Dokumentation WP11

Programmmanagement/Programmplan_V2.2.md

@@ -1,10 +1,10 @@
-# mindnet v2.2 — Programmplan
+# mindnet v2.4 — Programmplan
-**Version:** 2.4.0 (Inkl. WP-07 Interview & WP-10a Draft Editor)
+**Version:** 2.4.0 (Inkl. WP-11 Backend Intelligence)
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
 **Status:** Aktiv
 
 ---
-- [mindnet v2.2 — Programmplan](#mindnet-v22--programmplan)
+- [mindnet v2.4 — Programmplan](#mindnet-v24--programmplan)
   - [1. Programmauftrag](#1-programmauftrag)
   - [2. Vision](#2-vision)
   - [3. Programmziele](#3-programmziele)
@@ -29,7 +29,7 @@
     - [WP-09 – Vault-Onboarding \& Migration (geplant)](#wp-09--vault-onboarding--migration-geplant)
     - [WP-10 – Chat-Interface \& Writeback (abgeschlossen)](#wp-10--chat-interface--writeback-abgeschlossen)
     - [WP-10a – GUI Evolution: Draft Editor (abgeschlossen)](#wp-10a--gui-evolution-draft-editor-abgeschlossen)
-    - [WP-11 – Knowledge-Builder \& Vernetzungs-Assistent (geplant)](#wp-11--knowledge-builder--vernetzungs-assistent-geplant)
+    - [WP-11 – Backend Intelligence \& Persistence (abgeschlossen)](#wp-11--backend-intelligence--persistence-abgeschlossen)
     - [WP-12 – Knowledge Rewriter (Soft Mode, geplant)](#wp-12--knowledge-rewriter-soft-mode-geplant)
     - [WP-13 – MCP-Integration \& Agenten-Layer (geplant)](#wp-13--mcp-integration--agenten-layer-geplant)
     - [WP-14 – Review / Refactoring / Dokumentation (geplant)](#wp-14--review--refactoring--dokumentation-geplant)
@@ -51,7 +51,8 @@ mindnet v2.4 entwickelt ein persönliches, wachsendes KI-Gedächtnis, das:
 - über mehrere Kanäle gefüttert wird:
   - Obsidian-Markdown (primäre Quelle),
   - Chat-basierter Agent (Decision Engine & RAG-Chat aktiv),
-  - **Interview-Assistent (One-Shot Extraction aktiv)**,
+  - Interview-Assistent (One-Shot Extraction aktiv),
+  - **Draft Editor (Active Intelligence aktiv)**,
 - automatisch neue Zusammenhänge erkennt und vernetzt (Edges, Typen, Hinweise),
 - sich durch Rückmeldungen (Feedback) selbst verbessert (Self-Tuning).
 
@@ -116,7 +117,8 @@ Kernprinzipien der Vision:
 - **Multi-Persona:** System wechselt den Tonfall (Empathisch vs. Analytisch) situativ (WP-06 abgeschlossen).
 - **Chat Interface:** Web-basiertes Frontend (Streamlit) für einfache Interaktion und Feedback-Gabe (WP-10 abgeschlossen).
 - **Interview-Assistent (WP-07):** One-Shot Extraction von Notizen ("Neues Projekt anlegen") ist live.
-- Technische Basis: FastAPI, Qdrant, Ollama (Local LLM), Streamlit.
+- **Active Intelligence (WP-11):** Automatische Link-Vorschläge (Matrix-Logik) während des Schreibens.
+- Technische Basis: FastAPI (Async), Qdrant (768 Dim), Ollama (Phi-3/Nomic), Streamlit.
 - Automatisierte Erkennung von Beziehungen:
   - Wikilinks, Inline-Relationen, Callout-Edges, Typ-Defaults.
 - „Mitwachsendes“ Schema ohne Obsidian-Umstrukturierungen:
@@ -126,8 +128,7 @@ Kernprinzipien der Vision:
 ### 3.2 Mittelfristig (Nächste Schritte)
 
 - **Self-Tuning (WP-08):** Optimierung der Gewichte in `retriever.yaml` basierend auf dem gesammelten Feedback.
-- **Knowledge-Builder (WP-11):** Assistent zur Analyse und Vernetzung manuell erstellter Notizen.
+- Agenten können über MCP-Tools (`mindnet_query`, `mindnet_chat`) auf mindnet zugreifen (WP-13).
-- Agenten können über MCP-Tools (`mindnet_query`, `mindnet_chat`) auf mindnet zugreifen.
 
 ### 3.3 Langfristig
 
@@ -180,7 +181,7 @@ Die folgenden Prinzipien steuern alle Workpackages und Entscheidungen:
    - Jeder Importlauf, jede Retriever-Anfrage und jede Policy-Änderung soll prüfbar sein.
    
 10. **Local First & Privacy**
-    - Nutzung lokaler LLMs (Ollama/Phi-3) für Inference. Keine Daten verlassen den Server.
+    - Nutzung lokaler LLMs (Ollama) für Inference. Keine Daten verlassen den Server.
 
 ---
 
@@ -192,7 +193,7 @@ Die folgenden Prinzipien steuern alle Workpackages und Entscheidungen:
     Phase D – Agenten, MCP & Interaktion (Aktiv)
     Phase E – Review, Refactoring, Dokumentation
 
-Alle Workpackages sind einer Phase zugeordnet. WP-01 bis WP-07 und WP-10/10a sind erfolgreich abgeschlossen.
+Alle Workpackages sind einer Phase zugeordnet. WP-01 bis WP-07 und WP-10/10a/11 sind erfolgreich abgeschlossen.
 
 ---
 
@@ -447,13 +448,20 @@ Anpassung der GUI an komplexe Interaktionsmuster, die durch den Interview-Assist
 
 ---
 
-### WP-11 – Knowledge-Builder & Vernetzungs-Assistent (geplant)
+### WP-11 – Backend Intelligence & Persistence (abgeschlossen)
 
 **Phase:** D
-**Status:** 🟡 geplant
+**Status:** 🟢 abgeschlossen
 
 **Ziel:**
-Assistent, der manuell erstellte oder importierte Notizen analysiert und Vorschläge für Typen, Edges und Einordnung macht.
+Ermöglichung von "Active Intelligence" durch asynchrone Verarbeitung und semantische Analyse im Hintergrund.
+
+**Erreichte Ergebnisse:**
+- **Async Core:** Umstellung der Pipeline auf `asyncio` und `httpx` (Vermeidung von Blockaden).
+- **Nomic Embeddings:** Integration von `nomic-embed-text` (768 Dim) für State-of-the-Art Semantik.
+- **Matrix Logic:** Regelwerk für kontextsensitive Kanten (`experience` + `value` -> `based_on`).
+- **Sliding Window:** Analyse langer Texte für Link-Vorschläge.
+- **Persistence API:** Neuer Endpunkt `/ingest/save` für atomares Speichern & Indizieren.
 
 **Aufwand / Komplexität:**
 - Aufwand: Hoch
@@ -557,7 +565,7 @@ Aufräumen, dokumentieren, stabilisieren – insbesondere für Onboarding Dritte
 | WP09  | 🟡     |
 | WP10  | 🟢     |
 | WP10a | 🟢     |
-| WP11  | 🟡     |
+| WP11  | 🟢     |
 | WP12  | 🟡     |
 | WP13  | 🟡     |
 | WP14  | 🟡     |
@@ -585,7 +593,8 @@ mindnet v2.4 ist so aufgesetzt, dass:
 - ein **Self-Healing- und Self-Tuning-Mechanismus** vorbereitet ist (durch WP-04c Feedback-Daten),
 - ein **Persönlichkeitsmodell** (Decision Engine, Empathie) existiert und den Tonfall situativ anpasst,
 - eine **grafische Oberfläche** (WP-10/10a) existiert, die komplexe Zusammenhänge visualisiert und Co-Creation ermöglicht,
+- **Active Intelligence** (WP-11) dich beim Schreiben unterstützt, indem es automatisch Verknüpfungen vorschlägt,
 - langfristig ein **KI-Zwilling** aufgebaut wird, der deine Werte, Erfahrungen und Denkweise spiegelt,
-- die technische Architektur (FastAPI, Qdrant, YAML-Policies, MCP-Integration) lokal, nachvollziehbar und erweiterbar bleibt.
+- die technische Architektur (AsyncIO, Qdrant 768d, YAML-Policies) lokal, nachvollziehbar und performant bleibt.
 
 Dieser Programmplan bildet die konsolidierte Grundlage (v2.4.0) für alle weiteren Arbeiten.

docs/Knowledge_Design_Manual.md

@@ -1,7 +1,7 @@
 # mindnet v2.4 – Knowledge Design Manual
 **Datei:** `docs/mindnet_knowledge_design_manual_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP10a)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11)
 **Quellen:** `knowledge_design.md`, `TYPE_REGISTRY_MANUAL.md`, `chunking_strategy.md`, `mindnet_functional_architecture.md`.
 
 ---
@@ -24,11 +24,11 @@ Dieses Handbuch ist die **primäre Arbeitsanweisung** für dich als Mindmaster (
 
 ### 1.1 Zielsetzung
 Mindnet ist mehr als eine Dokumentablage. Es ist ein vernetztes System, das deine Persönlichkeit, Entscheidungen und Erfahrungen abbildet.
-Seit Version 2.3.1 verfügt Mindnet über:
+Seit Version 2.4 verfügt Mindnet über:
 * **Hybrid Router:** Das System erkennt, ob du Fakten, Entscheidungen oder Empathie brauchst.
 * **Context Intelligence:** Das System lädt je nach Situation unterschiedliche Notiz-Typen (z.B. Werte bei Entscheidungen).
 * **Web UI (WP10):** Du kannst direkt sehen, welche Quellen genutzt wurden.
-* **Interview Modus (WP07):** Du kannst Notizen direkt im Chat entwerfen lassen.
+* **Active Intelligence (WP11):** Das System hilft dir beim Schreiben und Vernetzen (Link-Vorschläge).
 
