dokumentation WP15

2025-12-12 22:54:59 +01:00 · 2025-12-12 22:54:59 +01:00 · faaa3ef55f
commit faaa3ef55f
parent 70ffa5cd4e
11 changed files with 452 additions and 314 deletions
--- a/Programmmanagement/Programmplan_V2.2.md
+++ b/Programmmanagement/Programmplan_V2.2.md
@ -1,5 +1,5 @@
 # mindnet v2.4 — Programmplan
-**Version:** 2.5.0 (Inkl. WP-15 Smart Edge Allocation)
+**Version:** 2.6.0 (Inkl. WP-15 Smart Edge Allocation)
 **Stand:** 2025-12-12
 **Status:** Aktiv

@ -35,6 +35,7 @@
    - [WP-14 – Review / Refactoring / Dokumentation (geplant)](#wp-14--review--refactoring--dokumentation-geplant)
    - [WP-15 – Smart Edge Allocation \& Chunking Strategies (abgeschlossen)](#wp-15--smart-edge-allocation--chunking-strategies-abgeschlossen)
    - [WP-16 – Auto-Discovery \& Enrichment (geplant)](#wp-16--auto-discovery--enrichment-geplant)
+    - [WP-17 – Conversational Memory (Dialog-Gedächtnis) (geplant)](#wp-17--conversational-memory-dialog-gedächtnis-geplant)
  - [7. Abhängigkeiten (vereinfacht, aktualisiert)](#7-abhängigkeiten-vereinfacht-aktualisiert)
  - [8. Laufzeit- \& Komplexitätsindikatoren (aktualisiert)](#8-laufzeit---komplexitätsindikatoren-aktualisiert)
  - [9. Programmfortschritt (Ampel, aktualisiert)](#9-programmfortschritt-ampel-aktualisiert)
@ -555,7 +556,24 @@ Automatisches Erkennen und Vorschlagen von fehlenden Kanten in "dummem" Text (oh
 - Komplexität: Hoch

 ---
+### WP-17 – Conversational Memory (Dialog-Gedächtnis) (geplant)

+**Phase:** D
+**Status:** 🟡 geplant
+
+**Ziel:**
+Erweiterung des Chat-Backends von einem statischen Request-Response-Modell zu einem zustandsbehafteten Dialogsystem ("Multi-Turn Conversation"). Das System soll sich an vorherige Aussagen im aktuellen Gesprächsverlauf erinnern, um Rückfragen ("Was meinst du damit?") korrekt zu interpretieren.
+
+**Umfang:**
+- **API-Erweiterung:** `ChatRequest` DTO erhält ein `history`-Feld (Liste von Nachrichten).
+- **Context Management:** Implementierung einer Token-Budget-Logik, die dynamisch zwischen RAG-Kontext (Dokumente) und Dialog-Verlauf (History) balanciert, um das Kontextfenster (8k) optimal zu nutzen.
+- **Prompt Engineering:** Integration eines `{chat_history}` Platzhalters in den System-Prompt.
+- **Frontend-Update:** Die `ui.py` muss die letzten N Nachrichtenpaare (User/AI) bei jedem Request mitsenden.
+
+**Aufwand / Komplexität:**
+- Aufwand: Mittel
+- Komplexität: Mittel
+---
 ## 7. Abhängigkeiten (vereinfacht, aktualisiert)

    WP01 → WP02 → WP03 → WP04a
@ -564,6 +582,7 @@ Automatisches Erkennen und Vorschlagen von fehlenden Kanten in "dummem" Text (oh
    WP07 → WP10a
    WP03 → WP09
    WP01/WP03 → WP10 → WP11 → WP12
+    WP10 → WP17
    WP11 → WP15 → WP16
    WP03/WP04 → WP13
    Alles → WP14
@ -589,6 +608,7 @@ Automatisches Erkennen und Vorschlagen von fehlenden Kanten in "dummem" Text (oh
 | WP14  | Mittel         | Niedrig/Mittel   |
 | WP15  | Mittel         | Hoch             |
 | WP16  | Mittel         | Hoch             |
+| WP17  | Mittel         | Mittel           |

 ---

@ -616,6 +636,7 @@ Automatisches Erkennen und Vorschlagen von fehlenden Kanten in "dummem" Text (oh
 | WP14  | 🟡     |
 | WP15  | 🟢     |
 | WP16  | 🟡     |
+| WP17  | 🟡     |

 ---

--- a/docs/Knowledge_Design_Manual.md
+++ b/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:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP11)
+**Datei:** `docs/mindnet_knowledge_design_manual_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Integrierter Stand WP01–WP15)
 **Quellen:** `knowledge_design.md`, `TYPE_REGISTRY_MANUAL.md`, `chunking_strategy.md`, `mindnet_functional_architecture.md`.

 ---
@ -24,9 +24,9 @@ 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 2.4 verfügt Mindnet über:
+Seit Version 2.6 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).
+* **Smart Edge Allocation:** Das System prüft deine Links intelligent und bindet sie nur an die Textabschnitte (Chunks), wo sie wirklich relevant sind.
 * **Web UI (WP10):** Du kannst direkt sehen, welche Quellen genutzt wurden.
 * **Active Intelligence (WP11):** Das System hilft dir beim Schreiben und Vernetzen (Link-Vorschläge).

@ -69,7 +69,7 @@ Diese Felder sind technisch nicht zwingend, aber für bestimmte Typen sinnvoll:
 **Die ID (Identifikator):**
 * Muss global eindeutig und **stabil** sein.
 * Darf sich nicht ändern, wenn die Datei umbenannt oder verschoben wird.
-* **Empfehlung:** `YYYYMMDD-slug-hash` (z. B. `20231027-vektor-db-a1b2`). Dies garantiert Eindeutigkeit und Chronologie.
+* **Empfehlung:** `YYYYMMDD-slug` (z. B. `20231027-vektor-db`). Dies garantiert Eindeutigkeit und Chronologie.

 **Dateinamen & Pfade:**
 * Pfade dienen der menschlichen Ordnung (Ordnerstruktur), sind für Mindnet aber sekundär.
@ -80,7 +80,7 @@ Diese Felder sind technisch nicht zwingend, aber für bestimmte Typen sinnvoll:

 ## 3. Note-Typen & Typ-Registry

-Der `type` ist der wichtigste Hebel im Knowledge Design. Er steuert nicht nur das Gewicht bei der Suche, sondern seit WP-06 auch, **wann** eine Notiz aktiv in den Chat geholt wird ("Strategic Retrieval") und **welche Felder** im Interview abgefragt werden.
+Der `type` ist der wichtigste Hebel im Knowledge Design. Er steuert nicht nur das Gewicht bei der Suche, sondern seit WP-06 auch, **wann** eine Notiz aktiv in den Chat geholt wird ("Strategic Retrieval") und seit WP-15, **ob Smart Edges aktiviert sind**.

 ### 3.1 Übersicht der Kern-Typen

@ -95,8 +95,8 @@ Mindnet unterscheidet verschiedene Wissensarten. Wähle den Typ, der die **Rolle
 | **`value`** | Ein persönlicher Wert oder ein Prinzip. | **DECISION** | Definition, Anti-Beispiel | Ziel für `based_on` |
 | **`principle`** | Handlungsleitlinie. | **DECISION** | Regel, Ausnahme | Quelle für `derived_from` |
 | **`goal`** | Ein strategisches Ziel (kurz- oder langfristig). | **DECISION** | Zeitrahmen, KPIs, Werte | Ziel für `related_to` |
-| **`risk`** | **NEU:** Ein identifiziertes Risiko oder eine Gefahr. | **DECISION** | Auswirkung, Wahrscheinlichkeit | Quelle für `blocks` |
-| **`belief`** | **NEU:** Glaubenssatz / Überzeugung. | **EMPATHY** | Ursprung, Mantra | - |
+| **`risk`** | Ein identifiziertes Risiko oder eine Gefahr. | **DECISION** | Auswirkung, Wahrscheinlichkeit | Quelle für `blocks` |
+| **`belief`** | Glaubenssatz / Überzeugung. | **EMPATHY** | Ursprung, Mantra | - |
 | **`person`** | Eine reale Person (Netzwerk, Autor). | **FACT** | Rolle, Kontext | - |
 | **`journal`** | Zeitbezogener Log-Eintrag, Daily Note. | **FACT** | Datum, Tags | - |
 | **`source`** | Externe Quelle (Buch, PDF, Artikel). | **FACT** | Autor, URL | - |
@ -107,13 +107,11 @@ Der `type` steuert im Hintergrund drei technische Mechanismen:

