bug Fix

app/config.py

@@ -4,14 +4,20 @@ DESCRIPTION: Zentrale Pydantic-Konfiguration. Enthält Parameter für Qdrant,
              Embeddings, Ollama, Google GenAI und OpenRouter.
              WP-20: Optimiert für Hybrid-Cloud Modus und Vektor-Synchronisation.
              WP-22: Integration von Change-Detection und Vocab-Paths.
-VERSION: 0.6.2
+FIX: Hinzufügen von load_dotenv(), um Umgebungsvariablen aus .env aktiv zu laden.
+VERSION: 0.6.3
 STATUS: Active
-DEPENDENCIES: os, functools, pathlib
+DEPENDENCIES: os, functools, pathlib, python-dotenv
 """
 from __future__ import annotations
 import os
 from functools import lru_cache
 from pathlib import Path
+from dotenv import load_dotenv
+
+# WP-20: Lade Umgebungsvariablen aus der .env Datei
+# Muss vor dem Zugriff auf os.getenv erfolgen!
+load_dotenv()
 
 class Settings:
     # --- Qdrant Datenbank ---
@@ -23,9 +29,7 @@ class Settings:
     DISTANCE: str = os.getenv("MINDNET_DISTANCE", "Cosine")
     
     # --- Lokale Embeddings (Ollama & Sentence-Transformers) ---
-    # Modell für die Vektorisierung (z.B. nomic-embed-text)
     EMBEDDING_MODEL: str = os.getenv("MINDNET_EMBEDDING_MODEL", "nomic-embed-text")
-    # Legacy Fallback Modellname
     MODEL_NAME: str = os.getenv("MINDNET_MODEL", "sentence-transformers/all-MiniLM-L6-v2")
     
     # --- WP-20 Hybrid LLM Provider ---
@@ -35,7 +39,6 @@ class Settings:
     # Google AI Studio (Direkt)
     GOOGLE_API_KEY: str | None = os.getenv("GOOGLE_API_KEY")
     GEMINI_MODEL: str = os.getenv("MINDNET_GEMINI_MODEL", "gemini-1.5-flash")
-    # Gemma-Modell für hohen Durchsatz bei der Ingestion
     GEMMA_MODEL: str = os.getenv("MINDNET_GEMMA_MODEL", "google/gemma-2-9b-it:free")
     
     # OpenRouter Integration
@@ -58,12 +61,10 @@ class Settings:
     DEBUG: bool = os.getenv("DEBUG", "false").lower() == "true"
     MINDNET_VAULT_ROOT: str = os.getenv("MINDNET_VAULT_ROOT", "./vault")
     MINDNET_TYPES_FILE: str = os.getenv("MINDNET_TYPES_FILE", "config/types.yaml")
-    # WP-22: Dictionary für die Edge-Validierung
     MINDNET_VOCAB_PATH: str = os.getenv("MINDNET_VOCAB_PATH", "vault/_system/dictionary/edge_vocabulary.md")
-    # WP-22: Change Detection (Modus: "full" oder "body")
     CHANGE_DETECTION_MODE: str = os.getenv("MINDNET_CHANGE_DETECTION_MODE", "full")
     
-    # --- WP-04 Retriever Gewichte (Semantik vs. Graph) ---
+    # --- WP-04 Retriever Gewichte ---
     RETRIEVER_W_SEM: float = float(os.getenv("MINDNET_WP04_W_SEM", "0.70"))
     RETRIEVER_W_EDGE: float = float(os.getenv("MINDNET_WP04_W_EDGE", "0.25"))
     RETRIEVER_W_CENT: float = float(os.getenv("MINDNET_WP04_W_CENT", "0.05"))

config/prompts.yaml

@@ -1,5 +1,6 @@
-# config/prompts.yaml — Final V2.4.0 (Hybrid & Multi-Provider Support)
-# WP-20: Optimierte Cloud-Templates bei unveränderten Ollama-Prompts.
+# config/prompts.yaml — Final V2.4.1 (Hybrid & Multi-Provider Support)
+# WP-20: Optimierte Cloud-Templates. 
+# FIX: Technische Maskierung (Doppel-Klammern) für JSON-Stabilität bei identischem Inhalt.
 
 system_prompt: |
   Du bist 'mindnet', mein digitaler Zwilling und strategischer Partner.
@@ -208,15 +209,33 @@ edge_allocation_template:
 # ---------------------------------------------------------
 edge_extraction:
   ollama: |
-    Extrahiere Kanten als JSON: [{"to": "X", "kind": "Y"}].
-    Text: {text}
+    TASK:
+    Du bist ein Wissens-Ingenieur für den digitalen Zwilling 'mindnet'. 
+    Deine Aufgabe ist es, semantische Relationen (Kanten) aus dem Text zu extrahieren, 
+    die die Hauptnotiz '{note_id}' mit anderen Konzepten verbinden.
+
+    ANWEISUNGEN:
+    1. Identifiziere wichtige Entitäten, Konzepte oder Ereignisse im Text.
+    2. Bestimme die Art der Beziehung (z.B. part_of, uses, related_to, blocks, caused_by).
+    3. Das Ziel (target) muss ein prägnanter Begriff sein.
+    4. Antworte AUSSCHLIESSLICH in validem JSON als Liste von Objekten.
+
+    BEISPIEL:
+    [[ {{"to": "Ziel-Konzept", "kind": "beziehungs_typ"}} ]]
+
+    TEXT:
+    """
+    {text}
+    """
+
+    DEIN OUTPUT (JSON):  
   gemini: |
     Führe eine semantische Analyse der Notiz '{note_id}' durch.
     Finde explizite und implizite Relationen.
-    Antworte als JSON: [{"to": "Ziel", "kind": "typ", "reason": "begründung"}]
+    Antworte STRIKT als JSON: [[{{"to": "Ziel", "kind": "typ", "reason": "begründung"}}]]
     Keine Erklärungen, nur JSON.
     Text: {text}
   openrouter: |
     Analysiere den Text für den Graphen. Identifiziere semantische Verbindungen.
-    Output STRIKT als JSON-Liste: [{"to": "X", "kind": "Y"}].
+    Output STRIKT als JSON-Liste: [[{{"to": "X", "kind": "Y"}}]].
     Text: {text}