Dateien nach "docs" hochladen

docs/knowledge_design.md

@@ -1,249 +1,216 @@
 # mindnet – Knowledge Design  
-**Version:** 1.4.0 (aktualisiert 2025-10-06)
+**Version:** 1.5.0 (aktualisiert 2025-11-09)
 
-## 1. Gesamtziel und Systemverständnis
-
-**mindnet** ist ein lokales Wissensnetzwerk, das alle meine Notizen, Projekte, Gedanken, Erfahrungen und Pläne als Markdown-Dateien speichert, automatisch importiert, semantisch in **Chunks** zerlegt und als **Graph-Struktur in Qdrant** ablegt.  
-Es ist die Grundlage für ein agentenfähiges, lokal betriebenes LLM-System, das meine Daten verknüpft, abfragt und erweitert.
-
-**Zentrale Ziele**
-- Vollständige Repräsentation persönlichen Wissens in strukturierter, maschinenlesbarer Form  
-- Reproduzierbare Verarbeitung: Import → Chunking → Embedding → Edges → Graph  
-- Verlustfreie Roundtrip-Fähigkeit (Import ⇄ Export)  
-- Erweiterbarkeit für Agenten, RAG-Retriever und semantische Suche  
-
-**Prinzipien**
-- **Deterministisch:** IDs, Hashes und Edges wiederholbar  
-- **Portabel:** Markdown + YAML  
-- **Robust:** fehlertoleranter Parser  
-- **Idempotent:** keine Duplikate bei Re-Import  
-- **Erweiterbar:** neue Typen und Edge-Arten ohne Migration  
+> Dieses Dokument beschreibt das Ziel, die Architektur, die Datenmodelle sowie die Regeln und Prozesse für den Aufbau von **mindnet** – einem persönlichen, lokal betriebenen Wissensnetz, das auf Markdown-Quellen, Graph-Beziehungen und Vektor-Suche basiert. Es soll die Persönlichkeit, Werte und Erfahrungen des Besitzers widerspiegeln und künftig Antworten generieren, die diese Perspektive authentisch berücksichtigen.
 
 ---
 
-## 2. YAML-Frontmatter-Schema
+## 1. Ziel von mindnet
 
-| Feld | Typ | Beschreibung |
-|-------|-----|--------------|
-| `title` | string | Menschlich lesbarer Titel |
-| `id` | string | Eindeutige Note-ID (Slug) |
-| `type` | enum | `concept`, `thought`, `experience`, `task`, `project`, `journal`, `person`, `meeting`, `milestone` |
-| `status` | enum | `draft`, `active`, `done`, `archived` |
-| `created` | date | ISO-Datum |
-| `updated` | date | Letzte Änderung |
-| `area` | string | Themen- oder Lebensbereich |
-| `project` | string | Zugehöriges Projekt |
-| `tags` | list | Strukturierte Tags (`area/…`, `topic/…`) |
-| `depends_on` | list | IDs anderer Notizen |
-| `assigned_to` | list | Beteiligte Personen |
-| `embedding_exclude` | bool | Falls `true`, keine Embeddings |
-| `hash_mode` | enum | Hash-Modus beim Import (`body`, `frontmatter`, `full`) |
-| `priority` | enum/int | 1–5 oder `low` / `med` / `high` |
-| `effort_min`, `due` | int/date | Aufwand / Termin |
-| `aliases` | list | Alternative IDs |
-| `lang` | string | ISO-Sprachcode |
-| `source` | string | Herkunft / Referenzquelle |
+**1.1 Zweck**  
+- mindnet dient als persönliches Wissensnetz, das Erfahrungen, Werte, Prinzipien, Ziele und prägenden Ereignisse langfristig strukturiert.  
+- Es ermöglicht spätere Einsichten in Entscheidungen und Entwicklungen und kann in Zukunft für die Familie (z. B. Kinder) eine nachvollziehbare Quelle sein.
 
-**Pflichtfelder:** `title`, `id`, `type`, `status`, `created`  
-**Optionale Felder:** alle übrigen
+**1.2 Leitidee**  
+- Statt einer reinen Dokumentablage wird Wissen durch **Knoten (Notes/Chunks)** und **Kanten (Edges)** vernetzt.  
+- Antworten sollen **persönlich** kontextualisiert werden (Perspektive, Konditionierung, Persönlichkeit).
+
+**1.3 Langfristigkeit**  
+- Stabiler, zukunftsfähiger Entwurf; spätere Massenmigrationen sollen vermieden werden.  
+- Architektur unterstützt schrittweise Erweiterung (neue Quellen, neue Agenten, neue Regeln).
 