 ### 1.2 Der Vault als „Source of Truth“
 Die Markdown-Dateien in deinem Vault sind die **einzige Quelle der Wahrheit**.
@@ -59,7 +59,7 @@ Jede Datei muss mindestens folgende Felder enthalten, um korrekt verarbeitet zu
 Diese Felder sind technisch nicht zwingend, aber für bestimmte Typen sinnvoll:
 
     lang: de                             # Sprache (Default: de)
-    aliases: [Alpha Projekt, Project A]  # Synonyme für die Suche
+    aliases: [Alpha Projekt, Project A]  # Synonyme (WICHTIG für Exact Match in Intelligence)
     visibility: internal                 # internal (default), public, private
 
 > **Hinweis:** Felder wie `retriever_weight` oder `chunk_profile` sollten **nicht** mehr manuell im Frontmatter gesetzt werden. Diese werden zentral über den `type` gesteuert (siehe Kap. 3), um die Wartbarkeit zu sichern.
@@ -86,17 +86,17 @@ Der `type` ist der wichtigste Hebel im Knowledge Design. Er steuert nicht nur da
 
 Mindnet unterscheidet verschiedene Wissensarten. Wähle den Typ, der die **Rolle** der Notiz am besten beschreibt:
 
-| Typ | Beschreibung & Einsatzzweck | Rolle im Chat (Intent) | Interview Schema (WP07) |
+| Typ | Beschreibung & Einsatzzweck | Rolle im Chat (Intent) | Interview Schema (WP07) | Matrix-Logik (WP11) |
-| :--- | :--- | :--- | :--- |
+| :--- | :--- | :--- | :--- | :--- |
-| **`concept`** | Fachbegriffe, Theorien. Zeitloses Wissen. | **FACT** | Titel, Definition, Tags |
+| **`concept`** | Fachbegriffe, Theorien. Zeitloses Wissen. | **FACT** | Titel, Definition, Tags | Ziel für `uses` |
-| **`project`** | Ein Vorhaben mit Ziel, Dauer und Aufgaben. | **FACT / DECISION** | Ziel, Status, Stakeholder, Steps |
+| **`project`** | Ein Vorhaben mit Ziel, Dauer und Aufgaben. | **FACT / DECISION** | Ziel, Status, Stakeholder | Quelle für `uses`, `depends_on` |
-| **`experience`** | Persönliche Erfahrung, Lektion oder Erkenntnis. | **EMPATHY** | Situation, Erkenntnis, Emotionen |
+| **`experience`** | Persönliche Erfahrung, Lektion oder Erkenntnis. | **EMPATHY** | Situation, Erkenntnis, Emotionen | Quelle für `based_on` |
-| **`decision`** | Eine bewusst getroffene Entscheidung (ADR). | **DECISION** | Kontext, Entscheidung, Alternativen |
+| **`decision`** | Eine bewusst getroffene Entscheidung (ADR). | **DECISION** | Kontext, Entscheidung, Alternativen | Quelle für `depends_on` |
-| **`value`** | Ein persönlicher Wert oder ein Prinzip. | **DECISION** | Definition, Anti-Beispiel |
+| **`value`** | Ein persönlicher Wert oder ein Prinzip. | **DECISION** | Definition, Anti-Beispiel | Ziel für `based_on` |
-| **`goal`** | Ein strategisches Ziel (kurz- oder langfristig). | **DECISION** | Zeitrahmen, KPIs, Werte |
+| **`goal`** | Ein strategisches Ziel (kurz- oder langfristig). | **DECISION** | Zeitrahmen, KPIs, Werte | Ziel für `related_to` |
-| **`person`** | Eine reale Person (Netzwerk, Autor). | **FACT** | Rolle, Kontext |
+| **`person`** | Eine reale Person (Netzwerk, Autor). | **FACT** | Rolle, Kontext | - |
-| **`journal`** | Zeitbezogener Log-Eintrag, Daily Note. | **FACT** | Datum, Tags |
+| **`journal`** | Zeitbezogener Log-Eintrag, Daily Note. | **FACT** | Datum, Tags | - |
-| **`source`** | Externe Quelle (Buch, PDF, Artikel). | **FACT** | Autor, URL |
+| **`source`** | Externe Quelle (Buch, PDF, Artikel). | **FACT** | Autor, URL | - |
 
 ### 3.2 Zusammenspiel mit `types.yaml`
 
@@ -139,6 +139,7 @@ Dies ist die **mächtigste** Methode. Du sagst dem System explizit, **wie** Ding
     * `related_to`: Hat zu tun mit (allgemein).
     * `caused_by`: Wurde verursacht durch.
     * `solves`: Löst (Problem).
+    * **Neu (v2.4):** `based_on`, `uses`, `derived_from` (werden oft automatisch vorgeschlagen).
 
 ### 4.3 Callout-Edges (Kuratierte Listen)
 Für Zusammenfassungen oder "Siehe auch"-Blöcke am Ende einer Notiz.

docs/Overview.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – Overview & Einstieg
 **Datei:** `docs/mindnet_overview_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Interview-Assistent & Web-Editor)
+**Status:** **FINAL** (Inkl. Async Intelligence & Editor)
 **Version:** 2.4.0
 
 ---
@@ -13,6 +13,7 @@
 Anders als herkömmliche Notiz-Apps (wie Obsidian oder Evernote), die Texte nur passiv speichern, ist Mindnet ein **aktives System**:
 * Es **versteht** Zusammenhänge über einen Wissensgraphen.
 * Es **begründet** Antworten ("Warum ist das so?").
+* Es **unterstützt** beim Schreiben: Es schlägt automatisch Verbindungen zu bestehendem Wissen vor ("Active Intelligence").
 * Es **antwortet** situativ angepasst: Mal als Strategieberater, mal als empathischer Spiegel, und neu: **als Interviewer, der hilft, Wissen zu erfassen.**
 
 ### Die Vision
@@ -27,14 +28,14 @@ Mindnet arbeitet auf drei Schichten, die aufeinander aufbauen:
 ### Ebene 1: Content (Das Gedächtnis)
 * **Quelle:** Dein lokaler Obsidian-Vault (Markdown).
 * **Funktion:** Speicherung von Fakten, Projekten und Logs.
-* **Technik:** Import-Pipeline, Chunking, Vektor-Datenbank (Qdrant).
+* **Technik:** Async Import-Pipeline, Chunking, Vektor-Datenbank (Qdrant).
-* **Status:** 🟢 Live (WP01–WP03).
+* **Status:** 🟢 Live (WP01–WP03, WP11).
 
 ### Ebene 2: Semantik (Das Verstehen)
 * **Funktion:** Verknüpfung von isolierten Notizen zu einem Netzwerk.
 * **Logik:** "Projekt A *hängt ab von* Entscheidung B".
-* **Technik:** Hybrider Retriever (Graph + Vektor), Explanation Engine.
+* **Technik:** Hybrider Retriever (Graph + Nomic Embeddings), Explanation Engine.
-* **Status:** 🟢 Live (WP04).
+* **Status:** 🟢 Live (WP04, WP11).
 
 ### Ebene 3: Identität & Interaktion (Die Persönlichkeit)
 * **Funktion:** Interaktion, Bewertung und Co-Creation.
@@ -45,6 +46,7 @@ Mindnet arbeitet auf drei Schichten, die aufeinander aufbauen:
     * **Intent Router:** Erkennt Absichten (Fakt vs. Gefühl vs. Entscheidung vs. Interview).
     * **Strategic Retrieval:** Lädt gezielt Werte oder Erfahrungen nach.
     * **One-Shot Extraction:** Generiert Entwürfe für neue Notizen.
+    * **Active Intelligence:** Schlägt Links während des Schreibens vor.
 * **Status:** 🟢 Live (WP05–WP07, WP10).
 
 ---
@@ -54,18 +56,19 @@ Mindnet arbeitet auf drei Schichten, die aufeinander aufbauen:
 Der Datenfluss in Mindnet ist zyklisch ("Data Flywheel"):
 
 1.  **Input:** Du schreibst Notizen in Obsidian **ODER** lässt sie von Mindnet im Chat entwerfen.
-2.  **Ingest:** Ein Python-Skript importiert, zerlegt (Chunking) und vernetzt (Edges) die Daten in Qdrant.
+2.  **Intelligence (Live):** Während du schreibst, analysiert Mindnet den Text und schlägt Verknüpfungen vor (Sliding Window Analyse).
-3.  **Intent Recognition:** Der Router analysiert deine Frage: Willst du Fakten, Code, Empathie oder etwas dokumentieren?
+3.  **Ingest:** Ein asynchrones Python-Skript importiert, zerlegt (Chunking) und vernetzt (Edges) die Daten in Qdrant.
-4.  **Retrieval / Action:**
+4.  **Intent Recognition:** Der Router analysiert deine Frage: Willst du Fakten, Code, Empathie oder etwas dokumentieren?
+5.  **Retrieval / Action:**
     * Bei Fragen: Das System sucht Inhalte passend zum Intent.
     * Bei Interviews: Das System wählt das passende Schema (z.B. Projekt-Vorlage).
-5.  **Generation:** Ein lokales LLM (Ollama) formuliert die Antwort oder den Markdown-Draft.
+6.  **Generation:** Ein lokales LLM (Ollama) formuliert die Antwort oder den Markdown-Draft.
-6.  **Feedback:** Du bewertest die Antwort. Das System lernt (langfristig) daraus.
+7.  **Feedback:** Du bewertest die Antwort. Das System lernt (langfristig) daraus.
 
 **Tech-Stack:**
-* **Backend:** Python 3.10+, FastAPI.
+* **Backend:** Python 3.10+, FastAPI (Async).
-* **Datenbank:** Qdrant (Vektor & Graph).
+* **Datenbank:** Qdrant (Vektor & Graph, 768 Dim).
-* **KI:** Ollama (Phi-3 Mini) – 100% lokal.
+* **KI:** Ollama (Phi-3 Mini für Chat, Nomic für Embeddings) – 100% lokal.
 * **Frontend:** Streamlit Web-UI (v2.4).
 
 ---
@@ -96,5 +99,5 @@ Wo findest du was?
 
 ## 6. Aktueller Fokus
 
-Wir haben den **Interview-Assistenten (WP07)** und den **Draft-Editor (WP10a)** erfolgreich integriert.
+Wir haben den **Interview-Assistenten (WP07)** und die **Backend Intelligence (WP11)** erfolgreich integriert.
-Das System kann nun aktiv helfen, Wissen zu strukturieren, anstatt es nur abzurufen. Der Fokus verschiebt sich nun in Richtung **Self-Tuning (WP08)**, um aus dem gesammelten Feedback automatisch zu lernen.
+Das System kann nun aktiv helfen, Wissen zu strukturieren und zu vernetzen. Der Fokus verschiebt sich nun in Richtung **Self-Tuning (WP08)**, um aus dem gesammelten Feedback automatisch zu lernen.

docs/admin_guide.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – Admin Guide
 **Datei:** `docs/mindnet_admin_guide_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Frontend Deployment & Interview Config)
+**Status:** **FINAL** (Inkl. Async Architecture & Nomic Model)
 **Quellen:** `Handbuch.md`, `mindnet_developer_guide_v2.4.md`.
 
 > Dieses Handbuch richtet sich an **Administratoren**. Es beschreibt Installation, Konfiguration, Backup-Strategien, Monitoring und den sicheren Betrieb der Mindnet-Instanz (API + UI + DB).
@@ -23,7 +23,7 @@ Wir unterscheiden strikt zwischen:
 * **OS:** Linux (Ubuntu 22.04+ empfohlen) oder macOS.
 * **Runtime:** Python 3.10+, Docker (für Qdrant), Ollama (für LLM).
 * **Hardware:**
-    * CPU: 4+ Cores empfohlen (für Import & Inference).
+    * CPU: 4+ Cores empfohlen (für Async Import & Inference).
     * RAM: Min. 8GB empfohlen (4GB System + 4GB für Phi-3/Qdrant).
     * Disk: SSD empfohlen für Qdrant-Performance.
 
@@ -37,11 +37,11 @@ Wir unterscheiden strikt zwischen:
     python3 -m venv .venv
     source .venv/bin/activate
     
-    # 3. Dependencies installieren (inkl. Streamlit)
+    # 3. Dependencies installieren (inkl. Streamlit, HTTPX)
     pip install -r requirements.txt
     
     # 4. Verzeichnisse anlegen
-    mkdir -p logs qdrant_storage data/logs
+    mkdir -p logs qdrant_storage data/logs vault
 
 ### 2.3 Qdrant Setup (Docker)
 Wir nutzen Qdrant als Vektor-Datenbank. Persistenz ist wichtig.
@@ -53,36 +53,49 @@ Wir nutzen Qdrant als Vektor-Datenbank. Persistenz ist wichtig.
       -v $(pwd)/qdrant_storage:/qdrant/storage \
       qdrant/qdrant
 
-### 2.4 Ollama Setup (LLM Service)
+### 2.4 Ollama Setup (LLM & Embeddings)
-Mindnet benötigt einen lokalen LLM-Server für den Chat.
+Mindnet benötigt einen lokalen LLM-Server für Chat UND Embeddings.
+**WICHTIG (Update v2.3.10):** Es muss zwingend `nomic-embed-text` installiert sein, sonst startet der Import nicht.
 