 1.  **`retriever_weight` (Wichtigkeit):**
    * Ein `concept` (0.6) wiegt weniger als ein `project` (0.97) oder eine `decision` (1.0).
-    * **Warum?** Bei einer Suche nach "Datenbank" soll Mindnet bevorzugt deine *Entscheidung* ("Warum wir X nutzen") anzeigen.
 2.  **`chunk_profile` (Textzerlegung):**
    * `journal` (short): Wird fein zerlegt.
-    * `project` (long): Längere Kontext-Fenster.
-3.  **`edge_defaults` (Automatische Vernetzung):**
-    * Mindnet ergänzt automatisch Kanten.
-    * Beispiel: Ein Link in einem `project` wird automatisch als `depends_on` (Abhängigkeit) interpretiert.
+    * `experience` (sliding_smart_edges): Wird intelligent analysiert.
+3.  **`enable_smart_edge_allocation` (WP15):**
+    * Wenn `true`: Das System analysiert jeden Abschnitt mit KI, um zu prüfen, ob verlinkte Themen dort wirklich relevant sind. Das erhöht die Präzision massiv.

 ---

@ -291,4 +289,4 @@ Wir vermeiden es, Logik in den Markdown-Dateien hart zu kodieren.

 ### 7.2 Was bedeutet das für dich?
 * Du kannst dich auf den Inhalt konzentrieren.
-* Wenn wir in Zukunft (WP08) basierend auf Feedback lernen, dass "Projekte" noch wichtiger sind, ändern wir **eine Zeile** in der Konfiguration, und das gesamte System passt sich beim nächsten Import an.
+* Wenn wir in Zukunft basierend auf Feedback lernen, dass "Projekte" noch wichtiger sind, ändern wir **eine Zeile** in der Konfiguration, und das gesamte System passt sich beim nächsten Import an.
--- a/docs/Overview.md
+++ b/docs/Overview.md
@ -1,8 +1,8 @@
 # Mindnet v2.4 – Overview & Einstieg
-**Datei:** `docs/mindnet_overview_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Async Intelligence & Editor)
-**Version:** 2.4.0
+**Datei:** `docs/mindnet_overview_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Inkl. Smart Edges, Traffic Control & Healing UI)
+**Version:** 2.6.0

 ---

@ -28,14 +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:** Async Import-Pipeline, Chunking, Vektor-Datenbank (Qdrant).
-* **Status:** 🟢 Live (WP01–WP03, WP11).
+* **Technik:** Async Import-Pipeline, Smart Chunking (LLM-gestützte Kantenzuweisung), Vektor-Datenbank (Qdrant).
+* **Status:** 🟢 Live (WP01–WP03, WP11, WP15).

 ### 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 + Nomic Embeddings), Explanation Engine.
-* **Status:** 🟢 Live (WP04, WP11).
+* **Status:** 🟢 Live (WP04, WP11, WP15).

 ### Ebene 3: Identität & Interaktion (Die Persönlichkeit)
 * **Funktion:** Interaktion, Bewertung und Co-Creation.
@ -43,11 +43,11 @@ Mindnet arbeitet auf drei Schichten, die aufeinander aufbauen:
    * "Ich empfehle Lösung X, weil sie unserem Wert 'Datensparsamkeit' entspricht."
    * "Ich sehe, du willst ein Projekt starten. Lass uns die Eckdaten erfassen."
 * **Technik:**
-    * **Intent Router:** Erkennt Absichten (Fakt vs. Gefühl vs. Entscheidung vs. Interview).
-    * **Strategic Retrieval:** Lädt gezielt Werte oder Erfahrungen nach.
+    * **Hybrid Router v5:** Erkennt Absichten (Frage vs. Befehl) und unterscheidet Objekte (`types.yaml`) von Handlungen (`decision_engine.yaml`).
+    * **Traffic Control:** Priorisiert Chat-Anfragen ("Realtime") vor Hintergrund-Jobs ("Background").
    * **One-Shot Extraction:** Generiert Entwürfe für neue Notizen.
    * **Active Intelligence:** Schlägt Links während des Schreibens vor.
-* **Status:** 🟢 Live (WP05–WP07, WP10).
+* **Status:** 🟢 Live (WP05–WP07, WP10, WP15).

 ---

@ -57,8 +57,9 @@ Der Datenfluss in Mindnet ist zyklisch ("Data Flywheel"):

 1.  **Input:** Du schreibst Notizen in Obsidian **ODER** lässt sie von Mindnet im Chat entwerfen.
 2.  **Intelligence (Live):** Während du schreibst, analysiert Mindnet den Text und schlägt Verknüpfungen vor (Sliding Window Analyse).
-3.  **Ingest:** Ein asynchrones Python-Skript importiert, zerlegt (Chunking) und vernetzt (Edges) die Daten in Qdrant.
-4.  **Intent Recognition:** Der Router analysiert deine Frage: Willst du Fakten, Code, Empathie oder etwas dokumentieren?
+3.  **Ingest:** Ein asynchrones Python-Skript importiert und zerlegt die Daten.
+    * **Neu (Smart Edges):** Ein LLM analysiert jeden Textabschnitt und entscheidet, welche Kanten relevant sind.
+4.  **Intent Recognition:** Der Router analysiert deine Eingabe: Ist es eine Frage (RAG) oder ein Befehl (Interview)?
 5.  **Retrieval / Action:**
    * Bei Fragen: Das System sucht Inhalte passend zum Intent.
    * Bei Interviews: Das System wählt das passende Schema (z.B. Projekt-Vorlage).
@ -69,7 +70,8 @@ Der Datenfluss in Mindnet ist zyklisch ("Data Flywheel"):
 * **Backend:** Python 3.10+, FastAPI (Async).
 * **Datenbank:** Qdrant (Vektor & Graph, 768 Dim).
 * **KI:** Ollama (Phi-3 Mini für Chat, Nomic für Embeddings) – 100% lokal.
-* **Frontend:** Streamlit Web-UI (v2.4).
+* **Traffic Control:** Semaphore-Logik zur Lastverteilung zwischen Chat und Import.
+* **Frontend:** Streamlit Web-UI (v2.5) mit Healing Parser.

 ---

@ -79,13 +81,13 @@ Wo findest du was?

 | Wenn du... | ...lies dieses Dokument |
 | :--- | :--- |
-| **...wissen willst, wie man Notizen schreibt.** | `mindnet_knowledge_design_manual_v2.4.md` |
-| **...das System installieren oder betreiben musst.** | `mindnet_admin_guide_v2.4.md` |
-| **...am Python-Code entwickeln willst.** | `mindnet_developer_guide_v2.4.md` |
-| **...die Pipeline (Import -> RAG) verstehen willst.** | `mindnet_pipeline_playbook_v2.4.md` |
-| **...die genaue JSON-Struktur oder APIs suchst.** | `mindnet_technical_architecture.md` |
-| **...verstehen willst, was fachlich passiert.** | `mindnet_functional_architecture.md` |
-| **...den aktuellen Projektstatus suchst.** | `mindnet_appendices_v2.4.md` |
+| **...wissen willst, wie man Notizen schreibt.** | `mindnet_knowledge_design_manual_v2.6.md` |
+| **...das System installieren oder betreiben musst.** | `mindnet_admin_guide_v2.6.md` |
+| **...am Python-Code entwickeln willst.** | `mindnet_developer_guide_v2.6.md` |
+| **...die Pipeline (Import -> RAG) verstehen willst.** | `mindnet_pipeline_playbook_v2.6.md` |
+| **...die genaue JSON-Struktur oder APIs suchst.** | `mindnet_technical_architecture_v2.6.md` |
+| **...verstehen willst, was fachlich passiert.** | `mindnet_functional_architecture_v2.6.md` |
+| **...den aktuellen Projektstatus suchst.** | `mindnet_appendices_v2.6.md` |

 ---

@ -99,5 +101,5 @@ Wo findest du was?