 ---
 
-## 3. Dateinamen und Ordner
+## 2. Zielarchitektur (High Level)
 
-- Format: `YYYY-MM-DD_title.md` oder `slug.md`  
-- Strukturierte Ordner:  
-  - `10_thoughts/`, `20_concepts/`, `30_projects/`, `40_experiences/`, …  
-- Alle Pfade relativ; Unterstriche statt Leerzeichen  
+- **Datenquellen:** Markdown-Vault (Obsidian-kompatibel), perspektivisch weitere Quellen (MediaWiki, PDFs, Web-Exporte, E-Mail-Auszüge).  
+- **Import-Pipeline:** Parser → Frontmatter/Body → Chunking → Embedding → Qdrant (Notes/Chunks/Edges).  
+- **Speicher:** Qdrant (Vektoren + Payload + Textindex), Dateien bleiben im Filesystem (Quelle ist Referenz).  
+- **Graph-Schicht:** Edges explizit modelliert (Typ, Richtung, Evidenz, Confidence); optionale abgeleitete Edges per Batch-Job.  
+- **Retriever/Composer:** Hybrid-Retrieval (Vektor + Filter + optional Volltext), Komposition zu Antwortkandidaten.  
+- **Erklärbarkeit:** Begründungspfade (Top-Chunks, Graph-Kette, Provenienz).  
+- **Schnittstellen:** REST/CLI, n8n-Glue, lokale LLM-Anbindung (Ollama).
 
 ---
 
-## 4. Link- und Edge-Design
+## 3. Collections in Qdrant
 
-**Verlinkungen**
-- Wikilinks: `[[note-id]]` oder `[[Titel|note-id]]`
-- Automatische Edges aus Text und Frontmatter
-
-**Edge-Typen in Qdrant**
-
-| Typ | Bedeutung | Quelle | Scope |
-|------|------------|--------|--------|
-| `belongs_to` | Chunk → Note | intern | chunk |
-| `prev` / `next` | Reihenfolge | intern | chunk |
-| `references` | explizite Wikilinks | Text | chunk |
-| `backlink` | Gegenkante zu `references` | abgeleitet | note |
-| `depends_on` | YAML-Abhängigkeiten | YAML | note |
-| `assigned_to` | YAML-Zuweisung | YAML | note |
-| `unresolved` | Ziel fehlt (Stub) | abgeleitet | chunk |
-
-**Edge-Schlüssel**
-- `source_id`, `target_id`, `kind`, `scope`, `note_id`
-- Dedup-Schlüssel: Kombination aus `(kind, source_id, target_id, scope)`
+- `mindnet_notes` – Note-Metadaten (id, title, type, path, timestamps, tags, …).  
+- `mindnet_chunks` – inhaltstragende Segmente inkl. Vektoren und Textindex.  
+- `mindnet_edges` – Beziehungen (src/dst, relation, direction, evidence, confidence, …).  
+- (optional) `mindnet_people` – strukturierte Personenobjekte (Eigen-/Fremdbezug).
 
 ---
 
-## 5. Chunking-Modell
+## 4. Identitäten & IDs
 
-**Chunk-Datenstruktur**
-| Feld | Beschreibung |
-|-------|---------------|
-| `note_id` | Zugehörige Note |
-| `chunk_index` | Laufende Nummer |
-| `text` | Originalabschnitt |
-| `window` | Text + Overlap links/rechts |
-| `overlap_left` | Länge des linken Overlaps |
-| `overlap_right` | Länge des rechten Overlaps |
-| `embedding` | 384-dimensionaler Vektor |
-| `tokens` | Tokenanzahl (optional) |
-
-**Chunking-Regeln (aus `chunking_strategy.md`)**
-- Trennung nach Absätzen, Überschriften, Listen, Tabellen  
-- Token-Zielgröße 350–500 (max 600)  
-- Overlap: 30–40 % für semantische Kohärenz  
-- Overlap wird in `window` integriert, sodass `text ≠ window`  
+- **Deterministische IDs** für Notes (z. B. Namespace-basierte UUIDv5) und stabile, ableitbare IDs für Chunks/Edges.  
+- ID-Stabilität ist Voraussetzung für Idempotenz (Re-Imports ohne Duplikate).
 
