Config Anpassungen WP20

app/config.py

@@ -1,11 +1,9 @@
 """
 FILE: app/config.py
-DESCRIPTION: Zentrale Pydantic-Konfiguration. Enthält Parameter für Qdrant, 
+DESCRIPTION: Zentrale Pydantic-Konfiguration. 
-             Embeddings, Ollama, Google GenAI und OpenRouter.
+             WP-20: Hybrid-Cloud Modus Support (OpenRouter/Gemini/Ollama).
-             WP-20: Optimiert für Hybrid-Cloud Modus und Vektor-Synchronisation.
+             FIX: Update auf Gemini 2.5 Serie & Optimierung für Gemma 2 Durchsatz.
-             WP-22: Integration von Change-Detection und Vocab-Paths.
+VERSION: 0.6.6
-FIX: Hinzufügen von load_dotenv() und Bereinigung redundanter Modell-Variablen.
-VERSION: 0.6.4
 STATUS: Active
 DEPENDENCIES: os, functools, pathlib, python-dotenv
 """
@@ -16,34 +14,36 @@ from pathlib import Path
 from dotenv import load_dotenv
 
 # WP-20: Lade Umgebungsvariablen aus der .env Datei
-# Muss zwingend vor dem Zugriff auf os.getenv erfolgen!
+# override=True garantiert, dass Änderungen in der .env immer Vorrang haben.
-load_dotenv()
+load_dotenv(override=True)
 
 class Settings:
     # --- Qdrant Datenbank ---
     QDRANT_URL: str = os.getenv("QDRANT_URL", "http://127.0.0.1:6333")
     QDRANT_API_KEY: str | None = os.getenv("QDRANT_API_KEY")
-    COLLECTION_PREFIX: str = os.getenv("MINDNET_PREFIX", "mindnet")
+    COLLECTION_PREFIX: str = os.getenv("MINDNET_PREFIX", "mindnet_dev")
     
-    # WP-22: Vektor-Dimension muss mit dem Embedding-Modell (nomic) übereinstimmen
+    # WP-22: Vektor-Dimension für das Embedding-Modell (nomic)
     VECTOR_SIZE: int = int(os.getenv("VECTOR_DIM", "768"))
     DISTANCE: str = os.getenv("MINDNET_DISTANCE", "Cosine")
     
-    # --- Lokale Embeddings (Ollama & Sentence-Transformers) ---
+    # --- Lokale Embeddings ---
     EMBEDDING_MODEL: str = os.getenv("MINDNET_EMBEDDING_MODEL", "nomic-embed-text")
     MODEL_NAME: str = os.getenv("MINDNET_MODEL", "sentence-transformers/all-MiniLM-L6-v2")
     
     # --- WP-20 Hybrid LLM Provider ---
-    # Erlaubt: "ollama" | "gemini" | "openrouter"
+    # "openrouter" ist primär für den Ingest-Turbo mit Gemma 2 empfohlen.
-    MINDNET_LLM_PROVIDER: str = os.getenv("MINDNET_LLM_PROVIDER", "ollama").lower()
+    MINDNET_LLM_PROVIDER: str = os.getenv("MINDNET_LLM_PROVIDER", "openrouter").lower()
     
-    # Google AI Studio (Direkt-Integration)
+    # Google AI Studio (Fallback auf 2.5-Serie)
     GOOGLE_API_KEY: str | None = os.getenv("GOOGLE_API_KEY")
-    GEMINI_MODEL: str = os.getenv("MINDNET_GEMINI_MODEL", "gemini-1.5-flash")
+    # "gemini-2.5-flash-lite" ist die skalierbare 2025-Alternative für hohe Last.
+    GEMINI_MODEL: str = os.getenv("MINDNET_GEMINI_MODEL", "gemini-2.5-flash-lite")
     
-    # OpenRouter Integration (Primärlösung für Turbo-Ingest)
+    # OpenRouter Integration (openai/gpt-oss-20b:free oder gemma-2)
     OPENROUTER_API_KEY: str | None = os.getenv("OPENROUTER_API_KEY")
-    OPENROUTER_MODEL: str = os.getenv("OPENROUTER_MODEL", "openai/gpt-oss-20b:free")
+    # "google/gemma-2-9b-it:free" bietet hohe Kapazität bei Kostenfreiheit.
+    OPENROUTER_MODEL: str = os.getenv("OPENROUTER_MODEL", "google/gemma-2-9b-it:free")
     
     LLM_FALLBACK_ENABLED: bool = os.getenv("MINDNET_LLM_FALLBACK", "true").lower() == "true"
     
@@ -52,21 +52,21 @@ class Settings:
     LLM_MODEL: str = os.getenv("MINDNET_LLM_MODEL", "phi3:mini") 
     PROMPTS_PATH: str = os.getenv("MINDNET_PROMPTS_PATH", "config/prompts.yaml")
     
-    # --- WP-06 / WP-14 Performance & Last-Steuerung ---
+    # --- Performance & Last-Steuerung ---
     LLM_TIMEOUT: float = float(os.getenv("MINDNET_LLM_TIMEOUT", "300.0"))
     DECISION_CONFIG_PATH: str = os.getenv("MINDNET_DECISION_CONFIG", "config/decision_engine.yaml")
     BACKGROUND_LIMIT: int = int(os.getenv("MINDNET_LLM_BACKGROUND_LIMIT", "2"))
 
     # --- System-Pfade & Ingestion-Logik ---
     DEBUG: bool = os.getenv("DEBUG", "false").lower() == "true"
-    MINDNET_VAULT_ROOT: str = os.getenv("MINDNET_VAULT_ROOT", "./vault")
+    MINDNET_VAULT_ROOT: str = os.getenv("MINDNET_VAULT_ROOT", "./vault_master")
     MINDNET_TYPES_FILE: str = os.getenv("MINDNET_TYPES_FILE", "config/types.yaml")
-    MINDNET_VOCAB_PATH: str = os.getenv("MINDNET_VOCAB_PATH", "vault/_system/dictionary/edge_vocabulary.md")
+    MINDNET_VOCAB_PATH: str = os.getenv("MINDNET_VOCAB_PATH", "/mindnet/vault/mindnet/_system/dictionary/edge_vocabulary.md")
     
-    # WP-22: 'full' aktiviert Multi-Hash Change Detection
+    # WP-22: 'full' für Multi-Hash Change Detection
     CHANGE_DETECTION_MODE: str = os.getenv("MINDNET_CHANGE_DETECTION_MODE", "full")
     
-    # --- WP-04 Retriever Gewichte (Finetuning des Scorings) ---
+    # --- WP-04 Retriever Gewichte ---
     RETRIEVER_W_SEM: float = float(os.getenv("MINDNET_WP04_W_SEM", "0.70"))
     RETRIEVER_W_EDGE: float = float(os.getenv("MINDNET_WP04_W_EDGE", "0.25"))
     RETRIEVER_W_CENT: float = float(os.getenv("MINDNET_WP04_W_CENT", "0.05"))
@@ -76,5 +76,5 @@ class Settings:
 
 @lru_cache
 def get_settings() -> Settings:
-    """Gibt eine gecachte Instanz der Einstellungen zurück (Singleton-Muster)."""
+    """Gibt die zentralen Einstellungen als Singleton zurück."""
     return Settings()