En ny artikel på Towards AI introducerer lessonweaver som et deterministisk, menneske-gated værktøj, der omsætter faktiske agentfejl til reviewbare instruktioner i formater som AGENTS.md-fragmenter, Claude skills/rules og Copilot-instruktioner – uden LLM i loopet. Artiklen er krediteret Diogo Santos og senest opdateret 19. august 2026. Beskrivelsen lægger vægt på, at rettelser bliver vedvarende artefakter, som kan gennemgås og versionsstyres, fremfor at forsvinde i midlertidige prompts [kilde].
Positionering og kontekst i kilden
Artiklen argumenterer for en mellemvej mellem fuldautomatisk selvredigering i et LLM-loop og ren manuel vedligeholdelse. Lessonweaver beskrives som et forsøg på at gøre korrektioner både gennemskuelige og holdbare. Ifølge teksten sendes godkendte læringer ud som diff-første, reviewbare artefakter, og tilgangen præsenteres som et svar på, at uformelle rettelser ikke persisterer i praksis [kilde].
Som bredere underlægning nævnes, at VentureBeat omtaler Blocks open source-agentworkspace Berd som en lokalt installeret desktop-app under Apache 2.0-licens med builds til macOS, Windows og Linux. Ifølge artiklen stod repoet 18. august ved version 0.6.2 og med 91 bidragydere. Det er ikke lessonweaver, men illustrerer en parallel bevægelse mod værktøjer med lokal kontrol [kilde].
Femtrins-pipeline som beskrevet
Towards AI-artiklen beskriver en femtrins-pipeline: detect → interview → answer → approve → export. Pointen i gennemgangen er, at fejlmønstre spores i execution traces, hvorefter der indsamles manglende kontekst gennem et struktureret interview. Derefter fremstilles et forslag, som underlægges review i approve-trinnet. Først herefter eksporteres godkendte læringer som diff-første, reviewbare artefakter [kilde].
Interview-delen beskrives som en struktureret indsamling af viden fremfor uformel chat, og eksporten retter sig mod formater som AGENTS.md, Claude og Copilot, så materialet kan versionsstyres og genbruges der, hvor agenterne arbejder. Ifølge artiklen gør diff-visningen ændringer og godkendelser gennemskuelige [kilde].
No LLM in the loop og menneske-gating
Kernen i beskrivelsen er “no LLM in the loop”. Ifølge teksten sigter lessonweaver mod determinisme og auditability af nye regler og instruktioner ved at lade mennesker gate promotion af forslag. Approve-trinnet blokerer ifølge artiklen for ufuldstændige reviews, med mulighed for eksplicit override, som logges på en måde der kan revideres efterfølgende [kilde].
Artiklen specificerer, at overrides er auditable. Den oplyser ikke autorisationsdetaljer for, hvem der må overstyre, eller om to-personers godkendelse kan kræves. Det er ikke beskrevet i kilden, udover at overrides logges [kilde].
Kørselstid og retrieval
Ved kørselstid læsses godkendte lessons ind via leksikal retrieval med et tegnbudget, så agenten starter med validerede læringer til rådighed. Det er et punkt i artiklen. Beskrivelsen rummer ikke uafhængige målinger af, hvor ofte eller hvor præcist relevante lessons matches under retrieval; kilden forklarer mekanismen og tegnbudgettet som ramme [kilde].
Artiklen drøfter ikke kvantitative effekter i form af præcision/recall eller hit-rate for retrieval ved grænsetilfælde. Den inviterer derimod læsere til at afprøve lessonweaver på egne traces og rapportere missede detektioner som input til forbedringer af detektoren [kilde].
Detektion, traces og konservativ tilgang
Ifølge artiklen miner lessonweaver execution traces for tilbagevendende fejlsignaler og skaber “candidate lessons”, som følges til dørs gennem struktureret review, før eksport af godkendte instruktioner. Detect-laget beskrives som regelbaseret og konservativt i den tidlige alpha-fase [kilde].
Artiklen nævner, at der er formatkrav til traces. Den udgiver ikke en detaljeret skemabeskrivelse i den gennemgåede tekst, og der gives heller ikke størrelseslofter for felter/logs i artiklen. Det begrænser, hvor præcist man kan vurdere integrationsarbejdet ud fra artiklen alene [kilde].
Begrænsninger som udtrykkeligt oplyst
Artiklen angiver fire centrale begrænsninger: tidlig alpha-status, konservativ regelbaseret detektion, krav til trace-format og at redaction håndteres som best-effort. Det er caveats i kildematerialet og præsenteres som sådanne. Artiklen præsenterer ikke uafhængige effektmålinger og giver ikke en teknisk metodebeskrivelse af redaction udover karakteriseringen som best-effort [kilde].
I forlængelse af alpha-status anfører artiklen, at læsere kan prøve værktøjet på egne traces og rapportere missede detektioner for at forbedre detektoren. Det er en åben invitation i kilden, ikke en dokumenteret performancegaranti [kilde].
Ekstern kontekst og rækkevidde
VentureBeat beskriver Blocks Berd som et separat open source-projekt, desktop-først og licenseret under Apache 2.0, med builds til de tre store desktop-platforme og et aktivt repo, som pr. 18. august stod ved version 0.6.2 og 91 bidragydere. Det nævnes her som kontekst for værktøjer med lokal kontrol og gennemsigtighed, parallelt men uafhængigt af lessonweaver [kilde].
Towards AI promoverer samtidig et nyhedsbrev med “over 80,000 subscribers” i materialet. Det er en oplysning om publikationsrækkevidde i artiklens promo-tekst og på nyhedsbrevssiden, ikke et udsagn om lessonweavers adoption eller effekt [kilde] [kilde].
Hvad der ikke fremgår endnu
Den gennemgåede artikel leverer ikke uafhængige målinger af detektionens præcision eller recall, og den specificerer ikke et fuldt trace-skema med felter og størrelsesgrænser. Den beskriver overrides som auditable uden at uddybe autorisationsmodellen. Redaction omtales som best-effort uden detaljer om metoder. Alt dette er fravær i kildeteksten, ikke modpåstande [kilde].
For retrieval angives mekanismen og tegnbudget i artiklen, men der gives ingen kvantitative data for hit-rate i grænsetilfælde. Det afgrænser, hvad der kan udledes af artiklen alene [kilde].
Konklusion
Lessonweaver præsenteres i Towards AI-artiklen som en deterministisk, menneske-gated tilgang til at håndtere gentagne agentfejl ved at gøre korrektioner til diff-første, reviewbare instruktioner – uden LLM i selve beslutningsløkken. Artiklen dokumenterer en femtrins-pipeline fra detektion i traces til eksport af godkendte lessons, kørselstids-retrieval med tegnbudget samt en approve-fase med auditable overrides. Samtidig er der tydelige begrænsninger: tidlig alpha, konservativ detektion, trace-formatkrav og best-effort redaction, og artiklen leverer ikke uafhængige effektmål. Samlet set er det en kildeunderbygget gennemgang af design, proces og kendte forbehold – og en åben invitation til afprøvning og feedback i praksis [kilde].
