Erste Schritte

Einführung

REAP (Recursive Evolutionary Autonomous Pipeline) ist eine Entwicklungspipeline, in der KI und Menschen zusammenarbeiten, um eine Anwendung über aufeinanderfolgende Generationen inkrementell weiterzuentwickeln. Anstatt jede KI-Sitzung als isolierte Aufgabe zu behandeln, bewahrt REAP die Kontinuität durch einen strukturierten Lebenszyklus und eine lebende Wissensbasis namens Genome.

4-Schichten-Architektur

Vision

Ziele + Memory

.reap/vision/

Knowledge

Genome + Environment

.reap/genome/ + .reap/environment/

Generation

Evolutionszyklus

.reap/life/ → .reap/lineage/

Civilization

Quellcode

your codebase/

VisionLangfristige Ziele und Richtung. Vision treibt jede Generation an — sie bestimmt, welches Ziel als nächstes verfolgt wird. Memory ist ein 3-stufiges Freiformat-Aufzeichnungssystem, damit die KI Kontext über Sitzungen hinweg bewahren kann.
KnowledgeGenome (präskriptiv — Architektur, Konventionen, Einschränkungen) und Environment (deskriptiv — Tech-Stack, Quellstruktur, Domäne). Die Grundlage für die Arbeit jeder Generation.
GenerationEin einzelner Evolutionszyklus, angetrieben von Vision, verankert in Knowledge. Folgt Learning → Planning → Implementation → Validation → Completion.
CivilizationQuellcode und alle Projektartefakte außerhalb von .reap/. Was die Generationen weiterentwickeln. Erkenntnisse fließen in Knowledge zurück.

Warum REAP?

Problem	REAP-Lösung
Kontextverlust — Agent vergisst Projektkontext jede Sitzung	CLAUDE.md + Memory — Jede Sitzung lädt Genome, Environment und reap-guide. Memory bewahrt Kontext über Sitzungen hinweg.
Zerstreute Entwicklung — Code ohne klares Ziel verändert	Generationsmodell — Jede Generation konzentriert sich auf ein Ziel mit einem strukturierten Lebenszyklus
Design-Code-Drift — Dokumentation weicht vom Code ab	Genome-Mutation über Backlog — Designfehler werden während der Implementierung protokolliert und in der Completion Adapt-Phase angewendet
Vergessene Erkenntnisse — Einsichten aus früherer Arbeit gehen verloren	Lineage & Memory — Erkenntnisse sammeln sich in Genome und Memory, Generationen werden archiviert und komprimiert
Zusammenarbeitschaos — Parallele Arbeit führt zu widersprüchlichen Änderungen	Verteilter Workflow — Genome-first Merge gleicht Design vor Code ab, DAG-Lineage verfolgt parallele Branches

Projektstruktur

text

my-project/
├── src/                          # Civilization (your code)
└── .reap/
    ├── config.yml                # Project configuration
    ├── genome/                   # Prescriptive knowledge (how to build)
    │   ├── application.md        #   Project identity, architecture, conventions
    │   ├── evolution.md          #   AI behavior guide, evolution principles
    │   └── invariants.md         #   Absolute constraints (human-only edits)
    ├── environment/              # Descriptive knowledge (what exists now)
    │   ├── summary.md            #   Always loaded — tech stack, source structure
    │   ├── domain/               #   Domain knowledge (on-demand)
    │   ├── resources/            #   External reference docs (on-demand)
    │   ├── docs/                 #   Project reference docs (on-demand)
    │   └── source-map.md         #   Code structure + dependencies (on-demand)
    ├── vision/                   # Long-term goals and direction
    │   ├── goals.md              #   North star objectives
    │   └── memory/               #   AI memory (longterm/midterm/shortterm)
    ├── life/                     # Current generation
    │   ├── current.yml
    │   └── backlog/
    ├── lineage/                  # Completed generation archive
    └── hooks/                    # Lifecycle hooks (.md/.sh)