diff --git a/docs/docs_mindnet_retriever.md b/docs/docs_mindnet_retriever.md
new file mode 100644
index 0000000..e2ddae2
--- /dev/null
+++ b/docs/docs_mindnet_retriever.md
@@ -0,0 +1,96 @@
+# mindnet Retriever (WP-04 / Step 4a) – Kurz-Dokumentation
+
+## 1. Überblick
+
+Der Retriever besteht aus:
+
+- **Semantic Retriever** (`semantic_retrieve`)
+- **Hybrid Retriever** (`hybrid_retrieve`)
+- Qdrant-Backend (`*_chunks`, `*_edges`)
+- optionaler Edge-Expansion über `graph_adapter.expand`
+
+Die API nutzt das bestehende `/query`-Endpoint (FastAPI), das `QueryRequest` und `QueryResponse` aus `app.models.dto` verwendet.
+
+## 2. Scoring-Formel
+
+Pro Treffer werden folgende Komponenten geführt:
+
+- `semantic_score` – direkt aus Qdrant (Cosine/Euclidean, je nach Collection)
+- `retriever_weight` – aus Chunk-Payload (`types.yaml` / Frontmatter)
+- `edge_bonus` – Bonus aus dem Subgraph (z. B. Zahl der eingehenden/ausgehenden Edges, Beziehungstypen)
+- `centrality_bonus` – Bonus aus einer einfachen Zentralitäts-Heuristik im Subgraph
+
+Aktuelle Formel (Step 4a):
+
+```text
+total_score = semantic_score * max(retriever_weight, 0.0)
+              + edge_bonus
+              + centrality_bonus
+```
+
+Die Sortierung der Ergebnisse erfolgt absteigend nach `total_score`.
+
+## 3. Modi
+
+### 3.1 Semantic Mode
+
+- Funktion: `semantic_retrieve`
+- Request-Feld `mode = "semantic"`
+- Keine Edge-Expansion, kein Graph-Call.
+- Kandidaten nur aus Vektorsuche in `<prefix>_chunks`.
+
+### 3.2 Hybrid Mode
+
+- Funktion: `hybrid_retrieve`
+- Request-Feld `mode = "hybrid"`
+- Schritte:
+  1. Semantische Chunk-Suche wie im Semantic Mode
+  2. Falls `expand.depth > 0` gesetzt ist:
+     - Seeds = `chunk_id` (Fallback: `note_id`) der Treffer
+     - Aufruf `graph_adapter.expand(client, prefix, seed_ids, depth, edge_types)`
+     - Ergebnis-Subgraph liefert `edge_bonus` und `centrality_bonus` pro Node
+  3. Scores werden nach obiger Formel kombiniert.
+
+## 4. Request-Struktur (JSON)
+
+Beispiel-Hybrid-Request:
+
+```json
+{
+  "mode": "hybrid",
+  "query": "embeddings und qdrant",
+  "top_k": 10,
+  "expand": {
+    "depth": 1,
+    "edge_types": ["references", "depends_on"]
+  }
+}
+```
+
+Minimaler Semantic-Request:
+
+```json
+{
+  "mode": "semantic",
+  "query": "karate trainingsplan",
+  "top_k": 5
+}
+```
+
+## 5. Smoke-Test
+
+Für einen schnellen End-to-End-Test kann folgendes Skript verwendet werden:
+
+```bash
+python scripts/test_retriever_smoke.py --query "karate" --mode hybrid --expand-depth 1 --top-k 5
+```
+
+Das Skript ruft `/query` auf, wertet Statuscode und JSON-Antwort aus und zeigt die Scores der Top-K-Treffer an.
+
+## 6. Tests
+
+Die wichtigsten Tests für den Retriever sind:
+
+- `tests/test_retriever_basic.py` – Basisfunktion (Semantic + Hybrid)
+- `tests/test_retriever_weight.py` – Einfluss von `retriever_weight` auf das Ranking
+- `tests/test_retriever_edges.py` – Einfluss von Edge-/Centrality-Boni im Hybrid-Modus