Writ adressiert ein strukturelles Problem beim Einsatz von KI-Coding-Agenten: Werden viele Regeln und Standards als Prompt übergeben, ignoriert der Agent relevante Teile davon oder überfüllt das Kontextfenster mit irrelevantem Material. Die Lösung von InfinriDev teilt sich in zwei Schichten auf. Der Knowledge-Layer speichert Regeln, Skills, Antipatterns und Playbooks als Knoten in einem Neo4j-Graphen mit typisierten Beziehungen. Eine fünfstufige Retrieval-Pipeline kombiniert BM25 via Tantivy, Vektorähnlichkeit über HNSW, Graph-Traversal, Reciprocal Rank Fusion und Context-Budget-Management. Das Embedding-Modell all-MiniLM-L6-v2 läuft lokal über ONNX Runtime ohne PyTorch und ohne GPU-Anforderung. Der Enforcement-Layer besteht aus 30 Bash-Hook-Skripten, die Tool-Calls des Agenten vor der Ausführung abfangen – der Agent kann keinen Code schreiben ohne genehmigten Plan, keine Tests überspringen und keine Testergebnisse behaupten ohne vorherige statische Analyse. Aktuell ist Writ an das Hook-System von Claude Code angebunden, die Retrieval-Engine selbst ist jedoch providerunabhängig und kann prinzipiell an jedes lokale Modell-Setup mit Tool-Call-Events adaptiert werden.