--- type: index date: 2026-04-23 ---

Learnings — Agent Lernschleife

Diese Verzeichnis sammelt pro Agent + Thema + Client die aus Chapaty-Feedback extrahierten Regeln im Format WENN/DANN.

Struktur


learnings/
├── README.md                          (diese Datei)
├── {agent}_{topic}_{client}.md        (z.B. howard_content_HF.md)
└── ...

Namenskonvention:

{agent} — howard, sheldon, zack, penny, stuart, leonard, amy, bernadette
{topic} — content, wordpress, seo, media, marketing, accounting, leads, security, coding
{client} — HF, GFKB, VV, SYSTEM

Lebenszyklus

Capture (automatisch)

Wenn Chapaty einen Task-Kommentar hinterlässt, läuft der Cron learning-capture alle 5 Minuten:

Feedback-Klassifikator (qwen3:8b) bestimmt: feedback_correction | feedback_approval | coordination
Nur bei feedback_correction → NIM Llama 3.3 70B extrahiert Regel "WENN … DANN …"
Regel wird an passende {agent}_{topic}_{client}.md angehängt
Kommentar am Task: "✅ Learning gespeichert"
Meilisearch reindex (nachts)

Inject (automatisch beim Task-Start)

Bevor Howard/Sheldon/Zack einen Task bearbeitet, ruft er das Tool learning-inject auf:

Input: {agent, task_type, client}
Output: Top-5 relevante Learnings aus Meilisearch
Werden in den Agent-Prompt als "BEACHTE DIESE REGELN:\n- ...\n- ..." eingefügt

Konflikt-Check (wöchentlich, Bernadette)

Bernadette prüft Learnings-Dateien auf Widersprüche und eskaliert an Chapaty.

Frontmatter pro Datei


---
client: HF                 # oder GFKB, VV, SYSTEM
agent: howard              # oder sheldon, zack, ...
topic: content             # oder wordpress, seo, media, ...
type: learning
---

Beispiel

Datei: howard_content_HF.md


---
client: HF
agent: howard
topic: content
type: learning
---

# Learnings — Howard Content HF

## 2026-04-23 — Task #42
WENN Content für hochfrequenz.tech verfasst wird,
DANN Tonalität seriös-wissenschaftlich, keine Superlative, keine Heilversprechen.
Keine Werbesprache, Zurückhaltung vor Verkauf.

*Quelle: Chapaty-Feedback auf "Blog-Artikel Schlafstudie"*