     # 1. Installieren (Linux Script)
-    curl -fsSL [https://ollama.com/install.sh](https://ollama.com/install.sh) | sh
+    curl -fsSL https://ollama.com/install.sh | sh
     
-    # 2. Modell laden (Phi-3 Mini für CPU-Performance)
+    # 2. Modelle laden
-    ollama pull phi3:mini
+    ollama pull phi3:mini          # Für Chat/Reasoning
+    ollama pull nomic-embed-text   # Für Vektoren (768 Dim)
     
     # 3. Testen
     curl http://localhost:11434/api/generate -d '{"model": "phi3:mini", "prompt":"Hi"}'
 
 ### 2.5 Konfiguration (ENV)
-Erstelle eine `.env` Datei im Root-Verzeichnis. Die neuen Settings für WP-06/WP-07 (Timeout, Decision Config) sind essenziell für stabilen Betrieb auf CPUs.
+Erstelle eine `.env` Datei im Root-Verzeichnis. Achte besonders auf `VECTOR_DIM` und `MINDNET_EMBEDDING_MODEL`.
 
+    # Server Config
+    UVICORN_HOST=0.0.0.0
+    
     # Qdrant Verbindung
     QDRANT_URL="http://localhost:6333"
     
     # Mindnet Core Settings
     COLLECTION_PREFIX="mindnet" 
     MINDNET_TYPES_FILE="./config/types.yaml"
+    MINDNET_VAULT_ROOT="./vault"
     
-    # LLM / RAG Settings
+    # WICHTIG: Dimension auf 768 setzen (für Nomic)
-    MINDNET_LLM_MODEL="phi3:mini"
+    VECTOR_DIM=768
+    
+    # AI Modelle (Ollama)
     MINDNET_OLLAMA_URL="http://127.0.0.1:11434"
+    MINDNET_LLM_MODEL="phi3:mini"
+    MINDNET_EMBEDDING_MODEL="nomic-embed-text" # NEU
     
-    # Config & Timeouts
+    # Timeouts (Erhöht für Async/Nomic)
+    MINDNET_LLM_TIMEOUT=300.0
+    MINDNET_API_TIMEOUT=60.0
+    
+    # Configs
     MINDNET_PROMPTS_PATH="./config/prompts.yaml"
     MINDNET_DECISION_CONFIG="./config/decision_engine.yaml"
-    MINDNET_LLM_TIMEOUT=300.0
 
 ### 2.6 Deployment via Systemd (Backend & Frontend)
 
@@ -98,6 +111,7 @@ Mindnet benötigt zwei Services pro Umgebung: API (Uvicorn) und UI (Streamlit).
     User=llmadmin
     Group=llmadmin
     WorkingDirectory=/home/llmadmin/mindnet
+    # Async Server Start
     ExecStart=/home/llmadmin/mindnet/.venv/bin/uvicorn app.main:app --host 0.0.0.0 --port 8001 --env-file .env
     Restart=always
     RestartSec=5
@@ -141,11 +155,11 @@ Mindnet benötigt zwei Services pro Umgebung: API (Uvicorn) und UI (Streamlit).
 ## 3. Betrieb im Alltag
 
 ### 3.1 Regelmäßige Importe
-Der Vault-Zustand sollte regelmäßig (z.B. stündlich per Cronjob) nach Qdrant synchronisiert werden.
+Der Vault-Zustand sollte regelmäßig (z.B. stündlich per Cronjob) nach Qdrant synchronisiert werden. Das Skript nutzt nun **AsyncIO** und eine Semaphore, um Ollama nicht zu überlasten.
 
 **Cronjob-Beispiel (stündlich):**
 
-    0 * * * * cd /home/llmadmin/mindnet && .venv/bin/python3 -m scripts.import_markdown --vault /path/to/vault --prefix "mindnet" --apply --purge-before-upsert --sync-deletes >> ./logs/import.log 2>&1
+    0 * * * * cd /home/llmadmin/mindnet && .venv/bin/python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply --purge-before-upsert --sync-deletes >> ./logs/import.log 2>&1
 
 ### 3.2 Health-Checks
 Prüfe regelmäßig, ob alle Komponenten laufen.
@@ -157,34 +171,28 @@ Prüfe regelmäßig, ob alle Komponenten laufen.
 ### 3.3 Logs & Monitoring
 * **Backend Fehler:** `journalctl -u mindnet-prod -f`
 * **Frontend Fehler:** `journalctl -u mindnet-ui-prod -f`
-    * Achte auf "Timeout"-Meldungen im Frontend, wenn das Backend zu langsam antwortet.
 * **LLM Fehler:** `journalctl -u ollama -f`
 * **Fachliche Logs:** `data/logs/search_history.jsonl`
 
 ---
 
-## 4. Update-Prozess
+## 4. Troubleshooting (Update v2.4)
 
-Wenn neue Versionen ausgerollt werden (Deployment):
+### "Vector dimension error: expected dim: 768, got 384"
+* **Ursache:** Du versuchst, in eine alte Qdrant-Collection (mit 384 Dim aus v2.2) neue Embeddings (mit 768 Dim von Nomic) zu schreiben.
+* **Lösung:** Full Reset erforderlich.
+    1. `python -m scripts.reset_qdrant --mode wipe --prefix mindnet --yes` (Löscht DB).
+    2. `python -m scripts.import_markdown ...` (Baut neu auf).
 
-1.  **Code aktualisieren:**
+### "500 Internal Server Error" beim Speichern
-    
+* **Ursache:** Oft Timeout bei Ollama, wenn `nomic-embed-text` noch nicht im RAM geladen ist ("Cold Start").
-        cd /home/llmadmin/mindnet
+* **Lösung:**
-        git pull origin main
+    1. Sicherstellen, dass Modell existiert: `ollama list`.
+    2. API neustarten (re-initialisiert Async Clients).
 
-2.  **Dependencies prüfen:**
+### "NameError: name 'os' is not defined"
-    
+* **Ursache:** Fehlender Import in Skripten nach Updates.
-        source .venv/bin/activate
+* **Lösung:** `git pull` (Fix wurde in v2.3.10 deployed).
-        pip install -r requirements.txt
-
-3.  **Dienste neustarten (Zwingend!):**
-    
-        sudo systemctl restart mindnet-prod
-        sudo systemctl restart mindnet-ui-prod
-
-4.  **Schema-Migration (falls nötig):**
-    
-        python3 -m scripts.import_markdown ... --apply
 
 ---
 
@@ -202,16 +210,13 @@ Für schnelle Wiederherstellung des Suchindex.
     tar -czf qdrant_backup_$(date +%F).tar.gz ./qdrant_storage
     docker start mindnet_qdrant
 
-### 5.3 Log-Daten (Priorität 3)
+### 5.3 Notfall-Wiederherstellung (Rebuild)
-Sichere den Ordner `data/logs/`. Verlust dieser Daten bedeutet Verlust des Trainingsmaterials für Self-Tuning.
+Wenn die Datenbank korrupt ist oder Modelle gewechselt werden:
-
-### 5.4 Notfall-Wiederherstellung (Rebuild)
-Wenn die Datenbank korrupt ist:
 
     # 1. DB komplett leeren (Wipe)
     python3 -m scripts.reset_qdrant --mode wipe --prefix "mindnet" --yes
     # 2. Alles neu importieren
-    python3 -m scripts.import_markdown --vault /path/to/vault --prefix "mindnet" --apply
+    python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply --force
 
 ---
 
@@ -221,7 +226,4 @@ Wenn die Datenbank korrupt ist:
 Mindnet hat aktuell **keine integrierte Authentifizierung**.
 * **Frontend:** Streamlit auf Port 8501 ist offen. Nutze Nginx Basic Auth oder VPN.
 * **API:** Sollte nicht direkt im öffentlichen Netz stehen.
-* **Qdrant:** Auf `127.0.0.1` beschränken.
+* **Qdrant:** Auf `127.0.0.1` beschränken.
-
-### 6.2 Typen-Governance
-Änderungen an der `types.yaml` (z.B. neue Gewichte) wirken global und erfordern Tests.

docs/appendix.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – Appendices & Referenzen
 **Datei:** `docs/mindnet_appendices_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP10a)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11)
 **Quellen:** `TYPE_REGISTRY_MANUAL.md`, `chunking_strategy.md`, `mindnet_technical_architecture.md`, `Handbuch.md`.
 
 > Dieses Dokument bündelt Tabellen, Schemata und technische Referenzen, die in den Prozess-Dokumenten (Playbook, Guides) den Lesefluss stören würden.
@@ -43,7 +43,9 @@ Referenz aller implementierten Kantenarten (`kind`).
 | `similar_to` | Inline | Ja | Inhaltliche Ähnlichkeit. "Ist wie X". |
 | `caused_by` | Inline | Nein | Kausalität. "X ist der Grund für Y". |
 | `solves` | Inline | Nein | Lösung. "Tool X löst Problem Y". |
-| `derived_from` | Default (Exp) | Nein | Herkunft. "Erkenntnis stammt aus Quelle X". |
+| `derived_from` | Matrix / Default | Nein | Herkunft. "Erkenntnis stammt aus Prinzip X". |
+| `based_on` | Matrix | Nein | Fundament. "Erfahrung basiert auf Wert Y". |
+| `uses` | Matrix | Nein | Nutzung. "Projekt nutzt Konzept Z". |
 
 ---
 
@@ -104,28 +106,35 @@ Diese Variablen steuern das Verhalten der Skripte und Container.
 | `QDRANT_URL` | `http://localhost:6333` | URL zur Vektor-DB. |
 | `QDRANT_API_KEY` | *(leer)* | API-Key für Absicherung (optional). |
 | `COLLECTION_PREFIX` | `mindnet` | Namensraum für Collections (`{prefix}_notes` etc). |
+| `VECTOR_DIM` | `768` | **NEU:** Dimension für Embeddings (für Nomic). |
 | `MINDNET_TYPES_FILE` | `config/types.yaml` | Pfad zur Typ-Registry. |
 | `MINDNET_RETRIEVER_CONFIG`| `config/retriever.yaml`| Pfad zur Scoring-Konfiguration. |
 | `MINDNET_PROMPTS_PATH` | `config/prompts.yaml` | Pfad zu LLM-Prompts (Neu in v2.2). |
 | `MINDNET_DECISION_CONFIG` | `config/decision_engine.yaml` | Router & Interview Config (Neu in v2.3). |
-| `MINDNET_LLM_MODEL` | `phi3:mini` | Name des Ollama-Modells (Neu in v2.2). |
+| `MINDNET_LLM_MODEL` | `phi3:mini` | Name des Chat-Modells. |
+| `MINDNET_EMBEDDING_MODEL` | `nomic-embed-text` | **NEU:** Name des Vektor-Modells. |
 | `MINDNET_OLLAMA_URL` | `http://127.0.0.1:11434`| URL zum LLM-Server (Neu in v2.2). |
 | `MINDNET_LLM_TIMEOUT` | `300.0` | Timeout für Ollama (Erhöht für CPU-Inference). |
-| `MINDNET_API_TIMEOUT` | `300.0` | Frontend Timeout (Streamlit). |
+| `MINDNET_API_TIMEOUT` | `60.0` | **NEU:** Frontend Timeout (Streamlit). |
+| `MINDNET_VAULT_ROOT` | `./vault` | **NEU:** Pfad für Write-Back Operationen. |
 | `MINDNET_HASH_COMPARE` | `Body` | Vergleichsmodus für Import (`Body`, `Frontmatter`, `Full`). |
 | `MINDNET_HASH_SOURCE` | `parsed` | Quelle für Hash (`parsed`, `raw`, `file`). |
-| `VECTOR_DIM` | `384` | Dimension der Embeddings (Modellabhängig). |
 
 ---
 
 ## Anhang E: Glossar
 
+* **Active Intelligence:** Feature, das während des Schreibens Links vorschlägt.
+* **Async Ingestion:** Non-blocking Import-Prozess zur Vermeidung von Timeouts.
 * **Decision Engine:** Komponente, die den Intent prüft und Strategien wählt (WP06).
 * **Draft Editor:** Web-Komponente zur Bearbeitung generierter Notizen (WP10a).
 * **Explanation Layer:** Komponente, die Scores und Graphen als Begründung liefert.
 * **Hybrid Router:** Kombination aus Keyword-Matching und LLM-Klassifizierung für Intents.
+* **Matrix Logic:** Regelwerk, das Kanten-Typen basierend auf Quell- und Ziel-Typ bestimmt.
+* **Nomic:** Das neue, hochpräzise Embedding-Modell (768 Dim).
 * **One-Shot Extractor:** LLM-Strategie zur sofortigen Generierung von Drafts ohne Rückfragen (WP07).
 * **RAG (Retrieval Augmented Generation):** Kombination aus Suche und Text-Generierung.
+* **Resurrection Pattern:** UI-Technik, um Eingaben bei Tab-Wechseln zu erhalten.
 
