agentleFS
katharinaeckekatharinaecke/second-brain-starter-kit/.agents/skills/brain-optimieren/SKILL.md

brain-optimieren

Skill3 starsChanged 3 months agoMITView on GitHub

Schema für den mechanischen Gesundheitscheck über den ganzen Vault (brain-check.py) samt Triage des Reports, plus periodischer Tiefen-Modus.

The file

Files
SKILL.md

Brain-Optimieren-Vorgehen (Vault-Gesundheitscheck)

Auslöser: "Brain optimieren", "Vault-Check", "Brain aufräumen", "großer Brain-Review", "ist mein Brain noch effektiv" o.ä. → immer zuerst kurz fragen, welcher Modus gewünscht ist, statt an der Formulierung zu raten: (1) Standard (mechanischer Check, günstig) oder (2) Standard plus Tiefen-Modus (zusätzlich Nutzung/Redundanz/ Architektur-Fit/Datenschutz-Rollup, aufwendiger, nur periodisch vorgesehen). Auch bei "großer Brain-Review" nicht automatisch in den Tiefen-Modus wechseln, das ist nur ein Indiz, keine Zusage.

Was ist das?

Ein mechanischer Gesundheitscheck über den ganzen Vault: kaputte Links, isolierte Notizen, fehlendes Frontmatter, fehlende ## Verwandt-Abschnitte, MOC-Abdeckung, zu große Notizen, Namenskonventionen. Das Skript findet die Treffer, das Urteil (fixen/löschen/lassen) macht die AI anhand des Reports. Das ist der Standard-Modus. Der Tiefen-Modus ergänzt das seltener um Fragen, die Mechanik allein nicht beantworten kann.

Wie funktioniert's?

  1. Modus abfragen (s. Auslöser oben). Erst nach Antwort weitermachen.
  2. Report holen: Skripte/brain-check.py laufen lassen (Python 3, portabel). --summary für nur Zählungen, ohne Flag der volle Report mit Trefferlisten.
  3. Triagieren, Kategorie für Kategorie durchgehen:
    • Kaputte/verdächtige Links → echte Tippfehler fixen. Bewusste Zukunfts-Notizen (noch nicht geschriebene, aber absichtlich schon verlinkte Notizen) lassen.
    • Backtick-Links → Backticks entfernen (entwerten den Graph-Link).
    • Isolierte Notizen (<2 Links) → Querlinks ergänzen, außer bewusst isoliert dokumentiert.
    • Wissen ohne Frontmatter / ohne ## Verwandt / nicht in MOC → ergänzen. Karten entstehen dagegen nicht hier, sondern über Brain-Input und Brain-Bereinigen (siehe .agents/rules/karteikarten.md), dieser Check fragt sie bewusst nicht ab.
    • Links mit Case-Fehler → immer fixen. Sie funktionieren auf Windows/macOS und brechen auf Linux; das ist nie Absicht, anders als ein bewusst toter Zukunfts-Link.
    • Kaputte Kodierung (kein UTF-8) → immer fixen, und zwar vor allem anderen. Die Datei wurde ersatzweise gelesen, ihre Umlaute stehen also schon im Vault falsch, und jeder weitere Edit schreibt den Schaden fest. Datei neu als UTF-8 speichern, danach die betroffenen Stellen im Text gegenlesen. Ohne diesen Schritt hätte der Sweep hier abgebrochen, statt zu melden.
    • Skill-Drift → die gemeldete Stelle angleichen (Skripte/skills-check.py zeigt Details). Die Auslöser in AGENTS.md sind für Tools ohne Skill-Mechanik die einzige Quelle, eine fehlende Phrase heißt dort "Skill nicht auslösbar", ohne Fehlermeldung.
    • Große Notizen → prüfen, ob splitten/kürzen sinnvoll. Kein Automatismus.
    • Ohne Datenschutz-Klassifizierung (nur falls genutzt) → hier nicht selbst klassifizieren (braucht Einzelfall-Urteil), sondern als Fortschritts-Fakt zeigen und an die F5-Frage in Brain-Bereinigen-Vorgehen weiterreichen.
    • Fehlende Rücklinks in ## Verwandt → nicht in einem Lauf bulk-fixen (zu groß, zu viel Fließband-Risiko). Zahl als Fortschritts-Fakt zeigen, opportunistisch mitziehen, wenn ohnehin schon an einer betroffenen Notiz gearbeitet wird.
  4. Umsetzen und am Ende kurz bilanzieren, was gefixt und was bewusst gelassen wurde.
  5. Brain-Skills-Konsistenz-Check (jeder Lauf, kurz und günstig): die eng verzahnten Vault-Pflege-Vorgehen selbst gegenlesen, also brain-optimieren, brain-bereinigen, brain-input, merk-dir-das. Verweisen sie dort, wo es inhaltlich hingehört, tatsächlich aufeinander? Stimmen die Auslöser-Kopfzeilen noch mit der AGENTS.md-Tabelle überein? Das ist nicht dasselbe wie ein Review aller Skills, die fachlichen Skills bleiben Sache der rotierenden Brain-Bereinigen-Routine.

Tiefen-Modus (periodisch oder auf Zuruf)

Der Standard-Modus ist rein mechanisch. Der Tiefen-Modus stellt die Frage: nicht nur "ist der Vault sauber", sondern "dient er noch seinem Zweck, wird er wirklich genutzt". Läuft seltener, die Fragen brauchen Urteilsvermögen, keine Mechanik.

Vier zusätzliche Dimensionen:

  1. Nutzungscheck: Welche type: Konzept-Notizen wurden lange nicht abgefragt, obwohl fällig (falls Lernrunde genutzt wird)? Welche Wissens-Notizen werden aus keinem aktiven Arbeitskontext heraus verlinkt (Indiz: nie im echten Arbeitskontext gebraucht)?
  2. Redundanz: Notizen mit starker Tag- oder Themen-Überlappung und ähnlichem Titel als Kandidaten listen, Zusammenführen prüfen, nicht automatisch mergen.
  3. Architektur-Fit: Wächst die MOC-Struktur noch sinnvoll mit? Braucht ein Themengebiet eine Untergliederung (große Cluster in eigene Sub-MOCs auslagern, Ursprungs-MOC bleibt Dach-Hub)?
  4. Datenschutz-Rollup (nur falls genutzt): Sammel-Blick über die F5-Antworten seit dem letzten Review, welche Kunden- oder Personendaten sind noch aktiv nötig, welche reif fürs Entfernen?

Ergebnis bleibt eine Faktenliste plus Einschätzung, keine automatische Aktion, gleiche Grundhaltung wie im Standard-Modus.

Stolpersteine

  • Nicht blind "fixen". Tote Links sind in vielen Markdown-Renderern (z.B. Obsidian) harmlos und teils Absicht (Zukunfts-Notizen). Erst Kontext prüfen.
  • Der Report ist eine Faktenliste, kein Befehl, die AI urteilt.

Verwandt

  • Brain-Input-Vorgehen: die laufende Pflege, dieser Check ist der periodische Tiefenputz
  • Brain-Bereinigen-Vorgehen: liefert die F5-Einzelbewertungen, die der Tiefen-Modus hier zum Rollup zusammenzieht
  • Merk-Dir-Das-Vorgehen: gehört zur Gruppe, die Schritt 4 im Konsistenz-Check gegenliest
  • AGENTS: die Vault-Konventionen, gegen die hier geprüft wird

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.