 ## 6. Aktueller Fokus

-Wir haben den **Interview-Assistenten (WP07)** und die **Backend Intelligence (WP11)** erfolgreich integriert.
-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.
+Wir haben die **Smart Edge Allocation (WP15)** und die **System-Stabilisierung (Traffic Control)** erfolgreich abgeschlossen.
+Das System kann nun aktiv helfen, Wissen zu strukturieren, ohne dabei unter Last zusammenzubrechen. Der Fokus verschiebt sich nun in Richtung **Conversational Memory (WP17)** und **MCP Integration (WP13)**.
--- a/docs/admin_guide.md
+++ b/docs/admin_guide.md
@ -1,8 +1,8 @@
 # Mindnet v2.4 – Admin Guide
-**Datei:** `docs/mindnet_admin_guide_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Async Architecture & Nomic Model)
-**Quellen:** `Handbuch.md`, `mindnet_developer_guide_v2.4.md`.
+**Datei:** `docs/mindnet_admin_guide_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Inkl. Traffic Control & Smart Edge Config)
+**Quellen:** `Handbuch.md`, `mindnet_developer_guide_v2.6.md`.

 > Dieses Handbuch richtet sich an **Administratoren**. Es beschreibt Installation, Konfiguration, Backup-Strategien, Monitoring und den sicheren Betrieb der Mindnet-Instanz (API + UI + DB).

@ -55,7 +55,7 @@ Wir nutzen Qdrant als Vektor-Datenbank. Persistenz ist wichtig.

 ### 2.4 Ollama Setup (LLM & Embeddings)
 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.
+**WICHTIG (Update v2.4):** Es muss zwingend `nomic-embed-text` installiert sein, sonst startet der Import nicht.

    # 1. Installieren (Linux Script)
    curl -fsSL https://ollama.com/install.sh | sh
@ -68,7 +68,7 @@ Mindnet benötigt einen lokalen LLM-Server für Chat UND Embeddings.
    curl http://localhost:11434/api/generate -d '{"model": "phi3:mini", "prompt":"Hi"}'

 ### 2.5 Konfiguration (ENV)
-Erstelle eine `.env` Datei im Root-Verzeichnis. Achte besonders auf `VECTOR_DIM` und `MINDNET_EMBEDDING_MODEL`.
+Erstelle eine `.env` Datei im Root-Verzeichnis. Achte besonders auf `VECTOR_DIM` und das neue `MINDNET_LLM_BACKGROUND_LIMIT`.

    # Server Config
    UVICORN_HOST=0.0.0.0
@ -87,11 +87,15 @@ Erstelle eine `.env` Datei im Root-Verzeichnis. Achte besonders auf `VECTOR_DIM`
    # AI Modelle (Ollama)
    MINDNET_OLLAMA_URL="http://127.0.0.1:11434"
    MINDNET_LLM_MODEL="phi3:mini"
-    MINDNET_EMBEDDING_MODEL="nomic-embed-text" # NEU
+    MINDNET_EMBEDDING_MODEL="nomic-embed-text" 
    
-    # Timeouts (Erhöht für Async/Nomic)
+    # Timeouts (Erhöht für Async/Nomic/Smart Edges)
    MINDNET_LLM_TIMEOUT=300.0
-    MINDNET_API_TIMEOUT=60.0
+    MINDNET_API_TIMEOUT=300.0   # Wichtig: Frontend muss warten können
+    
+    # Traffic Control (Neu in v2.6)
+    # Begrenzt parallele LLM-Calls im Import, um Chat stabil zu halten.
+    MINDNET_LLM_BACKGROUND_LIMIT=2 
    
    # Configs
    MINDNET_PROMPTS_PATH="./config/prompts.yaml"
@ -155,12 +159,15 @@ 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. Das Skript nutzt nun **AsyncIO** und eine Semaphore, um Ollama nicht zu überlasten.
+Der Vault-Zustand sollte regelmäßig (z.B. stündlich per Cronjob) nach Qdrant synchronisiert werden. Das Skript nutzt nun **AsyncIO**, **Smart Edges** und **Traffic Control**.

 **Cronjob-Beispiel (stündlich):**

    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

+**Hinweis zu Smart Edges:**
+Der Import dauert nun länger (ca. 2-3 Min pro Datei), da das LLM intensiv genutzt wird. Dank `MINDNET_LLM_BACKGROUND_LIMIT=2` bleibt der Server dabei aber für den Chat responsive.
+
 ### 3.2 Health-Checks
 Prüfe regelmäßig, ob alle Komponenten laufen.

@ -176,7 +183,7 @@ Prüfe regelmäßig, ob alle Komponenten laufen.

 ---

-## 4. Troubleshooting (Update v2.4)
+## 4. Troubleshooting (Update v2.6)

 ### "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.
@ -184,15 +191,17 @@ Prüfe regelmäßig, ob alle Komponenten laufen.
    1. `python -m scripts.reset_qdrant --mode wipe --prefix mindnet --yes` (Löscht DB).
    2. `python -m scripts.import_markdown ...` (Baut neu auf).

-### "500 Internal Server Error" beim Speichern
-* **Ursache:** Oft Timeout bei Ollama, wenn `nomic-embed-text` noch nicht im RAM geladen ist ("Cold Start").
+### "500 Internal Server Error" beim Speichern/Chatten
+* **Ursache:** Oft Timeout bei Ollama, wenn `nomic-embed-text` noch nicht im RAM geladen ist ("Cold Start") oder der Import die GPU blockiert.
 * **Lösung:**
-    1. Sicherstellen, dass Modell existiert: `ollama list`.
-    2. API neustarten (re-initialisiert Async Clients).
+    1. `MINDNET_LLM_TIMEOUT` in `.env` auf `300.0` setzen.
+    2. `MINDNET_LLM_BACKGROUND_LIMIT` auf `1` reduzieren (falls Hardware schwach).

-### "NameError: name 'os' is not defined"
-* **Ursache:** Fehlender Import in Skripten nach Updates.
-* **Lösung:** `git pull` (Fix wurde in v2.3.10 deployed).
+### Import ist sehr langsam
+* **Ursache:** Smart Edges sind aktiv (`types.yaml`) und analysieren jeden Chunk.
+* **Lösung:**
+    * Akzeptieren (für bessere Qualität).
+    * Oder für Massen-Initial-Import in `types.yaml` temporär `enable_smart_edge_allocation: false` setzen.

 ---

@ -215,7 +224,7 @@ Wenn die Datenbank korrupt ist oder Modelle gewechselt werden:

    # 1. DB komplett leeren (Wipe)
    python3 -m scripts.reset_qdrant --mode wipe --prefix "mindnet" --yes
-    # 2. Alles neu importieren
+    # 2. Alles neu importieren (Force re-calculates Hashes)
    python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply --force

 ---
--- a/docs/appendix.md
+++ b/docs/appendix.md
@ -1,7 +1,7 @@
 # Mindnet v2.4 – Appendices & Referenzen
-**Datei:** `docs/mindnet_appendices_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP11)
+**Datei:** `docs/mindnet_appendices_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Integrierter Stand WP01–WP15)
 **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.
@ -10,22 +10,23 @@

 ## Anhang A: Typ-Registry Referenz (Default-Werte)

-Diese Tabelle zeigt die Standard-Konfiguration der `types.yaml` (Stand v2.4).
+Diese Tabelle zeigt die Standard-Konfiguration der `types.yaml` (Stand v2.6).

