Como a recuperação encontra o conhecimento certo

Um espaço de trabalho pode guardar milhares de memórias, regras e skills. O papel da recuperação é colocar no contexto do assistente as poucas que importam antes de ele começar, e deixar o resto de fora. Esta página descreve o que essa seleção faz e como ela melhora com o tempo. A forma como a priorização é calculada faz parte do mecanismo proprietário do Pathrule e não é publicada.

O escopo de caminho vem primeiro

O primeiro filtro é a localização. Toda memória, regra e skill fica em um caminho de nó. Quando o assistente trabalha em /apps/api/payments, o Pathrule parte do que está fixado nesse caminho e do que ele herda dos caminhos acima. Um ajuste de UI em /apps/web/dashboard não traz junto as regras sobre migrações de banco de dados.

É o mesmo escopo de caminho descrito em Conceitos principais, aplicado como primeiro corte. Quando qualquer etapa mais cara começa a rodar, o conjunto de candidatos já é pequeno.

Significado e palavras-chave, juntos

Depois que o caminho reduz o campo, o Pathrule compara sua intenção com os candidatos de duas formas ao mesmo tempo.

• A comparação por palavras-chave pega correspondências exatas: um nome de arquivo, um nome de função, uma frase literal do título de uma memória.
• A comparação por significado pega o resto: uma pergunta formulada de um jeito diferente de como a memória foi escrita, um sinônimo, uma paráfrase, um conceito que não compartilha nenhuma palavra com a entrada.

A segunda não é uma busca textual com etapas a mais. Cada entrada e o seu pedido são comparados pelo que significam, e não pelas palavras que têm em comum, e é por isso que pode haver correspondência sem nenhum trecho de texto em comum. Veja o que o Pathrule calcula.

Nenhuma das duas basta sozinha. A busca por palavras-chave perde uma memória que diz a mesma coisa com outras palavras. A busca por significado pode diluir uma correspondência exata de nome de arquivo. O Pathrule combina as duas, então uma correspondência exata mantém a prioridade e uma correspondência com a mesma ideia em outras palavras também aparece.

Em um espaço de trabalho no Cloud, o hook de prompt envia o início do seu prompt (aproximadamente os primeiros 1.000 caracteres) ao Pathrule Cloud para que o conhecimento possa ser priorizado por significado. Se essa chamada demorar ou falhar, o hook recorre ao índice local para aquele prompt. No modo local, sem conta, a comparação se apoia no escopo de caminho e em palavras-chave.

Os arquivos ao lado daquele em que você está

O escopo de caminho e o significado partem de onde o assistente está trabalhando. Um sinal adicional amplia isso um pouco: o Pathrule aprende quais arquivos sua equipe costuma alterar no mesmo trabalho e permite que o conhecimento ligado a esses vizinhos também apareça.

Isso significa que uma decisão registrada uma única vez, no arquivo onde foi tomada, ainda chega às sessões que precisam dela, mesmo quando o prompt nunca menciona esse arquivo. O sinal é construído a partir de caminhos de arquivo, não do conteúdo dos arquivos: os caminhos tocados pelo trabalho registrado dos seus agentes e, em um espaço de trabalho no Cloud, uma semente única tirada dos caminhos de arquivo do histórico recente do git, para que ele ajude antes mesmo de sua equipe ter registrado muito trabalho. Ele perde força quando essas relações deixam de acontecer. Em um espaço de trabalho no Cloud, quando um vizinho muda junto com o arquivo diante do assistente com frequência especialmente alta, o contexto que um agente pede também traz um aviso de uma linha citando esse vizinho. Veja arquivos que mudam juntos.

Funciona entre idiomas

A comparação por significado não está presa a um idioma. Um prompt em turco pode trazer uma memória escrita em inglês, e um prompt que mistura idiomas ainda consegue encontrar a entrada certa.

Esse é o caso que a busca simples por palavras-chave não resolve. Quando o prompt e a memória compartilham uma ideia, mas nenhuma palavra, a comparação precisa funcionar pelo significado, e não pela grafia.

As melhores correspondências chegam prontas para uso

A recuperação entrega em dois níveis. As entradas que claramente se encaixam no prompt chegam como conteúdo completo, então o assistente trabalha direto a partir do conhecimento da sua equipe, em vez de ter que ir lê-lo. Só as poucas mais relevantes são enviadas a cada turno, dentro de um orçamento por prompt, e o conteúdo que o assistente já tem não é enviado de novo, então ele recebe o que precisa sem carregar a base de conhecimento inteira.

Todo o resto que se qualifica chega como um nome, um id e uma linha, o suficiente para o assistente reconhecer a entrada e buscar o corpo quando ela se mostrar importante, então uma entrada relevante que não coube ainda aparece na lista em vez de ser descartada. As skills são oferecidas pelo nome, porque um procedimento deve ser pedido, e não empurrado. Um prompt que pede duas coisas separadas é comparado parte por parte, então as duas partes recebem conhecimento. O que chega completo e o que chega só como nome cobre os três casos.