 ---
 
@@ -146,4 +155,5 @@ Aktueller Implementierungsstand der Module.
 | **WP07** | Interview Assistent | 🟢 Live | **One-Shot Extractor & Schemas aktiv.** |
 | **WP08** | Self-Tuning | 🔴 Geplant | Auto-Adjustment der Gewichte. |
 | **WP10** | Chat Interface | 🟢 Live | Web-Interface (Streamlit). |
-| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
+| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
+| **WP11** | Backend Intelligence | 🟢 Live | **Async Core, Nomic, Matrix.** |

docs/dev_workflow.md

@@ -1,6 +1,6 @@
 # Mindnet v2.4 – Entwickler-Workflow
 **Datei:** `docs/DEV_WORKFLOW.md`
-**Stand:** 2025-12-10 (Aktualisiert: Inkl. Interview-Tests WP07)
+**Stand:** 2025-12-11 (Aktualisiert: Inkl. Async Intelligence & Nomic)
 
 Dieses Handbuch beschreibt den Entwicklungszyklus zwischen **Windows PC** (IDE), **Raspberry Pi** (Gitea) und **Beelink** (Runtime/Server).
 
@@ -35,14 +35,14 @@ Hier erstellst du die neue Funktion in einer sicheren Umgebung.
 2.  **Branch erstellen:**
     * Klicke wieder unten links auf `main`.
     * Wähle `+ Create new branch...`.
-    * Gib den Namen ein: `feature/was-ich-tue` (z.B. `feature/wp07-interview`).
+    * Gib den Namen ein: `feature/was-ich-tue` (z.B. `feature/wp11-async-fix`).
     * Drücke **Enter**.
 
 3.  **Sicherheits-Check:**
     * Steht unten links jetzt dein Feature-Branch? **Nur dann darfst du Code ändern!**
 
 4.  **Coden:**
-    * Nimm deine Änderungen vor (z.B. neue Schemas in `decision_engine.yaml`).
+    * Nimm deine Änderungen vor (z.B. neue Schemas in `decision_engine.yaml` oder Async-Logik in `ingestion.py`).
 
 5.  **Sichern & Hochladen:**
     * **Source Control** Icon (Gabel-Symbol) -> Nachricht eingeben -> **Commit**.
@@ -64,14 +64,16 @@ Hier prüfst du, ob dein neuer Code auf dem echten Server läuft.
     ```bash
     git fetch
     # Tipp: 'git branch -r' zeigt alle verfügbaren Branches an
-    git checkout feature/wp07-interview
+    git checkout feature/wp11-async-fix
     git pull
     ```
 
-4.  **Umgebung vorbereiten (bei Bedarf):**
+4.  **Umgebung vorbereiten (WICHTIG für v2.4):**
     ```bash
     source .venv/bin/activate
-    pip install -r requirements.txt  # Nur nötig bei neuen Paketen
+    pip install -r requirements.txt  # HTTPX usw.
+    # Sicherstellen, dass das neue Embedding-Modell da ist:
+    ollama pull nomic-embed-text
     ```
 
 5.  **Test-Server aktualisieren (WICHTIG):**
@@ -87,8 +89,6 @@ Hier prüfst du, ob dein neuer Code auf dem echten Server läuft.
     
     # Logs prüfen (um Fehler zu sehen):
     journalctl -u mindnet-dev -f
-    # Oder Frontend Logs:
-    journalctl -u mindnet-ui-dev -f
     ```
 
     **Option B: Manuell Debuggen (Direct Output)**
@@ -100,13 +100,6 @@ Hier prüfst du, ob dein neuer Code auf dem echten Server läuft.
     
     # 2. Manuell starten (z.B. API)
     uvicorn app.main:app --host 0.0.0.0 --port 8002 --env-file .env
-    
-    # ... Testen ...
-    
-    # 3. Wenn fertig: Services wieder anschalten (Optional)
-    # Strg+C drücken
-    sudo systemctl start mindnet-dev
-    sudo systemctl start mindnet-ui-dev
     ```
 
 6.  **Validieren (Smoke Tests):**
@@ -114,16 +107,15 @@ Hier prüfst du, ob dein neuer Code auf dem echten Server läuft.
     * **Browser:** Öffne `http://<IP>:8502` um die UI zu testen (Intent Badge prüfen!).
     * **CLI:** Führe Testskripte in einem **zweiten Terminal** aus:
     
-        **Test A: Decision Engine**
+        **Test A: Intelligence / Aliases (Neu in WP11)**
         ```bash
-        python tests/test_wp06_decision.py -p 8002 -q "Soll ich Qdrant nutzen?"
+        python debug_analysis.py
-        # Erwartung: Intent DECISION
+        # Erwartung: "✅ ALIAS GEFUNDEN"
         ```
 
-        **Test B: Interview Modus (Neu!)**
+        **Test B: API Check**
         ```bash
-        python tests/test_wp06_decision.py -p 8002 -q "Ich will ein neues Projekt starten"
+        curl -X POST "http://localhost:8002/ingest/analyze" -d '{"text": "mindnet", "type": "journal"}'
-        # Erwartung: Intent INTERVIEW, Output ist Markdown Codeblock
         ```
 
 ---
@@ -150,16 +142,18 @@ Jetzt bringen wir die Änderung in das Live-System (Port 8001 / 8501).
     cd /home/llmadmin/mindnet
     git pull origin main
     
-    # Dependencies updaten
+    # Dependencies updaten & Modelle checken
     source .venv/bin/activate
     pip install -r requirements.txt
+    ollama pull nomic-embed-text
+    
+    # Falls sich die Vektor-Dimension geändert hat (v2.4 Upgrade):
+    # python3 -m scripts.reset_qdrant --mode wipe --prefix "mindnet" --yes
+    # python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply --force
     
     # Produktions-Services neustarten
     sudo systemctl restart mindnet-prod
     sudo systemctl restart mindnet-ui-prod
-    
-    # Kurz prüfen, ob er läuft
-    sudo systemctl status mindnet-prod
     ```
 
 ---
@@ -174,7 +168,7 @@ Damit das Chaos nicht wächst, löschen wir den fertigen Branch.
     cd ~/mindnet_dev
     git checkout main
     git pull
-    git branch -d feature/wp07-interview
+    git branch -d feature/wp11-async-fix
     ```
 3.  **VS Code:**
     * Auf `main` wechseln.
@@ -187,27 +181,25 @@ Damit das Chaos nicht wächst, löschen wir den fertigen Branch.
 
 | Wo? | Befehl | Was tut es? |
 | :--- | :--- | :--- |
-| **VS Code** | `Sync (auf main)` | **WICHTIG:** Holt neuesten Code vom Server. |
-| **Beelink** | `git fetch` | Aktualisiert Liste der Remote-Branches. |
 | **Beelink** | `sudo systemctl restart mindnet-dev` | **Neustart Dev-Backend (Port 8002).** |
-| **Beelink** | `sudo systemctl restart mindnet-ui-dev` | **Neustart Dev-Frontend (Port 8502).** |
 | **Beelink** | `journalctl -u mindnet-dev -f` | **Live-Logs Backend.** |
-| **Beelink** | `journalctl -u mindnet-ui-dev -f` | **Live-Logs Frontend.** |
+| **Beelink** | `python debug_analysis.py` | **Prüft Aliases & Scores.** |
+| **Beelink** | `python -m scripts.reset_qdrant ...` | **Löscht & Repariert DB.** |
 
 ---
 
 ## 4. Troubleshooting
 
+**"Vector dimension error: expected 768, got 384"**
+* **Ursache:** Du hast `nomic-embed-text` (768) aktiviert, aber die DB ist noch alt (384).
+* **Lösung:** `scripts.reset_qdrant` ausführen und neu importieren.
+
 **"Read timed out (300s)" / 500 Error beim Interview**
 * **Ursache:** Das LLM (Ollama) braucht für den One-Shot Draft länger als das Timeout erlaubt.
 * **Lösung:**
     1.  Erhöhe in `.env` den Wert: `MINDNET_LLM_TIMEOUT=300.0`.
     2.  Starte die Server neu.
 
-**"Port 8002 / 8502 already in use"**
-* **Ursache:** Du willst `uvicorn` oder `streamlit` manuell starten, aber der Service läuft noch.
-* **Lösung:** `sudo systemctl stop mindnet-dev` bzw. `mindnet-ui-dev`.
-
 **"UnicodeDecodeError in .env"**
 * **Ursache:** Umlaute oder Sonderzeichen in der `.env` Datei.
 * **Lösung:** `.env` bereinigen (nur ASCII nutzen) und sicherstellen, dass sie UTF-8 ohne BOM ist.

docs/developer_guide.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – Developer Guide
 **Datei:** `docs/mindnet_developer_guide_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. RAG, Interview Mode & Frontend WP10)
+**Status:** **FINAL** (Inkl. Async Core, Nomic & Frontend State)
 **Quellen:** `mindnet_technical_architecture.md`, `Handbuch.md`, `DEV_WORKFLOW.md`.
 
 > **Zielgruppe:** Entwickler:innen.
@@ -20,6 +20,7 @@
     - [3.2 Der Hybrid Router (`app.routers.chat`)](#32-der-hybrid-router-approuterschat)
     - [3.3 Der Retriever (`app.core.retriever`)](#33-der-retriever-appcoreretriever)
     - [3.4 Das Frontend (`app.frontend.ui`)](#34-das-frontend-appfrontendui)
+    - [3.5 Embedding Service (`app.services.embeddings_client`)](#35-embedding-service-appservicesembeddings_client)
   - [4. Tests \& Debugging](#4-tests--debugging)
     - [4.1 Unit Tests (Pytest)](#41-unit-tests-pytest)
     - [4.2 Integration / Pipeline Tests](#42-integration--pipeline-tests)
@@ -40,6 +41,7 @@ Der Code ist modular in `app` (Logik), `scripts` (CLI) und `config` (Steuerung)
     mindnet/
     ├── app/
     │   ├── core/           # Kernlogik
+    │   │   ├── ingestion.py        # NEU: Async Ingestion Service (WP11)
     │   │   ├── chunker.py          # Text-Zerlegung
     │   │   ├── derive_edges.py     # Edge-Erzeugung (WP03 Logik)
     │   │   ├── retriever.py        # Scoring & Hybrid Search
@@ -49,13 +51,15 @@ Der Code ist modular in `app` (Logik), `scripts` (CLI) und `config` (Steuerung)
     │   │   └── dto.py      # Zentrale DTO-Definition
     │   ├── routers/        # FastAPI Endpoints
     │   │   ├── query.py    # Suche
+    │   │   ├── ingest.py   # NEU: Save/Analyze (WP11)
     │   │   ├── chat.py     # Hybrid Router & Interview Logic (WP06/WP07)
     │   │   ├── feedback.py # Feedback (WP04c)
     │   │   └── ...
     │   ├── services/       # Interne & Externe Dienste
     │   │   ├── llm_service.py      # Ollama Client (Mit Timeout & Raw-Mode)
+    │   │   ├── embeddings_client.py# NEU: Async Embeddings (HTTPX)
     │   │   ├── feedback_service.py # Logging (JSONL Writer)
-    │   │   └── embeddings_client.py
+    │   │   └── discovery.py        # NEU: Intelligence Logic (WP11)
     │   ├── frontend/       # NEU (WP10)
     │   │   └── ui.py       # Streamlit Application inkl. Draft-Editor
     │   └── main.py         # Entrypoint der API
@@ -77,7 +81,7 @@ Der Code ist modular in `app` (Logik), `scripts` (CLI) und `config` (Steuerung)
 ### 2.1 Voraussetzungen
 * **Python:** 3.10 oder höher.
 * **Docker:** Für Qdrant.
-* **Ollama:** Für lokale LLM-Inference (erforderlich für `/chat`).
+* **Ollama:** Für lokale LLM-Inference (erforderlich für `/chat` und Embeddings).
 * **Vault:** Ein Ordner mit Markdown-Dateien (z.B. `./mindnet_v2_test_vault` für Tests).
 
