ALP

ALP steht für Agent Learning Pipeline. Nova nutzt ALP, um aus beobachteter Website-Arbeit geprüftes, erklärbares und erneut prüfbares Wissen zu machen.

ALP sitzt zwischen Live-Beobachtungen und PKS. Die Pipeline erkennt wiederholte Evidenz, schlägt Lernchancen vor, schreibt Kandidaten, prüft Promotionsgates, protokolliert Feedback und revalidiert gespeichertes Wissen gegen eine aktuelle Seite.

Die wichtige Grenze ist einfach: Wiederholtes Verhalten ist nicht automatisch zuverlässiges Wissen. ALP trennt ein nützliches Signal von ausführbarer Orientierung, indem der Evidenzzustand sichtbar bleibt.

ALP stützt außerdem den Learn Mode. Wenn ein Agent eine Plattform kartiert, kann Nova ein strukturiertes Playbook und Mindestabdeckung verlangen, bevor die Lernaufgabe als abgeschlossen gilt.

Kurz gesagt

• ALP ist Novas Qualitätspfad für Lernen aus wiederholter Website-Arbeit.
• Vorschläge und Proposals sind Evidenz, keine Handlungserlaubnis.
• Generierte Kandidaten starten als Prüf-Wissen und werden erst nach bestandenen Gates aktiver.
• Auch aktives PKS-Wissen braucht aktuelle Seitenbestätigung, bevor es eine Handlung leiten darf.
• Revalidierung prüft gespeicherte Signale, ohne das gespeicherte Playbook auszuführen.
• Learn Mode ergänzt Mindestabdeckung und ein festes Plattform-Playbook für Explorationsaufgaben.

Was ALP entscheidet

ALP ist eine Prüfschleife. Sie entscheidet, ob beobachtete Arbeit nur Rauschen, eine Lernchance, ein Kandidat, aktive Orientierung oder veraltetes Wissen ist, das repariert werden muss.

1. Muster Wiederholt sich dieselbe Website-Situation, dasselbe Selektorverhalten, derselbe Blocker oder dieselbe erfolgreiche Handlung oft genug, um beachtet zu werden?
2. Proposal Kann die Evidenz zu einem strukturierten PKS-Kandidaten, Domain-Hinweis oder Patch werden, ohne ungeprüfte Selektoren oder Ergebnisse zu erraten?
3. Promotion Hat der Kandidat genug Support, Erfolgsevidenz, Vertrauen und wenig Drift, um von Candidate zu Shadow oder Active zu wechseln?
4. Regression Beginnt aktives Wissen zu scheitern, zu driften oder zu verschwinden, sodass es vor weiterer Nutzung demoted, stillgelegt oder revalidiert werden sollte?
5. Coverage Hat eine Learn-Mode-Aufgabe genug Flächen und Interaktionen erkundet, um ein nützliches Plattform-Playbook statt einer flachen Tour zu liefern?

Wann brauche ich ALP?

ALP ist wichtig, wenn Nova verwertbares Wissen hinterlassen soll: Plattform-Mapping, wiederholte Automationen, Consent- oder Login-Reibung, Selektor-Reparatur, wiederkehrende Blocker oder Aufgaben, bei denen spätere Agenten verstehen sollen, warum ein Muster zuverlässig ist.

Wissensmodell für Agenten

Für einen Agenten beantwortet ALP vier Fragen: welche Evidenz existiert, welchen Reifezustand sie hat, welches Gate blockiert oder genehmigt, und welches Feedback nach Nutzung oder Ablehnung zurückgemeldet werden muss.

Beobachtungscluster

Ein wiederholtes Muster aus Website-Ereignissen, zum Beispiel erfolgreiche Dismissals, Selektorfehler, Drift-Signale oder Handlungsergebnisse im Domain-Kontext.

Lernchance

Ein priorisiertes Signal in opportunities[], wenn ALP ein Muster sieht, das geprüft werden sollte.

Proposal

Ein generierter Kandidat in proposals[]. Er kann ein neues Phänomen, einen Domain-Hinweis oder einen Patch für bestehendes Wissen beschreiben.

Stable ID

Eine dauerhafte Kennung wie stableId für Promotion, Erklärung, Feedback und Revalidierung.

Learning Level

Der Reifezustand von PKS-Wissen: Candidate, Shadow, Active, demoted, deprecated oder zurück in Review revived.

Gate

Eine deterministische Prüfung hinter nova.learn_promote oder nova.explain. Gates vergleichen Support, Erfolg, Fehler, Drift, Sessions und Vertrauen.

Semantische Lernchance

Ein Runtime-Prompt in pksSemanticLearning für reichere Muster wie Consent-Dialoge, Login-Walls oder riskante Wiederholungen.