Candidatas são evidências, não respostas

Quando a recuperação não tem certeza, ela não finge ter. O Pathrule apresenta as entradas prováveis como candidatas e orienta o assistente a ler o corpo completo antes de agir com base em uma delas. Uma candidata é uma pista que vale conferir, não um fato para repetir.

Isso segue a regra permanente do Pathrule de que contexto errado é pior do que nenhum contexto. Em um caso ambíguo, o Pathrule mostra uma candidata em vez de afirmar uma resposta.

Ela aprende com o uso real do conhecimento

A recuperação não fica congelada no momento em que uma memória é escrita. Com o tempo, o Pathrule observa quais entradas realmente ajudaram em quais tipos de trabalho e deixa isso influenciar os resultados futuros. Uma entrada que continua se mostrando útil para um tipo de tarefa tem mais chance de aparecer em trabalhos parecidos depois.

A observação é concreta, e não uma nota que alguém dá. Cada entrega é registrada junto com o andamento do turno: quais das entradas entregues o assistente de fato consultou, e não apenas recebeu, quantas chamadas de ferramenta o trabalho exigiu, e quantas falharam e em quais arquivos. Um turno que recebeu conhecimento e mesmo assim teve falhas conta contra o conhecimento que recebeu.

Esse registro é feito pela camada que fez a entrega, sem precisar ser solicitado. O assistente não precisa chamar nenhuma ferramenta nem colaborar de forma alguma para que o turno seja medido, o que mantém o ciclo consistente entre os clientes.

Como o registro é mantido por tipo de trabalho, o resultado não é uma única pontuação por entrada. A mesma memória pode ter prioridade alta para uma migração e baixa para um ajuste de UI. Um único campo de importância, mantido à mão, não consegue expressar essa diferença.

O aprendizado é conservador por design.

• Resultados pouco claros não ensinam. Um turno com resultado ambíguo não é usado como lição.
• Um erro claro reduz, não apaga. Um único erro claro diminui a posição de uma entrada para aquele tipo de trabalho, em vez de apagar o histórico dela.
• A influência diminui com o tempo. Uma entrada que deixa de corresponder ao código atual perde espaço, em vez de continuar assombrando os resultados.

E ele muda a escolha, não o tamanho. O que uma entrada já provou pode colocá-la à frente de uma concorrente igualmente relevante, mas não faz uma entrada passar do limite de relevância que decide se algo é enviado. Com o tempo, um espaço de trabalho entrega por turno poucas entradas melhores na mesma quantidade de contexto. Aqui, o aprendizado compra precisão, não espaço.

Como o conhecimento se acumula cobre esse ciclo de ponta a ponta, e Sugestões e autoauditoria explica como entradas desatualizadas são levantadas para revisão.

O mesmo para a equipe inteira

Em um espaço de trabalho no Cloud, a priorização se baseia nos dados compartilhados do espaço de trabalho no Pathrule Cloud, e não em uma cópia separada no cliente de cada pessoa. Dois colegas de equipe que perguntam a mesma coisa no mesmo caminho recebem resultados consistentes, seja qual for o agente de programação que usam. Claude Code e Codex recebem a seleção priorizada pelo prompt por meio do hook de envio de prompt. Cursor e GitHub Copilot não têm hook de envio de prompt, então os hooks de sessão e de ferramenta deles levam o conhecimento vinculado ao caminho. Qualquer cliente, incluindo o Windsurf, recebe uma seleção priorizada quando pede contexto ao servidor MCP com pathrule_get_context.

Isso também significa que o aprendizado é compartilhado. Quando uma entrada se mostra útil, ela passa a aparecer melhor para todos na equipe, não só para quem a acionou.

O que a recuperação não vê

A recuperação opera sobre as memórias, regras e skills escritas pela sua equipe, além do caminho em que você está trabalhando, das palavras do seu pedido e do registro de como foi o trabalho anterior. Ela não lê, não indexa e não envia o conteúdo dos seus arquivos de código-fonte. A comparação roda sobre o conhecimento que sua equipe escolheu registrar, não sobre o repositório em si.

A partir de um checkout, um espaço de trabalho no Cloud usa caminhos de arquivo: na primeira vez que um agente pede contexto aprofundado, o Pathrule lê os caminhos de arquivo do histórico recente do git para criar a semente de quais arquivos mudam juntos, e os nomes de arquivo perto do topo da árvore de pastas para reconhecer as tecnologias em uso. Separadamente, pathrule snapshot, quando você ou seu agente o executam, envia a árvore de arquivos, os manifestos, pequenas amostras de documentação e metadados recentes do git. O que o Pathrule calcula lista o que é lido e o que é guardado.

Onde isso se encaixa

• Conceitos principais define o escopo de caminho, o primeiro filtro que a recuperação usa.
• Como os hooks funcionam descreve como a parte selecionada chega ao assistente antes da primeira chamada de ferramenta.
• Como o conhecimento se acumula situa a recuperação dentro do ciclo de entregar, capturar e pontuar.