MemGPT-style virtual context-load egy 11.11 session indulásakor.
B-2 sprint Week 3 rewrite (2026-05-13): a klasszikus aggressive 15-20K token-os
cat-jel helyett **lean ~5K token** working+top-K episodic + semantic on-demand.
B-1 Week 3-4 bővítés (2026-05-17): **KO-DB Top-K structured facts** réteg
(13K+ fact, cross-source-corroboration ranking, instant SQLite).
Production-stack v2 (2026-05-20): **RRF hybrid-fusion** retrieval (vault-search +
agentmemory), 77.5% avg R@5 (+23pp), drop-in via `vault-search-fusion` CLI.
Triggers: amikor a user 11.11start-ot használ, vagy "load context for <projekt>" kérés.
load-session-context (B-2 Week 3 rewrite)
A 11.11 session indulása utáni perceket optimalizálja: az agent lean ~5K token kontextust kap working + top-K episodic-ról, plus on-demand semantic-fetch ha mélyebb infó kell. 75% token-megtakarítás a régi aggressive 15-20K-hoz képest, 3× gyorsabb context-load (Memgraph bge-m3 vs file-grep).
Mikor triggereljen
Amikor a user /11.11start "<név>" parancsot adott — automatikusan a következő agent-interakcióban
Amikor a session-fájlban a ## Pre-loaded context szekció üres TODO-blokkot tartalmaz
Amikor a user explicitly kéri: "load context for kgc-berles" vagy "tölts be mindent a foxxi-ról"
A többi (deep ADR-tartalom, infra-gotchák, régebbi session-Learning) on-demand: ha a user kérdés specifikus témára mélyül, az agent vault-search-fusion "<kérdés>" tool-call-t hív (RRF fusion vault-search + agentmemory, +23pp R@5 vs vault-search alone), és a top-K-t bevonja a kontextusba.
Hogyan működik (új flow)
1. Projekt-detektálás (változatlan)
A session-névből deduktálj projekt-slug-ot a [[11-wiki/Auto-context-loading|detektálási tábla]] szerint. Ambiguity → user-kérdés.
[{"subject":"kgc-berles","source_count":8,// hány distinct provenance említi"max_confidence":0.98,"fact_count":28,// teljes fact-count erre a subject-re"facts":[{"predicate":"uses","object":"Next.js 16.2.3","provenance":"08-Sessions/...","confidence":0.98,"source_type":"session"},{"predicate":"has_value","object":"port 3004", ...},{"predicate":"depends_on","object":"kgc-postgres", ...}]},
...
]
Rangsor:(distinct sources DESC, max confidence DESC, total fact count DESC) — a leg-cross-source-validáltabb subject-ek elöl. A multi-source ranking azt jelenti: ha 8 forrás (3 ADR + 4 session + 1 wiki) említ valamit, akkor az konszenzus, nem egyszeri kijelentés.
Mikor ér többet a Memgraph semantic-fetch-nél:
amikor pontos entity-fact kell (port-szám, version, file-path, dependency)
amikor "mit tudunk X-ről?" típusú kérdés van
amikor cross-source consistency-t akarsz látni (egyszerre több projektből konszenzust)
Mikor Memgraph jobb:
amikor szöveges narrative kell (long-form kontextus, multi-paragraph cikk-részlet)
amikor a kérdés bizonytalan kulcsszavakkal jön (semantic > LIKE)
A kettő komplementer: Top-K KO-DB strukturált alap + semantic-fetch szöveges narratíva.
2b. Lean fetch (vault-context-load script)
vault-context-load <slug>
Output JSON:
{"working":{"session_file":"08-Sessions/2026-05-13-...","first_120_lines":"..."},"episodic_top_k":[{"file":"...","title":"...","snippet":"...","score":0.74},
...
],"project_meta":{"file":"02-Projects/<slug>.md","status_line":"🟢 active — ...","open_tasks_count":7,"top_3_tasks":[...]}}
A returned chunk-okat foglalja bele a kontextusba, válaszoljon a citation-okkal.
5. Fallback (Memgraph down vagy chunks=0)
Ha vault-search-fusion üres / Memgraph + agentmemory mindkettő nem fut, visszaesik a régi aggressive pattern-re (SKILL.md.bak.20260513-pre-memgpt elérhető reference-ként). ENV-flag: VAULT_SEARCH_MODE=grep explicit override. Ha CSAK agentmemory down, a vault-search-fusion graceful-fallback-el vault-search-only mode-ra esik (--no-fusion-ekvivalens).
