbankmigrationen mit herein.

Das ist derselbe Pfadbezug, den Kernkonzepte beschreibt, hier als erste Eingrenzung angewendet. Bis irgendetwas Aufwendigeres läuft, ist die Kandidatenmenge bereits klein.

Bedeutung und Schlüsselwörter, gemeinsam

Sobald der Pfad das Feld eingegrenzt hat, gleicht Pathrule deine Absicht auf zwei Arten gleichzeitig mit den Kandidaten ab.

• Schlüsselwortabgleich erfasst exakte Treffer: einen Dateinamen, einen Funktionsnamen, eine wörtliche Formulierung aus dem Titel einer Memory.
• Bedeutungsbasierter Abgleich erfasst den Rest: eine Frage, die anders formuliert ist, als die Memory geschrieben wurde, ein Synonym, eine Umschreibung, ein Konzept, das mit dem Eintrag kein Wort gemeinsam hat.

Letzterer ist keine Textsuche mit ein paar Zusatzschritten. Jeder Eintrag und deine Anfrage werden danach verglichen, was sie bedeuten, nicht nach den Wörtern, die sie teilen. Deshalb kann ein Treffer auch ganz ohne gemeinsame Zeichenkette zustande kommen. Siehe was Pathrule berechnet.

Keins von beiden reicht allein. Die Schlüsselwortsuche übersieht eine Memory, die dasselbe mit anderen Worten sagt. Die bedeutungsbasierte Suche kann einen exakten Dateinamen-Treffer verwässern. Pathrule kombiniert beides, sodass ein exakter Treffer seine Priorität behält und ein Treffer mit gleicher Idee, aber anderen Worten trotzdem auftaucht.

Auf einem Cloud-Workspace sendet der Prompt-Hook den Anfang deines Prompts (etwa die ersten 1.000 Zeichen) an Pathrule Cloud, damit Wissen nach Bedeutung priorisiert werden kann. Ist dieser Aufruf langsam oder schlägt er fehl, greift der Hook für diesen Prompt auf den lokalen Index zurück. Im lokalen Modus, ohne Konto, stützt sich der Abgleich auf Pfadbezug und Schlüsselwörter.

Die Dateien neben der, in der du gerade bist

Pfadbezug und Bedeutung gehen beide davon aus, wo der Assistent gerade arbeitet. Ein weiteres Signal erweitert das ein Stück: Pathrule lernt, welche Dateien dein Team gewohnheitsmäßig im selben Arbeitsschritt ändert, und lässt auch Wissen auftauchen, das an diesen Nachbarn hängt.

So erreicht eine Entscheidung, die einmal an der Datei festgehalten wurde, an der sie getroffen wurde, trotzdem die Sessions, die sie brauchen, selbst wenn der Prompt diese Datei nie erwähnt. Das Signal entsteht aus Dateipfaden, nicht aus Dateiinhalten: aus den Pfaden, die die protokollierte Arbeit deiner Agents berührt hat, und auf einem Cloud-Workspace aus einer einmaligen Vorbefüllung mit den Dateipfaden der jüngeren Git-Historie. Es hilft also schon, bevor dein Team viel Arbeit protokolliert hat. Es klingt ab, sobald diese Zusammenhänge nicht mehr auftreten. Wenn sich auf einem Cloud-Workspace ein Nachbar besonders häufig zusammen mit der Datei ändert, die der Assistent gerade vor sich hat, enthält der Kontext, den ein Agent anfordert, zusätzlich einen einzeiligen Hinweis, der diesen Nachbarn nennt. Siehe Dateien, die sich gemeinsam ändern.

Es funktioniert sprachübergreifend

Der bedeutungsbasierte Abgleich ist an keine bestimmte Sprache gebunden. Ein Prompt auf Türkisch kann eine auf Englisch geschriebene Memory finden, und auch ein Prompt in gemischten Sprachen findet noch den richtigen Eintrag.