 ### 2.2 Installation
@@ -93,9 +97,11 @@ Der Code ist modular in `app` (Logik), `scripts` (CLI) und `config` (Steuerung)
     # 3. Abhängigkeiten installieren (inkl. Streamlit)
     pip install -r requirements.txt
     
-    # 4. Ollama Setup (Modell laden)
+    # 4. Ollama Setup (Modelle laden)
-    # Wir nutzen Phi-3 Mini für schnelle CPU-Inference
+    # Chat-Modell (Phi-3)
     ollama pull phi3:mini
+    # Embedding-Modell (Nomic) - PFLICHT für v2.4!
+    ollama pull nomic-embed-text
 
 ### 2.3 Konfiguration (Environment)
 Erstelle eine `.env` Datei im Root-Verzeichnis.
@@ -106,18 +112,21 @@ Erstelle eine `.env` Datei im Root-Verzeichnis.
     
     # Mindnet Core Settings
     COLLECTION_PREFIX="mindnet_dev"
+    VECTOR_DIM=768  # NEU: 768 für Nomic (vorher 384)
     MINDNET_TYPES_FILE="./config/types.yaml"
     MINDNET_RETRIEVER_CONFIG="./config/retriever.yaml"
+    MINDNET_VAULT_ROOT="./vault"
     
     # LLM / RAG Settings (WP06/07)
     MINDNET_LLM_MODEL="phi3:mini"
+    MINDNET_EMBEDDING_MODEL="nomic-embed-text" # NEU
     MINDNET_OLLAMA_URL="http://127.0.0.1:11434"
     MINDNET_LLM_TIMEOUT=300.0
-    MINDNET_PROMPTS_PATH="./config/prompts.yaml"
     MINDNET_DECISION_CONFIG="./config/decision_engine.yaml"
     
     # Frontend Settings (WP10)
     MINDNET_API_URL="http://localhost:8002"
+    MINDNET_API_TIMEOUT=60.0
     
     # Import-Strategie
     MINDNET_HASH_COMPARE="Body" 
@@ -144,7 +153,8 @@ Wir entwickeln mit zwei Services. Du kannst sie manuell in zwei Terminals starte
 
 ### 3.1 Der Importer (`scripts.import_markdown`)
 Dies ist das komplexeste Modul.
-* **Einstieg:** `scripts/import_markdown.py` -> `main()`.
+* **Einstieg:** `scripts/import_markdown.py` -> `main_async()`.
+* **Async & Semaphore:** Das Skript nutzt nun `asyncio` und eine Semaphore (Limit: 5), um parallele Embeddings zu erzeugen, ohne Ollama zu überlasten.
 * **Idempotenz:** Der Importer muss mehrfach laufen können, ohne Duplikate zu erzeugen. Wir nutzen deterministische IDs (UUIDv5).
 * **Debugging:** Nutze `--dry-run` oder `scripts/payload_dryrun.py`.
 
@@ -161,9 +171,15 @@ Hier passiert das Scoring.
 
 ### 3.4 Das Frontend (`app.frontend.ui`)
 Eine Streamlit-App (WP10).
+* **Resurrection Pattern:** Das UI nutzt ein spezielles State-Management, um Eingaben bei Tab-Wechseln (Chat <-> Editor) zu erhalten. Widgets synchronisieren sich mit `st.session_state`.
 * **Draft Editor:** Enthält einen YAML-Sanitizer (`normalize_meta_and_body`), der sicherstellt, dass LLM-Halluzinationen im Frontmatter nicht das File zerstören.
-* **State:** Nutzt `st.session_state` für Chat-History und Drafts.
+* **Logik:** Ruft `/chat` und `/feedback` und `/ingest/analyze` Endpoints der API auf.
-* **Logik:** Ruft `/chat` und `/feedback` Endpoints der API auf.
+
+### 3.5 Embedding Service (`app.services.embeddings_client`)
+**Neu in v2.4:**
+* Nutzt `httpx.AsyncClient` für non-blocking Calls an Ollama.
+* Unterstützt dediziertes Embedding-Modell (`nomic-embed-text`) getrennt vom Chat-Modell.
+* Enthält Legacy-Funktion `embed_text` für synchrone Skripte.
 
 ---
 
@@ -201,6 +217,9 @@ Prüfen das laufende System gegen eine echte Qdrant-Instanz und Ollama.
     # 3. Feedback Test
     python tests/test_feedback_smoke.py --url http://localhost:8002/query
 
+    # 4. Intelligence Test (WP11)
+    python debug_analysis.py
+
 ---
 
 ## 5. Das "Teach-the-AI" Paradigma (Context Intelligence)
@@ -263,6 +282,7 @@ Der `One-Shot Extractor` (Prompt Template) liest diese Liste dynamisch und weist
 
 **DB komplett zurücksetzen (Vorsicht!):**
 
+    # --yes überspringt die Bestätigung
     python3 -m scripts.reset_qdrant --mode wipe --prefix "mindnet_dev" --yes
 
 **Einen einzelnen File inspizieren (Parser-Sicht):**

docs/mindnet_functional_architecture.md

@@ -1,9 +1,9 @@
 # Mindnet v2.4 – Fachliche Architektur
 **Datei:** `docs/mindnet_functional_architecture_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP10 + WP07)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11: Async Intelligence)
 
-> Dieses Dokument beschreibt **was** Mindnet fachlich tut und **warum** – mit Fokus auf die Erzeugung und Nutzung von **Edges** (Kanten), die Logik des Retrievers und den **RAG-Chat** (Decision Engine, Interview-Modus & Persönlichkeit). Die technische Umsetzung wird im technischen Dokument detailliert.
+> Dieses Dokument beschreibt **was** Mindnet fachlich tut und **warum** – mit Fokus auf die Erzeugung und Nutzung von **Edges** (Kanten), die Logik des Retrievers und den **RAG-Chat** (Decision Engine, Interview-Modus & Persönlichkeit).
 
 ---
 <details>
@@ -19,6 +19,7 @@
     - [2.1 Struktur-Kanten (Das Skelett)](#21-struktur-kanten-das-skelett)
     - [2.2 Inhalts-Kanten (explizit)](#22-inhalts-kanten-explizit)
     - [2.3 Typ-basierte Default-Kanten (Regelbasiert)](#23-typ-basierte-default-kanten-regelbasiert)
+    - [2.4 Matrix-Logik (Kontextsensitive Kanten) – Neu in v2.4](#24-matrix-logik-kontextsensitive-kanten--neu-in-v24)
   - [3) Edge-Payload – Felder \& Semantik](#3-edge-payload--felder--semantik)
   - [4) Typ-Registry (`config/types.yaml`)](#4-typ-registry-configtypesyaml)
     - [4.1 Zweck](#41-zweck)
@@ -26,12 +27,13 @@
   - [5) Der Retriever (Funktionaler Layer)](#5-der-retriever-funktionaler-layer)
     - [5.1 Scoring-Modell](#51-scoring-modell)
     - [5.2 Erklärbarkeit (Explainability) – WP04b](#52-erklärbarkeit-explainability--wp04b)
-  - [6) Context Intelligence \& Intent Router (WP06/WP07)](#6-context-intelligence--intent-router-wp06wp07)
+  - [6) Context Intelligence \& Intent Router (WP06–WP11)](#6-context-intelligence--intent-router-wp06wp11)
     - [6.1 Das Problem: Statische vs. Dynamische Antworten](#61-das-problem-statische-vs-dynamische-antworten)
     - [6.2 Der Intent-Router (Keyword \& Semantik)](#62-der-intent-router-keyword--semantik)
     - [6.3 Strategic Retrieval (Injektion von Werten)](#63-strategic-retrieval-injektion-von-werten)
     - [6.4 Reasoning (Das Gewissen)](#64-reasoning-das-gewissen)
-    - [6.5 Der Interview-Modus (One-Shot Extraction) – Neu in v2.4](#65-der-interview-modus-one-shot-extraction--neu-in-v24)
+    - [6.5 Der Interview-Modus (One-Shot Extraction)](#65-der-interview-modus-one-shot-extraction)
+    - [6.6 Active Intelligence (Link Suggestions) – Neu in v2.4](#66-active-intelligence-link-suggestions--neu-in-v24)
   - [7) Future Concepts: The Empathic Digital Twin (Ausblick)](#7-future-concepts-the-empathic-digital-twin-ausblick)
     - [7.1 Antizipation durch Erfahrung](#71-antizipation-durch-erfahrung)
     - [7.2 Empathie \& "Ich"-Modus](#72-empathie--ich-modus)
@@ -45,7 +47,7 @@
   - [11) Semantik ausgewählter `kind`-Werte](#11-semantik-ausgewählter-kind-werte)
   - [12) Frontmatter-Eigenschaften – Rolle \& Empfehlung](#12-frontmatter-eigenschaften--rolle--empfehlung)
   - [13) Lösch-/Update-Garantien (Idempotenz)](#13-lösch-update-garantien-idempotenz)
-  - [14) Beispiel – Von Markdown zu Kanten (v2.2)](#14-beispiel--von-markdown-zu-kanten-v22)
+  - [14) Beispiel – Von Markdown zu Kanten](#14-beispiel--von-markdown-zu-kanten)
   - [15) Referenzen (Projektdateien \& Leitlinien)](#15-referenzen-projektdateien--leitlinien)
   - [16) Workpackage Status (v2.4.0)](#16-workpackage-status-v240)
 
@@ -61,7 +63,7 @@ Die drei zentralen Artefakt-Sammlungen lauten:
 - `mindnet_chunks` – semantische Teilstücke einer Note (Fenster/„Chunks“)
 - `mindnet_edges` – gerichtete Beziehungen zwischen Knoten (Chunks/Notes)
 
-Die Import-Pipeline erzeugt diese Artefakte **deterministisch** und **idempotent** (erneute Läufe überschreiben konsistent statt zu duplizieren). Die Import-Schritte sind: *parse → chunk → edge → upsert*.
+Die Import-Pipeline (seit v2.3.10 asynchron) erzeugt diese Artefakte **deterministisch** und **idempotent** (erneute Läufe überschreiben konsistent statt zu duplizieren). Die Import-Schritte sind: *parse → chunk → embed → edge → upsert*.
 
