Context-Management-System für KI-Workflows
ContextObserver
Mein Setup für KI-Projekte: Agenten, Regeln und ein Tool, das Sessions schlank hält.
Bei mir im täglichen Einsatz, nicht veröffentlicht
So entsteht ein Feature
Klick einen Schritt und sieh, was aus dem Setup dabei arbeitet.
Planen
Bauen
Abschluss
Nächster Slice, frische Session
Interview. Die Hauptsession fragt mich aus: Was ist das Ziel, was kann schiefgehen, was gehört nicht dazu? Ohne Spec wird nichts gebaut.
Das Setup, das jedes neue Projekt mitbekommt
Wer arbeitet
- Ich
- Hauptsession
- Researcher
- Plan-Kritiker
- Implementer
- Reviewer
Was gelesen und geschrieben wird
- Ziele
- Entscheidungen
- Standards
- Feature-Spec
- Plan
- Learnings
- Übergabe
Was automatisch aufpasst
- Dateinamen-Prüfung
- Git-Schutz
- Stopp bei roten Checks
- Context Observer
Aus meiner echten Projektvorlage, leicht gekürzt. Der Context Observer legt sie mit einem Befehl an und hält danach die Sessions schlank.
Kernkompetenzen
- Zuverlässigkeit
- LLMs und Agenten
- Backend und APIs
- Sicherheit und Datenschutz
- Testen und Verifizieren
- KI-gestützte Entwicklung
Tech-Stack
- Node.js
- JavaScript
- Claude Code
- PowerShell
- git
Das Schwierigste
Still heißt nicht fertig
Man muss wissen, was ein Signal wirklich misst.
Die ganze Geschichte
Was man sah
Am ersten scharfen Tag zerstörte das Tool zweimal laufende Arbeit: Es beendete eine Session, die gerade vier Minuten lang ein Modell lud.
Was wirklich los war
„Untätig“ hieß für das Tool nur: Im Protokoll steht gerade nichts Neues. Eine Session, die im Hintergrund arbeitet, sieht von außen genauso aus. Über eine Ausnahme für untätige Sessions fragte es dann nicht einmal nach.
Die Lösung
Das Tool liest jetzt die echten Hintergrund-Jobs aus und beendet keine Kindprozesse mehr mit. Die Ausnahme ist weg: Vor jeder Übernahme fragt es die Session.
- 502 / 502
- Checks im Self-Test bestanden
- 974k auf 761k
- Tokens bei einer gemessenen Übernahme, eine von vier
- 0
- Abhängigkeiten
- ~7,4k
- Zeilen Code in 18 Dateien, dazu ~4,5k Zeilen Tests
In einfachen Worten
KI-Coding-Tools haben ein Kurzzeitgedächtnis, und irgendwann ist es voll. Dieses Tool fragt die laufende Session, ob ein guter Moment ist, sichert alles, entfernt Überflüssiges und lässt sie mit weniger Ballast weiterlaufen. Es kommt nicht von Anthropic, ich habe es für meine eigene Arbeit gebaut.
Ich arbeite täglich in mehreren langen Sessions. Ein laufender Prozess hält seinen Kontext im Speicher und liest das Transkript nie neu, also lässt sich eine laufende Session nicht bearbeiten, nur ersetzen. Aus dieser einen Tatsache folgt das ganze Design.
So funktioniert es
Schritt 1 von 5
Beobachten
Liest alle Transkripte, ohne hineinzuschreiben, und trennt toten Verlauf vor einer Kompaktierung vom wirklich aktiven Kontext.
Was gebaut wurde
- Live-Watcher, der alle Transkripte mitliest und die echte Kontextgröße aus den usage-Werten der API nimmt
- Einwilligung über einen Hook: Die Session antwortet selbst mit PRUNE-OK oder PRUNE-WAIT
- Zweistufiger Pruner: erst deterministisch schrumpfen, dann entscheidet ein Sonnet-Judge, der nur behalten darf, was er aus dem Plan belegen kann
- Strukturelle Invarianten und atomare Writes mit Compare-and-Swap. Das Original wird vorher archiviert und geflusht
- Prozess-Identität aus PID, Name und Startzeit, damit eine wiederverwendete PID nicht den falschen Prozess trifft
- Dashboard, Setup-Prüfung pro Projekt und ein Wrapper, der die Session im selben Terminal fortsetzt
Wie die Kompetenzen eingesetzt wurden
- Zuverlässigkeit
- Fail-closed-Gates, atomare Writes, Durability, Compare-and-Swap und dreiwertige Liveness (lebt, weg, unbekannt)
- LLMs und Agenten
- Kontext-Engineering und Prompt-Cache-Ökonomie, dazu ein Judge, dessen Verdikt bei kaputter Antwort auf Behalten fällt
- Backend und APIs
- Server, CLI und Test-Harness in reinem Node.js, ganz ohne Abhängigkeiten
- Sicherheit und Datenschutz
- Token- und Origin-Prüfung, weil jede offene Webseite localhost erreichen kann, und unsichere Inhalte sind als Daten eingezäunt
- Testen und Verifizieren
- Mutationschecks, End-to-End-Rigs mit echten Prozessen und Beweisläufe auf Kopien echter 87-MB-Transkripte
- KI-gestützte Entwicklung
- Fünf Audit-Runden durch Agenten, die jedes Mal echte Fehler fanden, teils in den Fixes der Runde davor
Meine Rolle
Idee, Entscheidungen, was scharfgeschaltet wird, und Melden, was kaputtgeht. Code und Audits stammen großteils von Agenten.