Learn-Mode-Coverage

Die Explorationszähler in learnMode.progress, die verhindern, dass eine Plattform-Lernaufgabe zu früh endet.

So nutzen Agenten ALP-Infos

ALP gibt Agenten einen Lernpfad, keine Abkürzung. Der Agent liest Evidenz, generiert oder prüft Kandidaten, promotet nur durch Gates und behandelt aktives Wissen als Orientierung, die weiterhin aktuelle Seitenbelege braucht.

1. Learn Mode beim Plattform-Mapping starten Für Explorationsaufgaben ruft der Agent nova.get_instructions mit mode="learn" auf. Das erwartete Endartefakt ist PLATFORM_PLAYBOOK, und learnMode.progress zeigt, ob die Coverage-Floors erfüllt sind.
2. Lernchancen lesen Der Agent ruft nova.learn_suggest mit optionalem scope und limit auf. Die Antwort priorisiert Muster nach Support, Erfolg, Fehlschlag, Recency und Drift-Signalen.
3. Kandidaten nur für offenen Scope erzeugen Wenn eine Lernchance dauerhaft nützlich ist, macht nova.learn_generate daraus proposals[] und gestufte PKS-Kandidaten. Ein Schreibvorgang braucht einen konkreten Domain-Scope, der in einem aktuellen Tab oder Sandbox-Target offen ist.
4. Vor Promotion erklären Bevor ein Kandidat genutzt wird, kann der Agent nova.explain mit stableId und optional observedSignals aufrufen, um Gate-Zustand und Match-Vertrauen zu sehen.
5. Durch Gates promoten, demoten oder stilllegen Der Agent nutzt nova.learn_promote. dryRun=true prüft ohne Schreiben; ein Non-Dry-Run wendet nur genehmigte Übergänge an und meldet approved, rejected, applied und writeFailed.
6. Semantische Prompts explizit auflösen Wenn eine Tool-Antwort pksSemanticLearning enthält, schreibt der Agent entweder den vorgeschlagenen PKS-Eintrag oder ruft nova.learn_resolve_opportunity mit klarem verdict auf.
7. Vor Vertrauen in altes Wissen revalidieren Der Agent ruft nova.revalidate mit targetId auf, um veraltete Fingerprints ohne Playbook-Ausführung zu prüfen. Die Antwort meldet results[], Telemetrie-Status, verbleibendes Budget und Ablehnungsgründe.
8. Feedback nach Änderungen lesen Der Agent nutzt nova.learn_feedback, um aktuelle Lernereignisse zu prüfen und zu verstehen, was wann und warum geändert wurde.

Wann ALP-Zustand gilt

ALP-Zustand beschreibt Wissensreife. Er erklärt, ob ein Muster vielversprechend, nutzbar, blockiert, veraltet oder stillgelegt ist, ersetzt aber weder aktuelle Seitenbeobachtung noch Sicherheitsfreigaben.

Fehler- und Schutzbedingungen

Diese harten Kanten sollten Agenten und Integrationen bei ALP-Werkzeugen erwarten.

Agentenbeispiel

Das Beispiel zeigt ALP als Promotionsvertrag: Der Agent fordert eine Dry-Run-Promotion an, liest die Gate-Entscheidung und schreibt erst später, wenn die Prüfung beabsichtigt ist.

Promotion-Dry-Run-Request

{
  "tool": "nova.learn_promote",
  "arguments": {
    "scope": "example.com",
    "stableIds": ["lcj_8c1a2f9d44ab"],
    "transition": "l1_to_l2",
    "dryRun": true
  }
}

Relevante Antwortfelder

{
  "structuredContent": {
    "ok": true,
    "scope": "example.com",
    "dryRun": true,
    "approved": 1,
    "rejected": 0,
    "applied": 0,
    "writeFailed": 0,
    "total": 1,
    "decisions": [
      {
        "stableId": "lcj_8c1a2f9d44ab",
        "approved": true,
        "applied": false,
        "skippedBecause": "dry_run",
        "reasonKind": "l1_to_l2",
        "fromLevel": 1,
        "toLevel": 2
      }
    ]
  }
}

Agenteninterpretation

{
  "treatAs": "gate-approved review signal",
  "writeStatus": "not applied because dryRun=true",
  "beforeUse": "confirm the current page still matches the phenomenon",
  "nextStep": "run non-dry-run only if the scope is open and the promotion is intended"
}

MCP-Vertrag

Das ist die nüchterne Schicht unter der Erklärung. Sie beschreibt ALP-Felder, die Agenten und Integratoren als Vertragssignale lesen sollen, nicht als freien Beschreibungstext.

Ausführungsregel: Kein ALP-Feld darf allein eine Handlung auslösen; gelernte Orientierung braucht aktuelle Seitenbestätigung und die normalen Sicherheitsgates.