aufgabe.formulieren

Skill aufgabe.formulieren (Phase-2 / Phase-3-Cowork)

Aufgabe: Aus einem Teilziel (Mager-Triplett) + Niveau-Konfig + Recherche-Kontext eine SuS-konforme, didaktisch fundierte Aufgabe formulieren — inklusive Erwartungshorizont und Operator-Konformitäts-Check.

Reasoning-Anleitung (Cowork-Mode, ADR 0032 Phase-3)

In Cowork-Sessions reasont Claude diesen Skill SELBST — ohne Plugin-API-Call. CLI-Mode nutzt core/skills/aufgabe.formulieren/generate.py (Phase-2-Implementation).

Eingabe-Erwartung (User-Trigger im Chat)

Lehrkraft schreibt: "Formuliere mir eine Aufgabe zu Lernziel <X> Niveau <n>" ODER Pipeline-Skill (material.generieren) ruft mit strukturiertem Input.

Reasoning-Schritte für Claude

1. Pflicht-Kontext laden (siehe unten)
2. AFB-Stufe ableiten aus Teilziel-Operator (gegen operatoren.yaml-Pool)
3. Niveau-Limits laden aus niveaustufen.json[niveau] (satzlaenge_max_woerter, antwortformate, hilfen)
4. Format-Hint via methode_mapping-Skill (falls Methode bekannt) — liefert recommended_format_primary + bewertungs_pattern
5. Aufgabentext formulieren:
   • Pflicht S-Perspektive (DU-Form) — niemals "Die SuS"-Formulierung im AB-Text
   • Schauseite-Trennung (ADR 0008): KEINE AFB-Tags / Mager-Notation / Operator-Marker im Text
   • Niveau-konform: Sätze ≤ satzlaenge_max_woerter, Wortwahl entsprechend Niveau-Profil
   • Operator-treu: Operator aus Teilziel im Text widerspiegeln (nicht 1:1, aber semantisch)
   • Recherche-Kontext einbinden (falls vorhanden): Quelle als M1/M2 referenzieren
6. Erwartungshorizont formulieren (Lehrkraft-Sicht, NICHT Schauseite):
   • Mindest-Argumente / Mindest-Punkte
   • Bewertungs-Hinweis aus methode_mapping.bewertungs_pattern (substituiert)
   • Anti-Hallucination: Erwartungshorizont muss aus Indikator des Teilziels ableitbar sein
7. Operator-Konformitäts-Check:
   • Verwendeter Operator muss in afb_-Pool sein
   • Bei Drift: Warning + Operator-Korrektur

Output-Format

aufgabe:
  titel: <kurzer Titel>
  text: |
    <Aufgabentext, S-Perspektive, Schauseite-konform>
  hinweise: [<max 3 Bearbeitungs-Hinweise>]
  format: <antwortformat aus niveaustufen.json>
  operator_verwendet: <Operator>
  operator_afb_match: true | false
erwartungshorizont:
  argumente: [<Erwartungspunkt 1>, <2>, <3>]
  mindest_argumente: <int>
  bewertungs_hinweis: |
    <Bewertungs-Pattern substituiert>

Anti-Pattern (Cowork-Mode verboten)

• L-Perspektive im Aufgabentext ("Die SuS X-en") — gehört in Lösungsblatt-Manifest
• AFB-Tag im Aufgabentitel ("Aufgabe 1 (AFB I)")
• Operator außerhalb afb_-Pool ohne Korrektur
• Erwartungshorizont ohne Indikator-Bezug
• Output ohne bewertungs_hinweis wenn methode_klasse bekannt
• Recherche-Kontext nicht als Quelle referenziert wenn verwendet

Helper-Scripts (CLI-Mode + Pipeline-Validierung)

• core/skills/aufgabe.formulieren/generate.py — Stdlib-only Validate (Operator-Pool, YAML-Parse, Skelett-Fallback)
• Cowork-Mode: Claude führt diese Validierungen selbst durch (Lookup gegen geladene Configs)
• CLI-Mode: Skript ruft from llm import complete (raises LlmCoworkModeError im Cowork-Mode)

Pflicht-Kontextdateien (READ FIRST)

1. core/config/niveaustufen.json — n1/n2/n3 Limits
2. core/config/operatoren.yaml — AFB-I/II/III Operator-Pools
3. decisions/0008-schauseite-vs-formalstruktur.md — Schauseite-Trennung
4. decisions/0031-llm-provider-abstraction.md — Provider-Layer-Vertrag
5. core/skills/text.niveau_anpassen/SKILL.md — 5-Achsen-Heuristik (Post-Validierung)

