persönlichkeitsupdate

app/routers/chat.py

@@ -1,8 +1,13 @@
 """
-app/routers/chat.py — RAG Endpunkt (WP-05)
+app/routers/chat.py — RAG Endpunkt (WP-05 Final)
+
+Zweck:
+    Verbindet Retrieval mit LLM-Generation.
+    Enriched Context: Fügt Typen und Metadaten in den Prompt ein,
+    damit das LLM komplexe Zusammenhänge versteht.
 
 Version:
-    0.2.0 (Final Clean Version)
+    0.3.0 (Audit Finalization)
 """
 
 from fastapi import APIRouter, HTTPException, Depends
@@ -24,14 +29,18 @@ def get_llm_service():
 def get_retriever():
     return Retriever()
 
-def _build_context_from_hits(hits: List[QueryHit]) -> str:
+def _build_enriched_context(hits: List[QueryHit]) -> str:
     """
-    Formatiert die Suchtreffer zu einem String für den Prompt.
+    Baut einen 'Rich Context' String.
+    Statt nur Text, injizieren wir Metadaten (Typ, Tags), damit das LLM
+    die semantische Rolle des Schnipsels versteht.
     """
     context_parts = []
+    
     for i, hit in enumerate(hits, 1):
         source = hit.source or {}
-        # Robuster Zugriff auf Content
+        
+        # 1. Content extrahieren (Robust)
         content = (
             source.get("text") or 
             source.get("content") or 
@@ -39,15 +48,31 @@ def _build_context_from_hits(hits: List[QueryHit]) -> str:
             source.get("chunk_text") or 
             "[Kein Textinhalt verfügbar]"
         )
-        title = hit.note_id or "Unknown Note"
         
+        # 2. Metadaten für "Context Intelligence"
+        title = hit.note_id or "Unbekannte Notiz"
+        
+        # Versuche, den Typ aus dem Payload zu lesen (wichtig für Decision/Project Unterscheidung)
+        # In WP-03 Import landen diese Infos oft in 'metadata' oder direkt im Payload root.
+        # Wir schauen defensiv an beiden Orten.
+        note_type = source.get("type", "unknown").upper()
+        tags = source.get("tags", [])
+        if isinstance(tags, list):
+            tags_str = ", ".join(tags[:3]) # Nur die ersten 3 Tags
+        else:
+            tags_str = str(tags)
+
+        # 3. Formatierung für das LLM
+        # Wir nutzen ein Format, das wie ein strukturiertes Dokument aussieht.
+        # Das hilft dem Modell, Grenzen zwischen Quellen zu erkennen.
         entry = (
-            f"SOURCE [{i}]: {title} (Score: {hit.total_score:.2f})\n"
+            f"### SOURCE [{i}]: {title}\n"
-            f"CONTENT: {content}\n"
+            f"METADATA: [TYPE: {note_type}] [SCORE: {hit.total_score:.2f}] [TAGS: {tags_str}]\n"
+            f"CONTENT:\n{content}\n"
         )
         context_parts.append(entry)
     
-    return "\n---\n".join(context_parts)
+    return "\n\n".join(context_parts)
 
 @router.post("/", response_model=ChatResponse)
 async def chat_endpoint(
@@ -58,30 +83,33 @@ async def chat_endpoint(
     start_time = time.time()
     query_id = str(uuid.uuid4())
     
-    # Minimales Logging für Traceability
+    # Logging verkürzt für Übersichtlichkeit
     logger.info(f"Chat request [{query_id}]: {request.message[:50]}...")
 
     try:
-        # 1. Retrieval
+        # 1. Retrieval (Graph-Awareness)
+        # Wir erzwingen 'hybrid', damit graph-basierte Nachbarn gefunden werden.
         query_req = QueryRequest(
             query=request.message,
-            mode="hybrid",
+            mode="hybrid",     # <--- Audit Check: Hybrid Mode active
             top_k=request.top_k,
-            explain=request.explain
+            explain=request.explain,
+            # Wir fordern Explizit Metadaten an, falls der Retriever das unterstützt
+            # (passiert implizit durch Payload-Return in WP-04)
         )
         
         retrieve_result = await retriever.search(query_req)
         hits = retrieve_result.results
 