-| Typ (`type`) | Chunk Profile | Retriever Weight | Edge Defaults (Auto-Kanten) | Beschreibung |
+| Typ (`type`) | Chunk Profile | Retriever Weight | Smart Edges? | Beschreibung |
 | :--- | :--- | :--- | :--- | :--- |
-| **concept** | `medium` | 0.60 | `references`, `related_to` | Abstrakte Begriffe, Theorien. |
-| **project** | `long` | 0.97 | `references`, `depends_on` | Aktive Vorhaben. Hohe Priorität. |
-| **decision** | `long` | 1.00 | `caused_by`, `references` | Entscheidungen (ADRs). Höchste Prio. |
-| **experience** | `medium` | 0.90 | `derived_from`, `inspired_by` | Persönliche Learnings. |
-| **journal** | `short` | 0.80 | `related_to` | Zeitgebundene Logs. Fein granular. |
-| **person** | `short` | 0.50 | `related_to` | Personen-Profile. |
-| **source** | `long` | 0.50 | *(keine)* | Externe Quellen (Bücher, PDFs). |
-| **event** | `short` | 0.60 | `related_to` | Meetings, Konferenzen. |
-| **value** | `medium` | 1.00 | `related_to` | Persönliche Werte/Prinzipien. |
-| **goal** | `medium` | 0.95 | `depends_on` | Strategische Ziele. |
-| **belief** | `medium` | 0.90 | `related_to` | Glaubenssätze. |
-| **default** | `medium` | 1.00 | `references` | Fallback, wenn Typ unbekannt. |
+| **concept** | `medium` | 0.60 | Nein | Abstrakte Begriffe, Theorien. |
+| **project** | `long` | 0.97 | Ja | Aktive Vorhaben. Hohe Priorität. |
+| **decision** | `long` | 1.00 | Ja | Entscheidungen (ADRs). Höchste Prio. |
+| **experience** | `sliding_smart_edges` | 0.90 | **Ja** | Persönliche Learnings. Intensiv analysiert. |
+| **journal** | `short` | 0.80 | Nein | Zeitgebundene Logs. Fein granular. |
+| **person** | `short` | 0.50 | Nein | Personen-Profile. |
+| **source** | `long` | 0.50 | Nein | Externe Quellen (Bücher, PDFs). |
+| **event** | `short` | 0.60 | Nein | Meetings, Konferenzen. |
+| **value** | `medium` | 1.00 | Ja | Persönliche Werte/Prinzipien. |
+| **goal** | `medium` | 0.95 | Ja | Strategische Ziele. |
+| **belief** | `medium` | 0.90 | Ja | Glaubenssätze. |
+| **risk** | `short` | 0.90 | Ja | **NEU:** Risiken & Gefahren. |
+| **default** | `medium` | 1.00 | Nein | Fallback, wenn Typ unbekannt. |

 ---

@ -43,6 +44,7 @@ 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". |
+| `blocks` | Inline | Nein | **NEU:** Blockade. "Risiko X blockiert Projekt Y". |
 | `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". |
@ -78,6 +80,7 @@ Diese sind die Felder, die effektiv in Qdrant gespeichert werden.
      "window": "string (text)",           // Text + Overlap (für Embedding)
      "ord": "integer",                    // Laufende Nummer (1..N)
      "retriever_weight": "float",         // Kopie aus Note (für Query-Speed)
+      "chunk_profile": "string",           // Vererbt von Note
      "neighbors_prev": ["string"],        // ID des Vorgängers
      "neighbors_next": ["string"]         // ID des Nachfolgers
    }
@ -92,7 +95,8 @@ Diese sind die Felder, die effektiv in Qdrant gespeichert werden.
      "scope": "string (keyword)",         // Immer 'chunk'
      "rule_id": "string (keyword)",       // Traceability: 'inline:rel', 'explicit:wikilink'
      "confidence": "float",               // 0.0 - 1.0
-      "note_id": "string (keyword)"        // Owner Note ID
+      "note_id": "string (keyword)",       // Owner Note ID
+      "provenance": "keyword"              // 'explicit', 'rule', 'smart' (NEU)
    }

 ---
@ -115,7 +119,8 @@ Diese Variablen steuern das Verhalten der Skripte und Container.
 | `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` | `60.0` | **NEU:** Frontend Timeout (Streamlit). |
+| `MINDNET_API_TIMEOUT` | `300.0` | **NEU:** Frontend Timeout (Erhöht für Smart Edges). |
+| `MINDNET_LLM_BACKGROUND_LIMIT`| `2` | **NEU:** Max. parallele Import-Tasks (Traffic Control). |
 | `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`). |
@ -129,16 +134,19 @@ Diese Variablen steuern das Verhalten der Skripte und Container.
 * **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.
+* **Healing Parser:** UI-Funktion, die defektes YAML von LLMs repariert (v2.5).
 * **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.
+* **Smart Edge Allocation:** LLM-basierte Prüfung, ob ein Link zu einem Chunk passt (WP15).
+* **Traffic Control:** Priorisierung von Chat-Anfragen ("Realtime") vor Import-Last ("Background") im LLM-Service (v2.6).

 ---

-## Anhang F: Workpackage Status (v2.4.0)
+## Anhang F: Workpackage Status (v2.6.0)

 Aktueller Implementierungsstand der Module.

@ -151,9 +159,12 @@ Aktueller Implementierungsstand der Module.
 | **WP04b**| Explanation Layer | 🟢 Live | API liefert Reasons & Breakdown. |
 | **WP04c**| Feedback Loop | 🟢 Live | Logging (JSONL) & Traceability aktiv. |
 | **WP05** | Persönlichkeit / Chat | 🟢 Live | RAG-Integration mit Context Enrichment. |
-| **WP06** | Decision Engine | 🟢 Live | Intent-Router & Strategic Retrieval. |
+| **WP06** | Decision Engine | 🟢 Live | Hybrid Router v5, Strategic Retrieval. |
 | **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.** |
-| **WP11** | Backend Intelligence | 🟢 Live | **Async Core, Nomic, Matrix.** |
+| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI & Healing Parser.** |
+| **WP11** | Backend Intelligence | 🟢 Live | **Async Ingestion, Nomic, Matrix.** |
+| **WP15** | Smart Edge Allocation | 🟢 Live | **LLM-Filter & Traffic Control.** |
+| **WP16** | Auto-Discovery | 🟡 Geplant | UX & Retrieval Tuning. |
+| **WP17** | Conversational Memory | 🟡 Geplant | Dialog-Gedächtnis. |
--- a/docs/dev_workflow.md
+++ b/docs/dev_workflow.md
@ -1,6 +1,6 @@
 # Mindnet v2.4 – Entwickler-Workflow
 **Datei:** `docs/DEV_WORKFLOW.md`
-**Stand:** 2025-12-11 (Aktualisiert: Inkl. Async Intelligence & Nomic)
+**Stand:** 2025-12-12 (Aktualisiert: v2.6 mit Traffic Control)

 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/wp11-async-fix`).
+    * Gib den Namen ein: `feature/was-ich-tue` (z.B. `feature/wp15-traffic-control`).
    * 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` oder Async-Logik in `ingestion.py`).
+    * Nimm deine Änderungen vor (z.B. neue Schemas in `types.yaml` oder Async-Logik in `ingestion.py`).

 5.  **Sichern & Hochladen:**
    * **Source Control** Icon (Gabel-Symbol) -> Nachricht eingeben -> **Commit**.
@ -64,15 +64,27 @@ 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/wp11-async-fix
+    git checkout feature/wp15-traffic-control
    git pull
    ```

-4.  **Umgebung vorbereiten (WICHTIG für v2.4):**
+4.  **Umgebung vorbereiten (WICHTIG für v2.6):**
+    Prüfe deine `.env` Datei. Sie benötigt jetzt Einträge für die Traffic Control.
+    ```bash
+    nano .env
+    ```
+    **Ergänze/Prüfe:**
+    ```ini
+    # Traffic Control (Neu in v2.6)
+    MINDNET_LLM_BACKGROUND_LIMIT=2  # Max. parallele Import-Tasks
+    MINDNET_API_TIMEOUT=300.0       # Frontend wartet länger
+    MINDNET_EMBEDDING_MODEL="nomic-embed-text"
+    ```
+
+    **Dependencies aktualisieren:**
    ```bash
    source .venv/bin/activate
-    pip install -r requirements.txt  # HTTPX usw.
-    # Sicherstellen, dass das neue Embedding-Modell da ist:
+    pip install -r requirements.txt
    ollama pull nomic-embed-text
    ```

@ -102,18 +114,15 @@ Hier prüfst du, ob dein neuer Code auf dem echten Server läuft.
    uvicorn app.main:app --host 0.0.0.0 --port 8002 --env-file .env
    ```

-6.  **Validieren (Smoke Tests):**
+6.  **Validieren (Smoke Tests v2.6):**
    
-    * **Browser:** Öffne `http://<IP>:8502` um die UI zu testen (Intent Badge prüfen!).
-    * **CLI:** Führe Testskripte in einem **zweiten Terminal** aus:
+    * **Test A: Last-Test (Traffic Control):**
+        1. Starte einen Import im Terminal: `python3 -m scripts.import_markdown ...`
+        2. Öffne **gleichzeitig** `http://<IP>:8502` im Browser.
+        3. Stelle eine Chat-Frage ("Was ist Mindnet?").
+        4. **Erwartung:** Der Chat antwortet sofort (Realtime Lane), während der Import im Hintergrund weiterläuft (Background Lane).

