Kanzlei-Wiki-Compiler
Wann verwenden
- Hinzufügen neuer Fälle oder alter Fallarchive zum Wiki
- Neukompilieren nach Aktualisierungen der Aktivitätsprotokolle
- Abfragen des Wikis nach institutionellem Wissen
- Ausführen von Lint-/Health-Checks für Wiki-Artikel
- Generieren von Hermes-Skills aus Wiki-Artikeln
Excel-Import (FileVine-Aktivitätsexporte)
Wenn Aaron eine Excel-Tabelle mit Aktivitätsprotokollen aus FileVine sendet:
Erwartetes Format
- Spalten des Blatts:
Projektname | Notiztext | Erstellt am | (leer) - Projektname = "Mandantenname Falltyp MM/TT/JJJJ" (z. B. "Amy Stich WC 01/17/2024")
- Notiztext = im Markdown formatierte Aktivitätsnotizen (kann FileVine-Links, Durchstreichungen enthalten)
- Erstellt am = Datetime
Konvertierungsschritte
pip install openpyxlfalls erforderlich- Laden mit
openpyxl.load_workbook(path, read_only=True) - Slugifizieren von Fallnamen gemäß FirmVault-Regeln (Kleinbuchstaben, Apostrophe/Anführungszeichen entfernen, & → und, Nicht-Alnum → Bindestriche)
- Gruppieren von Einträgen nach Fall, dann nach Datum innerhalb jedes Falls
- Schreiben nach
FirmVault/cases/<slug>/Activity Log/<JJJJ-MM-TT>.mdmit Frontmatter:schema_version: 2 date: "JJJJ-MM-TT" category: imported subcategory: settlement_activity_export - Verwenden des Tags
subcategory: settlement_activity_export, um später aus Excel importierte Fälle zu identifizieren
Mehrere Dateien in einer Sitzung
Aaron sendet oft mehrere Excel-Dateien nacheinander. Verarbeiten Sie jede vollständig (konvertieren → bündeln → kompilieren → Index neu aufbauen), bevor Sie nach der nächsten fragen. Der Konverter handhabt die Deduplizierung automatisch – wenn ein Fallverzeichnis bereits existiert, werden neue Protokolle angehängt; wenn eine Protokolldatei für dieses Datum bereits existiert, wird ein Abschnitt "Importierte Einträge" angehängt.
Referenz zur Größenbestimmung (Importe vom 12.04.2026)
- Datei 1 (settlement_1): 17.639 Zeilen → 198 Fälle → 6.221 Logdateien (13,7 MB)
- Datei 2 (settlement_2): 22.182 Zeilen → 169 Fälle → 7.341 Logdateien (12,9 MB)
- Datei 3 (settlement_3): 688 Zeilen → 8 Fälle → 158 Logdateien (klein)
- Datei 4 (closing): 9.363 Zeilen → 125 Fälle → 2.924 Logdateien
- Konvertierung dauert ~2 Sekunden pro Datei
- Duplikaterkennung: Zeilenanzahl + erste/letzte Zeile vergleichen, um erneute Sendungen zu identifizieren
Entscheidungen zur Batch-Größe
- >50 Fälle: 3 parallele Subagenten (gleichmäßig nach Log-Anzahl aufgeteilt)
- 10-50 Fälle: 1-2 Subagenten je nach Log-Volumen
- <10 Fälle: Einzelner Subagent mit gezielten Artikelaktualisierungen. Er SOLL NICHT alle vorhandenen Artikel lesen – zeigen Sie auf die 5-6 wahrscheinlichsten zu aktualisierenden Artikel. Setzen Sie max_iterations=30, um zu vermeiden, dass die Züge beim Lesen ausgehen.
