Lernen

Lernen in Nova bedeutet nicht, dass ein Agent beliebige Erinnerungen sammelt. Nova trennt beobachtete Arbeit, Lernkandidaten, geprüftes Website-Wissen, aktuellen Betriebszustand und konkrete Aufgabenläufe, damit spätere Orientierung nützlich bleibt und trotzdem prüfbar ist.

Diese Seite ist die Karte für Novas Lernbereich. Der Tool Observation Bus (TOB) hält beobachtete Werkzeug-Evidenz fest. Das Lightweight Candidate Journal (LCJ) sammelt Lernevidenz. Die Agent Learning Pipeline (ALP) prüft Kandidaten und übernimmt die nützlichen. Das Closed-Loop System (CLS) prüft Handlungsergebnisse. Der Phenomenological Knowledge Store (PKS) speichert kuratierte Website-Phänomene. Operational Knowledge (OK) hält aktuellen Dienstzustand. Episodic Task Memory (ETM) merkt sich Aufgabenläufe, Fortschritt und Abschlussbedingungen.

TUC steht für Task URL Coverage. TUC gehört in ETM. Es prüft, ob relevante URLs oder Arbeitseinheiten wirklich abgedeckt wurden, bevor eine Aufgabe mit Vollständigkeitsanspruch als erledigt gelten darf.

Angrenzende Gedächtnisflächen bleiben von den Lernsäulen getrennt. Browser Memory hält opt-in Nutzerkontext pro Domain, Operator Notes halten wiederverwendbare Notizen über Sitzungen hinweg, und Evidence Verification Mode (EVM) führt Rechercheaufgaben über Claim-Prüfung in den Task-Instructions.

Kurz gesagt

• Lernen beginnt bei beobachteter Evidenz, nicht bei einer Agentenbehauptung.
• Automatisches Lernen kann Kandidaten vorbereiten, macht daraus aber noch kein aktives vertrauenswürdiges Wissen.
• ALP entscheidet, ob wiederholte Evidenz nützlich genug für Promotion ist.
• CLS prüft, ob eine Handlung wirklich das erwartete Ergebnis erzeugt hat, bevor der nächste Schritt darauf vertraut.
• PKS, OK und ETM halten unterschiedliche Wissensarten, damit Orientierung nicht vermischt wird.
• TUC gehört zu ETM, weil es Abdeckung für konkrete Aufgabenläufe prüft.
• Browser Memory und Operator Notes sind angrenzende Gedächtnisflächen, kein Ersatz für PKS, OK, LCJ oder ETM.

Lernbereiche

Jeder Lernbereich beantwortet eine andere Frage. Es geht nicht darum, überall mehr Gedächtnis zu speichern, sondern Evidenz, Prüfung, aktuellen Zustand und Aufgabenfortschritt am richtigen Ort zu halten.

Die Lernkette

Die Reihenfolge ordnet die Verantwortlichkeiten. Nova kann an verschiedenen Stellen einsteigen, aber jeder Bereich hat eine klare Aufgabe.

1. Beobachten TOB hält fest, was während Agentenarbeit wirklich passiert ist: Lesen, Klicken, Eingaben, Navigation, Fehler und Blocker.
2. Sammeln LCJ bewahrt Lernevidenz und Kandidaten, ohne sie schon als vertrauenswürdiges Wissen zu behandeln.
3. Bewerten ALP bewertet wiederholte Evidenz, erklärt Entscheidungen und übernimmt nur Kandidaten mit genug Grundlage.
4. Prüfen CLS prüft, ob eine Browser-Handlung wirklich das erwartete Ergebnis erzeugt hat, bevor daraus Orientierung oder Aufgabenfortschritt wird.
5. Speichern PKS und OK trennen dauerhaftes Website-Verhalten von aktuellen Betriebsfakten wie sichtbarem Zustand, Fähigkeit oder Aktualität.
6. Nutzen PKS, OK und ETM geben späteren Agenten Orientierung zurück, verlangen aber weiterhin Bestätigung durch aktuelle Seite oder aktuellen Aufgabenstand.
7. Abschluss nachweisen ETM und TUC halten Fortschritt, offene Einheiten, Abschlussregeln und URL-Abdeckung sichtbar, bevor eine große Aufgabe als fertig gilt.
8. Pflegen ALP und PKS machen Drift, veraltetes Wissen, wiederholte Fehlschläge und Kandidaten sichtbar, die angepasst, zurückgestuft oder stillgelegt werden sollten.

Arten des Lernens

Nova nutzt mehrere Lernpfade, weil Evidenz automatisch entstehen, bewusst angefordert, semantisch geprüft oder an einen konkreten Aufgabenlauf gebunden sein kann.

1. Automatisches Lernen Wenn sichere Aktionen sich wiederholen, Selektoren stabil funktionieren oder klare Website-Situationen erneut auftreten, kann Nova automatisch Kandidaten vorbereiten. Das spart manuelle Pflege, macht Wissen aber nicht von allein aktiv.
2. Bewusster Lernmodus Ein Agent kann über nova.get_instructions lernorientierte Anweisungen abrufen und daraus ein strukturiertes PLATFORM_PLAYBOOK erstellen. Diese Namen sind für Agenten und Integratoren gedacht, nicht als normale Bedienbefehle in der Oberfläche.
3. Semantisches Lernen Wiederkehrende Situationen wie Consent-Dialoge, Login-Schranken oder riskante Wiederholungen können zu Lernchancen werden. Agentenlesbare Werkzeuge wie nova.learn_resolve_opportunity helfen zu entscheiden, wie damit umgegangen wird.
4. Aufgabenlernen ETM hält Aufgabenprofile, Aufgabeninstanzen, Fortschritt, Hinweise und Abschlussregeln. TUC erweitert das, wenn eine Aufgabe Evidenz braucht, dass relevante URLs oder Einheiten wirklich abgedeckt wurden.

Was gehört wohin?

Der Lernbereich bleibt lesbar, wenn jeder Begriff einen passenden Ort hat.

Website-Verhalten

gehört in PKS, wenn es wiederverwendbar und geprüft ist.

Aktueller Dienstzustand

gehört in OK, wenn er beschreibt, was gerade gilt.

Aufgabenfortschritt

gehört in ETM, wenn es um einen konkreten Lauf, offene Arbeit oder Abschluss geht.

URL-Abdeckung

gehört über TUC in ETM, weil Abdeckung Evidenz für einen Aufgabenlauf ist.

Nutzerkontext pro Domain

gehört in Browser Memory, wenn Nova Notizen, Präferenzen oder Sitzungskontext über Besuche hinweg behalten soll.

Wiederverwendbare Operator Notes

gehören in Operator Notes, wenn eine Präferenz, Recherche-Regel oder ein Workflow-Fakt über einzelne Aufgaben hinaus gelten soll.

Recherche-Claim-Prüfung

gehört zur EVM-Task-Guidance. EVM kann Claim-Evidenz in LCJ ablegen, ist aber keine eigene Langzeit-Lernsäule.

Agentenbewusstsein und Sicherheitshinweise

können Lernen unterstützen, sind aber keine eigenen Lernsäulen.

Grenzen

Lernen soll Nova zuverlässiger machen, nicht weniger verantwortlich. Ein Kandidat kann unvertrauenswürdig bleiben, gespeichertes Wissen kann altern, ein Aufgabenabschluss kann abgelehnt werden und sensible Handlungen brauchen weiterhin das normale Sicherheits- und Freigabemodell. Entscheidend bleiben die aktuelle Seite, der aktuelle Aufgabenstand und die aktuelle Nutzerabsicht.