-        **Test A: Intelligence / Aliases (Neu in WP11)**
-        ```bash
-        python debug_analysis.py
-        # Erwartung: "✅ ALIAS GEFUNDEN"
-        ```
-
-        **Test B: API Check**
+    * **Test B: API Check**
        ```bash
        curl -X POST "http://localhost:8002/ingest/analyze" -d '{"text": "mindnet", "type": "journal"}'
        ```
@ -147,6 +156,9 @@ Jetzt bringen wir die Änderung in das Live-System (Port 8001 / 8501).
    pip install -r requirements.txt
    ollama pull nomic-embed-text
    
+    # .env prüfen (Traffic Control)
+    # Ggf. MINDNET_LLM_BACKGROUND_LIMIT=2 hinzufügen
+    
    # 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
@ -168,7 +180,7 @@ Damit das Chaos nicht wächst, löschen wir den fertigen Branch.
    cd ~/mindnet_dev
    git checkout main
    git pull
-    git branch -d feature/wp11-async-fix
+    git branch -d feature/wp15-traffic-control
    ```
 3.  **VS Code:**
    * Auf `main` wechseln.
@ -190,15 +202,15 @@ Damit das Chaos nicht wächst, löschen wir den fertigen Branch.

 ## 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" im Frontend**
+* **Ursache:** Backend braucht für Smart Edges länger als 60s.
+* **Lösung:** `MINDNET_API_TIMEOUT=300.0` in `.env` setzen und Services neustarten.

-**"Read timed out (300s)" / 500 Error beim Interview**
-* **Ursache:** Das LLM (Ollama) braucht für den One-Shot Draft länger als das Timeout erlaubt.
+**Import ist extrem langsam**
+* **Ursache:** Smart Edges analysieren jeden Chunk mit LLM.
 * **Lösung:**
-    1.  Erhöhe in `.env` den Wert: `MINDNET_LLM_TIMEOUT=300.0`.
-    2.  Starte die Server neu.
+    * Akzeptieren (Qualität vor Speed).
+    * Oder temporär in `config/types.yaml`: `enable_smart_edge_allocation: false`.

 **"UnicodeDecodeError in .env"**
 * **Ursache:** Umlaute oder Sonderzeichen in der `.env` Datei.
--- a/docs/developer_guide.md
+++ b/docs/developer_guide.md
@ -1,7 +1,7 @@
 # Mindnet v2.4 – Developer Guide
-**Datei:** `docs/mindnet_developer_guide_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Async Core, Nomic & Frontend State)
+**Datei:** `docs/mindnet_developer_guide_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Inkl. Async Core, Nomic, Traffic Control & Frontend State)
 **Quellen:** `mindnet_technical_architecture.md`, `Handbuch.md`, `DEV_WORKFLOW.md`.

 > **Zielgruppe:** Entwickler:innen.
@ -9,7 +9,7 @@

 ---
 - [Mindnet v2.4 – Developer Guide](#mindnet-v24--developer-guide)
-  - [1. Projektstruktur (Post-WP10)](#1-projektstruktur-post-wp10)
+  - [1. Projektstruktur (Post-WP15)](#1-projektstruktur-post-wp15)
  - [2. Lokales Setup (Development)](#2-lokales-setup-development)
    - [2.1 Voraussetzungen](#21-voraussetzungen)
    - [2.2 Installation](#22-installation)
@ -21,6 +21,7 @@
    - [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)
+    - [3.6 Traffic Control (`app.services.llm_service`)](#36-traffic-control-appservicesllm_service)
  - [4. Tests \& Debugging](#4-tests--debugging)
    - [4.1 Unit Tests (Pytest)](#41-unit-tests-pytest)
    - [4.2 Integration / Pipeline Tests](#42-integration--pipeline-tests)
@ -34,15 +35,15 @@

 ---

-## 1. Projektstruktur (Post-WP10)
+## 1. Projektstruktur (Post-WP15)

 Der Code ist modular in `app` (Logik), `scripts` (CLI) und `config` (Steuerung) getrennt.

    mindnet/
    ├── app/
    │   ├── core/           # Kernlogik
-    │   │   ├── ingestion.py        # NEU: Async Ingestion Service (WP11)
-    │   │   ├── chunker.py          # Text-Zerlegung
+    │   │   ├── ingestion.py        # NEU: Async Ingestion Service mit Change Detection
+    │   │   ├── chunker.py          # Smart Chunker Orchestrator
    │   │   ├── derive_edges.py     # Edge-Erzeugung (WP03 Logik)
    │   │   ├── retriever.py        # Scoring & Hybrid Search
    │   │   ├── qdrant.py           # DB-Verbindung
@ -52,21 +53,22 @@ Der Code ist modular in `app` (Logik), `scripts` (CLI) und `config` (Steuerung)
    │   ├── routers/        # FastAPI Endpoints
    │   │   ├── query.py    # Suche
    │   │   ├── ingest.py   # NEU: Save/Analyze (WP11)
-    │   │   ├── chat.py     # Hybrid Router & Interview Logic (WP06/WP07)
+    │   │   ├── chat.py     # Hybrid Router v5 & Interview Logic
    │   │   ├── feedback.py # Feedback (WP04c)
    │   │   └── ...
    │   ├── services/       # Interne & Externe Dienste
-    │   │   ├── llm_service.py      # Ollama Client (Mit Timeout & Raw-Mode)
-    │   │   ├── embeddings_client.py# NEU: Async Embeddings (HTTPX)
+    │   │   ├── llm_service.py      # Ollama Client mit Traffic Control
+    │   │   ├── semantic_analyzer.py# NEU: LLM-Filter für Edges (WP15)
+    │   │   ├── embeddings_client.py# Async Embeddings (HTTPX)
    │   │   ├── feedback_service.py # Logging (JSONL Writer)
    │   │   └── discovery.py        # NEU: Intelligence Logic (WP11)
    │   ├── frontend/       # NEU (WP10)
-    │   │   └── ui.py       # Streamlit Application inkl. Draft-Editor
+    │   │   └── ui.py       # Streamlit Application inkl. Healing Parser
    │   └── main.py         # Entrypoint der API
    ├── config/             # YAML-Konfigurationen (Single Source of Truth)
-    │   ├── types.yaml      # Import-Regeln
-    │   ├── prompts.yaml    # LLM Prompts & Interview Templates (WP06/07)
-    │   ├── decision_engine.yaml # Router-Strategien & Schemas (WP06/07)
+    │   ├── types.yaml      # Import-Regeln & Smart-Edge Config
+    │   ├── prompts.yaml    # LLM Prompts & Interview Templates
+    │   ├── decision_engine.yaml # Router-Strategien (Actions only)
    │   └── retriever.yaml  # Scoring-Regeln & Kantengewichte
    ├── data/
    │   └── logs/           # Lokale Logs (search_history.jsonl, feedback.jsonl)
@ -121,12 +123,13 @@ Erstelle eine `.env` Datei im Root-Verzeichnis.
    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_LLM_TIMEOUT=300.0   # Timeout für CPU-Inference Cold-Starts
    MINDNET_DECISION_CONFIG="./config/decision_engine.yaml"
+    MINDNET_LLM_BACKGROUND_LIMIT=2 # NEU: Limit für parallele Import-Tasks
    
    # Frontend Settings (WP10)
    MINDNET_API_URL="http://localhost:8002"
-    MINDNET_API_TIMEOUT=60.0
+    MINDNET_API_TIMEOUT=300.0   # Erhöht wegen Smart Edge Berechnung
    
    # Import-Strategie
    MINDNET_HASH_COMPARE="Body" 
@ -154,15 +157,15 @@ 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_async()`.
-* **Async & Semaphore:** Das Skript nutzt nun `asyncio` und eine Semaphore (Limit: 5), um parallele Embeddings zu erzeugen, ohne Ollama zu überlasten.
+* **Smart Edges:** Nutzt `app.core.chunker` und `app.services.semantic_analyzer` zur Kanten-Filterung.
 * **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`.
+* **Robustheit:** In `ingestion.py` sind Mechanismen wie Change Detection und Robust File I/O (fsync) implementiert.