Eingabeparameter

teilziel:
  operator: "erläutern"          # AFB-Pool-konform (operatoren.yaml)
  inhalt: "ob ein Ferienjob für 14-Jährige rechtlich zulässig ist"
  bedingung: "anhand JArbSchG-Auszug"
  indikator: "drei Argumente unter Verweis auf Paragrafen-Bezug"
niveau: n2                       # n1 | n2 | n3
afb_stufe: II                    # I | II | III
recherche_kontext: |
  Optional: 1-3 Absätze aus Wikipedia/BERUFENET/JArbSchG.
  Wird LLM als Quellen-Material angeboten, NICHT zwingend übernommen.
methode: "Quellenanalyse"        # Optional aus TUV-Phase-6
modus: alltag                    # alltag | lehrprobe | buv | projekt
tuv_meta:                        # Pflicht für DSGVO-Hard-Block + Override-Reasons
  metadata: { enthaelt_schueler_bezug: false }
  _meta: { llm_override_reason: null, dsgvo_override_reason: null }

Output-Schema

aufgabe:
  titel: "Begründen: Darf Anna im Café arbeiten?"
  text: |
    Lies den JArbSchG-Auszug (M2). Prüfe, ob Anna (14 J.) am Wochenende 5h im Café
    arbeiten darf. Begründe mit drei Argumenten und nenne die jeweiligen Paragrafen.
  hinweise: ["Fachbegriffe: Beschäftigungsverbot, Arbeitszeit", "Tabelle für Argumente nutzbar"]
  format: "fall_analyse"          # aus niveaustufen.json antwortformate
  operator_verwendet: "erläutern"
  operator_afb_match: true
  niveau: n2
  satzlaenge_max: 20
erwartungshorizont:
  # T-30-10b Klasse-A RA6-HIGH-4: Beispiele juristisch korrigiert auf JArbSchG i.d.F. 2025/26
  argumente:
    - "Anna (14 J., vollzeitschulpflichtig) gilt nach JArbSchG als 'Kind' (§ 2 Abs. 1) — nicht als Jugendlicher (§ 2 Abs. 2). Damit greifen § 5 Abs. 4 und § 7 (Kinderarbeit) statt § 8."
    - "§ 5 Abs. 4 JArbSchG erlaubt 13- bis 14-Jährigen leichte Tätigkeiten max. 2h/Tag mit Eltern-Einwilligung — 5h/Tag NICHT zulässig."
    - "Sonn-/Feiertagsruhe (§ 17 Abs. 1) verbietet Wochenend-Arbeit für Kinder; Ausnahmen (§ 17 Abs. 2) gelten nur für Jugendliche, nicht für Kinder."
  mindest_argumente: 3
  bewertungs_hinweis: "Niveau n2 erreicht bei 3 Argumenten mit Paragrafen-Bezug + korrekter Status-Zuordnung (Kind vs. Jugendlicher). Lehrkraft prüft JArbSchG-Versionsstand bei Aktualisierungen."
  bewertungs_hinweis: |
    Niveau n2 erreicht, wenn drei Argumente mit jeweils einem Paragrafen-Bezug genannt sind.
qualitaets_meta:
  provider_id: "mock | anthropic"
  cache_hit: false
  degraded_mode: false
  tokens_in: 312
  tokens_out: 178
  warnings: []

Workflow (Skill-Implementation)

1. Pre-Flight-Validierung

• Niveau-Konfig laden (niveaustufen.json[niveau])
• AFB-Stufe gegen niveau.afb-Whitelist prüfen
• Operator-Konformität: teilziel.operator muss in operatoren.yaml[afb_<stufe>].operatoren sein
• DSGVO-Hard-Block via tuv_meta durchgereicht an llm.complete() (ADR 0022 + 0031)

2. Prompt-Konstruktion

System-Prompt:

Du bist Didaktik-Assistent für die Mittelschule (Bayern, R7).
Formuliere Aufgaben streng schauseitig (keine AFB-Tags, keine Mager-Notation im Text).
Halte das Niveau ein: max {satzlaenge_max} Wörter pro Satz, Operator-Pool {pool}.
Antwortformat strikt YAML gemäß Output-Schema.