 ---
 
@@ -77,6 +79,7 @@ Die Import-Pipeline erzeugt diese Artefakte **deterministisch** und **idempotent
 - Ausschnitt/Textfenster aus der Note, als eigenständiger Such-Anker.
 - Jeder Chunk gehört **genau einer** Note.
 - Chunks bilden eine Sequenz (1…N) – das ermöglicht *next/prev*.
+- **Update v2.4:** Chunks werden jetzt durch das Modell `nomic-embed-text` in **768-dimensionale Vektoren** umgewandelt. Dies erlaubt eine deutlich höhere semantische Auflösung als frühere Modelle (384 Dim).
 - **Neu in v2.2:** Alle Kanten entstehen ausschließlich zwischen Chunks (Scope="chunk"), nie zwischen Notes direkt. Notes dienen nur noch als Metadatencontainer.
 
 > **Wichtig:** Chunking-Profile (short/medium/long) kommen aus `types.yaml` (per Note-Typ), können aber lokal überschrieben werden. Die effektiven Werte werden bei der Payload-Erzeugung bestimmt.
@@ -128,13 +131,23 @@ Regel: **Für jede gefundene explizite Referenz** (s. o.) werden **zusätzliche*
 Beispiel: Ein *project* mit `edge_defaults=["depends_on"]` erzeugt zu *jedem* explizit referenzierten Ziel **zusätzlich** eine `depends_on`-Kante.
 Diese Kanten tragen *provenance=rule* und eine **rule_id** der Form `edge_defaults:{note_type}:{relation}` sowie eine geringere Confidence (~0.7).
 
+### 2.4 Matrix-Logik (Kontextsensitive Kanten) – Neu in v2.4
+Mit WP-11 wurde eine Intelligenz eingeführt, die Kanten-Typen nicht nur anhand des Quell-Typs, sondern auch anhand des Ziel-Typs bestimmt ("Matrix").
+
+**Beispiel für `Source Type: experience`:**
+* Wenn Ziel ist `value` -> Kante: `based_on`
+* Wenn Ziel ist `principle` -> Kante: `derived_from`
+* Wenn Ziel ist `project` -> Kante: `related_to`
+
+Dies ermöglicht im Graphen präzise Abfragen wie "Zeige alle Erfahrungen, die auf Wert X basieren" (via `based_on`), was mit generischen `related_to` Kanten nicht möglich wäre.
+
 ---
 
 ## 3) Edge-Payload – Felder & Semantik
 
 Jede Kante hat mindestens:
 
-- `kind` – Beziehungsart *(belongs_to, next, prev, references, related_to, depends_on, similar_to, …)*
+- `kind` – Beziehungsart *(belongs_to, next, prev, references, related_to, depends_on, similar_to, based_on, uses, …)*
 - `scope` – `"chunk"` (Standard in v2.2)
 - `source_id`, `target_id` – Quell-/Ziel-Knoten (Chunk-IDs oder Note-Titel bei unresolved Targets)
 - `note_id` – **Owner-Note** (die Note, aus der die Kante stammt)
@@ -209,9 +222,9 @@ Die API gibt diese Analysen als menschenlesbare Sätze (`reasons`) und als Daten
 
 ---
 
-## 6) Context Intelligence & Intent Router (WP06/WP07)
+## 6) Context Intelligence & Intent Router (WP06–WP11)
 
-Seit WP06/WP07 agiert Mindnet nicht mehr statisch, sondern passt seine Suchstrategie dem **Intent** (der Absicht) des Nutzers an. Dies ist die Transformation vom reinen Wissens-Abrufer zum strategischen Partner.
+Seit WP06 agiert Mindnet nicht mehr statisch, sondern passt seine Suchstrategie dem **Intent** (der Absicht) des Nutzers an. Dies ist die Transformation vom reinen Wissens-Abrufer zum strategischen Partner.
 
 ### 6.1 Das Problem: Statische vs. Dynamische Antworten
 * **Früher (Pre-WP06):** Jede Frage ("Was ist X?" oder "Soll ich X?") wurde gleich behandelt -> Fakten-Retrieval.
@@ -223,7 +236,7 @@ Der Router prüft vor jeder Antwort die Absicht über konfigurierbare Strategien
 1.  **FACT:** Reine Wissensfrage ("Was ist Qdrant?"). → Standard RAG.
 2.  **DECISION:** Frage nach Rat oder Strategie ("Soll ich Qdrant nutzen?"). → Aktiviert die Decision Engine.
 3.  **EMPATHY:** Emotionale Zustände ("Ich bin gestresst"). → Aktiviert den empathischen Modus.
-4.  **INTERVIEW (Neu in WP07):** Wunsch, Wissen zu erfassen ("Neues Projekt anlegen"). → Aktiviert den Draft-Generator.
+4.  **INTERVIEW (WP07):** Wunsch, Wissen zu erfassen ("Neues Projekt anlegen"). → Aktiviert den Draft-Generator.
 5.  **CODING:** Technische Anfragen.
 
 ### 6.3 Strategic Retrieval (Injektion von Werten)
@@ -236,7 +249,7 @@ Im Modus `DECISION` führt das System eine **zweite Suchstufe** aus. Es sucht ni
 Das LLM erhält im Prompt die explizite Anweisung: *"Wäge die Fakten (aus der Suche) gegen die injizierten Werte ab."*
 Dadurch entstehen Antworten, die nicht nur technisch korrekt sind, sondern subjektiv passend ("Tool X passt nicht zu deinem Ziel Z").
 
-### 6.5 Der Interview-Modus (One-Shot Extraction) – Neu in v2.4
+### 6.5 Der Interview-Modus (One-Shot Extraction)
 Wenn der User Wissen erfassen will ("Ich möchte ein neues Projekt anlegen"), wechselt Mindnet in den **Interview-Modus**.
 
 * **Late Binding Schema:** Das System lädt ein konfiguriertes Schema für den Ziel-Typ (z.B. `project`: Pflichtfelder sind Titel, Ziel, Status).
@@ -244,6 +257,14 @@ Wenn der User Wissen erfassen will ("Ich möchte ein neues Projekt anlegen"), we
 * **Draft-Status:** Fehlende Pflichtfelder werden mit `[TODO]` markiert.
 * **UI-Integration:** Das Frontend rendert statt einer Chat-Antwort einen **interaktiven Editor** (WP10), in dem der Entwurf finalisiert werden kann.
 
+### 6.6 Active Intelligence (Link Suggestions) – Neu in v2.4
+Im **Draft Editor** (Frontend) unterstützt das System den Autor aktiv.
+* **Analyse:** Ein "Sliding Window" scannt den Text im Hintergrund (auch lange Entwürfe).
+* **Erkennung:** Es findet Begriffe ("Mindnet") und semantische Konzepte ("Autofahrt in Italien").
+* **Matching:** Es prüft gegen den Index (Aliases und Vektoren).
+* **Vorschlag:** Es bietet fertige Markdown-Links an (z.B. `[[rel:related_to ...]]`), die per Klick eingefügt werden.
+* **Logik:** Dabei kommt die in 2.4 beschriebene **Matrix-Logik** zum Einsatz, um den korrekten Kanten-Typ vorzuschlagen.
+
 ---
 
 ## 7) Future Concepts: The Empathic Digital Twin (Ausblick)
@@ -353,6 +374,10 @@ Eine typische Gewichtung (konfigurierbar in `retriever.yaml`) ist:
 - `related_to` – Ähnlichkeit/Verwandtschaft (symmetrisch interpretierbar).
 - `similar_to` – noch engere Ähnlichkeit; oft aus Inline-Rel (bewusst gesetzt).
 - `depends_on` – fachliche Abhängigkeit (z. B. „Projekt X hängt von Y ab“).
+- **Neu in v2.4 (Matrix):**
+    - `based_on` – Erfahrung basiert auf Wert.
+    - `derived_from` – Erkenntnis stammt aus Prinzip.
+    - `uses` – Projekt nutzt Konzept.
 - `belongs_to`, `next`, `prev` – Struktur.
 
 > Symmetrische Relationen (z. B. `related_to`, `similar_to`) können **explizit** nur einseitig notiert sein, aber im Retriever beidseitig interpretiert werden.
@@ -377,7 +402,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
 
 ---
 
-## 14) Beispiel – Von Markdown zu Kanten (v2.2)
+## 14) Beispiel – Von Markdown zu Kanten
 
 **Markdown (Auszug)**
     # Relations Showcase
@@ -406,6 +431,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
 - Decision Engine: `config/decision_engine.yaml`.
 - Logging Service: `app/services/feedback_service.py`.
 - Frontend UI: `app/frontend/ui.py`.
+- Intelligence Logic: `app/services/discovery.py`.
 
 ---
 
@@ -425,5 +451,6 @@ Aktueller Implementierungsstand der Module.
 | **WP06** | Decision Engine | 🟢 Live | Intent-Router & Strategic Retrieval. |
 | **WP07** | Interview Assistent | 🟢 Live | **One-Shot Extractor & Schemas aktiv.** |
 | **WP08** | Self-Tuning | 🔴 Geplant | Auto-Adjustment der Gewichte. |
-| **WP10** | Chat Interface | 🟢 Live | Web-UI mit Feedback & Intents. |
+| **WP10** | Chat Interface | 🟢 Live | Web-Interface (Streamlit). |
-| **WP10a**| Draft Editor | 🟢 Live | **Interaktiver Editor für WP07 Drafts.** |
+| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
+| **WP11** | Backend Intelligence | 🟢 Live | **Async Ingestion, Nomic Embeddings, Matrix Logic.** |

docs/mindnet_technical_architecture.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – Technische Architektur
 **Datei:** `docs/mindnet_technical_architecture_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP10 + WP07)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11: Async Intelligence)
 **Quellen:** `Programmplan_V2.2.md`, `Handbuch.md`, `chunking_strategy.md`, `wp04_retriever_scoring.md`.
 
 > **Ziel dieses Dokuments:**
@@ -27,7 +27,7 @@
     - [3.4 Prompts (`config/prompts.yaml`)](#34-prompts-configpromptsyaml)
     - [3.5 Environment (`.env`)](#35-environment-env)
   - [4. Import-Pipeline (Markdown → Qdrant)](#4-import-pipeline-markdown--qdrant)
-    - [4.1 Verarbeitungsschritte](#41-verarbeitungsschritte)
+    - [4.1 Verarbeitungsschritte (Async)](#41-verarbeitungsschritte-async)
   - [5. Retriever-Architektur \& Scoring](#5-retriever-architektur--scoring)
     - [5.1 Betriebsmodi](#51-betriebsmodi)
     - [5.2 Scoring-Formel (WP04a)](#52-scoring-formel-wp04a)
@@ -43,7 +43,8 @@
     - [7.1 Kommunikation](#71-kommunikation)
     - [7.2 Features \& UI-Logik](#72-features--ui-logik)
     - [7.3 Draft-Editor \& Sanitizer (Neu in WP10a)](#73-draft-editor--sanitizer-neu-in-wp10a)
-    - [7.4 Deployment Ports](#74-deployment-ports)
+    - [7.4 State Management (Resurrection Pattern)](#74-state-management-resurrection-pattern)
+    - [7.5 Deployment Ports](#75-deployment-ports)
   - [8. Feedback \& Logging Architektur (WP04c)](#8-feedback--logging-architektur-wp04c)
     - [8.1 Komponenten](#81-komponenten)
     - [8.2 Log-Dateien](#82-log-dateien)
@@ -65,8 +66,9 @@ Mindnet ist ein **lokales RAG-System (Retrieval Augmented Generation)** mit Web-
     * **Qdrant:** Vektor-Datenbank für Graph und Semantik (Collections: notes, chunks, edges).
     * **Local Files (JSONL):** Append-Only Logs für Feedback und Search-History (Data Flywheel).
 4.  **Backend:** Eine FastAPI-Anwendung stellt Endpunkte für **Semantische** und **Hybride Suche** sowie **Feedback** bereit.
-5.  **Frontend:** Streamlit-App (`ui.py`) für Interaktion und Visualisierung inkl. **Draft Editor**.
+    * **Update v2.3.10:** Der Core arbeitet nun vollständig **asynchron (AsyncIO)**, um Blockaden bei Embedding-Requests zu vermeiden.
-6.  **Inference:** Lokales LLM (Ollama: Phi-3 Mini) für RAG-Chat und Antwortgenerierung.
+5.  **Frontend:** Streamlit-App (`ui.py`) für Interaktion und Visualisierung inkl. **Draft Editor** und **Intelligence-Features**.
+6.  **Inference:** Lokales LLM (Ollama: Phi-3 Mini) für RAG-Chat und Antwortgenerierung. Embedding via `nomic-embed-text`.
 
