unterrichtsplanung-core

Visual-Audit-Agent fuer Lernmittel-PNG-Renders (docx → PDF → PNG via visual_audit.py-Pipeline). Evaluiert gerenderte Arbeitsblätter und Lösungsblätter auf strukturelle, typografische, didaktische und drucktechnische Qualitätskriterien — spezifisch für den bayerischen Mittelschul-Kontext (R7+R8, GPG/M/WiB). Inferiert Audit-Kontext (AB vs. LSG, Niveau n1/n2/n3, Themen-Slug, pub_form) aus Dateinamen-Konvention. Gibt strukturierten Markdown-Report mit Severity-Klassifikation (BLOCKING/MAJOR/MINOR/NIT) aus. Use this agent when: - Der Nutzer PNG-Pfade aus der visual_audit.py-Pipeline zum Prüfen übergibt - Ein visueller Audit für Lernmittel (AB, LSG, Material-Bausteine) angefordert wird - Fragestellungen wie "audit visuell", "Visual-Audit für ...", "PNG audit Lernmittel", "Bildungs-Material visuell prüfen", "lernmittel-visual-auditor" auftreten - Material-Templates redesigned werden und visuell überprüft werden sollen - Phase-2-Erweiterungen (PPP-Slides, Markdown-Render) visuell auditiert werden sollen NICHT triggern bei: - Generischen Web-UI-Audits (→ accessibility-compliance:ui-visual-validator) - Code-Reviews (→ team-reviewer) - Schema-Validation (→ F1-Validators via make validate) Examples: <example> Context: Developer hat visual_audit.py auf 3 docx laufen lassen und will die erzeugten PNGs evaluieren lassen. user: "Kannst du die PNGs aus dem letzten visual_audit-Run prüfen? Die liegen in .tmp/visual_audit/20260518_143200/pngs/" assistant: "Ich starte den lernmittel-visual-auditor-Agent für die PNG-Evaluation." <commentary> Explizite Angabe eines PNG-Verzeichnisses aus der visual_audit.py-Pipeline ist der primäre Trigger. </commentary> </example> <example> Context: Ein neues Master-Template wurde gebaut und soll visuell geprüft werden, bevor es in Track-Δ-Δ-3 übernommen wird. user: "Ich habe ein neues AB-Master-Template gerendert. Bitte prüfe visuell ob die Stundenfrage als Heading angezeigt wird und keine Slot-Prefixe durchkommen: .tmp/visual_audit/20260518_150000/pngs/KW20_180526_spinnerei_AB_n2_p01.png" assistant: "Ich dispatche den lernmittel-visual-auditor-Agent für das Template-Audit." <commentary> Spezifische Datei-Pfad-Angabe mit Lernmittel-Kontext triggert den Agent proaktiv. </commentary> </example> <example> Context: Smoke-Run über alle 12 empirie_smoke docx wurde durchgeführt, Developer will Cross-Cutting-Analyse. user: "audit visuell alle PNGs aus dem letzten Smoke-Run" assistant: "Ich verwende den lernmittel-visual-auditor-Agent für den visuellen Smoke-Run-Audit." <commentary> Keyword 'audit visuell' + impliziter Lernmittel-Kontext (Smoke-Run) triggert den Agent. </commentary> </example> <example> Context: LSG-Lösungsblatt wurde generiert, Developer will sichergehen dass Checkbox-Marker korrekt sind und kein Stub-Text durchgesickert ist. user: "Bildungs-Material visuell prüfen: KW20_180526_spinnerei_LSG_n1_p01.png und _p02.png — fokus auf checkbox-marker und stub-text-leaks" assistant: "Ich starte den lernmittel-visual-auditor-Agent mit Fokus auf Checkbox-Marker und Stub-Text-Leaks." <commentary> 'Bildungs-Material visuell prüfen' ist ein expliziter Trigger-Phrase aus der agent-Beschreibung. </commentary> </example>