 ### 3.2 Der Hybrid Router (`app.routers.chat`)
 Hier liegt die Logik für Intent Detection (WP06) und Interview-Modus (WP07).
-* **Logic:** `_classify_intent` prüft zuerst Keywords (Fast Path) und fällt auf `llm_service.generate_raw_response` zurück (Slow Path), wenn konfiguriert.
-* **One-Shot:** Wenn Intent `INTERVIEW` erkannt wird, wird **kein Retrieval** ausgeführt. Stattdessen wird ein Draft generiert.
-* **Erweiterung:** Um neue Intents hinzuzufügen, editiere nur die YAML, nicht den Python-Code (Late Binding).
+* **Question Detection:** Prüft zuerst, ob der Input eine Frage ist. Falls ja -> RAG.
+* **Keyword Match:** Prüft Keywords in `decision_engine.yaml` und `types.yaml`.
+* **Priority:** Ruft `llm_service` mit `priority="realtime"` auf.

 ### 3.3 Der Retriever (`app.core.retriever`)
 Hier passiert das Scoring.
@ -172,14 +175,19 @@ 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.
-* **Logik:** Ruft `/chat` und `/feedback` und `/ingest/analyze` Endpoints der API auf.
+* **Healing Parser:** Die Funktion `parse_markdown_draft` repariert defekte YAML-Frontmatter (fehlendes `---`) automatisch.
+* **Logik:** Ruft `/chat`, `/feedback` und `/ingest/analyze` 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.
+
+### 3.6 Traffic Control (`app.services.llm_service`)
+**Neu in v2.6:**
+* Stellt sicher, dass Batch-Prozesse (Import) den Live-Chat nicht ausbremsen.
+* **Methode:** `generate_raw_response(..., priority="background")` aktiviert eine Semaphore (Limit default 2).
+* **Config:** `MINDNET_LLM_BACKGROUND_LIMIT` in `.env`.

 ---

@ -235,6 +243,7 @@ Definiere die "Physik" des Typs (Import-Regeln und Basis-Wichtigkeit).
      chunk_profile: short       # Risiken sind oft kurze Statements
      retriever_weight: 0.90     # Sehr wichtig, fast so hoch wie Decisions
      edge_defaults: ["blocks"]  # Automatische Kante zu verlinkten Projekten
+      detection_keywords: ["risiko", "gefahr"] # Für Router

 **2. Strategie-Ebene (`config/decision_engine.yaml`)**
 Damit dieser Typ aktiv geladen wird, musst du ihn einer Strategie zuordnen.
@ -262,14 +271,17 @@ Konfiguriere `edge_weights`, wenn Kausalität wichtiger ist als Ähnlichkeit.

 Wenn Mindnet neue Fragen stellen soll:

-**1. Schema erweitern (`config/decision_engine.yaml`)**
+**1. Schema erweitern (`config/types.yaml`)**
 Füge das Feld in die Liste ein.

    project:
-      fields: ["Titel", "Ziel", "Budget"] # <--- Budget neu
+      schema: 
+        - "Titel"
+        - "Ziel"
+        - "Budget (Neu)"

 **2. Keine Code-Änderung nötig**
-Der `One-Shot Extractor` (Prompt Template) liest diese Liste dynamisch und weist das LLM an, das Budget zu extrahieren oder `[TODO]` zu setzen.
+Der `One-Shot Extractor` liest diese Liste dynamisch.

 ### Fazit
 * **Vault:** Liefert das Wissen.
--- a/docs/mindnet_functional_architecture.md
+++ b/docs/mindnet_functional_architecture.md
@ -1,9 +1,9 @@
 # Mindnet v2.4 – Fachliche Architektur
-**Datei:** `docs/mindnet_functional_architecture_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP11: Async Intelligence)
+**Datei:** `docs/mindnet_functional_architecture_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Integrierter Stand WP01–WP15: Smart Edges & Traffic Control)

-> 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).
+> Dieses Dokument beschreibt **was** Mindnet fachlich tut und **warum** – mit Fokus auf die Erzeugung und Nutzung von **Smart Edges** (Kanten), die Logik des Retrievers und den **RAG-Chat** (Decision Engine, Interview-Modus & Persönlichkeit).

 ---
 <details>
@ -19,7 +19,8 @@
    - [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)
+    - [2.4 Smart Edge Allocation (LLM-gefiltert) – Neu in v2.6](#24-smart-edge-allocation-llm-gefiltert--neu-in-v26)
+    - [2.5 Matrix-Logik (Kontextsensitive Kanten)](#25-matrix-logik-kontextsensitive-kanten)
  - [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)
@ -27,13 +28,15 @@
  - [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–WP11)](#6-context-intelligence--intent-router-wp06wp11)
+    - [5.3 Graph-Expansion](#53-graph-expansion)
+  - [6) Context Intelligence \& Intent Router (WP06–WP15)](#6-context-intelligence--intent-router-wp06wp15)
    - [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)](#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)
+    - [6.2 Der Hybrid Router v5 (Action vs. Question)](#62-der-hybrid-router-v5-action-vs-question)
+    - [6.3 Traffic Control (Realtime vs. Background)](#63-traffic-control-realtime-vs-background)
+    - [6.4 Strategic Retrieval (Injektion von Werten)](#64-strategic-retrieval-injektion-von-werten)
+    - [6.5 Reasoning (Das Gewissen)](#65-reasoning-das-gewissen)
+    - [6.6 Der Interview-Modus (One-Shot Extraction)](#66-der-interview-modus-one-shot-extraction)
+    - [6.7 Active Intelligence (Link Suggestions)](#67-active-intelligence-link-suggestions)
  - [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)
@ -49,7 +52,7 @@
  - [13) Lösch-/Update-Garantien (Idempotenz)](#13-lösch-update-garantien-idempotenz)
  - [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)
+  - [16) Workpackage Status (v2.6.0)](#16-workpackage-status-v260)

 </details>
 ---
@ -63,7 +66,7 @@ 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 (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*.
+Die Import-Pipeline (seit v2.6 mit **Traffic Control** und **Smart Edges**) erzeugt diese Artefakte **deterministisch** und **idempotent** (erneute Läufe überschreiben konsistent statt zu duplizieren). Die Import-Schritte sind: *parse → chunk → embed → smart-edge-allocation → upsert*.

 ---

@ -80,9 +83,9 @@ Die Import-Pipeline (seit v2.3.10 asynchron) erzeugt diese Artefakte **determini
 - 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.
+- **Update v2.6 (Smart Chunking):** Ein Chunk ist nicht mehr nur ein dummer Textblock, der alle Links der Mutter-Notiz erbt. Durch die **Smart Edge Allocation (WP15)** "weiß" jeder Chunk genau, welche Kanten inhaltlich zu ihm gehören (siehe 2.4).

-> **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.
+> **Wichtig:** Chunking-Profile (short/medium/long/sliding_smart_edges) kommen aus `types.yaml` (per Note-Typ), können aber lokal überschrieben werden. Die effektiven Werte werden bei der Payload-Erzeugung bestimmt.

 ---

@ -97,7 +100,7 @@ Edges kodieren Beziehungen. Sie sind **gerichtet** und werden in `mindnet_edges`
 Diese Kanten entstehen immer, unabhängig von Inhalten.

