Lars/shinkan-jinkendo
1
0
Fork 0
Code Issues 7 Pull Requests Actions Packages Projects Releases 3 Wiki Activity
87f258be38
shinkan-jinkendo/docs/architecture/PLANNING_KI_ROADMAP.md
Lars 87f258be38
All checks were successful
Deploy Development / deploy (push) Successful in 42s
Details
Test Suite / pytest-backend (push) Successful in 43s
Details
Test Suite / lint-backend (push) Successful in 0s
Details
Test Suite / build-frontend (push) Successful in 14s
Details
Test Suite / k6 /health Baseline (push) Successful in 34s
Details
Test Suite / playwright-tests (push) Successful in 1m15s
Details
Enhance Path QA with Roadmap-First Features and Gap Detection Improvements 
- Introduced `roadmap_qa_mode` to manage QA behavior based on roadmap-first logic, improving gap detection between major steps.
- Updated `detect_path_gaps` to skip gaps for roadmap-planned neighbor pairs, enhancing the accuracy of path assessments.
- Added new helper function `is_roadmap_planned_neighbor_pair` to facilitate roadmap neighbor checks.
- Updated relevant tests to validate new functionality and ensure robustness.
- Incremented application version to 0.8.209 to reflect these changes.
2026-06-09 10:17:30 +02:00

3.6 KiB
Raw Blame History

Planungs-KI — Produkt-Roadmap

Stand: 2026-06-07
App-Version: ab 0.8.204 — maßgeblich backend/version.py

Diese Roadmap ergänzt die Architektur-Refaktor-Roadmap (UMSETZUNGSPLAN_ROADMAP.md) und gilt nur für KI-gestützte Trainingsplanungsunterstützung.

Leit-Spec: .claude/docs/working/PLANNING_PROGRESSION_ROADMAP_SPEC.md

Strategische Entscheidung (verbindlich)

  1. Progressionsgraph: Planung vom Ziel rückwärts (Roadmap-first), nicht Bibliothek-first.
  2. Keine Gruppenanalyse im Graphen — Kontext = Zieltext, Thema, Schrittanzahl, optional Graph-Kanten.
  3. Trainingsplanung (Einheit, Rahmen, Abschnitt): eigene Pipeline später, mit Gruppenkontext — siehe AI_PLANNING_KI_MULTISTAGE_FORECAST.md S0–S4.
  4. Orchestrierung: Workflow-lite jetzt (planning_progression_roadmap.py); Mitai Workflow-Engine später, wenn 2–3 Pipelines stabil sind.

Phasen-Übersicht

Phase Domäne Kurzbeschreibung Status
P0–P2 Übungssuche Kontext-Pack, Hybrid-Score, LLM-Rerank ✅
A–C2 Übungssuche Voll-Library, Graph, Varianten ✅
C3 Progressionsgraph Pfad-Builder (retrieval-first) ✅
E–E3 Progressionsgraph Semantik, QA, Lücken-Angebote ✅
F0–F1 Progressionsgraph Roadmap-Pipeline Scaffold + API-Preview 🔄 0.8.204
F2–F4 Progressionsgraph LLM Roadmap, roadmap-first Retrieval, UI Review 🔲
D Übungs-Neuanlage planning_context an suggestExerciseAi ✅ 0.8.208
G Trainingsplanung Kontext-Pack Gruppe/Historie, S0–S4 🔲
H Plattform Mitai-Workflow-Engine (optional) 🔲 Backlog

Phase F — Progressions-Roadmap (aktiver Fokus)

F0 — Foundation (0.8.204)

  • Spec PLANNING_PROGRESSION_ROADMAP_SPEC.md
  • Modul planning_progression_roadmap.py (Pydantic, Pipeline-Skeleton)
  • Migration 078 Prompt-Slugs (Zielanalyse, Roadmap)
  • API: include_roadmap_preview auf progression-path-suggest
  • Doku: HANDOVER, PLANNING_EXERCISE_SUGGEST_CONTEXT, MULTISTAGE_FORECAST

F1 — Deterministische Roadmap

  • Phase A aus Semantic Brief
  • Phase B: micro_objectives aus development_arc + Konsolidierung auf N
  • Phase C: heuristische stage_specs
  • pytest für Konsolidierung

F2 — LLM Roadmap (0.8.205)

  • Prompts 078/079 in ai_prompts — Code nur Slugs (PROMPT_SLUG_*)
  • include_llm_roadmap + load_and_render_ai_prompt + JSON-Validierung
  • Deterministischer Fallback wenn Prompt/OpenRouter fehlt
  • Response/UI: genutzte prompt_slugs sichtbar machen (Admin-Hinweis)

F3 — roadmap-first (0.8.206)

  • Retrieval pro major_step + stage_spec statt iterativem Pfad-Bau
  • Gap-Angebote für unbesetzte Roadmap-Stufen (roadmap_unfilled)
  • QA/Lücken an Roadmap gekoppelt (roadmap_first_lite: keine Brücken/Reorder zwischen Major Steps)

F4 — UI (0.8.207)

  • Roadmap-Review im ExerciseProgressionPathBuilder
  • Major Steps editierbar (Phase, Lernziel, Reihenfolge) vor Übungs-Match
  • API roadmap_only + roadmap_override

Abhängigkeiten

Von Nach Hinweis
F2 Enrichment / Skills Bessere Roadmap bei technikspezifischen Skills
F3 F2 LLM-Roadmap oder stabile heuristische B
G F4 Trainingsplanung kann Roadmap aus Graph referenzieren
H G + F4 Workflow-Engine lohnt bei verzweigten Planungsflows

Pflege

Bei Abschluss einer Teilphase: diese Datei, HANDOVER.md §2.8, PLANNING_EXERCISE_SUGGEST_CONTEXT.md §24, Changelog in version.py.