Phaselock: Ein KI-Agenten-Steuerungssystem inspiriert von Erziehungstechniken

Was Phaselock macht

Phaselock ist eine Open-Source-Agent-Skill, die Erziehungstechniken für autistische Kinder auf die Kontrolle von KI-Agenten anwendet. Der Entwickler hat es erstellt, nachdem er Parallelen zwischen vagen KI-Agent-Fehlern und der Art, wie autistische Kinder Anweisungen verarbeiten, bemerkt hat.

Kernkontrollmechanismen

Das System implementiert vier spezifische Kontrollmuster:

• Explizite Gates vor Aktionen: Verwendet einen BeforeToolUse-Hook, der nach einer genehmigten Gate-Datei auf der Festplatte sucht. Keine Datei, kein Schreiben. Die KI kann ohne vorherige architektonische Deklaration nicht fortfahren.
• Sofortiges Feedback bei Fehlern: Ein PostToolUse-Hook führt nach jedem Dateischreiben eine statische Analyse durch (PHPStan, PHPCS, ESLint, ruff oder sprachgerechte Tools) und injiziert strukturierte JSON-Ergebnisse zurück in den Kontext. Die KI sieht genau, was kaputt gegangen ist, und korrigiert sich selbst, bevor sie fortfährt.
• Eingeschränkte Auswahlmöglichkeiten statt offener Optionen: Komplexe Funktionen werden in abhängigkeitsgeordnete Scheiben aufgeteilt. Die KI arbeitet eine Scheibe nach der anderen ab, wobei jede Scheibe für eine menschliche Überprüfung anhält, bevor die nächste beginnt.
• Regeln, die nicht wegargumentiert werden können: Shell-Hooks erlauben oder blockieren Aktionen mechanisch. Die Meinung der KI über ihre eigene Ausgabe ist kein Beweis.

Technische Implementierung

Phaselock funktioniert mit Claude Code, Cursor, Windsurf und allem, was Hooks und Agent-Skills unterstützt. Das Domänenwissen ist auf Magento 2 und PHP ausgerichtet, aber die Durchsetzungsarchitektur ist sprachunabhängig.

Skalierungsherausforderung und Lösung

Phaselock hat ein Skalierungsproblem: Es lädt alle Regeln in jeden Kontext jeder Sitzung. Bei 80 Regeln ist es handhabbar, aber bei 500 Regeln verbrennt man Kontext, bevor die Aufgabe beginnt, und bei 10.000 Regeln ist es physisch unmöglich.

Der Entwickler baut Writ als Lösung: ein hybrides Retrieval-System, das herausfindet, welche Regeln gerade relevant sind, und nur diese zurückgibt. Es erreicht Retrieval in unter 10 ms mit einer 726-fachen Kontextreduktion bei 10.000 Regeln. Writ ist noch experimentell und wird Stresstests unterzogen.

Aktuelle offene Frage

Der Entwickler kämpft mit Evaluierungsherausforderungen. Ground-Truth-Abfragen sind bei 80 Regeln synthetisch, und sie wissen noch nicht, ob die Retrieval-Qualität bei echten Abfragen aus echten Sitzungen hält. Sie fragen: "Hat sich jemand mit RAG-Evaluierung bei kleinen Korpusgrößen befasst, bei denen synthetische Benchmarks möglicherweise nicht die tatsächliche Nutzung widerspiegeln? Was habt ihr gelernt?"