 Das System arbeitet **deterministisch** (stabile IDs) und ist **konfigurationsgetrieben** (`types.yaml`, `retriever.yaml`, `decision_engine.yaml`, `prompts.yaml`).
 
@@ -76,6 +78,7 @@ Das System arbeitet **deterministisch** (stabile IDs) und ist **konfigurationsge
     ├── app/
     │   ├── main.py                 # FastAPI Einstiegspunkt
     │   ├── core/
+    │   │   ├── ingestion.py        # NEU: Async Ingestion Service (WP11)
     │   │   ├── qdrant.py           # Client-Factory & Connection
     │   │   ├── qdrant_points.py    # Low-Level Point Operations (Upsert/Delete)
     │   │   ├── note_payload.py     # Bau der Note-Objekte
@@ -88,13 +91,14 @@ Das System arbeitet **deterministisch** (stabile IDs) und ist **konfigurationsge
     │   ├── models/                 # Pydantic DTOs
     │   ├── routers/
     │   │   ├── query.py            # Such-Endpunkt
+    │   │   ├── ingest.py           # NEU: API für Save & Analyze (WP11)
     │   │   ├── chat.py             # Hybrid Router & Interview Logic (WP06/07)
     │   │   ├── feedback.py         # Feedback-Endpunkt (WP04c)
     │   │   └── ...
     │   ├── services/
-    │   │   ├── llm_service.py      # Ollama Client mit Timeout & Raw-Mode
+    │   │   ├── llm_service.py      # Ollama Chat Client
-    │   │   ├── feedback_service.py # JSONL Logging (WP04c)
+    │   │   ├── embeddings_client.py# NEU: Async Embedding Client (HTTPX)
-    │   │   └── embeddings_client.py
+    │   │   └── feedback_service.py # JSONL Logging (WP04c)
     │   ├── frontend/               # NEU (WP10)
     │       └── ui.py               # Streamlit Application inkl. Sanitizer
     ├── config/
@@ -105,7 +109,7 @@ Das System arbeitet **deterministisch** (stabile IDs) und ist **konfigurationsge
     ├── data/
     │   └── logs/                   # Lokale JSONL-Logs (WP04c)
     ├── scripts/
-    │   ├── import_markdown.py      # Haupt-Importer CLI
+    │   ├── import_markdown.py      # Haupt-Importer CLI (Async)
     │   ├── payload_dryrun.py       # Diagnose: JSON-Generierung ohne DB
     │   └── edges_full_check.py     # Diagnose: Graph-Integrität
     └── tests/                      # Pytest Suite
@@ -136,6 +140,7 @@ Repräsentiert die Metadaten einer Datei.
 ### 2.2 Chunks Collection (`<prefix>_chunks`)
 Die atomaren Sucheinheiten.
 * **Zweck:** Vektorsuche (Embeddings), Granulares Ergebnis.
+* **Update v2.3.10:** Vektor-Dimension ist jetzt **768** (für `nomic-embed-text`).
 * **Schema (Payload):**
 
     | Feld | Datentyp | Beschreibung |
@@ -204,37 +209,40 @@ Steuert die LLM-Persönlichkeit und Templates.
 * Enthält Templates für alle Strategien inkl. `interview_template` mit One-Shot Logik.
 
 ### 3.5 Environment (`.env`)
-Erweiterung für LLM-Steuerung:
+Erweiterung für LLM-Steuerung und Embedding-Modell:
 
     MINDNET_LLM_MODEL=phi3:mini
+    MINDNET_EMBEDDING_MODEL=nomic-embed-text  # NEU in v2.3.10
     MINDNET_OLLAMA_URL=http://127.0.0.1:11434
     MINDNET_LLM_TIMEOUT=300.0   # Neu: Erhöht für CPU-Inference Cold-Starts
+    MINDNET_API_TIMEOUT=60.0    # Neu: Timeout für Frontend-API Calls
     MINDNET_DECISION_CONFIG="config/decision_engine.yaml"
+    MINDNET_VAULT_ROOT="./vault" # Neu: Pfad für Write-Back
 
 ---
 
 ## 4. Import-Pipeline (Markdown → Qdrant)
 
 Das Skript `scripts/import_markdown.py` orchestriert den Prozess.
+**Neu in v2.3.10:** Der Import nutzt `asyncio` und eine **Semaphore**, um Ollama nicht zu überlasten.
 
-### 4.1 Verarbeitungsschritte
+### 4.1 Verarbeitungsschritte (Async)
 
 1.  **Discovery & Parsing:**
     * Einlesen der `.md` Dateien. Hash-Vergleich (Body/Frontmatter) zur Erkennung von Änderungen.
 2.  **Typauflösung:**
-    * Laden der `types.yaml`. Bestimmen des effektiven Typs und der `edge_defaults`.
+    * Bestimmung des `type` via `types.yaml`.
 3.  **Chunking:**
-    * Zerlegung via `chunker.py` basierend auf `chunk_profile` (z.B. `by_heading`, `short`, `long`).
+    * Zerlegung via `chunker.py` basierend auf `chunk_profile`.
-    * Trennung von `text` (Kern) und `window` (Embedding-Kontext).
+4.  **Embedding (Async):**
-4.  **Kantenableitung (Edge Derivation):**
+    * Der `EmbeddingsClient` (`app/services/embeddings_client.py`) sendet Text-Chunks asynchron an Ollama.
-    Die `derive_edges.py` erzeugt Kanten in strikter Reihenfolge:
+    * Modell: `nomic-embed-text` (768d).
-    1.  **Inline-Edges:** `[[rel:depends_on X]]` → `kind=depends_on`, `rule_id=inline:rel`, `conf=0.95`.
+    * Semaphore: Max. 5 gleichzeitige Files, um OOM (Out-of-Memory) zu verhindern.
-    2.  **Callout-Edges:** `> [!edge] related_to: [[X]]` → `kind=related_to`, `rule_id=callout:edge`, `conf=0.90`.
+5.  **Kantenableitung (Edge Derivation):**
-    3.  **Explizite Referenzen:** `[[X]]` → `kind=references`, `rule_id=explicit:wikilink`, `conf=1.0`.
+    * `derive_edges.py` erzeugt Inline-, Callout- und Default-Edges.
-    4.  **Typ-Defaults:** Für jede Referenz werden Zusatzkanten gemäß `edge_defaults` erzeugt (z.B. `project` -> `depends_on`). `rule_id=edge_defaults:...`, `conf=0.7`.
+6.  **Upsert:**
-    5.  **Struktur:** `belongs_to`, `next`, `prev` (automatisch).
+    * Schreiben in Qdrant. Nutzung von `--purge-before-upsert`.
-5.  **Upsert:**
+    * **Strict Mode:** Der Prozess bricht ab, wenn Embeddings leer sind oder Dimension `0` haben.
-    * Schreiben in Qdrant. Nutzung von `--purge-before-upsert` für saubere Updates.
 
 ---
 
@@ -243,7 +251,7 @@ Das Skript `scripts/import_markdown.py` orchestriert den Prozess.
 Der Retriever (`app/core/retriever.py`) unterstützt zwei Modi. Für den Chat wird **zwingend** der Hybrid-Modus genutzt.
 
 ### 5.1 Betriebsmodi
-* **Semantic:** Reine Vektorsuche. Schnell.
+* **Semantic:** Reine Vektorsuche (768d).
 * **Hybrid:** Vektorsuche + Graph-Expansion (Tiefe N) + Re-Ranking.
 
 ### 5.2 Scoring-Formel (WP04a)
@@ -274,7 +282,7 @@ Der Hybrid-Modus lädt dynamisch die Nachbarschaft der Top-K Vektor-Treffer ("Se
 
 ---
 
-## 6. RAG & Chat Architektur (WP06 Hybrid Router + WP07 Interview)
+## 6. RAG \& Chat Architektur (WP06 Hybrid Router + WP07 Interview)
 
 Der Flow für eine Chat-Anfrage (`/chat`) wurde in WP06 auf eine **Configuration-Driven Architecture** umgestellt. Der `ChatRouter` (`app/routers/chat.py`) fungiert als zentraler Dispatcher.
 
@@ -329,7 +337,7 @@ Das Frontend ist eine **Streamlit-Anwendung** (`app/frontend/ui.py`), die als se
 
 ### 7.1 Kommunikation
 * **Backend-URL:** Konfiguriert via `MINDNET_API_URL` (Default: `http://localhost:8002`).
-* **Endpoints:** Nutzt `/chat` für Interaktion und `/feedback` für Bewertungen.
+* **Endpoints:** Nutzt `/chat` für Interaktion, `/feedback` für Bewertungen und `/ingest/analyze` für Intelligence.
 * **Resilienz:** Das Frontend implementiert eigene Timeouts (`MINDNET_API_TIMEOUT`, Default 300s).
 
 ### 7.2 Features & UI-Logik
@@ -350,7 +358,14 @@ Wenn der Intent `INTERVIEW` ist, rendert die UI statt einer Textblase den **Draf
 3.  **Editor Widget:** `st.text_area` erlaubt das Bearbeiten des Inhalts vor dem Speichern.
 4.  **Action:** Buttons zum Download oder Kopieren des fertigen Markdowns.
 
-### 7.4 Deployment Ports
+### 7.4 State Management (Resurrection Pattern)
+Um Datenverlust bei Tab-Wechseln (Chat <-> Editor) zu verhindern, nutzt `ui.py` ein Persistenz-Muster:
+* Daten liegen in `st.session_state[data_key]`.
+* Widgets liegen in `st.session_state[widget_key]`.
+* Callbacks (`on_change`) synchronisieren Widget -> Data.
+* Beim Neu-Rendern wird Widget-State aus Data-State wiederhergestellt.
+
+### 7.5 Deployment Ports
 Zur sauberen Trennung von Prod und Dev laufen Frontend und Backend auf dedizierten Ports:
 
 | Umgebung | Backend (FastAPI) | Frontend (Streamlit) |

docs/pipeline_playbook.md

@@ -1,7 +1,7 @@
 # mindnet v2.4 – Pipeline Playbook
 **Datei:** `docs/mindnet_pipeline_playbook_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. WP07 Interview & WP10a Editor)
+**Status:** **FINAL** (Inkl. Async Ingestion & Active Intelligence)
 **Quellen:** `mindnet_v2_implementation_playbook.md`, `Handbuch.md`, `chunking_strategy.md`, `docs_mindnet_retriever.md`, `mindnet_admin_guide_v2.4.md`.
 
