torben/chemenu

Fork 0

Files

T

torben 18ae28f918

CI / verify (push) Failing after 32s

Details

Release / release (push) Successful in 38s

Details

Chemenu 2.1.0 - deterministischer Wissenskompiler

Chemenu kompiliert Rohnotizen zu einem verlinkten, quellengebundenen Wiki:
raw/ -> types/ + tools/ -> kb/ -> reports/. Was mechanisch ist, macht
tools/wikitool; was Urteil braucht, macht ein Agent unter Contracts, deren
Grenzen in Code durchgesetzt sind statt im Prompt.

Dieser Commit ist der Startpunkt der oeffentlichen Historie. Die vorherige
Entwicklung fand in einer privaten Instanz statt und ist nicht Teil dieses
Repositorys; ihre Erzaehlung steht vollstaendig in CHANGES.md, das mit 44
Eintraegen von 0.1.0 bis 2.1.0 erhalten geblieben ist.

Der mitgelieferte Korpus ist ein Testbett und eine Demo: 170 Seiten ueber den
Stack selbst - Gates, Lint, Versionierung, Suche, das Wiki-Muster. Er
dokumentiert das Werkzeug mit den eigenen Mitteln des Werkzeugs.

Lizenz: AGPL-3.0 fuer den Stack (tools/, types/), CC-BY-4.0 fuer die Inhalte.
Die Grenze zwischen beiden ist der Dateiplan, den dist export berechnet -
siehe NOTICE.

2026-09-01 16:26:14 +02:00

5.6 KiB

Raw Blame History

type, concept_type, tags, created, modified, related, sources, confidence, confidence_base, provenance, summary

type

concept_type

Forgetting

Typ: Pattern (Wissensspeicherungsverwaltung)

Definition

Forgetting ist der Mechanismus, durch den Fakten, die einmal wichtig waren, aber seit Monaten nicht aufgerufen oder verstärkt wurden, allmählich aus der Bedeutung im Wiki verschwinden. Dies implementiert eine Aufbewahrungskurve, die sich von Ebbinghaus' Vergessenskurve aus der kognitiven Psychologie inspiriert.

Dies ist eine Kernkomponente der Verwaltung des Memory Lifecycle und stellt sicher, dass das Wiki nicht zu einem lauten Friedhof veralteter Informationen wird.

Kernpunkte

Das Problem

Ohne Vergessen:

Jedes Wissensstück wird für immer als gleich wichtig behandelt
Alte, irrelevante Informationen verstopfen das Wiki
Suchergebnisse werden mit veralteten Inhalten verunreinigt
Das Wiki wird zu einer Rumpelkammer

Die Lösung

Allmähliche Herabstufung statt Löschung implementieren:

Fakten werden nicht gelöscht (historischer Datensatz bleibt erhalten)
Fakten werden in Suche und Synthese herabgestuft
Herabstufung ist allmählich (nicht plötzlich)
Unterschiedliche Verfallsraten für verschiedene Wissenstypen

Aufbewahrungskurve

Inspiriert von Ebbinghaus' Vergessenskurve:

Vertrauen/Priorität
  1.0 │              *
      │             *
      │            *
      │           *
  0.8 │          *
      │         *
      │        *
      │       *
  0.6 │      *
      │     *
      │    *
      │   *
  0.4 │  *
      │ *
      │*
  0.2 ┼───────────────────────────────── Zeit
      0   1m   3m   6m   1j   2j

Grundsatz: Jede Verstärkung (Zugriff, Bestätigung aus neuer Quelle) setzt die Kurve für diesen Fakt zurück.

Verfallsraten nach Wissenstyp

Wissenstyp	Verfallsrate	Begründung
Architekturentscheidungen	Sehr langsam (1% alle 6 Monate)	Langzeitwirkung, ändern sich selten
Systemkonfigurationen	Langsam (1% pro Monat)	Stabil, aber kann sich ändern
Bug-Berichte	Schnell (5% pro Monat)	Vorübergehend, oft behoben
Notizen aus Meetings	Schnell (5% pro Monat)	Zeitkritischer Kontext
Forschungsergebnisse	Mittel (2% pro Monat)	Kann veraltet werden
Best Practices	Sehr langsam (1% alle 3 Monate)	Im Laufe der Zeit bewährt

Implementierung

Zu verfolgene Metadaten:

last_accessed: YYYY-MM-DD
last_reinforced: YYYY-MM-DD  # Zugriff oder Bestätigung neuer Quelle
creation_date: YYYY-MM-DD
knowledge_type: [architecture|config|bug|meeting|research|best-practice]
current_priority: 0.XX  # 0.0-1.0

Verfallsberechnung:

months_since_reinforcement = (today - last_reinforced).months
decay_rate = get_decay_rate(knowledge_type)
priority = max(0.2, initial_priority - (months_since_reinforcement * decay_rate))

Verstärkungsauslöser:

Seite wird aufgerufen/gelesen
Neue Quelle bestätigt die Information
Mensch verstärkt explizit
Verwandte Information wird aufgerufen

Integration mit anderen Mechanismen

Mit Confidence Scoring:

Vergessen beeinträchtigt Priorität in der Suche
Vertrauens-Scoring beeinträchtigt Zuverlässigkeit des Fakts
Beide funktionieren zusammen: niedrig-vertrauen, niedrig-priorität Fakten erscheinen zuletzt

Mit Consolidation Tiers:

Höhere Tiers haben langsamere Verfallsraten
Prozedurales Gedächtnis (Tier 4) kann keinen Verfall haben
Arbeitsgedächtnis (Tier 1) hat schnellsten Verfall

Mit Supersession:

Verdrängte Fakten verfallen sofort auf Mindestpriorität
Aber werden zu historischen Referenzen bewahrt

Suchintegration

Fakten mit niedrigerer Priorität:

Erscheinen später in Suchergebnissen
Werden mit geringerer Wahrscheinlichkeit in die Synthese einbezogen
Erfordern explizitere Abfragen zum Auftauchen
Können unterhalb eines bestimmten Schwellenwerts verborgen sein (konfigurierbar)

Vorteile

Relevanz: Benutzer sehen zuerst die wichtigsten Informationen
Sauberkeit: Wiki wird nicht mit alten Informationen verstopft
Erhaltung: Historische Informationen sind noch zugänglich
Anpassungsfähigkeit: Wiki entwickelt sich mit sich ändernden Bedürfnissen
Effizienz: Suche und Synthese sind effizienter

Wann zu verwenden

Jedes Wiki, das im Laufe der Zeit wachsen soll
Bereiche mit sich entwickelndem Wissen
Situationen, in denen sich die Relevanz von Informationen ändert
Große Wissensdatenbanken

Wann NICHT zu verwenden

Kleine, statische Wikis
Bereiche, in denen alle Informationen gleich wichtig sind
Situationen, in denen historische Vollständigkeit entscheidend ist

Siehe auch

Event-Driven Automation (für automatisiertes Verstärkungstracking)
Quality and Self-Correction (für verwandte Qualitätsmechanismen)

5.6 KiB Raw Blame History