Projekt-Ledger: Mensch-im-Loop-Gedächtnissystem für KI-Coding-Agenten

Ein GitHub-Projekt namens project-ledger bietet ein Human-in-the-Loop-System zur Verwaltung dessen, woran KI-Coding-Agenten über Ihre Codebasis erinnert werden. Das Kernproblem, das es angeht: Agenten können nicht beurteilen, was wichtig ist – sie behandeln Implementierungsfehler genauso wie Architekturfehler und protokollieren, was sie geändert haben, anstatt was wichtig ist.

Wie es funktioniert

Das System hat drei Hauptkomponenten:

• Ein YAML-Ledger mit strukturierten Einträgen, die Zusammenfassungen, Konfidenzniveaus, Tags und Querverweise enthalten
• Eine /ledger-Fähigkeit, die Einträge veröffentlicht und automatisch einen Haiku-Auditor startet, um sie kalt zu überprüfen
• Ein UserPromptSubmit-Hook, der bei jeder Eingabeaufforderung eine TF-IDF-Suche durchführt und passende Einträge automatisch injiziert, bevor der Agent zu denken beginnt

Der Hook ist entscheidend – ohne ihn schreiben Sie nur YAML ins Leere. Wie in der Quelle vermerkt: "Agenten lesen niemals unaufgefordert Referenzdokumente – der Hook läuft bei jeder Eingabeaufforderung, durchsucht das Ledger und injiziert relevante Einträge, bevor der Agent zu denken beginnt."

Praktisches Beispiel

Der Ersteller beschreibt einen realen Anwendungsfall: Wochen nach der Behebung eines Farbdarstellungsproblems in einem Embedded-Projekt fragten sie einen Agenten "Erinnerst du dich, was wir damals gemacht haben, als wir das gefixt haben?" Der Hook holte den genauen Eintrag über 8-Bit-Quantisierung hervor, die die Farbtreue bei niedrigen Werten zerstört, einschließlich Ursache, Schwellenwerten und betroffenen Komponenten.

Vergleich & Ansatz

Im Vergleich zu OpenViking erfordert dieses System manuelle Arbeit, hat aber eine einfachere Architektur: nur eine YAML-Datei plus ein Shell-Hook ohne Backend. Die Philosophie ist, dass bei Projekten, bei denen Erkenntnisse schwer erkämpft sind, Menschen entscheiden sollten, was weitergetragen wird.

Das System ist darauf ausgelegt, die Ansammlung von technischer Schuld zu verhindern, während KI-Agenten in Codebasen arbeiten – jede Änderung wird schwieriger richtig zu machen ohne angemessenen Kontext darüber, was wichtig ist.