diff --git a/app/services/embeddings_client.py b/app/services/embeddings_client.py
index 4f8636f..ea7a7fb 100644
--- a/app/services/embeddings_client.py
+++ b/app/services/embeddings_client.py
@@ -1,32 +1,97 @@
 """
-app/services/embeddings_client.py — Text→Embedding (WP-04)
+app/services/embeddings_client.py — Text→Embedding Service
 
 Zweck:
-    Liefert 384-d Embeddings für Textqueries (lazy load, einmal pro Prozess).
-    Standard: Sentence-Transformers (MODEL_NAME aus app.config.Settings).
-    Hinweis: Kein Netz-Zugriff; nutzt lokal installierte Modelle.
+    Liefert Embeddings für Textqueries.
+    - Legacy Mode (Sync): Nutzt lokal Sentence-Transformers (CPU).
+    - Modern Mode (Async/Class): Nutzt Ollama API (HTTP) für Non-Blocking Operations (WP-11).
+
 Kompatibilität:
-    Python 3.12+, sentence-transformers 5.x
+    Python 3.12+, sentence-transformers 5.x, httpx
 Version:
-    0.1.0  (Erstanlage)
+    0.2.0 (Erweitert um Async EmbeddingsClient)
 Stand:
-    2025-10-07
-Bezug:
-    - app/core/retriever.py (nutzt embed_text_if_needed)
-    - app/config.py (MODEL_NAME, VECTOR_SIZE)
-Nutzung:
-    from app.services.embeddings_client import embed_text
-Änderungsverlauf:
-    0.1.0 (2025-10-07) – Erstanlage.
+    2025-12-11
 """
 
 from __future__ import annotations
-from typing import List
+import os
+import logging
+import httpx
+from typing import List, Optional
 from functools import lru_cache
 from app.config import get_settings
 
+logger = logging.getLogger(__name__)
+
+# ==============================================================================
+# TEIL 1: NEUE ASYNC KLASSE (Für Ingestion API / WP-11)
+# ==============================================================================
+
+class EmbeddingsClient:
+    """
+    Async Client für Embeddings via Ollama (oder kompatible APIs).
+    Verhindert das Blockieren des Event-Loops bei schweren Berechnungen.
+    """
+    def __init__(self):
+        self.settings = get_settings()
+        # Fallback auf Environment Variablen, falls Settings nicht geladen
+        self.base_url = os.getenv("MINDNET_OLLAMA_URL", "http://127.0.0.1:11434")
+        # Nutze explizites Embedding Modell oder Fallback auf LLM Modell
+        self.model = os.getenv("MINDNET_EMBEDDING_MODEL", os.getenv("MINDNET_LLM_MODEL", "phi3:mini"))
+
+    async def embed_query(self, text: str) -> List[float]:
+        """Erzeugt Embedding für einen einzelnen Text."""
+        return await self._request_embedding(text)
+
+    async def embed_documents(self, texts: List[str]) -> List[List[float]]:
+        """
+        Erzeugt Embeddings für eine Liste von Texten.
+        Nutzt eine Session für effizientere Requests.
+        """
+        vectors = []
+        async with httpx.AsyncClient(timeout=60.0) as client:
+            for text in texts:
+                vec = await self._request_embedding_with_client(client, text)
+                vectors.append(vec)
+        return vectors
+
+    async def _request_embedding(self, text: str) -> List[float]:
+        """Interne Hilfsmethode für Single-Request (One-off Client)."""
+        async with httpx.AsyncClient(timeout=30.0) as client:
+            return await self._request_embedding_with_client(client, text)
+
+    async def _request_embedding_with_client(self, client: httpx.AsyncClient, text: str) -> List[float]:
+        """Führt den eigentlichen Request gegen Ollama aus."""
+        if not text or not text.strip():
+            return []
+            
+        url = f"{self.base_url}/api/embeddings"
+        try:
+            response = await client.post(
+                url,
+                json={
+                    "model": self.model,
+                    "prompt": text
+                }
+            )
+            response.raise_for_status()
+            data = response.json()
+            return data.get("embedding", [])
+        except Exception as e:
+            logger.error(f"Embedding error (Ollama) for model {self.model}: {e}")
+            # Fallback: Leere Liste, damit der Prozess nicht crasht (wird vom Caller gefiltert)
+            return []
+
+
+# ==============================================================================
+# TEIL 2: LEGACY FUNKTIONEN (Für bestehende Sync-Module / CLI)
+# ==============================================================================
+
 # Lazy import, damit Testläufe ohne Modell-Laden schnell sind
 def _load_model():
+    # Performance-Warnung loggen, da dies viel RAM braucht
+    logger.info("Loading local SentenceTransformer model (Legacy Mode)...")
     from sentence_transformers import SentenceTransformer  # import hier, nicht top-level
     s = get_settings()
     return SentenceTransformer(s.MODEL_NAME, device="cpu")
@@ -37,10 +102,19 @@ def _cached_model():
 
 def embed_text(text: str) -> List[float]:
     """
-    Erzeugt einen 384-d Vektor (oder laut Settings.VECTOR_SIZE) für den gegebenen Text.
+    LEGACY: Erzeugt einen Vektor synchron via Sentence-Transformers.
+    Wird u.a. vom Retriever oder alten CLI-Skripten genutzt.
     """
     if not text or not text.strip():
-        raise ValueError("embed_text: leerer Text")
-    model = _cached_model()
-    vec = model.encode([text], normalize_embeddings=True)[0]
-    return vec.astype(float).tolist()
+        # Um Konsistenz mit neuer Klasse zu wahren, loggen wir Warnung statt Error
+        # raise ValueError("embed_text: leerer Text") -> Veraltet
+        logger.warning("embed_text called with empty string")
+        return []
+        
+    try:
+        model = _cached_model()
+        vec = model.encode([text], normalize_embeddings=True)[0]
+        return vec.astype(float).tolist()
+    except Exception as e:
+        logger.error(f"Legacy embed_text failed: {e}")
+        return []
\ No newline at end of file