Wiederverwendbares Konverterskript
Speichern unter /tmp/convert_excel.py, Pfad für jede neue Datei austauschen. Das Skript:
- Verwendet openpyxl (pip install, falls fehlend)
- Slugifiziert gemäß FirmVault-Regeln
- Gruppiert nach Fall → Datum → schreibt Markdown mit Frontmatter
- Meldet neue vs. aktualisierte Fallverzeichnisse
Architektur
Karpathys Drei-Schichten-Muster: Rohdaten → LLM-Compiler → strukturiertes Wiki
Layer 1: Roh (unveränderlich)
cases/*/Activity Log/*.md — 21K+ Aktivitätsprotokolle
cases/*/*.md — Falldateien
Layer 2: Wiki (LLM-gepflegt)
wiki/
Home.md — Obsidian-Dashboard
index.md — Masterkatalog
log.md — Kompilierungsverlauf
concepts/*.md — atomare Wissensartikel (63 ab 12.04.2026)
connections/*.md — themenübergreifende Erkenntnisse (26 ab 12.04.2026)
AGENTS.md — Compiler-Schema (die Spezifikation)
SPEC.md — Architekturdokument
Layer 3: Verbraucher
Hermes semantische Skills, OpenClaw-Agenten, Aaron via Hermes
Kompilierungsprozess
Batch-Verarbeitung (für Massenfälle)
- Fälle in Batches von ~80K Token gruppieren
- 3 Batches parallel delegieren
- Jeder Subagent liest AGENTS.md, vorhandene Artikel, Falldateien + Stichproben von Logs
- Subagenten AKTUALISIEREN vorhandene Artikel (evidence_count++) oder ERSTELLEN neue
- Subagenten NICHT index.md neu schreiben lassen (Race Condition) – nach Abschluss neu aufbauen
- index.md aus allen Artikeln auf der Festplatte neu aufbauen, nachdem alle Batches abgeschlossen sind
Wichtige Anweisungen für Compiler-Subagenten
- AGENTS.md für vollständiges Schema lesen
- ALLE vorhandenen Konzept- + Verbindungsartikel lesen, bevor geschrieben wird
- Alle PII ANONYMISIEREN ("Fall A", "Fall B" usw. verwenden)
- AKTUALISIEREN vorhandener > NEUE erstellen (Konfidenzsteigerung ist das Ziel)
- Konfidenz: niedrig (<5 Fälle), mittel (5-9), hoch (10+)
- [[Wikilinks]] zwischen Artikeln verwenden
- An log.md anhängen, index.md NICHT neu schreiben
Stichprobenstrategie
- Große Fälle (400+ Logs): erste 40 + letzte 40 chronologisch
- Mittlere Fälle (100-400): erste 25 + letzte 25
- Kleine Fälle (<100): erste 10 + letzte 10, oder alle
Subagent-Prompt-Vorlage
Kanzlei-Wiki-Compiler. Lesen Sie /opt/data/FirmVault/wiki/AGENTS.md.
Lesen Sie vorhandene Artikel in wiki/concepts/ und wiki/connections/.
Kompilieren Sie Fälle: [LISTE]. Für jeden: Lesen Sie cases/<slug>/<slug>.md und
ziehen Sie eine Stichprobe der ersten N + letzten N Aktivitätsprotokolle. AKTUALISIEREN Sie vorhandene Artikel
(evidence_count erhöhen, Konfidenz upgraden: 5=mittel, 10=hoch).
Neue nur für wirklich neue Muster ERSTELLEN. PII ANONYMISIEREN.
Schreiben Sie nach wiki/. index.md NICHT neu schreiben. An wiki/log.md anhängen.
