Was macht Wissensoperationen?
Verwaltung eines mehrschichtigen Wissenssystems zur Aufnahme, Organisation, Synchronisation und zum Abruf von Wissen über mehrere Speicher hinweg.
Bevorzuge das Live-Arbeitsbereichsmodell:
- Code-Arbeiten leben in den echten geklonten Repositories
- Aktiver Ausführungskontext lebt in GitHub, Linear und repository-lokalen working-context-Dateien
- Breitere, für Menschen bestimmte Notizen können in einem Nicht-Repo-Kontext/Archivordner leben
- Dauerhafter, maschinenübergreifender Speicher gehört in die Wissensdatenbank, nicht in einen Schatten-Repo-Arbeitsbereich
Wann zu aktivieren
- Der Benutzer möchte Informationen in seiner Wissensdatenbank speichern
- Aufnahme von Dokumenten, Gesprächen oder Daten in strukturierten Speicher
- Synchronisation von Wissen über Systeme hinweg (lokale Dateien, MCP-Speicher, Supabase, Git-Repositories)
- Deduplizierung oder Organisation vorhandenen Wissens
- Der Benutzer sagt "speichere das in der WB", "synchronisiere Wissen", "was weiß ich über X", "nimm das auf", "aktualisiere die Wissensdatenbank"
- Jede Wissensverwaltungsaufgabe, die über das einfache Abrufen von Erinnerungen hinausgeht
Wissensarchitektur
Ebene 1: Aktive Ausführungswahrheit
- Quellen: GitHub-Issues, PRs, Diskussionen, Versionshinweise, Linear-Issues/Projekte/Dokumente
- Verwendung für: den aktuellen Betriebszustand der Arbeit
- Regel: Wenn etwas einen aktiven Engineering-Plan, eine Roadmap, einen Rollout oder eine Veröffentlichung betrifft, setze es zuerst hier ab
Ebene 2: Claude Code Memory (Schneller Zugriff)
- Pfad:
~/.claude/projects/*/memory/ - Format: Markdown-Dateien mit Frontmatter
- Typen: Benutzereinstellungen, Feedback, Projektkontext, Referenz
- Verwendung für: Kontext mit schnellem Zugriff, der über Gespräche hinweg bestehen bleibt
- Wird automatisch beim Sitzungsstart geladen
Ebene 3: MCP Memory Server (Strukturierter Wissensgraph)
- Zugriff: MCP-Speicherwerkzeuge (create_entities, create_relations, add_observations, search_nodes)
- Verwendung für: Semantische Suche über alle gespeicherten Erinnerungen hinweg, Beziehungszuordnung
- Sitzungsübergreifende Persistenz mit abfragbarer Graphstruktur
Ebene 4: Wissensdatenbank-Repository / Dauerhafter Dokumentenspeicher
- Verwendung für: Kuratierte dauerhafte Notizen, Sitzungsexporte, synthetisierte Forschung, Betreibergedächtnis, längerformatige Dokumente
- Regel: Dies ist der bevorzugte dauerhafte Speicher für maschinenübergreifenden Kontext, wenn der Inhalt keinem Repository gehörender Code ist
Ebene 5: Externer Datenspeicher (Supabase, PostgreSQL, etc.)
- Verwendung für: Strukturierte Daten, große Dokumentspeicherung, Volltextsuche
- Geeignet für: Dokumente, die zu groß für Speicherdateien sind, Daten, die SQL-Abfragen benötigen
Ebene 6: Lokaler Kontext-/Archivordner
- Verwendung für: Für Menschen bestimmte Notizen, archivierte Spielpläne, lokale Medienorganisation, temporäre Nicht-Code-Dokumente
- Regel: Beschreibbar für die Informationsspeicherung, aber kein Schatten-Code-Arbeitsbereich
- Nicht verwenden für: Aktive Code-Änderungen oder Repository-Wahrheit, die upstream leben sollte
Aufnahmeworkflow
Wenn neues Wissen erfasst werden muss:
1. Klassifiziere
Um welche Art von Wissen handelt es sich?
- Geschäftsentscheidung -> Speicherdatei (Projekttyp) + MCP-Speicher
- Aktiver Roadmap-/Release-/Implementierungsstatus -> zuerst GitHub + Linear
- Persönliche Vorliebe -> Speicherdatei (Benutzer-/Feedback-Typ)
- Referenzinformationen -> Speicherdatei (Referenztyp) + MCP-Speicher
- Großes Dokument -> externer Datenspeicher + Zusammenfassung im Speicher
- Gespräch/Sitzung -> Wissensdatenbank-Repository + kurze Zusammenfassung im Speicher
2. Dedupliziere
Prüfe, ob dieses Wissen bereits existiert:
- Durchsuche Speicherdateien nach vorhandenen Einträgen
- Frage MCP-Speicher mit relevanten Begriffen ab
- Prüfe, ob die Informationen bereits in GitHub oder Linear existieren, bevor eine weitere lokale Notiz erstellt wird
- Erstelle keine Duplikate. Aktualisiere stattdessen vorhandene Einträge.