 ---
 
-## 6. Hash-Strategie und Änderungsverfolgung
+## 5. Frontmatter & Typen
 
-**Zweck:** Nur bei realer Inhaltsänderung re-indexieren
-
-| Umgebungsvariable | Beschreibung |
-|--------------------|--------------|
-| `MINDNET_HASH_COMPARE` | Vergleichsquelle (`Body`, `Full`, `Frontmatter`) |
-| `MINDNET_HASH_SOURCE` | Rohtext vs. geparst (`raw` / `parsed`) |
-| `MINDNET_HASH_NORMALIZE` | Normalisierung (`canonical` / `none`) |
-
-**Basismodi**
-- `body` → Nur Textkörper  
-- `frontmatter` → Nur Metadaten  
-- `full` → Kombination  
-- Hash = SHA-256(canonicalized_input)
-
-Bei Änderung: Re-Import, neue Embeddings, Edges werden aktualisiert.  
+- Pflichtfelder: `id`, `title`, `type`, `created`, `updated`, `tags`, `source_path`.  
+- Note-Typen (Auszug): `experience`, `principle`, `value`, `goal`, `role`, `persona`, `plan`, `project`, `journal`, `reference`, `translation`.  
+- **types.yaml** definiert Regeln/Defaults je Typ und für Relationstypen (siehe Abschnitt 10).
 
 ---
 
-## 7. Qdrant-Speicherstruktur
+## 6. Chunking-Strategie
 
-| Collection | Inhalt | Primärfelder | Embedding |
-|-------------|---------|---------------|------------|
-| `mindnet_notes` | Notes mit Fulltext & Hash | `note_id` | optional |
-| `mindnet_chunks` | Chunks mit Text, Window, Embedding | `chunk_id`, `note_id` | 384 d |
-| `mindnet_edges` | Graphkanten | `edge_id`, `source_id`, `target_id` | — |
-
-**Upsert-Strategie**
-- Idempotente UUIDv5-IDs  
-- Keine Duplikate durch deterministische Signaturen  
-- `purge-before-upsert` zur Bereinigung  
-
-**Indizes**
-- notes: `note_id`, `hash_signature`  
-- chunks: `note_id`, `chunk_index`  
-- edges: `(kind, source_id, target_id, scope)`
+- Satz- bis Absatz-Chunks, moderate Überlappung; Meta-Felder verweisen auf Note/Quelle.  
+- Named Vectors (z. B. `content`, optional `title`, `tags`) ermöglichen hybride Scores.
 
 ---
 
-## 8. Fehler-Toleranz und Parser-Robustheit
+## 7. Embeddings & Vektoren
 
-- UTF-8 mit Fallback: ersetzt ungültige Bytes (`errors="replace"`)  
-- Ignoriert Nullbytes, BOM, exotische Zeilenenden  
-- Erkennt defekte oder leere YAML-Header und überspringt sie  
-- Logt Problemfälle (`read_markdown failed`, `make_note_payload returned non-dict`)  
-- Bei Fehlern: Import → warn → continue  
+- Einheitliche Metrik (cosine), reproduzierbares Embedding-Setup.  
+- Konsistenz über Zeit durch Versionsfeld (`embedding_model`, `embedding_version`).
 
 ---
 
-## 9. Tests & Validierung
+## 8. Volltext & Filter
 
-**Integrationstests**
-- Roundtrip: Import → Export → Compare (`compare_vaults.py`)  
-- Chunk-Integrität: `verify_chunks_integrity.py`  
-- Hash-Audit: `hash_reporter.py`  
-- Window-Vergleich: `check_chunks_window_vs_text.py`  
-
-**Erwartete Ergebnisse**
-- Alle Notes werden erkannt  
-- `window ≠ text` bei > 60 % der Chunks  
-- Roundtrip-Vergleich liefert „OK“  
-- Edge-Anzahl entspricht Modell (belongs_to = #Chunks, next/prev ≈ #Chunks – 1)  
+- Textindex auf `mindnet_chunks.body` für exakte Term/Operator-Queries.  
+- Payload-Filter zur schnellen Einschränkung (tags, types, time-buckets, visibility u. a.).
 