Prompts an Datenkategorie anpassen
Verschiedene Excel-Exporte enthalten unterschiedliche Datentypen. Fügen Sie einen Fokushinweis hinzu:
- Settlement-Dateien: "Fokussieren auf: Abwicklungsmuster, Verhandlungstaktiken, Behandlungszeitpläne, SOL-Management, Adjuster-Verhalten, Sicherheitenlösung"
- Closing-Dateien: "Dies sind ABSCHLIEßENDE Fälle – besonders achten auf: Fallabschluss-Workflows, Ablehnungsgründe, Schlussauszahlung, Dateiarchivierung, Nachabschlussverpflichtungen, Mandantenkündigungsmuster"
- Intake-Dateien: Fokussieren auf Onboarding, Versicherungsüberprüfung, Erstüberweisungen zur Behandlung Dies verbessert die Qualität der Mustererkennung dramatisch.
Index-Neuerstellung
Erstellen Sie index.md IMMER als separate delegate_task, nachdem alle Kompilierungsbatches abgeschlossen sind. Auch für kleine Batches. Der Subagent muss lediglich das YAML-Frontmatter aus allen .md-Dateien in concepts/ + connections/ parsen und den Index gemäß dem Schema in AGENTS.md generieren. Dauert ~60 Sekunden, max_iterations=15.
Obsidian Vault
Das wiki/-Verzeichnis IST ein Obsidian-Vault:
- .obsidian/-Konfiguration mit Graphfarben (blau = Konzepte, orange = Verbindungen)
- Home.md als Startseite
- [[Wikilinks]] verwenden Slug-Namen (OHNE Pfadpräfix)
- Die Graphansicht zeigt die Verbindungen zwischen Artikeln
Wikilink-Regeln
[[slug-name]]verwenden, NICHT[[concepts/slug-name]]- Obsidian löst über Dateinamen auf, Pfade brechen Links
Filtern von Fällen zur Kompilierung
Zwei Ansätze – die Excel-Datei direkt verwenden (bevorzugt) oder den Vault scannen:
Bevorzugt: Slugs aus der Excel-Datei extrahieren
# Excel parsen → eindeutige Projektnamen holen → slugifizieren → bündeln
wb = openpyxl.load_workbook(path, read_only=True)
cases = Counter(str(r[0]).strip() for r in list(wb.active.iter_rows(values_only=True))[1:] if r[0])
slugs = [{"slug": slugify(name), "logs": count} for name, count in cases.items()]
Dies ist präzise – es kompiliert nur das, was gerade importiert wurde.
Fallback: Vault nach Subcategory-Tag durchsuchen
for slug in os.listdir(cases_dir):
for logfile in os.listdir(log_dir):
if "settlement_activity_export" in open(logfile).read(200):
new_slugs.append(slug)
break
mtime-basiertes Filtern NICHT verwenden – es erfasst jeden Fall im Vault (einschließlich alter, deren Verzeichnisse während der Konvertierung berührt wurden).
Fallstricke
- Parallele Subagenten verursachen Race Conditions bei evidence_count – Abweichung von ±3 akzeptieren
- Subagenten nicht index.md neu schreiben lassen – nach allen Batches selbst neu aufbauen
- Große Fälle (1000+ Logs) müssen abgeschnitten werden – strategisch Stichproben ziehen
- Wikilinks mit Pfadpräfixen brechen in Obsidian –
concepts/usw. entfernen - Das compile.py-Skript generiert Prompts, ruft aber nicht direkt das LLM auf – delegate_task verwenden
- Einige Artikel verweisen auf Wunschlinks (noch nicht erstellte Artikel) – das ist in Ordnung, sie werden erstellt, sobald mehr Fälle kompiliert werden
- mtime-basiertes Vault-Scannen funktioniert NICHT zur Identifizierung "gerade importierter" Fälle – die Konvertierung berührt auch vorhandene Verzeichnisse. Die Fallliste immer aus der Excel-Datei selbst extrahieren.
- Abschlussfälle sind meist Ablehnungen, keine Nachabschluss-Abwicklungen. Der Ablehnungs-/Abschluss-Workflow erhält den größten Evidenzschub aus Abschlussdaten, nicht der Abwicklungsauszahlungs-Workflow.
