docs/06_Roadmap/06_handover_prompts.md aktualisiert

docs/06_Roadmap/06_handover_prompts.md

@@ -254,6 +254,9 @@ Bitte bestätige die Übernahme, erstelle die `edge_mappings.yaml` Struktur und
     * Es ist der logisch perfekte Ort, um zu sagen: "Wenn der User im Analyse-Modus ist, sind Fakten-Kanten wichtiger als Gefühls-Kanten."
 
 Damit hast du das perfekte Paket für den nächsten Entwicklungsschritt geschnürt!
+```
+
+---
 
 ## WP-22: Content Lifecycle & Meta-Config
 
@@ -271,8 +274,6 @@ Wir haben eine Markdown-Datei (`01_edge_vocabulary.md`), die als Single-Source-o
 **Dein Auftrag:**
 Implementiere (A) den Content-Lifecycle, (B) die Edge-Registry und (C) das Semantic Routing.
 
----
-
 ### Teil A: Content Lifecycle (Ingestion Logic)
 Steuerung über Frontmatter `status`:
 1.  **System-Dateien (No-Index):**
@@ -281,8 +282,6 @@ Steuerung über Frontmatter `status`:
     * Wenn `status` in `['draft', 'active', 'stable']`: Status wird im Payload gespeichert.
     * **ToDo:** Erweitere `scoring.py`, damit `stable` Notizen einen Bonus erhalten (`x 1.2`), `drafts` einen Malus (`x 0.5`).
 
----
-
 ### Teil B: Central Edge Registry & Validation
 1.  **Registry Klasse:**
     * Erstelle `EdgeRegistry` (Singleton).
@@ -292,8 +291,6 @@ Steuerung über Frontmatter `status`:
     * Prüfe beim Import jede Kante gegen die Registry.
     * Unbekannte Typen werden **nicht** verworfen, sondern in `data/logs/unknown_edges.jsonl` geloggt (für späteres Review).
 
----
-
 ### Teil C: Semantic Graph Routing (Dynamic Boosting)
 **Ziel:** Die Bedeutung einer Kante soll sich je nach Frage-Typ ändern ("Warum" vs. "Wie").
 
@@ -308,7 +305,6 @@ Die Gewichtung findet **Pre-Retrieval** (im Scoring-Algorithmus) statt, **nicht*
     * Der `Retriever` erhält vom Router die `boost_edges` Map.
     * Berechne Score: `BaseScore * (1 + ConfigWeight + DynamicBoost)`.
 
----
 
 **Deine Aufgaben:**
 1.  Zeige die `EdgeRegistry` Klasse (Parsing Logik).
@@ -316,10 +312,12 @@ Die Gewichtung findet **Pre-Retrieval** (im Scoring-Algorithmus) statt, **nicht*
 3.  Zeige die Erweiterung in `scoring.py` (Status-Gewicht & Dynamic Edge Boosting).
 
 Bitte bestätige die Übernahme dieses Architektur-Pakets.
+```
 
----
+## WP24 
+```text
 
-# Übergabe Arbeitspaket: WP-24 – Proactive Discovery & Agentic Knowledge Mining
+Übergabe Arbeitspaket: WP-24 – Proactive Discovery & Agentic Knowledge Mining
 
 ## 1. Projekt-Kontext
 Wir arbeiten an **Mindnet**, einem System für einen "digitalen Zwilling". Das System nutzt einen Wissensgraph (Qdrant), asynchrone Ingestion und eine hybride LLM-Infrastruktur (Cloud/Lokal).
@@ -358,11 +356,16 @@ Stelle sicher, dass dir folgende Dateien vorliegen, um die Logik zu verstehen un
 2.  Integration des Services in die `ingestion.py` zur automatischen Befüllung des `candidate_pool`.
 3.  Erweiterung des Chat-Backends um die "Capture-to-Vault" Funktionalität.
 
+
+```
+
 ## WP-25: Advanced Reasoning Engine (Agentic RAG)
 
+``` Text
 **Status:** 🚀 High-Priority Upgrade
 **Ziel:** Implementierung einer mehrstufigen Entscheidungs-Architektur ("Multi-Hop").
 
+
 **Das Problem:**
 Single-Step-Retrieval verwässert Ergebnisse. Eine Suche nach "Projekt-Entscheidung" findet oft operative Details, übersieht aber fundamentale Werte ("Wertekompass"), weil diese semantisch distanziert sind.