 ---
 
-## 10. Export & Roundtrip-Verhalten
+## 9. Edges – Beziehungen
 
-- `export_markdown.py` erzeugt identische Markdown-Dateien  
-- Schreibt YAML + Body in korrekter Reihenfolge  
-- Roundtrip-Prüfung (`compare_vaults.py`) validiert:
-  - vollständigen Body  
-  - unveränderte Hash-Signatur  
-  - gleiche Chunkzahl  
+- **Explizit**: Jede tatsächliche Beziehung wird als Kante gespeichert (kein Workaround).  
+- Felder u. a.: `src_id`, `dst_id`, `relation`, `direction`, `confidence (0–1)`, `evidence` (Chunk-IDs), `created_at`, `updated_at`.  
+- **edge_defaults** liefern **Interpretations-Hints** (Gewichte, Symmetrie, Transitivität) und parametrisieren abgeleitete Edges; sie **ersetzen** keine Originalkanten.
 
 ---
 
-## 11. Graph-Schicht und WP-04-Integration
+## 10. Regeln & Policies (types.yaml)
 
-- Qdrant fungiert als Graph-Backend  
-- `graph/service.py` (WP-04): stellt API für Mehrhop-Abfragen bereit  
-- Unterstützt:  
-  - `expand(note_id, hops=2)`  
-  - `resolve_unresolved()`  
-  - `neighbors(kind=…)`  
-- Grundlage für spätere **Retriever-Funktionen** (LLM / Agenten)  
+- Per Typ/Relation:  
+  - Default-Eigenschaften (Gewicht, Directedness, Symmetrie, Transitivität).  
+  - Scoring-Hooks für Graph-Kontext im Retriever.  
+  - (später) Privacy-Hooks je Relation (Mindest-Visibility).
 
 ---
 
-## 12. Agenten- und LLM-Integration
+## 11. Retrieval & Ranking (Komposition)
 
-**Retriever-Pipeline**
-1. Suche top-k Chunks (cosine distance)  
-2. Erweiterung um Edges (`references`, `backlinks`)  
-3. Kontext-Assembling via `window`-Text  
-4. Prompt-Generierung  
-
-**Agent-Use-Cases**
-- Automatisches Tagging (`type`, `status`)  
-- Vorschläge für neue Edges  
-- Auflösen von `unresolved`-Referenzen  
-- Auto-Import externer Quellen (MediaWiki, PDFs, Webseiten)  
+- Hybrid: Vektor-Score + Filter + optional BM25/Volltext.  
+- Zeitgewicht (Decays) und Graph-Kontext werden komponiert (Formel siehe 16.3).  
+- Konfiguration über `.env`/`config.yaml` (gewichts- und halbwertszeit-basiert).
 
 ---
 
-## 13. Erweiterbarkeit
+## 12. Erklärbarkeit
 
-- Neue Edge-Typen: `inspired_by`, `relates_to`, `contradicts`  
-- Neue Note-Typen: `decision`, `resource`, `recommendation`  
-- Embedding-Engines austauschbar (MiniLM → LaBSE → E5)  
-- Versionierte Chunking-Strategien (`chunk_config.py`)  
+- „Warum-Pfad“: Top-Chunks mit Score-Zerlegung (Vektor/Time/Graph), Graph-Kette, Provenienz.  
+- Mehrschichtige Narrative (Kindheit/Erlebnisse, Werte/Prinzipien, Ziele/Leitbild, Gegenwart).
 
 ---
 
-## 14. Qualitätssicherung und Best Practices
+## 13. Betrieb & Sicherheit
 
-- Validierung vor Upsert  
-- Keine Leer-Chunks  
-- Vollständige Metadaten in Notes  
-- Tests in `tests/` automatisch ausführbar (`run_e2e_roundtrip.sh`)  
-- Ergebnis: „Roundtrip OK“ und `verify_chunks_integrity` = OK  
+- Lokal auf Single-Node starten (Backups via Snapshots).  
+- Zugriff nur intern/Reverse-Proxy; Festplattenverschlüsselung OS-seitig.  
+- Migrationspfad zu Qdrant-Distributed (Shards, Replikation) einplanen.
 
