Subagent-fanout context-aware classification#

A subagent-fanout pattern (claude-code-subagent-fanout) jól skálázódó bulk-LLM-mutáció ($0 cost Claude Code-ban), de a klasszifikációs feladatok (entity-typing, label-injection, summary-tagging, NER) minőség-szintje drasztikusan függ attól, hogy a subagent kap-e kontextust a klasszifikálandó tételhez. Blind classifier (csak a tétel-név) jellemzően ~5% FP-rate-tel és alacsony recall-lal dolgozik; context-aware classifier (subagent olvassa a forrás-MD-t, ahol az entity szerepel) FP-rate <2%, recall +20-40pp magasabb.

TL;DR#

• Blind fanout = subagent INPUT-ja csak entity_name → gyors, olcsó, de FP+ ~5%, alacsony recall
• Context-aware fanout = subagent INPUT-ja entity_name + 1-2 source-MD excerpt → lassabb (~2-3× idő), de FP <2%, recall +20-40pp
• Hybrid stratégia: blind fanout 1. iteráció → high-confidence-ek megtartva → ambiguous-ok context-aware 2. iteráció
• Reusable: minden klasszifikációs feladatra (entity-typing, doc-categorization, sentiment, intent-detection)

Háttér — B-7 entity-typing pipeline evolúciója#

A Superintelligent Vault B-7 axis (entity-typing-mátrix építése a vault Memgraph entity-gráfján, 8997 entity 2026-05-18-án) három iterációban növelte a tipizáltságot:

*A 28.9% → 72.8% ugrás a fanout MELLETT a mgclient.autocommit fix-nek köszönhető — lásd mgclient-autocommit-silent-rollback. A tisztán fanout-attribuálható tipizáltság-növekedés szignifikáns volt, de az autocommit-bug elfedte mértékét az első 4 batch-ben.

A blind iteráció 2 elsődleges hibatípust mutatott: 1. Homonim entity-k — pl. "Cache" lehet HTTP-cache pattern, lehet karakter-név egy game-design GDD-ben, lehet React useMemo cache. A subagent kontextus nélkül a leggyakoribb jelentést választja → wrong-label egy specifikus vault-szegmensben. 2. Vault-specifikus jelentések — pl. "Pocock" a Sequential-Validity statisztikai módszerek kontextusában fut, NEM a brit politikatörténész — egy general-knowledge subagent ezt nem tudja. Context-aware iteráció a 11-wiki/Pocock-design-monitoring-statistics.md excerpt-ből konkretizálná.

A pattern#

Blind iteráció (1. fázis)#

# Gyors, olcsó, ~80% accuracy
def blind_classify(entity_name):
    prompt = f"""Classify this vault entity into one of:
    Concept, Decision, Pattern, Skill, Project, Person, Tool, Other.

    Entity name: {entity_name}

    Reply with ONLY the label, no explanation."""
    return subagent.run(prompt)

Context-aware iteráció (2. fázis)#

# Lassabb, drágább, ~95-98% accuracy
def context_aware_classify(entity_name, source_mds):
    """source_mds: list of (path, excerpt) where entity is mentioned"""
    context = "\n\n".join(
        f"### {p}\n{e[:500]}" for p, e in source_mds[:3]
    )
    prompt = f"""Classify this vault entity based on actual usage context:

    Entity name: {entity_name}

    Context from vault MDs where it appears:
    {context}

    Choose ONE label: Concept, Decision, Pattern, Skill, Project, Person, Tool, Other.

    Reasoning (1 sentence) then label on last line."""
    return subagent.run(prompt)

Hybrid (production-grade)#

def hybrid_classify(entities):
    # Round 1: blind, high-throughput
    round1 = {e: blind_classify(e) for e in entities}

    # Confidence filter: konkrét label, NEM "Other", NEM null
    confident = {e: l for e, l in round1.items() if l != "Other"}
    ambiguous = [e for e in entities if e not in confident]

    # Round 2: context-aware ONLY for ambiguous
    for e in ambiguous:
        sources = find_mentions(e, vault)  # graph-mentions-extract
        round1[e] = context_aware_classify(e, sources)

    return round1

Ez 60-80%-át a tételeknek olcsó blind-úton kezeli, és a maradékra költi a drága context-aware budget-et. Vault-szintű ROI ~3-5× szignifikánsabb a pure-context-aware-hez képest.

Mikor blind, mikor context-aware#

Ökölszabály: ha a vault tartalmaz domain-specifikus jargon-t (és minden komoly long-form vault tartalmaz), a tipizálási minimum 2 iteráció.

Anti-pattern: "csak blind" big-bang#

NE futtass nagy entity-set-en (>5000) csak blind klasszifikációt és vegyél jónak. Az 5% FP a tipizáltság-mérőszámot felfújja (false-pozitívak látszólag "típusosak"), de a downstream-feature-ök (search-rerank label-szerint, label-szűrt graph-traversal) zaj-ra állnak. A FP-rate kihat a következő layer minőségére, ami nehezebben mérhető.

Másik anti-pattern: manual sampling kihagyása. Akár blind, akár context-aware iteráció után — 50-100-as random-sample-en manuális verify kötelező. Subagent-jelentés magas confidence-ről nem garancia, hogy a label tényleg helyes. Az LLM-self-evaluation bias-mitigáció kérdéskör (g-eval-bias-mitigation-pattern) szerint az LLM hajlamos overstating saját bizalmát.

Reusable szabályok#

Költség-modell#

A subagent-fanout Claude Code-ban $0 ($0/agent-call), de idő-költség van: - Blind: ~2-3 sec/entity (egyszerű prompt) - Context-aware: ~6-10 sec/entity (3-5 MD excerpt beolvasás + classification) - Hybrid 80/20: ~4 sec/entity átlagosan

8997 entity-re a hybrid ~10 óra-perc (parallel 8 subagent → ~1.25 óra wall-clock). Production-bulk-feladatokban ez vállalható.

Komplementer pattern-ek#

• Self-verification — minden subagent-output-ot egy MÁSIK subagent verify-ol (két-fázisú quorum). Drágább, de FP <1%-ra megy
• Ensemble — 3 subagent függetlenül klasszifikál, majority-vote → még jobb FP
• Active-learning loop — manual-sample-ben talált hibák bekerülnek a prompt few-shot example-jébe a következő iterációhoz
• Source-quality weight — 11-wiki/ source-ok többet érnek mint 10-raw/, context-injection prioritás
• Confidence-threshold escalation — blind output mellé "confidence 0-1" kér; <0.7 → context-aware re-run

Kapcsolódó#

• claude-code-subagent-fanout — alap-pattern, ezen épül
• g-eval-bias-mitigation-pattern — LLM-self-evaluation bias, ami a confidence-re kihat
• mgclient-autocommit-silent-rollback — a B-7 batch közben felfedett mellékpitfall
• ../02-Projects/superintelligent-vault — a B-7 axis projekt-context
• two-tier-graph-extraction — graphify vs Memgraph komplementer pattern