User-Message (strukturiert):

teilziel: { operator, inhalt, bedingung, indikator }
niveau_limits: { satzlaenge_max, antwortformate, hilfen }
recherche_kontext: <optional>
methode: <optional>
modus: alltag|lehrprobe|buv|projekt

3. LLM-Call

from llm import complete, CompletionRequest, Message

req = CompletionRequest(
    system=SYSTEM_PROMPT.format(...),
    messages=(Message(role="user", content=yaml.safe_dump(payload)),),
    max_tokens=1024,
    temperature=0.4,           # niedrig: Determinismus + Reproduzierbarkeit
)
result = complete(req, tuv_meta=tuv_meta)

4. Post-Processing

• YAML-Parse mit Fallback: bei Parse-Fail → degraded_mode=True + Skelett-Antwort
• Operator-Re-Check: LLM könnte trotz Anweisung anderen Operator verwendet haben → Korrektur-Lauf oder Warning
• Niveau-Check via text.niveau_anpassen-Skill (5-Achsen): wenn Verletzung → Re-Prompt mit konkreter Niveau-Korrektur (max 2 Iterationen)
• 60a-Disclaimer-Marker bei Identifikationsfigur-Bezug (ADR 0015 via pre_render_disclaimer-Hook)

5. Hook-Integration

• pre_llm_call: Token-Budget-Gate (default 50.000/UE)
• post_llm_response: Manifest-Logging
• post_render_niveau_check: Sprachniveau-Validate

Anti-Pattern (verboten)

• Skelett-Templates wie baue_lsg_aufgaben (generate.py:264-298) — wird durch diesen Skill ersetzt (T-30-7)
• AFB-Tags im Aufgabentext (Schauseite-Verstoß ADR 0008)
• Mager-Notation im Aufgabentext (gehört ins Lösungsblatt-Manifest, Lehrkraft-Sicht)
• TUV-L-Perspektive ("Die SuS benennen…") im Aufgabentext — Mager-Konjugation-Skill mager.konjugieren (T-30-2) greift parallel
• Direkte Provider-Aufrufe außerhalb von from llm import complete — bricht ADR 0031 Provider-Abstraction
• Schüler-Bezug in Prompt ohne _meta.dsgvo_override_reason — DSGVO-Hard-Block raised LlmDsgvoBlockError

Test-Cases (Pflicht für T-30-1b-Closure)

1. PASS Mock-Determinismus: gleicher Input → gleiches Output (cache-Hit)
2. PASS AFB-II-Aufgabe mit Operator "erläutern", Niveau n2 → erwartet operator_afb_match=true
3. FAIL Operator AFB-Mismatch: "erläutern" (AFB II) bei afb_stufe=I → Validation-Error vor LLM-Call
4. FAIL Niveau-Verletzung: Mock-Antwort mit Sätzen > 20 Wörter bei n2 → Niveau-Check schlägt Re-Prompt vor
5. EDGE Schüler-Bezug ohne Override: tuv_meta.metadata.enthaelt_schueler_bezug=true + AnthropicProvider → LlmDsgvoBlockError
6. EDGE LLM-Override: _meta.llm_override_reason="..." → MockProvider erzwungen (auch wenn Anthropic verfügbar)

Output-Files

Skill liefert KEINE Files direkt zurück — Output ist dict an Aufrufer (artefakt-arbeitsblatt oder generate.py-Pipeline). Persistierung übernimmt der aufrufende Skill / baue_ab_config().

Mehrstufige Aufgaben-Pipeline (Phase-2-Closure)

aufgabe.formulieren wird in T-30-7 in generate.py so eingebunden:

from llm import complete  # noqa
from core.skills.aufgabe_formulieren.generate import formuliere_aufgabe  # via SKILL-Wrapper

aufgaben = []
for teilziel in tuv.teilziele:
    for n in ["n1", "n2", "n3"]:
        a = formuliere_aufgabe(
            teilziel=teilziel,
            niveau=n,
            afb_stufe=teilziel.afb,
            recherche_kontext=briefing.zusammenfassung_pro_teilziel(teilziel),
            methode=tuv.phasen[5].methode,    # Phase 6 = idx 5
            modus=tuv.modus,
            tuv_meta=tuv.frontmatter_dict,
        )
        aufgaben.append(a)

Dies ersetzt baue_lsg_aufgaben-Skelett-Logik vollständig.

ADR-Cross-Refs

• ADR 0006: Reasoning-Agent ab Phase 2 optional — dieser Skill nutzt LLM, ist aber kein Multi-Agent-Setup
• ADR 0008: Schauseite-Trennung — Aufgabentext ist Schauseite, Erwartungshorizont ist Formalstruktur
• ADR 0019: Graceful-Degrade — bei Provider-Failure / Parse-Fail → degraded_mode=True
• ADR 0023: Hook-Coverage — pre_llm_call + post_llm_response + post_render_niveau_check
• ADR 0026: Cross-Project-Lesson — Klasse-2-Patterns (Mager / AFB / Operatoren) aus escape-game-generator
• ADR 0031: LLM-Provider-Abstraction — alleinige Schnittstelle für LLM-Calls