docs/06_Roadmap/06_handover_prompts.md aktualisiert

docs/06_Roadmap/06_handover_prompts.md

@@ -356,4 +356,77 @@ Stelle sicher, dass dir folgende Dateien vorliegen, um die Logik zu verstehen un
 ## 5. Nächste technische Schritte
 1.  Entwurf eines `RecommenderService` für die Vektor-Suche in Qdrant.
 2.  Integration des Services in die `ingestion.py` zur automatischen Befüllung des `candidate_pool`.
-3.  Erweiterung des Chat-Backends um die "Capture-to-Vault" Funktionalität.
+3.  Erweiterung des Chat-Backends um die "Capture-to-Vault" Funktionalität.
+
+## WP-25: Advanced Reasoning Engine (Agentic RAG)
+
+**Status:** 🚀 High-Priority Upgrade
+**Ziel:** Implementierung einer mehrstufigen Entscheidungs-Architektur ("Multi-Hop").
+
+**Das Problem:**
+Single-Step-Retrieval verwässert Ergebnisse. Eine Suche nach "Projekt-Entscheidung" findet oft operative Details, übersieht aber fundamentale Werte ("Wertekompass"), weil diese semantisch distanziert sind.
+
+**Die Lösung (Architektur):**
+Wir ersetzen die flache Suche durch eine **Orchestrator-Logik**, die parallele Streams ausführt.
+
+---
+
+### Teil A: Configuration Upgrade (`decision_engine.yaml`)
+Erweitere die Config-Struktur, um statt einfacher Listen echte **Sub-Queries** zu definieren.
+
+*Neu (Vorschlag):*
+```yaml
+strategies:
+  DECISION:
+    description: "Komplexe Abwägung"
+    # Der Orchestrator führt diese 3 Streams parallel aus:
+    streams:
+      - name: "facts"
+        query_template: "Status und Fakten zu: {query}"
+        filter_types: ["project", "journal", "decision"]
+        edge_boosts: {part_of: 1.5}
+      
+      - name: "values"
+        query_template: "Welche Werte und Prinzipien sind relevant für: {query}"
+        filter_types: ["value", "principle", "belief"]
+        edge_boosts: {derived_from: 2.0, enforced_by: 2.0} # Findet den "Wertekompass"!
+      
+      - name: "risks"
+        query_template: "Risiken und Gefahren bei: {query}"
+        filter_types: ["risk", "obstacle"]
+        edge_boosts: {blocks: 2.5, impacts: 2.0}
+```
+
+### Teil B: Implementation (`DecisionEngine.py`)
+1.  **Decomposition:** Wenn eine Strategie `streams` definiert, darf nicht mehr *ein* `retrieve()` Aufruf erfolgen.
+2.  **Parallel Execution:**
+    * Iteriere über alle Streams.
+    * Führe für jeden Stream einen eigenen `retriever.retrieve()` aus – mit dessen spezifischen Filtern, Query und Edge-Boosts.
+3.  **Intermediate Summarization (Optional/Later):**
+    * (Für Version 1 reicht es, die Ergebnisse der Streams in markierten Blöcken an den Prompt zu geben).
+
+### Teil C: The Synthesis (Prompting)
+Passe das Prompt-Template an, um die getrennten Streams zu nutzen:
+```text
+...
+HIER SIND DIE FAKTEN:
+{stream_results_facts}
+
+HIER SIND DIE RELEVANTEN WERTE/PRINZIPIEN:
+{stream_results_values}
+
+HIER SIND DIE RISIKEN:
+{stream_results_risks}
+
+AUFGABE: Wäge die Fakten gegen die Werte ab.
+```
+
+---
+
+**Deine Aufgaben:**
+1.  **Refactor Config:** Zeige, wie die `decision_engine.yaml` für Multi-Stream angepasst wird.
+2.  **Orchestrator Logic:** Schreibe die Python-Logik, die diese Streams parallel abfeuert und die Ergebnisse aggregiert.
+3.  **Integration:** Nutze die `EdgeRegistry` (aus WP-22) für die Boosts in jedem Stream.
+
+Bitte bestätige die Übernahme dieser "Agentic Architecture" (WP-25).
+