LCJ

LCJ steht für Lightweight Candidate Journal. Nova nutzt es als schlankes Journal für lernrelevante Ereignisse und Kandidaten: Evidenz, die nützlich werden kann, aber noch nicht als geprüftes Langzeitwissen gilt.

LCJ hält fest, was bei echter Agentenarbeit auf Websites passiert ist: Werkzeugergebnisse, Beobachtungen, wiederkehrende Blocker, Selektor-Drift, Navigationsmuster und kurze Lernansprüche, die später geprüft werden können.

LCJ liefert Evidenz an ALP. ALP kann nur dann Lernchancen vorschlagen, Kandidaten erzeugen, Wissen promoten oder verwerfen, wenn genug reale Evidenz vorhanden ist. PKS bleibt für geprüftes Website-Wissen reserviert, das die Lern-Gates bestanden hat.

Die meiste LCJ-Evidenz entsteht automatisch, während normale Nova-Werkzeuge laufen. Agenten und Integratoren nutzen LCJ direkt, wenn sie Gedächtnisstatistiken lesen oder in einem beanspruchten Arbeitskontext ausdrücklich einen Kandidaten ergänzen.

Kurz gesagt

• LCJ speichert Lernevidenz, keine ausführbare Orientierung.
• Normale Werkzeugarbeit erzeugt viele LCJ-Beobachtungen automatisch.
• Manuelle Kandidaten brauchen einen beanspruchten Zielkontext.
• Kandidaten nutzen die Zustände unverified, verified oder disproven.
• Bestätigte Kandidaten werden erst mit genug Evidenz promotierbar.
• LCJ ersetzt nie aktuelle Seitenbestätigung oder Sicherheitsgates.

Was LCJ erfasst

LCJ hält das Rohmaterial fest, das spätere Lernentscheidungen brauchen. Es bewahrt Evidenz, bevor daraus handbuchartige Orientierung wird.

1. Werkzeugereignisse LCJ kann festhalten, ob ein Werkzeug erfolgreich war, fehlgeschlagen ist, wie lange es gedauert hat und welcher Website-Kontext relevant war. Dadurch unterscheidet spätere Prüfung echten Erfolg von bloßer Behauptung.
2. Beobachtungen Beobachtungen beschreiben bedeutsame Signale wie action_success, action_failure, blocker_dismissed, selector_drift, perceive_signature oder telemetry_confirmed.
3. Kandidaten Ein Kandidat verbindet component, claim, status und confidence. Er beschreibt, was lernenswert sein könnte, ohne daraus aktives Wissen zu machen.
4. Evidenzstärke Finalize-Prüfung trennt schwache, mittlere und starke Evidenz. Ein bestätigter Kandidat wird erst promotierbar, wenn sein Evidenzwert die Promotionsschwelle erreicht.
5. Statistiken Gedächtnisstatistiken zeigen LCJ-Zähler, Verifikationsraten, Kurationsraten, Finalize-/Outbox-Zustand und Rollout-Readiness-Signale über nova.memory_stats.
6. Lernhistorie Promotion- und Feedback-Ereignisse halten den Entscheidungsweg sichtbar, damit spätere Agenten verstehen, warum ein Kandidat weiterging, stehenblieb oder verworfen wurde.

Wann brauche ich LCJ?

Nutze LCJ, wenn wiederholte Website-Arbeit Evidenz hinterlassen soll: wiederkehrende Consent-Dialoge, Selektoren, die brechen und wieder funktionieren, gleiche Formularmuster, fragile Navigationswege, Handlungsergebnisse, die geprüft werden sollten, oder Aufgaben-Evidenz, aus der später wiederverwendbare Orientierung entstehen kann.

Wissensmodell für Agenten

Für einen Agenten beantwortet LCJ vier Fragen: Wo ist die Evidenz entstanden, welcher Anspruch wird formuliert, wie reif ist dieser Anspruch, und was muss vor Wirkung auf spätere Arbeit geprüft werden?

Arbeitskontext

Manuelle Kandidaten sind an ein beanspruchtes Ziel gebunden. Ohne aktuellen nova.tab_claim-Kontext kann ein Agent keine LCJ-Kandidaten sicher ergänzen.

Beobachtung

Ein normalisiertes Lernsignal aus echter Arbeit: erfolgreiche Handlung, Fehler, Blocker, Drift-Signal oder Seitensignatur.

Kandidat

Ein kurzer wiederverwendbarer Anspruch, der nach Evidenz und Prüfung nützlich werden kann. Er bleibt Kandidat, nicht geprüftes Wissen.