 ---
 
-## 15. Änderungsverlauf
+## 14. Qualität & Monitoring
 
-**v1.4.0 (2025-10-06)**
-- Neu: `window` vs `text` Feld in `mindnet_chunks`  
-- Neu: Hash-Modi (`body`, `frontmatter`, `full`) mit Env-Steuerung  
-- Neu: Baseline-Modus für Vergleich  
-- Parser → fehlertolerant (UTF-8 replace)  
-- Roundtrip-Test vollständig integriert  
-- Graph-Service und Mehrhop-Abfragen (WP-04-Vorbereitung)  
-- `purge-before-upsert` und `--note-scope-refs` Parameter ergänzt  
-
-**v1.3.0 (2025-09-09)**  
-- Hash-Normalisierung und Edge-Scope  
-- Roundtrip-Tests, Agenten-Integration  
-
-**v1.2.0 (2025-09-02)**  
-- Grundstruktur des Knowledge-Designs  
+- Offline-Eval-Sets, Telemetrie (lokal), Drift-Checks, manuelle Reviews.  
+- Kennzahlen: Hit-Rate, Overlap, Quellen-Alter, Erklärungspfad-Nutzung.
 
 ---
+
+## 15. Offene Punkte
+
+- Ausdetaillierung `types.yaml` (Relationen, Hooks).  
+- UI-Oberfläche für Erklärpfade und Provenienz.  
+- Batch-Jobs für abgeleitete Edges.
+
+---
+
+## 16. Ergänzungen 2025-11-09 (v1.5.0)
+
+**Kontext:** Basierend auf den neuen Rahmenbedingungen (nur Deutsch; perspektivische externe Abfragen; einheitliche Vertraulichkeit mit Option auf feinere Stufen; Recency-Priorisierung als Default; Regeln später konfigurierbar; zunächst lokale Speicherung mit optionaler Migration; heutige Hardware, später skalierbar; hohe Erklärbarkeit mit mehreren Erklärungsebenen) werden folgende Entscheidungen und Erweiterungen getroffen. Alle bisherigen Inhalte bleiben gültig und werden **nicht** verändert.
+
+### 16.1 Sprach- und Inhaltsrichtlinie (nur Deutsch)
+- `lang: "de"` als verpflichtendes Feld in allen Note-, Chunk- und Edge-Payloads.
+- Für spätere Mehrsprachigkeit **nicht** die Collection splitten, sondern ein Feld `lang` + optional `lang_original` behalten; Translation-Artefakte als eigener `type: translation` (verweisend auf `source_id`).
+
+### 16.2 Vertraulichkeit & Sichtbarkeit
+- Heute: einheitliche Stufe `visibility: "internal"`.
+- Vorausschauend: reservierte Felder in allen Payloads
+  - `visibility`: `"public" | "internal" | "restricted"`
+  - `sensitivity`: Integer 0–3 (0 = unkritisch, 3 = hochsensibel)
+  - `acl`: Liste erlaubter Rollen/Personen-IDs (App-Layer erzwingt Filter vor Query).
+- Access-Control erfolgt **im Applikations-Layer** mittels Qdrant-Payload-Filtern (`must: [ { key: "visibility", match: { any: [...] }}, ... ]`); Qdrant bleibt „dumm“ in Bezug auf ACL.
+
+### 16.3 Recency-Modell & Ranking (konfigurierbar)
+- Default: **Zeitnähe** priorisieren (sanfte Abwertung älterer Inhalte).
+- Im Retrieval kombinieren wir:
+  1) Vektor-Score (cosine) aus Qdrant
+  2) Zeitgewicht `time_decay = exp( - ln(2) * age_days / half_life_days )`
+  3) Graph-Kontext aus Edges (z. B. Degree, Path-Hops zum Anker „Ich/Persona“)
+- Konfigurierbare Gewichte (per `.env` oder `config.yaml`):
+  ```text
+  FINAL_SCORE = w_vec * norm(vec_score) 
+              + w_time * time_decay
+              + w_graph * graph_context_score
+  # Vorschlag: w_vec=0.70, w_time=0.20, w_graph=0.10; half_life_days=365
+  ```
+- Für Fragen, die „zeitlos“ sind, kann `half_life_days = inf` gesetzt werden (kein Decay).
+
+### 16.4 Erklärbarkeit („Warum diese Antwort?“)
+- Jeder Antwort wird ein **Erklärpfad** mitgegeben (optional im UI):
+  - Top-Chunks (mit Score-Zerlegung w_vec/w_time/w_graph)
+  - **Kausalpfad** im Graphen: `Note → Edge(relation, confidence) → Note …`