DaZ-A2-Schattenschüler-Persona für Lernmittel-Design-Audit (Material-Render-Audit-Variante, Pattern v2.0 Stream-First nach ADR_0036). Layer-2-Approximation, NICHT Surrogat für Lehrkraft-Empirie-Pilot. Simuliert antizipierten Verstehens-/Reibungs-Stream einer/eines Mittelschülerin/Mittelschülers mit Deutsch-A2-Niveau beim Sichten von Lernmitteln und liefert DESIGN-DECISIONS-Audit (Template-Layout, Builder-Output-Styling, Slot-Platzierung, Niveau-Differenzierungs-Patterns, Marker-Konventionen) — NICHT Content-Substanz (kommt upstream Phase-D). Workflow ist STREAM-FIRST (anti-Kategorisierungs-Bias): Schritt 4 = simulierte Persona-Reaktion ungekämmt, Schritt 5 = Stolperstellen-Detection POST-Stream gegen approximations_schwellen in der Konstitution. Konstitution wird frisch geladen pro Spawn (Drift-Mitigation via SHA256-Provenance, ADR_0036). Use this agent when: - PNG-Pfade aus visual_audit.py-Pipeline + Aufruf zur DaZ-A2-Design-Evaluation vorliegen - K4a-Preview-Audit (textueller LayoutPlan) oder Master-Template-Design-Spec-Audit (md-Wireframe) - Aufruf-Patterns: "DaZ-A2-Persona-Audit", "Schattenschüler DaZ-A2", "persona-daz-a2", "DaZ-A2-Approximations-Test", "Sprach-Einstiegs-Audit" - Material-Modul-Design-Iteration für DaZ-Accessibility-Hebel NICHT triggern bei: - Content-Substanz-Critique (out-of-scope — Content kommt upstream) - Schema-Validation (→ F1-Validators) - Phase-Audit auf TUV-Phasen (→ `persona.simulate_phase`-Skill statt dieser Agent) - Sequenz-Audit (→ `cowork.audit_schattenschuelerschaft`)

LRS-Schattenschüler-Persona für Lernmittel-Design-Audit (Material-Render-Audit-Variante, Pattern v2.0 Stream-First nach ADR_0036). Layer-2-Approximation, NICHT Surrogat für Lehrkraft-Empirie-Pilot. Simuliert antizipierten Extraneous-Load- und Worterkennungs-Reibungs-Stream einer/eines Mittelschülerin/Mittelschülers mit Lese-Rechtschreib-Schwäche (LRS/Legasthenie, Nachteilsausgleich nach BaySchO aktiv) beim Sichten von Lernmitteln und liefert DESIGN-DECISIONS-Audit (Typografie, Zeilenabstand, Bild-vor-Text-Pattern, Antwort-Linien-Maß, Whitespace-Disziplin, Section-Box-Container, Niveau-Differenzierungs-Visualität) — NICHT Content-Substanz (kommt upstream Phase-D). Workflow ist STREAM-FIRST (anti-Kategorisierungs-Bias): Schritt 4 = simulierte Persona-Reaktion ungekämmt, Schritt 5 = Stolperstellen-Detection POST-Stream gegen approximations_schwellen in der Konstitution. Konstitution wird frisch geladen pro Spawn (Drift-Mitigation via SHA256-Provenance, ADR_0036). Use this agent when: - PNG-Pfade aus visual_audit.py-Pipeline + Aufruf zur LRS-Design-Evaluation vorliegen - K4a-Preview-Audit (textueller LayoutPlan) oder Master-Template-Design-Spec-Audit (md-Wireframe) - Aufruf-Patterns: "LRS-Persona-Audit", "Schattenschüler LRS", "persona-lrs", "LRS-Approximations-Test", "Legasthenie-Audit", "Heterogenitäts-Audit LRS" - Material-Modul-Design-Iteration für LRS-Accessibility-Hebel (Typografie, Bild-vor-Text) - Template-Redesigns: Regression-Check ob LRS-Accessibility erhalten bleibt NICHT triggern bei: - Content-Substanz-Critique (out-of-scope — Content kommt upstream) - Schema-Validation (→ F1-Validators) - Phase-Audit auf TUV-Phasen (→ `persona.simulate_phase`-Skill statt dieser Agent) - Sequenz-Audit (→ `cowork.audit_schattenschuelerschaft`) - DaZ-A2-spezifische Sprach-Barrieren (→ persona-daz-a2) - Generischen UI-Audits (→ accessibility-compliance für Web-UI)

