ByteRover

• Vor dem Start einer Aufgabe — führe brv query aus, um relevante Regeln, Präferenzen und frühere Entscheidungen abzurufen, bevor dein Agent auch nur eine einzige Datei anfasst.
• Nach der Umsetzung einer bedeutenden Änderung — führe brv curate aus, um neue Muster, architektonische Entscheidungen oder Beschlüsse dauerhaft zu speichern, damit künftige Sitzungen von diesem Wissen profitieren.
• Bei Teamprojekten — nutze die Cloud-Synchronisierung (brv push / brv pull), damit jeder Agent oder Entwickler dieselbe kuratierte Wissensbasis verwendet.
• Wenn der Agent vergangene Aktionen oder Fähigkeiten abrufen muss — frage den gespeicherten Speicher ab, anstatt sich auf den Kontextfenster-Verlauf zu verlassen, der möglicherweise nicht mehr sichtbar ist.

• Die benötigten Informationen sind bereits im aktuellen Kontextfenster vorhanden — überspringe brv query, um redundante LLM-Aufrufe zu vermeiden.
• Die Information ist flüchtig, aufgabenspezifisch oder entspricht allgemeinem Weltwissen — verschmutze die Wissensdatenbank nicht mit kurzlebigen Daten durch brv curate.

Alle Erkenntnisse werden als Markdown-Dateien in .brv/context-tree/ in Ihrem Projektverzeichnis gespeichert. Die Dateien sind vollständig menschenlesbar, diff-fähig und können zusammen mit Ihrem Code in die Versionsverwaltung eingecheckt werden.

Der integrierte ByteRover-Anbieter unterstützt brv query und brv curate sofort und ohne weitere Konfiguration – führen Sie einfach brv providers connect byterover aus. Sie können auch OpenAI, Anthropic, Google oder andere Anbieter mit Ihrem eigenen API-Schlüssel verwenden.

brv query synthetisiert Antworten aus gespeichertem Markdown-Kontext mithilfe eines LLM. brv curate kategorisiert und strukturiert neues Wissen – einschließlich Inhalten aus bis zu 5 Quelldateien – und schreibt es zurück in die Wissensdatenbank.

Jeder brv curate-Lauf erzeugt einen Protokolleintrag mit einer eindeutigen ID. Sie können aktuelle Kuratierungen einsehen, nach Zeit oder Status filtern oder vollständige Dateioperationsdetails für jeden vergangenen Eintrag mit brv curate view abrufen.

Authentifiziere dich mit einem ByteRover API-Schlüssel, um deine Wissensdatenbank in einen gemeinsamen Cloud-Bereich zu übertragen und abzurufen. Teams können Wissen in benannten Bereichen innerhalb von Teams organisieren, und das Wechseln von Bereichen lädt automatisch den relevanten Kontext herunter.

Es werden keine Daten an ByteRover-Server gesendet, es sei denn, Sie führen explizit brv push aus. Alle Abfrage- und Kuratierungsvorgänge verbleiben lokal — nur der konfigurierte LLM-Anbieter erhält Kontext zur Verarbeitung.

Führen Sie brv query "What are the authentication patterns in this project?" aus, bevor der Agent irgendwelchen Code schreibt. Zuvor kuratierte Architekturentscheidungen werden sofort sichtbar und verhindern, dass der Agent etablierte Muster neu erfindet oder ihnen widerspricht.

Nach der Migration von REST zu GraphQL führe brv curate "GraphQL ist jetzt die API-Schicht; REST-Endpunkte sind veraltet" -f src/api/schema.ts aus, damit jede zukünftige Agentensitzung diesen Kontext automatisch erbt.

Verbinde einen gemeinsamen ByteRover-Cloud-Bereich, lade kuratierte Konventionen hoch (Benennungsregeln, Deployment-Schritte, Code-Style-Entscheidungen) und lass den Agenten jedes Teammitglieds dieselbe Wissensbasis abrufen, bevor die Arbeit beginnt.

Verwende brv curate view --since 7d --status completed, um die Kurationen einer Woche zu überprüfen, die Genauigkeit zu verifizieren und fehlerhafte Einträge zu erkennen, bevor sie das zukünftige Verhalten des Agenten beeinflussen.