3. Speichere
Schreibe in die entsprechende(n) Ebene(n):
- Aktualisiere immer den Claude Code-Speicher für schnellen Zugriff
- Verwende MCP-Speicher für semantische Durchsuchbarkeit und Beziehungszuordnung
- Aktualisiere zuerst GitHub / Linear, wenn die Informationen die aktuelle Projektwahrheit ändern
- Übertrage in das Wissensdatenbank-Repository für dauerhafte Langform-Ergänzungen
4. Indiziere
Aktualisiere alle relevanten Indizes oder Zusammenfassungsdateien.
Synchronisationsvorgänge
Konversationssynchronisation
Synchronisiere regelmäßig den Gesprächsverlauf in die Wissensdatenbank:
- Quellen: Claude-Sitzungsdateien, Codex-Sitzungen, andere Agentensitzungen
- Ziel: Wissensdatenbank-Repository
- Erstelle einen Sitzungsindex für schnelles Durchsuchen
- Übertrage und pushe
Arbeitsbereichszustandssynchronisation
Spiegele wichtige Arbeitsbereichskonfigurationen und Skripte in die Wissensdatenbank:
- Erstelle Verzeichnisübersichten
- Schwärze vertrauliche Konfigurationen vor dem Übertragen
- Verfolge Änderungen im Laufe der Zeit
- Behandle die Wissensdatenbank oder den Archivordner nicht als den Live-Code-Arbeitsbereich
GitHub / Linear Synchronisation
Wenn die Informationen den aktiven Ausführungskontext betreffen:
- aktualisiere das entsprechende GitHub-Issue, den PR, die Diskussion, die Versionshinweise oder den Roadmap-Thread
- füge unterstützende Dokumente an Linear an, wenn die Arbeit einen dauerhaften Planungskontext benötigt
- spiegele danach nur eine lokale Notiz, wenn sie immer noch einen Mehrwert bietet
Quellenübergreifende Wissenssynchronisation
Ziehe Wissen aus mehreren Quellen an einen Ort:
- Claude/ChatGPT/Grok-Konversationsexporte
- Browser-Lesezeichen
- GitHub-Aktivitätsereignisse
- Schreibe eine Statuszusammenfassung, übertrage und pushe
Speichermuster
# Kurzfristig: aktueller Sitzungskontext
Verwende TodoWrite für die Aufgabenverfolgung innerhalb der Sitzung
# Mittelfristig: Projektspeicherdateien
Schreibe nach ~/.claude/projects/*/memory/ für sitzungsübergreifenden Abruf
# Langfristig: GitHub / Linear / WB
Setze aktive Ausführungswahrheit in GitHub + Linear
Setze dauerhaften synthetisierten Kontext in das Wissensdatenbank-Repository
# Semantische Ebene: MCP-Wissensgraph
Verwende mcp__memory__create_entities für dauerhafte strukturierte Daten
Verwende mcp__memory__create_relations für Beziehungszuordnung
Verwende mcp__memory__add_observations für neue Fakten über bekannte Entitäten
Verwende mcp__memory__search_nodes, um vorhandenes Wissen zu finden
Best Practices
- Halte Speicherdateien prägnant. Archiviere alte Daten, anstatt Dateien unbegrenzt wachsen zu lassen.
- Verwende Frontmatter (YAML) für Metadaten in allen Wissensdateien.
- Dedupliziere vor dem Speichern. Suche zuerst, dann erstelle oder aktualisiere.
- Bevorzuge einen kanonischen Ort pro Faktenmenge. Vermeide parallele Kopien desselben Plans in lokalen Notizen, Repository-Dateien und Tracker-Dokumenten.
- Schwärze vertrauliche Informationen (API-Schlüssel, Passwörter) vor dem Übertragen an Git.
- Verwende konsistente Namenskonventionen für Wissensdateien (lowercase-kebab-case).
- Kennzeichne Einträge mit Themen/Kategorien für einfacheren Abruf.
Qualitätssicherung
Bevor du einen Wissensvorgang abschließt:
- keine Duplikate erstellt
- vertrauliche Daten aus allen Git-verfolgten Dateien geschwärzt
- Indizes und Zusammenfassungen aktualisiert
- geeignete Speicherebene für den Datentyp ausgewählt
- Querverweise hinzugefügt, wo relevant