 ### 2.2 Inhalts-Kanten (explizit)
-Hier unterscheidet v2.2 präzise zwischen verschiedenen Quellen der Evidenz:
+Hier unterscheidet v2.6 präzise zwischen verschiedenen Quellen der Evidenz:

 1.  **Explizite Inline-Relationen (Höchste Priorität):**
    Im Fließtext notierte, semantisch qualifizierte Relationen.
@ -131,7 +134,19 @@ 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
+### 2.4 Smart Edge Allocation (LLM-gefiltert) – Neu in v2.6
+Mit **WP15** wurde ein intelligenter Filter eingeführt, um das Problem des "Broadcasting" zu lösen. Früher erbte jeder Chunk einer Notiz *alle* Links der Notiz, was zu unpräzisem Retrieval führte.
+
+**Der neue Prozess:**
+1.  **Scan:** Das System sammelt alle expliziten Links der gesamten Notiz.
+2.  **Chunking:** Der Text wird in Abschnitte zerlegt.
+3.  **Analyse (LLM):** Ein lokales LLM (Semantic Analyzer) liest jeden Chunk einzeln.
+4.  **Entscheidung:** Das LLM entscheidet für jeden Link aus Schritt 1: *"Ist dieser Link im Kontext dieses spezifischen Textabschnitts relevant?"*
+5.  **Zuweisung:** Nur wenn das LLM zustimmt, wird die Kante am Chunk erstellt.
+
+*Steuerung:* Dies ist pro Typ in der `types.yaml` konfigurierbar (`enable_smart_edge_allocation: true`).
+
+### 2.5 Matrix-Logik (Kontextsensitive Kanten)
 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`:**
@ -154,7 +169,7 @@ Jede Kante hat mindestens:

 Erweiterte/abgeleitete Felder (WP03 Superset):

- `provenance` – `"explicit"` (Wikilink/Inline/Callout) oder `"rule"` (Typ-Defaults)
+- `provenance` – `"explicit"` (Wikilink/Inline/Callout), `"rule"` (Typ-Defaults) oder neu `"smart"` (vom LLM validiert).
 - `rule_id` – maschinenlesbare Regelquelle (z.B. `inline:rel`, `edge_defaults:project:depends_on`)
 - `confidence` – 0.0–1.0; Heuristik zur Gewichtung im Scoring.

@ -168,20 +183,24 @@ Erweiterte/abgeleitete Felder (WP03 Superset):
 - Steuert **Chunking-Profile** (`short|medium|long`) **pro Typ**
 - Liefert **retriever_weight** (Note-/Chunk-Gewichtung im Ranking) **pro Typ**
 - Definiert **edge_defaults** je Typ (s. o.)
+- **Neu in v2.6:** Steuert `enable_smart_edge_allocation` (LLM-Filter) und `detection_keywords` für den Hybrid Router.

 Der Importer lädt die Registry aus `MINDNET_TYPES_FILE` oder nutzt Fallbacks. **Frontmatter-Overrides** für Profile werden in v2.2 weitgehend ignoriert zugunsten einer zentralen Governance in der YAML-Datei.

 ### 4.2 Beispiel (auslieferungsnah)
-    version: 1.0
+    version: 2.6.0
    types:
      concept:
        chunk_profile: medium
        edge_defaults: ["references", "related_to"]
        retriever_weight: 0.60
-      project:
-        chunk_profile: long
-        edge_defaults: ["references", "depends_on"]
-        retriever_weight: 0.97
+      experience:
+        chunk_profile: sliding_smart_edges
+        enable_smart_edge_allocation: true  # WP15: LLM prüft Kanten
+        detection_keywords: ["passiert", "erlebt", "situation"] # WP06: Router-Trigger
+        schema: # WP07: Interview-Struktur
+          - "Situation (Was ist passiert?)"
+          - "Meine Reaktion (Was habe ich getan?)"

 **Auflösung im Importer**
 - `effective_chunk_profile(note_type, registry)` → `"short|medium|long"|None`
@ -220,9 +239,12 @@ Der Retriever ist keine Blackbox mehr. Er liefert auf Wunsch (`explain=True`) ei
    
 Die API gibt diese Analysen als menschenlesbare Sätze (`reasons`) und als Datenstruktur (`score_breakdown`) zurück.

+### 5.3 Graph-Expansion
+Der Hybrid-Modus lädt dynamisch die Nachbarschaft der Top-K Vektor-Treffer ("Seeds") über `graph_adapter.expand`. Dies baut einen temporären `NetworkX`-artigen Graphen im Speicher (Klasse `Subgraph`), auf dem Boni berechnet werden.
+
 ---

-## 6) Context Intelligence & Intent Router (WP06–WP11)
+## 6) Context Intelligence & Intent Router (WP06–WP15)

 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.

@ -230,40 +252,51 @@ Seit WP06 agiert Mindnet nicht mehr statisch, sondern passt seine Suchstrategie
 * **Früher (Pre-WP06):** Jede Frage ("Was ist X?" oder "Soll ich X?") wurde gleich behandelt -> Fakten-Retrieval.
 * **Heute (WP06):** Das System erkennt, *was* der User will (Rat, Fakten oder Datenerfassung) und wechselt den Modus.

-### 6.2 Der Intent-Router (Keyword & Semantik)
-Der Router prüft vor jeder Antwort die Absicht über konfigurierbare Strategien (`config/decision_engine.yaml`):
+### 6.2 Der Hybrid Router v5 (Action vs. Question)
+Der Router wurde in v2.6 (WP15) weiterentwickelt, um Fehlalarme zu vermeiden.

-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 (WP07):** Wunsch, Wissen zu erfassen ("Neues Projekt anlegen"). → Aktiviert den Draft-Generator.
-5.  **CODING:** Technische Anfragen.
+1.  **Frage-Erkennung:**
+    * Das System prüft zuerst: Enthält der Satz ein `?` oder typische W-Wörter (Wer, Wie, Was)?
+    * Wenn **JA** -> Gehe in den **RAG Modus** (Intent `FACT` oder `DECISION`). Interviews werden hier blockiert.
    
-### 6.3 Strategic Retrieval (Injektion von Werten)
+2.  **Befehls-Erkennung (Fast Path):**
+    * Wenn **NEIN** (keine Frage), prüft das System auf Keywords in `types.yaml` ("Projekt", "Erfahrung").
+    * Treffer -> **INTERVIEW Modus** (Erfassen). Das Schema wird aus `types.yaml` geladen.
+
+3.  **LLM Fallback (Slow Path):**
+    * Wenn beides fehlschlägt, entscheidet das LLM über den Intent.
+
+### 6.3 Traffic Control (Realtime vs. Background)
+Um den Live-Betrieb (Chat) nicht durch den ressourcenintensiven Smart-Import (LLM-Analyse) zu gefährden, implementiert v2.6 ein **Traffic Control System** im `LLMService`.
+
+* **Realtime Lane (Chat):** Anfragen aus dem Chat erhalten `priority="realtime"`. Sie umgehen alle Warteschlangen und werden sofort bearbeitet.
+* **Background Lane (Import):** Anfragen zur Kantenanalyse erhalten `priority="background"`. Sie werden durch eine **Semaphore** gedrosselt (Standard: max 2 parallel), um die Hardware nicht zu überlasten.
+
+### 6.4 Strategic Retrieval (Injektion von Werten)
 Im Modus `DECISION` führt das System eine **zweite Suchstufe** aus. Es sucht nicht nur nach semantisch passenden Texten zur Frage, sondern erzwingt das Laden von strategischen Notizen wie:
 * **Values (`type: value`):** Moralische Werte (z.B. "Privacy First").
 * **Principles (`type: principle`):** Handlungsanweisungen.
 * **Goals (`type: goal`):** Strategische Ziele.