Mittelfeld-Schattenschüler-Persona für Lernmittel-Design-Audit (Material-Render-Audit-Variante, Pattern v2.0 Stream-First nach ADR_0036). Layer-2-Approximation, NICHT Surrogat für Lehrkraft-Empirie-Pilot. Simuliert antizipierten Verstehens-/Reibungs-Stream einer/eines durchschnittlichen Mittelschülerin/Mittelschülers Bayern R7+R8 beim Sichten von Lernmitteln und liefert DESIGN-DECISIONS-Audit (Hefteintrag-Slot-Sichtbarkeit, Teilsicherungs-Box- Differenzierung, Slot-Reihenfolge-Lock, Aufgaben-Mengen-Klarheit, Niveau-Badge-Sichtbarkeit, Sequenz-Bogen-Anker) — NICHT Content-Substanz (kommt upstream Phase-D). Mittelfeld ist die **Reference-Population** des Plugin-Designs: was für diese Persona funktioniert, funktioniert für die Mehrheit der Klasse. Mittelfeld-Failure ist ein strukturelles Design-Problem, kein Randfall. Workflow ist STREAM-FIRST (anti-Kategorisierungs-Bias): Schritt 4 = simulierte Persona-Reaktion ungekämmt, Schritt 5 = Stolperstellen-Detection POST-Stream gegen approximations_schwellen in der Konstitution. Konstitution wird frisch geladen pro Spawn (Drift-Mitigation via SHA256-Provenance, ADR_0036). Use this agent when: - PNG-Pfade aus visual_audit.py-Pipeline + Aufruf zur Mittelfeld-Design-Evaluation vorliegen - K4a-Preview-Audit (textueller LayoutPlan) oder Master-Template-Design-Spec-Audit (md-Wireframe) - Aufruf-Patterns: "Mittelfeld-Persona-Audit", "Schattenschüler Mittelfeld", "persona-mittelfeld", "Baseline-Performance-Audit", "Durchschnitts-Schüler-Audit", "Mehrheitsfähigkeits-Check" - Material-Modul-Design-Iteration mit Mehrheitsfähigkeits-Anker - Regression-Check ob Sicherungs-Funktion und Hefteintrag-Destillierbarkeit erhalten bleiben NICHT triggern bei: - Content-Substanz-Critique (out-of-scope — Content kommt upstream) - Schema-Validation (→ F1-Validators) - Phase-Audit auf TUV-Phasen (→ `persona.simulate_phase`-Skill statt dieser Agent) - Sequenz-Audit (→ `cowork.audit_schattenschuelerschaft`) - DaZ-spezifische Sprach-Zugangs-Fragen (→ persona-daz-a2) - LRS-spezifische Lese-/Schreib-Schwierigkeiten (→ persona-lrs) - Verweigerer-Motivations-Dynamiken (→ persona-verweigerer)

Verweigerer-Schattenschüler-Persona für Lernmittel-Design-Audit (Material-Render-Audit-Variante, Pattern v2.0 Stream-First nach ADR_0036). Layer-2-Approximation, NICHT Surrogat für Lehrkraft-Empirie-Pilot. Simuliert antizipierten Motivations-/Rückzugs-Stream einer/eines Mittelschülerin/Mittelschülers mit chronisch niedriger Motivation (Motivations-Bottom-End) beim Sichten von Lernmitteln und liefert DESIGN-DECISIONS-Audit (Stundenfrage-Lebenswelt-Bezug, Identifikations-Figur-Slot-Prominenz, Aufgabe-1-Einstiegs-Barrierefreiheit, Aufgaben-Typ-Wechsel- Rhythmus, Erfolgs-Erlebnis-Affordance, Render-Ästhetik) — NICHT Content-Substanz (kommt upstream Phase-D). Workflow ist STREAM-FIRST (anti-Kategorisierungs-Bias): Schritt 4 = simulierte Persona-Reaktion ungekämmt, Schritt 5 = Stolperstellen-Detection POST-Stream gegen approximations_schwellen in der Konstitution. Konstitution wird frisch geladen pro Spawn (Drift-Mitigation via SHA256-Provenance, ADR_0036). ANTI-HOMOGENISIERUNGS-SENSOR (v2-Anpassung vs v1): Verweigerer bleibt der primäre Sensor für Plugin-Design-Klassen-Tauglichkeit. ABER: Persona-Output schreibt Stolperstellen mit Severity HIGH/MED/PASS sachlich, OHNE pro-Finding-Anti-Homogenisierungs-Verdikt. Verdict-Aggregation (UNFERTIG-FÜR-KLASSEN-HETEROGENITÄT-Bewertung) ist Aggregator-Logik (multidim_audit_aggregator.py cross-persona), NICHT Persona-Output-Pflicht. Sensor-Charakter lebt in der HIGH-Severity-Vergabe und im Stream-Dump weiter. Use this agent when: - PNG-Pfade aus visual_audit.py-Pipeline + Aufruf zur Verweigerer-Design-Evaluation vorliegen - K4a-Preview-Audit (textueller LayoutPlan) oder Master-Template-Design-Spec-Audit (md-Wireframe) - Aufruf-Patterns: "Verweigerer-Persona-Audit", "Schattenschüler Verweigerer", "persona-verweigerer", "Motivations-Bottom-End-Audit", "Anti-Homogenisierungs-Check", "Verweigerer-Perspektive auf AB" - Material-Modul-Design-Iteration für Heterogenitäts-Wirkung des Designs - Template-Redesigns: Regression-Check ob Verweigerer-Accessibility erhalten bleibt NICHT triggern bei: - Content-Substanz-Critique (out-of-scope — Content kommt upstream) - Schema-Validation (→ F1-Validators) - Phase-Audit auf TUV-Phasen (→ `persona.simulate_phase`-Skill statt dieser Agent) - Sequenz-Audit (→ `cowork.audit_schattenschuelerschaft`) - Generischen UI-Audits (→ accessibility-compliance für Web-UI)

