Zum Inhalt

Neuen Aufgabentyp hinzufügen

Das kanonische Modell wird nicht auf Vorrat erweitert. Ein neuer Aufgabentyp kommt nur, wenn konkreter Content ihn braucht - und dann als eine kleine, additive PR. Dies ist das verbindliche Rezept, abgeleitet aus der realen cloze/select-Multiple-Choice-Arbeit (#1342) und der EXP-039- Schema-Pipeline.

Bevor du beginnst: prüfe, ob es wirklich ein neuer Typ ist und nicht eine Darstellungsform oder eine Konvention, die der Aufgabentyp-Katalog schon abdeckt (Text-Multiple-Choice, Wahr/Falsch, Dropdown/Radio/Checkbox sind keine neuen Typen). Er muss binär SRS-bewertbar sein (ein einziges korrekt/falsch-Ergebnis pro Element) - das ist die Grenze, die die „Bewusst nicht"-Liste des Katalogs zieht.

Schritte

  1. EXP-Eintrag / Begründung. Bedarf, binäre Bewertungssemantik und Abgrenzung zu bestehenden Typen in der passenden Exploration festhalten (docs/explorations/EXP-041-* für Aufgabentyp-Eignung, oder eine neue EXP). Kein Typ ohne dokumentierten Grund.
  2. Das Format in der Engine erweitern. Das kanonische Zuhause des Lektionsformats ist das Paket learn-content-engine: den Typ dort ins Schema, in die handgeschriebene semantische Schicht (validate.ts) und in die Format-Referenz aufnehmen, dann die Engine releasen. Eine Formatänderung beginnt in der Engine - das schema/*.json der App ist ein Byte-Spiegel des gepinnten Release mit genau einem Schreiber (scripts/sync_schema_mirror_from_engine.py, #2265).
  3. Pin bumpen, Sync laufen lassen. Den learn-content-engine-Pin in frontend/package.json erhöhen, dann make sync-schema im selben PR: es frischt den Spiegel schema/*.json aus dem installierten Paket auf und regeneriert jedes abgeleitete Artefakt - die strukturelle Pydantic-Schicht (plugins/adaptive-learner-plugin-content-loader/adaptive_learner_content_loader/schema_generated.py via scripts/generate_pydantic_models.py), die TS-Lektionstypen (frontend/src/storage/types/content/lesson-schema.generated.ts) und die Format-Referenz-Doku. Ein gespiegeltes oder generiertes Artefakt nie von Hand editieren; das Drift-Gate make sync-schema-check schlägt sonst fehl.
  4. Semantische Schicht + Schema-Version. Die App-seitigen Feld- übergreifenden Regeln als dünne Subklasse in plugins/adaptive-learner-plugin-content-loader/adaptive_learner_content_loader/schema.py ergänzen (die strukturellen Felder sind generiert; nur die Semantik ist handgeschrieben) und CURRENT_SCHEMA_VERSION in models.py an der Schema-Version des gepinnten Engine-Release halten (Minor = additiv; alter Content bleibt über den Major-Version-Match gültig).
  5. Renderer registrieren. Den Branch + den Typ zu SUPPORTED_EXERCISE_TYPES in frontend/src/components/exercises/shell/ExerciseDispatcher.tsx ergänzen. Die Registry muss dem Enum entsprechen - ein Paritätstest erzwingt das, sodass ein nicht gerenderter Typ die CI bricht (die Invariante, die totes Schema verhindert).
  6. Bewertung / SRS anschließen. Aus dem Renderer via useControlledExercise ein ExerciseScored ausgeben; der geteilte onComplete-→-recordStepResult-Pfad in LessonStepView.tsx fächert jeden Versuch bereits über getStorage().elementErrors.recordBulk auf - diesen wiederverwenden, keinen zweiten Aufzeichnungspfad bauen.
  7. Content-Repo-Validierung. Den Client-Validator (frontend/src/lib/content/validation/content-validator.ts) erweitern. Die Qualitätsminima leben in der quality-rules.json der Engine (gespiegelt nach schema/quality-rules.json); berührt der Typ sie, werden sie in der Engine erweitert, nicht in der App.
  8. Authoring-Doku. Den Typ in die Katalog-Tabelle und einen ### <typ>-Referenzblock mit JSON-Beispiel aufnehmen (EN + DE).
  9. Tests. Schema akzeptiert ein gültiges Beispiel und lehnt ein ungültiges ab (fehlendes Pflichtfeld / Extra-Key); der Renderer rendert + bewertet korrekt/falsch; der SRS-Versuch wird aufgezeichnet; mobile Visual-Baseline ergänzen, falls die Optik des Controls neu ist.
  10. Folge-Arbeit (nicht diese PR). Die Content-Repos (adaptive-learner-content) übernehmen den neuen Typ, wenn sie ihr Engine-Release neu pinnen; vermerken, nicht darauf warten.

Warum das klein bleibt

Weil das Format aus dem gepinnten Engine-Release gespiegelt wird und jedes App-Artefakt aus diesem Spiegel abgeleitet ist (Schritt 3) und der Dispatcher-Paritätstest Registry-gleich-Enum erzwingt (Schritt 5), ist ein neuer Typ eine additive Änderung mit fester Form: Engine → Pin → generieren → Renderer → Bewertung → Doku → Tests. Keine parallel handgepflegte Kopie kann driften, und kein Typ kann ohne Renderer ausgeliefert werden.