Komponente

Der Kategorie-Schlüssel in component. Er bündelt verwandte Kandidaten, etwa Blocker, Navigation, Automationssperre oder UI-Verhalten.

Status

unverified ist der Standardzustand, verified bedeutet stützende Evidenz, und disproven hält Evidenz gegen den Anspruch fest.

Confidence

Ein Wert von 0.0 bis 1.0. Er hilft beim Einordnen des Kandidaten, macht ihn aber nicht ausführbar.

Finalize Stats

finalizeStats berichtet, wie viele LCJ-Kandidaten beim Finalisieren berücksichtigt, bestätigt, promotierbar oder für kuratierte Wissensschreibungen vorbereitet wurden.

Memory Stats

nova.memory_stats liest LCJ-, Finalize-, Outbox- und Runtime-Lernmetriken für ein gewähltes Zeitfenster.

So nutzen Agenten LCJ-Infos

LCJ ist ein Journal, keine Abkürzung. Der Agent erzeugt oder nutzt zuerst reale Evidenz, liest oder schreibt kleine Kandidatensignale und lässt ALP entscheiden, was dauerhaftes Wissen werden darf.

1. Arbeitskontext beanspruchen Ein Agent beansprucht den relevanten Tab mit nova.tab_claim. Dadurch werden manuelle LCJ-Kandidaten an das richtige Ziel und den richtigen Owner gebunden.
2. Normale Arbeit erzeugt Evidenz Browser-Werkzeuge wie nova.perceive, nova.click_selector oder nova.type_selector erzeugen Ergebnisse, die zu LCJ-Beobachtungen werden können.
3. Ausdrückliche Kandidaten sparsam ergänzen Wenn ein wiederverwendbares Muster klar ist, kann ein Agent oder eine Integration nova.memory_add_candidate mit konkretem component und kurzem claim aufrufen.
4. Gedächtniszustand prüfen nova.memory_stats liefert LCJ-Zähler, Verifikationsraten, Kurationsraten, Finalize-Entscheidungen, Outbox-Zustand und ausgewählte Runtime-Lernsignale.
5. ALP prüft die Evidenz ALP-Werkzeuge wie nova.learn_suggest, nova.learn_generate und nova.learn_feedback machen aus LCJ-Evidenz geprüfte Lernentscheidungen.
6. Finalisieren ohne Handlungsauslösung finalizeStats kann LCJ-Kandidaten beim Freigeben eines Claim-Kontexts zusammenfassen. Die Zusammenfassung kann Prüfung oder Promotion vorbereiten, führt aber keine Website-Handlung aus.

Wann LCJ-Evidenz gilt

LCJ-Zustand beschreibt die Reife von Evidenz. Er kann ein Muster sichtbar machen, aber erst promotiertes PKS-Wissen darf spätere Arbeit leiten, und auch dann nur nach aktueller Seitenbestätigung.

Fehler- und Schutzbedingungen

Diese harten Kanten sollten Agenten und Integrationen bei LCJ-nahen MCP-Werkzeugen erwarten.

Agenteninterpretationsbeispiel

Das Beispiel zeigt LCJ als Evidenzvertrag: Der Agent schreibt einen kurzen Kandidaten, liest die zurückgegebenen Kennungen und wartet trotzdem auf Prüfung, bevor daraus Orientierung wird.

Kandidaten-Request

{
  "tool": "nova.memory_add_candidate",
  "arguments": {
    "targetId": "active",
    "agentId": "default",
    "component": "consent-dialog",
    "claim": "Consent banner disappears after clicking the footer reject link.",
    "status": "unverified",
    "confidence": 0.65
  }
}

Relevante Antwortfelder

{
  "structuredContent": {
    "ok": true,
    "targetId": "tab_12",
    "taskId": "claim_4f9d",
    "ownerAgentId": "default",
    "candidateId": 42,
    "created": true,
    "status": "unverified",
    "confidence": 0.65,
    "updatedAtUtc": "2026-05-07T10:30:00.0000000Z"
  }
}

Agenteninterpretation

{
  "treatAs": "learning evidence candidate",
  "mayExecute": false,
  "beforePromotion": "gather repeated evidence and review through ALP",
  "beforeUse": "only promoted PKS knowledge may guide action, and only after current-page confirmation"
}

MCP-Vertrag

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

Ausführungsregel: Kein LCJ-Feld darf eine Website-Handlung auslösen; LCJ-Evidenz muss ALP/PKS-Prüfung und aktuelle Seitenbestätigung durchlaufen, bevor sie Verhalten leitet.