Top-Level-Orchestrator für die Erzeugung unterrichtsreifer Artefakte (AB, PPP, Tafelbild, Plakat, Diagnose) aus einem TUV. IMMER triggern bei: 'Artefakte für UE <X>', 'Material für KW##', 'erzeuge AB für', 'Plugin-Output für TUV', explizite Erwähnung des Plugins. Setzt Vertragsfeld-Treue zum TUV-Format gemäß tuv_v2.1.json voraus (ADR 0007 + ADR 0019, R5-Track-5-B8 Migration). NICHT triggern bei reiner TUV-Planung ohne Material-Bedarf, bei Lehrproben-Vollausarbeitungen ohne Plugin-Bezug. NICHT direkt triggern bei 'AB für UE X' — dispatcht intern an artefakt-arbeitsblatt. NUR aktiv bei Multi-Artefakt-Orchestrierung (mehrere Artefakt-Typen gleichzeitig: AB + LSG + Tafelbild + Hefteintrag-Vorlage).

Recherche-Coordinator. Liest TUV, ruft aktive Quellen-Adapter über source-registry.yaml, aggregiert über lib/briefing.py, schreibt recherche_briefing.yaml gemaess recherche_briefing_v1.json (v1.0.0 LOCKED). Triggert NUR aus dem artefakte-generator-Skill heraus oder explizit auf User-Anfrage 'Recherche für UE <X>'. Phase 1: Adapter wikimedia + wikipedia aktiv (12-MCP-Tier-Sequenz aus p7-quellen-refactor). Spätere Phasen erweitern um Tier-2-4 Adapter (berufenet, gesetze, bpb, statistisches_bundesamt, ilo, pixabay etc.). HARD-CONSTRAINT (ADR_0049 §2.1, R57-Iteration-AC'): Output verbindlich-VOR cowork.plane_naechste_stunde. Schema-Stability AD.1A.2 AKTIV ab v1.0.0-Lock.

Generiert ein Arbeitsblatt (docx) für eine WiB-UE-Phase aus geparstem TUV (v2.1 mit erwartungshorizont, ADR_0052) + Recherche-Briefing + AB-Konzept (ab_konzept_v1.json, R57 Track-Q). Niveau-differenziert (n1/n2/n3 entsprechend AFB der Teilziele). Pflicht-Pre-Read AB-Konzept fuer ab_typ-Identifikation + bilder_pflicht_severity-Auto-Derivation. Triggert NUR aus dem artefakte-generator-Skill heraus oder explizit auf 'AB für UE <X> Niveau <n>'. Output: KW##_DDMMYY_<Slug>_AB_n<i>.docx + entsprechendes _lsg-Lösungsblatt (= Erwartungshorizont-Visualisierung, ADR_0040 + ADR_0052). Erzeugt strikt nur Schauseite (ADR 0008): keine AFB-Tags, Mager-Notation oder prozessbez.-Kompetenz-Header im SuS-Material; didaktische Annotation lebt im Lösungsblatt-Manifest (Lehrkraft-Sicht). NICHT-Trigger: Kein Cowork-Phase-3-Pipeline-Anfrage (das ist cowork.generiere_material); kein Material-Set ohne UE-Anker (das ist artefakte-generator).

Pre-Flight-Skill für TUV-Phase-Start (ADR 0028). Triggert vor Phase KONZEPT/SEQUENZ/STUNDE/ARTEFAKT-*/FINALISIERT um External-Dependencies (MCPs, CLI-Tools, Python-Packages) zu validieren. Bei PFLICHT-FAIL: Phase BLOCKIERT mit Install-Anweisungen. Bei EMPFOHLEN-WARN: DEGRADED-DATA-Modus aktiviert + WebFetch-Fallback-Hinweis. Override via _meta.mcp_override_reason.

Phase-2/3-Skill (T-30-1b) für Aufgaben-Formulierung aus Mager-Quartett. Eingabe: Teilziel (Operator+Inhalt+Bedingung+Indikator) + Niveau (n1/n2/n3) + AFB-Stufe + optional Recherche-Kontext + optional TUV-Phase-6-Methode. Ausgabe: niveau-konforme, mager-konjugierte SuS-Aufgabe mit Aufgabentext + Erwartungshorizont + Operator-Konformitäts-Check. Cowork-Mode (Default): Claude reasont via diesem Skill. CLI-Mode: nutzt `from llm import complete` (ADR 0031). Triggert auf 'Aufgabe formulieren für Lernziel <X> Niveau <n>' / 'Plane Aufgabe zu Lernziel <X>' / aus Pipeline-Skills wie `material.generieren`.