Genau diesen Fall kann reine Schlüsselwortsuche nicht abdecken. Wenn Prompt und Memory eine Idee teilen, aber keine Wörter, muss der Abgleich über die Bedeutung laufen statt über die Schreibweise.

Die besten Treffer kommen sofort nutzbar an

Retrieval liefert in zwei Stufen. Die Einträge, die eindeutig zum Prompt passen, kommen als vollständiger Inhalt an, sodass der Assistent direkt mit dem Wissen deines Teams arbeitet, statt es erst nachlesen zu müssen. Pro Durchgang werden nur die wenigen relevantesten Einträge innerhalb eines Budgets pro Prompt gesendet, und Inhalte, die der Assistent bereits hat, werden nicht erneut gesendet. So bekommt der Assistent, was er braucht, ohne die gesamte Wissensbasis mitzuschleppen.

Alles andere, was infrage kommt, erscheint als Name, ID und eine Zeile. Das reicht, damit der Assistent den Eintrag erkennt und den Inhalt abruft, wenn er sich als wichtig herausstellt. Ein relevanter Eintrag, der nicht mehr hineinpasst, wird also weiterhin aufgeführt statt verworfen. Skills werden namentlich angeboten, denn eine Vorgehensweise sollte angefordert und nicht aufgedrängt werden. Ein Prompt mit zwei getrennten Anliegen wird Teil für Teil abgeglichen, sodass beide Teile Wissen bekommen. Was vollständig ankommt und was nur als Name behandelt alle drei Fälle.

Kandidaten sind Hinweise, keine Antworten

Wenn Retrieval sich nicht sicher ist, tut es auch nicht so. Pathrule zeigt wahrscheinliche Einträge als Kandidaten und weist den Assistenten an, den vollständigen Inhalt zu lesen, bevor er danach handelt. Ein Kandidat ist ein Hinweis, der eine Prüfung wert ist, keine Tatsache, die man einfach wiederholt.

Das folgt Pathrules Grundsatz, dass falscher Kontext schlimmer ist als gar kein Kontext. In einem uneindeutigen Fall zeigt Pathrule einen Kandidaten, statt eine Antwort zu behaupten.

Es lernt daraus, wie Wissen tatsächlich genutzt wird

Retrieval bleibt nicht auf dem Stand des Moments stehen, in dem eine Memory geschrieben wurde. Mit der Zeit beobachtet Pathrule, welche Einträge bei welcher Art von Arbeit tatsächlich geholfen haben, und lässt das in künftige Ergebnisse einfließen. Ein Eintrag, der sich bei einer bestimmten Art von Aufgabe immer wieder als nützlich erweist, taucht bei ähnlicher Arbeit später eher auf.

Die Beobachtung ist konkret, keine Bewertung, die jemand vergibt. Jede Auslieferung wird zusammen mit dem Verlauf des Durchgangs aufgezeichnet: welche der gelieferten Einträge der Assistent tatsächlich herangezogen und nicht bloß erhalten hat, wie viele Tool-Aufrufe die Arbeit brauchte und wie viele davon an welchen Dateien fehlschlugen. Ein Durchgang, der Wissen erhalten hat und trotzdem auf Fehler gestoßen ist, zählt gegen das Wissen, das er bekommen hat.

Diese Aufzeichnung erstellt die Schicht, die ausgeliefert hat, selbst; sie wird nicht erfragt. Der Assistent muss kein Tool aufrufen und in keiner Weise mitwirken, damit der Durchgang gemessen wird. Dadurch bleibt der Kreislauf über alle Clients hinweg konsistent.

Weil die Aufzeichnung nach Art der Arbeit geführt wird, ergibt sich nicht ein einzelner Wert pro Eintrag. Dieselbe Memory kann bei einer Migration hohe Priorität haben und bei einer kleinen UI-Anpassung niedrige. Ein einzelnes, von Hand gepflegtes Wichtigkeitsfeld kann diesen Unterschied nicht abbilden.

Das Lernen ist bewusst zurückhaltend angelegt.

