Load Session Context

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"

MemGPT virtual context: 3-rétegű memory + KO-DB structured layer

A [[11-wiki/sv-01-memory-architecture]] szerint 3 memory-szint, plusz a B-1 Week 3-4 óta KO-DB structured layer:

Régi pattern (DEPRECATED, ~15-20K token):

cat 02-Projects/<slug>.md           # ~3K
cat 08-Sessions/<utolsó-5>.md       # ~6K
grep + cat 07-Decisions/*.md        # ~4K
cat 05-Memory/Infrastructure.md     # ~2K
cat 04-Tasks/Backlog.md (filtered)  # ~3K

Új pattern (~5K token):

cat 08-Sessions/<focused>.md                 # working: ~1K (csak az aktív session)
vault-search-fusion --top-k 3 "<projekt-slug>" # episodic+semantic: ~2.5K (top-3 chunk, RRF fusion)
vault-ko-query "<slug>" --top-k 6            # KO-DB structured: ~0.8K (top-6 multi-source subject)
vault-context-meta <slug>                    # working metadata: ~0.7K (projekt-file 1-line + top-3 task)

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.

2a. KO-DB Top-K structured facts ⭐NEW (2026-05-17)

A 13K+ fact KO-DB instant SQLite — gyorsabb mint Memgraph, kiegészíti a semantic chunkokat strukturált multi-source-corroborated state-tel:

# DEFAULT — text mode (~400 token), kontextusba közvetlen beilleszthető:
vault-ko-query "<projekt-slug>" --top-k 6 --facts-per-subject 3

# Csak strukturált programatikus feldolgozáshoz (~1200 token):
vault-ko-query "<projekt-slug>" --top-k 6 --json

Default --text mód lean ~5K budget-be való. JSON csak script-pipeline-ban érdemes.

Output (JSON tömb subject-objektumokkal):

[
  {
    "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": [...]
  }
}

3. Pre-loaded context szekció (lean format)

## Pre-loaded context

> Auto-load YYYY-MM-DDTHH:MM — MemGPT virtual + KO-DB structured (lean ~5K token).

**Projekt:** [[02-Projects/<slug>]] — <status egy mondatban>

**Top-3 releváns episodic-emlék** (vault-search-fusion RRF, score>0.04):
- [<rrf-score>] [[<file>]] — <title>  (src: vault+agentmem / vault / agentmem)
- ...

**Vault-konszenzus a slug-ról** (KO-DB Top-K, multi-source ranking):
- ▸ `<subject>`  ·  <N> source · max conf <C>
  - <predicate> → <object> *(<source_type>, conf=<c>)*
  - ... (max 3 fact)
- ▸ `<subject-2>` ... (max 6 subject)

**Top-3 aktív task** (#project/<slug>):
- [ ] ...

**Mélyítés on-demand:**
- `vault-search-fusion "<query>" --top-k 5`            — **production-default**: RRF fusion vault-search + agentmemory, ~540ms, 77.5% avg R@5
- `vault-search "<query>" --top-k 5`                   — single-source, ~400ms, 54.5% avg R@5 (compat / agentmemory down)
- `vault-ko-query "<entity>" --top-k 5`                — strukturált multi-source fact (KO-DB)
- `vault-ko-query "<query>" --top-k 5 --semantic`      — **bridge** (B-1 ↔ B-2): semantic-search → KO-DB subject lookup; fallback LIKE-re ha Memgraph down

> Ready (~5K token).

4. On-demand semantic fetch (agent-flow)

Ha a session során a user kérdés specifikus témát érint (pl. "milyen Memgraph-konfigot használtunk?"), az agent NE találja ki, hanem hívja:

vault-search-fusion "Memgraph config docker-compose" --top-k 5

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).

Tokenmegtakarítás (mért, 2026-05-13 + 2026-05-17 KO-DB bővítés)

A KO-DB-bővítés nem növeli a token-budgetet (cseréli a régi grep-fetch-et). Hozzáad:

• multi-source-corroboration jelzést (8 source ≠ 1 source)
• precise entity-fact lookup (port, version, file-path, dependency)
• cross-project consistency check egyszeri lekérdezésben

A v3 vault-search-fusion upgrade (2026-05-20) nem növeli a token-budgetet, csak a recall-t:

• +23pp R@5 vs v1 (54.5% → 77.5% measured average)
• +140ms latency-cost vault-search-höz képest (~400ms → ~540ms, parallel-call vault + agentmemory + <1ms RRF)
• ~570 MB disk-cost (agentmemory persistent storage /var/lib/agentmemory/data/)
• agentmemory.service systemd-managed, mirror-cron */10 min auto-ingestál új vault-fájlokat
• Graceful fallback ha agentmemory down (REST timeout) → vault-search-only mode
• Audit: [[../../../obsidian-vault/06-Audits/2026-05-20 Production-stack v2 — RRF fusion CLI + systemd + cron-mirror + cross-validation]]

A 3-5K token megtakarítás per session + 3× gyorsabb startup = 8 párhuzamos session-en heti ~80-100K token spórolva, session-pickup time fele.

Kapcsolódó

• [[11-wiki/Auto-context-loading]] — DEPRECATED protokoll (a régi aggressive)
• [[11-wiki/sv-01-memory-architecture]] — 3-rétegű memory ADR
• [[11-wiki/11.11-session-protokoll]] — parancs-család
• [[00-Meta/Glossary]] — slug feloldás
• [[02-Projects/superintelligent-vault]] — B-2 sprint host
• [[.vault-memory/scripts/vault-search.py]] — semantic-fetch impl
• vault-context-load — Week 3 Day 2 új script (lásd lent)