- Kleine Batches (<10 Fälle) erschöpfen Subagenten-Interaktionen, wenn sie alle 89 Artikel lesen müssen. Zeigen Sie sie stattdessen auf bestimmte Artikel.
Multi-Datei-Workflow
Wenn der Benutzer mehrere Excel-Dateien sendet, zuerst alle konvertieren, dann kompilieren:
- /tmp/convert_excel.py wiederverwenden – einfach den Dateinamen für jede Datei anpassen
- Nachdem alle konvertiert sind, nur die NEUEN Fälle bündeln (Slugify + Existenzprüfung verwenden)
- In 3 parallelen Batches kompilieren, dann einmal am Ende den Index neu aufbauen
Duplikaterkennung
Der Benutzer kann dieselbe Datei zweimal senden (gleicher Name, andere Dokument-ID). Zeilenanzahl + erste/letzte Zeile vergleichen, um Duplikate vor der Konvertierung zu erkennen.
Größenbestimmung aus Importen
- Datei 1 (settlement_1): 17,6K Einträge, 198 Fälle, 6,2K Logdateien
- Datei 2 (settlement_2): 22,1K Einträge, 169 Fälle, 7,3K Logdateien
- Datei 3 (settlement_3): 688 Einträge, 8 Fälle (klein – Einzelbatch)
- Datei 4 (closing): 9,3K Einträge, 125 Fälle, 2,9K Logdateien
- Dateien 5-7 (archiviert 2,3,4): 64,3K Einträge, 692 Fälle, 21K Logdateien Insgesamt aufgenommen: ~114K Einträge, 1.170 Fälle, ~56K Logdateien → 93 Wiki-Artikel
Bevorzugtes Batching
- <20 Fälle: Einzelner Subagent, kein Batching
- 20-300 Fälle: 3 parallele Subagenten
-
300 Fälle: 3 parallele Subagenten mit aggressiver Stichprobenziehung (erste 10 + letzte 10)
- Index.md IMMER nach Abschluss ALLER Batches neu aufbauen (Subagenten niemals daran rühren lassen)
Fallstrick: mtime-basiertes Filtern unzuverlässig
Datei-mtime nicht verwenden, um "neue" Fälle zu finden – convert_excel.py berührt auch vorhandene Dateien. Stattdessen Fallnamen direkt aus Excel extrahieren und slugifizieren, um die Zielliste zu erhalten.
Dateien
- FirmVault: /opt/data/FirmVault
- Wiki: /opt/data/FirmVault/wiki/
- Schema: wiki/AGENTS.md
- Konverter: /tmp/convert_excel.py (Dateiname zwischen Durchläufen anpassen)
- Artikelanzahl: 65 Konzepte + 28 Verbindungen = 93 insgesamt (ab 12.04.2026)
- Entscheidungen: /opt/data/FirmVault/decisions/ (ADR-000 bis ADR-006)
- Prüfbericht: /opt/data/FirmVault/wiki/reports/workflow-vs-wiki-audit.md
- v2-Entwurf: /opt/data/FirmVault/wiki/reports/PHASE_DAG_v2_proposal.md
Workflow-Audit
Nach einer größeren Kompilierungsrunde das Wiki gegen den PHASE_DAG prüfen:
- PHASE_DAG.yaml lesen (vorgeschriebener Workflow)
- Alle Wiki-Artikel lesen (beobachtete Realität)
- Vergleichen: Widersprüche, Lücken, Redundanzen
- Prüfbericht nach wiki/reports/ schreiben
- Falls Änderungen erforderlich, PHASE_DAG v2-Entwurf erstellen
- Entscheidungen als ADRs in decisions/ dokumentieren (aus stirps-ai/stirps-gov übernommen)
Dieses Audit hat 93 Wiki-Artikel in umsetzbare Architekturentscheidungen verwandelt. Das Wiki ist Evidenz; die ADRs sind Verpflichtungen.