• Unklare Ergebnisse lehren nichts. Ein Durchgang mit uneindeutigem Ergebnis wird nicht als Lektion verwendet.
• Ein klarer Fehlgriff schwächt ab, löscht aber nicht. Ein einzelner klarer Fehlgriff senkt den Stellenwert eines Eintrags für diese Art von Arbeit, statt seine gesamte Historie auszulöschen.
• Der Einfluss klingt mit der Zeit ab. Ein Eintrag, der nicht mehr zum aktuellen Code passt, verliert an Boden, statt die Ergebnisse weiter heimzusuchen.

Außerdem ändert es die Auswahl, nicht den Umfang. Was ein Eintrag bewiesen hat, kann ihn vor einen gleich relevanten Konkurrenten rücken, hebt ihn aber nicht über die Relevanzschwelle, die entscheidet, ob überhaupt etwas gesendet wird. Mit der Zeit liefert ein Workspace pro Durchgang die besseren wenigen Einträge im selben Kontextumfang. Lernen bringt hier Genauigkeit, nicht mehr Platz.

Wie sich Wissen aufbaut beschreibt diesen Kreislauf von Anfang bis Ende, und Vorschläge und Selbstprüfung erklärt, wie veraltete Einträge zur Prüfung vorgelegt werden.

Gleich für das ganze Team

Auf einem Cloud-Workspace stützt sich die Priorisierung auf die gemeinsamen Daten des Workspace in Pathrule Cloud statt auf eine separate Kopie im Client jeder einzelnen Person. Zwei Teammitglieder, die auf demselben Pfad dasselbe fragen, bekommen konsistente Ergebnisse, egal welchen Coding-Agent sie nutzen. Claude Code und Codex erhalten die nach Prompt priorisierte Auswahl über ihren Prompt-Submit-Hook. Cursor und GitHub Copilot haben keinen Prompt-Submit-Hook, deshalb liefern dort Session- und Tool-Hooks stattdessen pfadbezogenes Wissen. Jeder Client, Windsurf eingeschlossen, bekommt eine priorisierte Auswahl, wenn er beim MCP-Server mit pathrule_get_context Kontext anfordert.

Das bedeutet auch, dass das Gelernte geteilt wird. Erweist sich ein Eintrag als nützlich, taucht er für das ganze Team besser auf, nicht nur für die Person, die das ausgelöst hat.

Was Retrieval nicht sieht

Retrieval arbeitet mit den von deinem Team geschriebenen Memories, Regeln und Skills, dazu mit dem Pfad, in dem du arbeitest, den Worten deiner Anfrage und der Aufzeichnung, wie frühere Arbeit verlaufen ist. Es liest, indexiert oder lädt die Inhalte deiner Quelldateien nicht hoch. Der Abgleich läuft über Wissen, das dein Team bewusst festgehalten hat, nicht über das Repository selbst.

Aus einem Checkout übernimmt ein Cloud-Workspace Dateipfade: Wenn ein Agent zum ersten Mal tiefen Kontext anfordert, liest Pathrule die Dateipfade der jüngeren Git-Historie, um vorzubefüllen, welche Dateien sich gemeinsam ändern, und die Dateinamen weit oben im Ordnerbaum, um die eingesetzten Technologien zu erkennen. Unabhängig davon lädt pathrule snapshot, wenn du oder dein Agent es ausführt, den Dateibaum, Manifeste, kurze Auszüge aus der Dokumentation und aktuelle Git-Metadaten hoch. Was Pathrule berechnet listet auf, was gelesen und was gespeichert wird.

Wie sich das einordnet

• Kernkonzepte definiert den Pfadbezug, den ersten Filter, den Retrieval verwendet.
• So funktionieren Hooks beschreibt, wie der ausgewählte Ausschnitt den Assistenten vor seinem ersten Tool-Aufruf erreicht.
• Wie sich Wissen aufbaut ordnet Retrieval in den Kreislauf aus Ausliefern, Erfassen und Bewerten ein.