+  - **Provenienz** (Quelle, Erstellungszeit, letzte Änderung).
+- Ein **Multi-Layer-Explanations**-Modul ordnet Beiträge zu: Kindheit/Erlebnisse, Werte & Prinzipien, aktuelle Ziele/Leitbild, Gegenwartskontext.
+
+### 16.5 Qdrant-Schemata (Ergänzungen, rückwärtskompatibel)
+- **Collections** bleiben: `mindnet_notes`, `mindnet_chunks`, `mindnet_edges` (+ `mindnet_people` falls noch nicht vorhanden).
+- Gemeinsame Zusatzfelder (alle Payloads):
+  - `lang: "de"`
+  - `visibility`/`sensitivity`/`acl` (s. 16.2)
+  - `created_at` (ISO-8601), `updated_at` (ISO-8601), `age_days` (App-seitig berechnet)
+- **Chunks**:
+  - Named-Vectors (z. B. `"content"`, optional `"title"`, `"tags"` für Hybrid-Scores).
+  - `text_index` auf `body` für BM25-ähnliche Volltextsuche (Qdrant-Textindex).
+  - `recency_group`: Jahr-Monat `YYYY-MM` (ermöglicht Pre-Filter für „letzte N Monate“).
+- **Edges** (explizit, keine Workarounds):
+  - Felder: `src_id`, `dst_id`, `relation`, `direction`, `confidence` (0–1), `evidence` (Chunk-IDs), `created_at`, `updated_at`.
+  - **edge_defaults** bleiben als **Interpretations-Hints**: z. B. `default_weight`, `symmetry`, `transitivity`. Sie ersetzen **nicht** echte Kanten, sondern parametrisieren abgeleitete/zusätzliche Kantenbildung.
+  - Abgeleitete Edges: optionaler Batch-Job erzeugt *ergänzende* Kanten entlang `types.yaml`-Regeln (z. B. Backlinks, „inspired_by“ aus Zitaten), niemals statt der Originalkanten.
+
+### 16.6 Regeln & Typen (konfigurierbar)
+- `types.yaml` erweitert um:
+  - Relationstypen mit Default-Eigenschaften (`weight`, `directed`, `symmetric`, `transitive`).
+  - **Scoring-Hooks**: pro Relation optionaler Einfluss auf `graph_context_score`.
+  - **Privacy-Hooks**: pro Relation Minimal-Visibility (z. B. Beziehungen zu Personen sind mindestens `internal`).
+
+### 16.7 Speicher- & Betriebsstrategie (heute lokal, später skalierbar)
+- **Heute**: Single-Node Qdrant mit HNSW-Index, Text-Index und Payload-Filtern; regelmäßiges Backup (Snapshots).
+- **Morgen**: Migrationspfad in **Qdrant-Distributed** (Shards, ggf. Replikation) bei Bedarf; Parameter-Gleichheit sichern (named-vectors, Metrik, HNSW-Param).
+- **Sicherheit**: Zugriff nur über internes Netz/Reverse-Proxy, Auth vor Qdrant; Festplatten-Verschlüsselung auf OS-Ebene (z. B. LUKS).
+
+### 16.8 Persona-Layer („meine Essenz“)
+- Eigenständiger **Persona-Knoten** (z. B. Note `person/lars`), verbunden mit:
+  - Werten/Prinzipien, Leitbild, prägenden Erlebnissen, Zielen, Rollen.
+  - Jede Antwort kann gegen diesen Knoten **kontextualisiert** werden (Graph-Pfadnähe).
+- Feld `persona_weight` in Chunks/Notes zur Priorisierung persönlicher Relevanz.
+
+### 16.9 Evaluierung & Qualitätssicherung
+- **Offline-Sets** aus echten Fragen (inkl. gewünschter Perspektiven) mit erwarteten Top-Quellen.
+- **Telemetrie** (lokal): Query-Arten, Treffer-Overlaps, Zeitgewicht-Effekte, „Warum-Pfad“ genutzt/ignoriert.
+- **Drift-Checks**: Anteil sehr alter vs. neuer Quellen in Antworten; manuelle Reviews.
+
+### 16.10 Offene Punkte / Nächste Schritte
+1) `types.yaml` um Relationseigenschaften erweitern (s. 16.6).  
+2) Retriever-Komposition inkl. Zeitgewicht (s. 16.3) implementieren.  
+3) Explanations-Pfad inkl. Provenienzoberfläche (s. 16.4) im UI.  
+4) Feld-Erweiterungen in Import-Pipelines (`lang`, `visibility`, Zeitfelder).  
+5) Optional: Batch-Job für abgeleitete Edges nach Regeln (ergänzend, nicht ersetzend).