Lokales Cursor-Setup und Gitignore ergänzen, damit Konzeptarbeit reproduzierbar weitergeführt werden kann.

Co-authored-by: Cursor <cursoragent@cursor.com>
This commit is contained in:
LarsandCursor committed 2026-08-19 09:44:15 +02:00
1 parent 58321f7ee7
commit 548a4db9f8
6 files changed
+202

No files matched your search

+23
View File
@@ -0,0 +1,23 @@
---
description: Fachdokumentation nicht verdichten, Context Bundles nutzen
globs: docs/**/*.md
alwaysApply: false
---
# Kanshō – Dokumentation
`fachliche_zielarchitektur.md` ist das führende Referenzdokument. Jedes Thema hat ein kanonisches Home; nicht duplizieren, sondern verlinken.
## Änderungen
- Keine stillschweigende Kürzung oder Löschung.
- Ergänzen, explizit ersetzen, als überholt kennzeichnen oder Decision Record.
- Dateinamen bleiben stabil, ohne Versionsnummern im Namen.
- Frontmatter mindestens: Titel, Version/Status, Datum, document_role.
- Status klar halten: Entschieden / Bevorzugte Richtung / Hypothese / Offen / Verworfen.
## Kontext laden
Nicht alle Kapitel gleichzeitig. Bundles stehen in `documentation_index.md`.
Querschnittsinvarianten nicht abschwächen: Context Fidelity, Resurfacing/Saturation, Point-in-Time Self, Privacy Gateway.
@@ -0,0 +1,26 @@
---
description: Privacy Gateway – Identität lokal, kein direkter AI-Egress
alwaysApply: true
---
# Kanshō – Privacy Guardrails
Invariante: Identität bleibt lokal. Externe Intelligenz erhält nur den notwendigen, minimierten, soweit sinnvoll pseudonymisierten Kontext.
## Verbindlich
- Persönlicher Kontext nie direkt an OpenRouter, Provider oder Tools senden.
- Alle persönlichen AI-Aufrufe über eine lokale Privacy-Gateway-/Egress-Schicht.
- Identity Mapping, Klarnamen, Secrets und vollständige Primärquellen bleiben in der Local Trusted Zone.
- Für persönliche Kontexte: Zero Data Retention, kein Provider-Training, kein Prompt-Logging.
- Fail Closed: kein stillschweigender Fallback auf unsichere Provider.
- LLM-Egress und Tool-/Web-Egress sind getrennte Policies.
- Antworten lokal validieren und erst dann demaskieren.
## Datenklassen
- A Local Only: Mapping, Secrets, vollständige Identität
- B Pseudonymized AI Context: Normalfall für Dialoge
- C Low-Identity: generische, nicht-personalisierte Inhalte
Platzhalter wie `[[SELF]]` oder `[[PERSON:PARTNER]]` statt sprechender Aliase. Quelle: `docs/architecture/functional/guardrails.md`
+26
View File
@@ -0,0 +1,26 @@
---
description: Kanshō-Produktidentität, Prinzipien und Nicht-Ziele
alwaysApply: true
---
# Kanshō – Produktidentität
Kanshō ist ein langfristiger persönlicher Reflexionsbegleiter (Personal Reflection Companion) in der Jinkendo-Familie. Kern: Wahrnehmen → Reflektieren → Verstehen → Einordnen.
Nicht bauen oder vorschlagen als: Tagebuch-App mit KI, Meditations-App, Mood Tracker, generischer Chatbot, Aufgabenmanager, Fitness-Tracker oder automatischer psychologischer Diagnostiker.
## Prinzipien
- Dialog vor Formular; Kontext vor generischer Frage.
- Hypothese statt künstlicher Gewissheit; Mensch entscheidet über Identität.
- Reflection before Action; Action Candidates gehen an Kairo, nicht in Kanshō-To-dos.
- Einfache UX, intern differenzierte Modelle. Keine Vereinfachung nur weil Implementierung leichter wird.
- Primäre Startlogik: Kontinuität des Dialogs, kein Funktions-Dashboard.
## Technik (entschieden, Stack offen)
PWA, Mobile First, responsive Desktop, Offline und Transkription sind Anforderungen. UI-Framework, Datenbank und KI-Runtime nicht stillschweigend festlegen.
## Quelle
Details: `docs/architecture/functional/produktvision_und_produktidentitaet.md`