-        # 2. Kontext bauen
+        # 2. Context Assembly
         if not hits:
             logger.info(f"[{query_id}] No hits found.")
             context_str = "Keine relevanten Notizen gefunden."
         else:
-            context_str = _build_context_from_hits(hits)
+            context_str = _build_enriched_context(hits)
 
-        # 3. LLM Generation
+        # 3. Generation
-        logger.info(f"[{query_id}] Sending to LLM ({len(hits)} context chunks)...")
+        logger.info(f"[{query_id}] Context built with {len(hits)} chunks. Sending to LLM...")
         answer_text = await llm.generate_rag_response(
             query=request.message,
             context_str=context_str

config/prompts.yaml

@@ -1,31 +1,32 @@
-# config/prompts.yaml — Persönlichkeit & Templates für mindnet
+# config/prompts.yaml — Persönlichkeit & RAG-Strategie
-# Version: 1.0
+# Version: 2.0 (Audit Update)
 
 system_prompt: |
-  Du bist 'mindnet', ein persönliches KI-Gedächtnis und ein digitaler Zwilling.
+  Du bist 'mindnet', ein persönliches KI-Gedächtnis und der Digitale Zwilling deines Erschaffers ("User").
-  
+
-  Deine Identität:
+  DEINE PERSÖNLICHKEIT & WERTE:
-  - Du bist hilfreich, präzise und reflektiert.
+  1. Pragmatismus: Du bevorzugst funktionierende Lösungen über theoretische Perfektion.
-  - Du erfindest keine Fakten (Halluzinationen vermeiden).
+  2. Transparenz: Du erfindest keine Fakten. Wenn Informationen im Kontext fehlen, sagst du das klar.
-  - Du basierst deine Antworten streng auf dem bereitgestellten KONTEXT (Auszüge aus Notizen).
+  3. Vernetztes Denken: Du suchst aktiv nach Verbindungen zwischen den bereitgestellten Notizen.
-  - Wenn der Kontext die Antwort nicht enthält, gib das offen zu.
+  4. Erklärbarkeit: Wenn du eine Aussage machst, beziehst du dich implizit auf die Quelle (z.B. "Wie in Projekt X definiert...").
-  - Du zitierst Quellen implizit durch Nennung der Notiz-Titel, wenn sinnvoll.
+
-  
+  DEINE AUFGABE:
-  Dein Stil:
+  Beantworte die Frage des Users ausschließlich basierend auf dem untenstehenden KONTEXT.
-  - Du antwortest in der Sprache des Users (meist Deutsch).
+  Der Kontext besteht aus Auszügen verschiedener Notizen. Achte besonders auf den [TYPE] der Notiz:
-  - Du bist 'Ich' (das Gedächtnis) und sprichst den User als 'Du' (der Besitzer) an.
+  - [DECISION] erklärt das "Warum".
-  - Formattiere Antworten mit Markdown (fett, listen), um Lesbarkeit zu erhöhen.
+  - [PROJECT] erklärt das "Was" und "Wann".
+  - [CONCEPT] liefert Definitionen.
+  - [VALUE] definiert die moralische/strategische Ausrichtung.
 
 rag_template: |
   HINTERGRUNDWISSEN (KONTEXT):
-  ---------------------
+  =========================================
   {context_str}
-  ---------------------
+  =========================================
 
   FRAGE DES USERS:
   {query}
 
   ANWEISUNG:
-  Beantworte die Frage basierend auf dem oben stehenden Kontext. 
+  Analysiere die Quellen oben. Synthetisiere eine Antwort, die die Frage präzise beantwortet.
-  Wenn du dich auf eine spezifische Notiz beziehst, erwähne ihren Titel.
+  Nutze Markdown für Struktur (Fettgedrucktes für Wichtiges).
-  Erkläre Zusammenhänge, falls im Kontext ersichtlich.