 ---
@@ -12,7 +12,7 @@
   - [](#)
   - [1. Zweck \& Einordnung](#1-zweck--einordnung)
   - [2. Die Import-Pipeline (Runbook)](#2-die-import-pipeline-runbook)
-    - [2.1 Der 12-Schritte-Prozess](#21-der-12-schritte-prozess)
+    - [2.1 Der 12-Schritte-Prozess (Async)](#21-der-12-schritte-prozess-async)
     - [2.2 Standard-Betrieb (Inkrementell)](#22-standard-betrieb-inkrementell)
     - [2.3 Deployment \& Restart (Systemd)](#23-deployment--restart-systemd)
     - [2.4 Full Rebuild (Clean Slate)](#24-full-rebuild-clean-slate)
@@ -27,6 +27,7 @@
     - [5.2 Intent Router (WP06/07)](#52-intent-router-wp0607)
     - [5.3 Context Enrichment](#53-context-enrichment)
     - [5.4 Generation (LLM)](#54-generation-llm)
+    - [5.5 Active Intelligence Pipeline (Neu in v2.4)](#55-active-intelligence-pipeline-neu-in-v24)
   - [6. Feedback \& Lernen (WP04c)](#6-feedback--lernen-wp04c)
   - [7. Quality Gates \& Tests](#7-quality-gates--tests)
     - [7.1 Pflicht-Tests vor Commit](#71-pflicht-tests-vor-commit)
@@ -44,7 +45,7 @@ Dieses Playbook ist das zentrale operative Handbuch für die **mindnet-Pipeline*
 
 **Zielgruppe:** Dev/Ops, Tech-Leads.
 **Scope:**
-* **Ist-Stand (WP01–WP10a):** Import, Chunking, Edge-Erzeugung, Hybrider Retriever, RAG-Chat (Hybrid Router), Feedback Loop, Frontend, Draft Editor.
+* **Ist-Stand (WP01–WP11):** Async Import, Chunking, Edge-Erzeugung, Hybrider Retriever, RAG-Chat (Hybrid Router), Feedback Loop, Frontend, Draft Editor, Active Intelligence.
 * **Roadmap (Ausblick):** Technische Skizze für Self-Tuning (WP08).
 
 ---
@@ -53,8 +54,8 @@ Dieses Playbook ist das zentrale operative Handbuch für die **mindnet-Pipeline*
 
 Der Import ist der kritischste Prozess ("Data Ingestion"). Er muss **deterministisch** und **idempotent** sein. Wir nutzen `scripts/import_markdown.py` als zentralen Entrypoint.
 
-### 2.1 Der 12-Schritte-Prozess
+### 2.1 Der 12-Schritte-Prozess (Async)
-Gemäß WP03-Spezifikation läuft der Import intern wie folgt ab:
+Seit v2.3.10 läuft der Import **asynchron**, um Netzwerk-Blockaden bei der Embedding-Generierung zu vermeiden.
 
 1.  **Markdown lesen:** Rekursives Scannen des Vaults.
 2.  **Frontmatter extrahieren:** Validierung von Pflichtfeldern (`id`, `type`, `title`).
@@ -65,8 +66,10 @@ Gemäß WP03-Spezifikation läuft der Import intern wie folgt ab:
 7.  **Callout-Kanten finden:** Parsing von `> [!edge]` Blöcken.
 8.  **Default-Edges erzeugen:** Anwendung der `edge_defaults` aus der Typ-Registry.
 9.  **Strukturkanten erzeugen:** `belongs_to` (Chunk->Note), `next`/`prev` (Sequenz).
-10. **Chunks upserten:** Schreiben in Qdrant (`mindnet_chunks`).
+10. **Embedding & Upsert (Async):**
-11. **Edges upserten:** Schreiben in Qdrant (`mindnet_edges`).
+    * Das System nutzt eine **Semaphore** (Limit: 5 Files concurrent), um Ollama nicht zu überlasten.
+    * Generierung der Vektoren via `nomic-embed-text` (768 Dim).
+11. **Strict Mode:** Der Prozess bricht sofort ab, wenn ein Embedding leer ist oder die Dimension `0` hat.
 12. **Diagnose:** Automatischer Check der Integrität nach dem Lauf.
 
 ### 2.2 Standard-Betrieb (Inkrementell)
@@ -99,13 +102,18 @@ Nach einem Import oder Code-Update müssen die API-Prozesse neu gestartet werden
     sudo systemctl status mindnet-prod
 
 ### 2.4 Full Rebuild (Clean Slate)
-Notwendig bei Änderungen an `types.yaml` (z.B. neue Chunk-Größen) oder Embedding-Modellen.
+Notwendig bei Änderungen an `types.yaml` (z.B. neue Chunk-Größen) oder beim Wechsel des Embedding-Modells (z.B. Update auf `nomic-embed-text`).
 
-    # 1. Qdrant Collections löschen und neu anlegen (Wipe inkl. Schema)
+**WICHTIG:** Vorher das Modell pullen, sonst schlägt der Import fehl!
+
+    # 0. Modell sicherstellen (WICHTIG für v2.4+)
+    ollama pull nomic-embed-text
+
+    # 1. Qdrant Collections löschen und neu anlegen (Wipe inkl. Schema 768d)
     python3 -m scripts.reset_qdrant --mode wipe --prefix "mindnet" --yes
     
     # 2. Vollständiger Import aller Dateien
-    python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply
+    python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply --force
 
 ---
 
@@ -177,6 +185,17 @@ Der Router (`chat.py`) reichert die gefundenen Chunks mit Metadaten an:
 * **Prompting:** Template wird basierend auf Intent gewählt (`decision_template`, `interview_template` etc.).
 * **One-Shot (WP07):** Im Interview-Modus generiert das LLM direkt einen Markdown-Block ohne Rückfragen.
 
+### 5.5 Active Intelligence Pipeline (Neu in v2.4)
+Ein paralleler Datenfluss im Frontend ("Draft Editor") zur Unterstützung des Autors.
+1.  **Trigger:** User klickt "Analyse starten" oder tippt.
+2.  **Service:** `ingest/analyze` (Backend).
+3.  **Discovery:**
+    * **Sliding Window:** Zerlegt Text in Abschnitte.
+    * **Embedding:** Vektorisiert Abschnitte via Nomic (Async).
+    * **Exact Match:** Sucht nach Aliases ("KI-Gedächtnis").
+    * **Matrix Logic:** Bestimmt Kanten-Typ (`experience` -> `based_on` -> `value`).
+4.  **Feedback:** UI zeigt Vorschläge (`[[rel:...]]`) zum Einfügen an.
+
 ---
 
 ## 6. Feedback & Lernen (WP04c)
@@ -209,12 +228,12 @@ Prüft am laufenden System (Prod oder Dev), ob Semantik, Graph und Feedback funk
     # Retriever Test
     python scripts/test_retriever_smoke.py --mode hybrid --top-k 5
     
+    # Intelligence Test (WP11)
+    curl -X POST "http://localhost:8002/ingest/analyze" -d '{"text": "mindnet", "type": "journal"}'
+    
     # Decision Engine Test (WP06)
     python tests/test_wp06_decision.py -p 8002 -e EMPATHY -q "Alles ist grau"
     
-    # Interview Test (WP07)
-    python tests/test_wp06_decision.py -p 8002 -e INTERVIEW -q "Neues Projekt starten"
-    
     # Feedback Test
     python tests/test_feedback_smoke.py --url http://localhost:8001/query
 
@@ -250,4 +269,5 @@ Aktueller Implementierungsstand der Module.
 | **WP07** | Interview Assistent | 🟢 Live | **One-Shot Extractor & Schemas aktiv.** |
 | **WP08** | Self-Tuning | 🔴 Geplant | Auto-Adjustment der Gewichte. |
 | **WP10** | Chat Interface | 🟢 Live | Web-Interface (Streamlit). |
-| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
+| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
+| **WP11** | Backend Intelligence | 🟢 Live | **Async Ingestion, Nomic Embeddings, Matrix Logic.** |

docs/user_guide.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – User Guide
 **Datei:** `docs/mindnet_user_guide_v2.4.md`
-**Stand:** 2025-12-10
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. RAG, Web-Interface & Interview-Assistent)
+**Status:** **FINAL** (Inkl. RAG, Web-Interface & Interview-Assistent & Intelligence)
 **Quellen:** `knowledge_design.md`, `wp04_retriever_scoring.md`, `Programmplan_V2.2.md`, `Handbuch.md`.
 
 > **Willkommen bei Mindnet.**
@@ -42,6 +42,7 @@ Seit Version 2.3.1 bedienst du Mindnet über eine grafische Oberfläche im Brows
 
 ### 2.2 Die Sidebar (Einstellungen & Verlauf)
 * **Modus-Wahl:** Umschalten zwischen "💬 Chat" und "📝 Manueller Editor".
+    * *Neu in v2.4:* Der manuelle Editor speichert deine Eingaben auch beim Wechseln der Tabs ("State Resurrection").
 * **Verlauf:** Die letzten Suchanfragen sind hier gelistet. Ein Klick führt die Suche erneut aus.
 * **Settings:**
     * **Top-K:** Wie viele Quellen sollen gelesen werden? (Standard: 5).
@@ -68,7 +69,7 @@ Wenn du frustriert bist oder reflektieren willst, wechselt Mindnet in den "Ich"-
 * **Auslöser (Keywords & Semantik):** "Ich fühle mich...", "Traurig", "Gestresst", "Alles ist sinnlos", "Ich bin überfordert".
 * **Was passiert:** Mindnet lädt deine **Erfahrungen** (`type: experience`) und **Glaubenssätze** (`type: belief`). Es antwortet verständnisvoll und zitiert deine eigenen Lektionen.
 
-### 3.3 Modus: Interview ("Der Analyst") – Neu!
+### 3.3 Modus: Interview ("Der Analyst")
 Wenn du Wissen festhalten willst, statt zu suchen.
 
 * **Auslöser:** "Neues Projekt", "Notiz erstellen", "Ich will etwas festhalten", "Neue Entscheidung dokumentieren".
@@ -128,4 +129,15 @@ Mindnet kann dir helfen, Markdown-Notizen zu schreiben.
     * Du siehst das generierte Frontmatter (`type: project`, `status: draft`).
     * Du siehst den Body-Text mit Platzhaltern (`[TODO]`), wo Infos fehlten (z.B. Stakeholder).
 4.  **Finalisierung:** Ergänze die fehlenden Infos direkt im Editor und klicke auf **Download** oder **Kopieren**.
-5.  **Speichern:** Speichere die Datei in deinen Obsidian Vault. Beim nächsten Import ist sie im System.
+5.  **Speichern:** Speichere die Datei in deinen Obsidian Vault. Beim nächsten Import ist sie im System.
+
+### 6.4 Der Intelligence-Workflow (Neu in v2.4)
+Wenn du Texte im **manuellen Editor** schreibst, unterstützt dich Mindnet aktiv bei der Vernetzung:
+
+1.  **Schreiben:** Tippe deinen Text im Tab **"✏️ Inhalt"**.
+2.  **Analysieren:** Wechsle zum Tab **"🧠 Intelligence"** und klicke auf **"🔍 Analyse starten"**. Das System scannt deinen Text (Vektor-Suche & Exact Match).
+3.  **Vorschläge nutzen:**
+    * **Exakte Treffer:** Das System erkennt Begriffe wie "KI-Gedächtnis" automatisch als Alias für "Mindnet (System)".
+    * **Semantische Treffer:** Das System findet inhaltlich verwandte Notizen.
+    * **Klick auf "➕ Einfügen":** Fügt den Link (z.B. `[[rel:related_to Mindnet]]`) an der Cursor-Position oder am Ende ein.
+4.  **Speichern:** Klicke auf "💾 Speichern & Indizieren". Der Text wird sofort in den Vault geschrieben und in Qdrant indiziert.