-### 6.4 Reasoning (Das Gewissen)
+### 6.5 Reasoning (Das Gewissen)
 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)
+### 6.6 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).
 * **One-Shot Extraction:** Statt eines langen Dialogs extrahiert das LLM **sofort** alle verfügbaren Infos aus dem Prompt und generiert einen validen Markdown-Draft mit Frontmatter.
-* **Draft-Status:** Fehlende Pflichtfelder werden mit `[TODO]` markiert.
+* **Healing Parser (v2.5):** Falls das LLM die YAML-Syntax beschädigt (z.B. fehlendes Ende), repariert das Frontend den Entwurf automatisch.
 * **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
+### 6.7 Active Intelligence (Link Suggestions)
 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.
+* **Logik:** Dabei kommt die in 2.5 beschriebene **Matrix-Logik** zum Einsatz, um den korrekten Kanten-Typ vorzuschlagen.

 ---

@ -301,8 +334,9 @@ Mindnet lernt nicht durch klassisches Training (Fine-Tuning), sondern durch **Ko
      chunk_profile: short      # Risiken sind oft kurze Statements
      retriever_weight: 0.90    # Hohe Priorität im Ranking
      edge_defaults: ["blocks"] # Automatische Kante zu verlinkten Projekten
+      detection_keywords: ["gefahr", "risiko"] # Für den Hybrid Router
    ```
-    *Effekt:* Der Retriever spült diese Notizen bei relevanten Anfragen nach oben.
+    *Effekt:* Der Router erkennt das Wort "Risiko" und bietet ein Interview an. Der Retriever spült diese Notizen bei relevanten Anfragen nach oben.

 2.  **Semantik erklären (`config/prompts.yaml` / `decision_engine.yaml`)**
    Bringe dem LLM bei, wie es mit diesem Typ umgehen soll. Füge `risk` zur `DECISION`-Strategie hinzu (`inject_types`), damit es bei Entscheidungen geladen wird.
@ -359,12 +393,12 @@ Die Interaktion erfolgt primär über das **Web-Interface (WP10)**.
 ## 10) Confidence & Provenance – wozu?

 Der Retriever kann Edges gewichten:
- **provenance**: *explicit* > *rule*
+- **provenance**: *explicit* > *smart* (Neu) > *rule*
 - **confidence**: numerische Feinsteuerung
 - **retriever_weight (Note/Chunk)**: skaliert die Relevanz des gesamten Knotens

 Eine typische Gewichtung (konfigurierbar in `retriever.yaml`) ist:
-`explicit: 1.0`, `rule: 0.8`. Damit bevorzugt der Graph **kuratiertes Wissen** (explizit notierte Links) vor „erweiterten“ Default-Ableitungen.
+`explicit: 1.0`, `smart: 0.9`, `rule: 0.8`. Damit bevorzugt der Graph **kuratiertes Wissen** (explizit notierte Links) vor „erweiterten“ Default-Ableitungen.

 ---

@ -413,11 +447,11 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
    
    > [!edge] related_to: [[Vector DB Basics]]

-**Ergebnis (fachlich)**
-1.  `depends_on(Chunk→Qdrant)` mit `rule_id=inline:rel`, `confidence≈0.95`.
-2.  `references(Chunk→Embeddings 101)` mit `rule_id=explicit:wikilink`, `confidence=1.0`.
-3.  `related_to(Chunk→Vector DB Basics)` via Callout; `rule_id=callout:edge`, `confidence≈0.90`.
-4.  **Typ-Defaults:** Falls die Note vom Typ `project` ist, entstehen zusätzlich `depends_on`-Kanten zu den Zielen aus (2) und (3).
+**Ergebnis (fachlich - Smart Edges)**
+Das LLM analysiert jeden Chunk.
+1.  Chunk 1 ("Wir nutzen..."): Enthält `depends_on(Chunk→Qdrant)`. Das LLM bestätigt: Relevant. -> Kante wird erstellt.
+2.  Chunk 2 ("Siehe auch..."): Enthält `references(Chunk→Embeddings)`. Das LLM bestätigt.
+3.  **Wichtig:** Ein Chunk 3 ("Die Benutzeroberfläche ist blau..."), der keine Erwähnung von Qdrant hat, bekommt **keine** `depends_on` Kante zu Qdrant, auch wenn die Note global verlinkt ist. Das ist der Gewinn von WP15.

 ---

@ -425,6 +459,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:

 - Import-Pipeline & Registry-Auflösung: `scripts/import_markdown.py`.
 - Kantenbildung (V2-Logic): `app/core/derive_edges.py`.
+- Smart Chunking & Traffic Control: `app/core/chunker.py` & `app/services/llm_service.py`.
 - Typ-Registry: `config/types.yaml` & `TYPE_REGISTRY_MANUAL.md`.
 - Retriever-Scoring & Explanation: `app/core/retriever.py`.
 - Persönlichkeit & Chat: `config/prompts.yaml` & `app/routers/chat.py`.
@ -435,7 +470,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:

 ---

-## 16) Workpackage Status (v2.4.0)
+## 16) Workpackage Status (v2.6.0)

 Aktueller Implementierungsstand der Module.

@ -448,9 +483,12 @@ Aktueller Implementierungsstand der Module.
 | **WP04b**| Explanation Layer | 🟢 Live | API liefert Reasons & Breakdown. |
 | **WP04c**| Feedback Loop | 🟢 Live | Logging (JSONL) & Traceability aktiv. |
 | **WP05** | Persönlichkeit / Chat | 🟢 Live | RAG-Integration mit Context Enrichment. |
-| **WP06** | Decision Engine | 🟢 Live | Intent-Router & Strategic Retrieval. |
+| **WP06** | Decision Engine | 🟢 Live | Hybrid 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-Interface (Streamlit). |
-| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
+| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI & Healing Parser.** |
 | **WP11** | Backend Intelligence | 🟢 Live | **Async Ingestion, Nomic Embeddings, Matrix Logic.** |
+| **WP15** | Smart Edge Allocation | 🟢 Live | **LLM-Filter & Traffic Control aktiv.** |
+| **WP16** | Auto-Discovery | 🟡 Geplant | UX & Retrieval Tuning. |
+| **WP17** | Conversational Memory | 🟡 Geplant | Dialog-Gedächtnis. |
--- a/docs/mindnet_technical_architecture.md
+++ b/docs/mindnet_technical_architecture.md
@ -1,7 +1,7 @@
 # Mindnet v2.4 – Technische Architektur
-**Datei:** `docs/mindnet_technical_architecture_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP11: Async Intelligence)
+**Datei:** `docs/mindnet_technical_architecture_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Integrierter Stand WP01–WP15: Smart Edges & Traffic Control)
 **Quellen:** `Programmplan_V2.2.md`, `Handbuch.md`, `chunking_strategy.md`, `wp04_retriever_scoring.md`.

 > **Ziel dieses Dokuments:**
@ -15,7 +15,7 @@
  - [](#)
  - [1. Systemüberblick](#1-systemüberblick)
    - [1.1 Architektur-Zielbild](#11-architektur-zielbild)
-    - [1.2 Verzeichnisstruktur \& Komponenten (Post-WP10)](#12-verzeichnisstruktur--komponenten-post-wp10)
+    - [1.2 Verzeichnisstruktur \& Komponenten (Post-WP15)](#12-verzeichnisstruktur--komponenten-post-wp15)
  - [2. Datenmodell \& Collections (Qdrant)](#2-datenmodell--collections-qdrant)
    - [2.1 Notes Collection (`<prefix>_notes`)](#21-notes-collection-prefix_notes)
    - [2.2 Chunks Collection (`<prefix>_chunks`)](#22-chunks-collection-prefix_chunks)
@ -27,22 +27,23 @@
    - [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 (Async)](#41-verarbeitungsschritte-async)
+    - [4.1 Verarbeitungsschritte (Async + Smart)](#41-verarbeitungsschritte-async--smart)
  - [5. Retriever-Architektur \& Scoring](#5-retriever-architektur--scoring)
    - [5.1 Betriebsmodi](#51-betriebsmodi)
    - [5.2 Scoring-Formel (WP04a)](#52-scoring-formel-wp04a)
    - [5.3 Explanation Layer (WP04b)](#53-explanation-layer-wp04b)
    - [5.4 Graph-Expansion](#54-graph-expansion)
  - [6. RAG \& Chat Architektur (WP06 Hybrid Router + WP07 Interview)](#6-rag--chat-architektur-wp06-hybrid-router--wp07-interview)
-    - [6.1 Architektur-Pattern: Intent Router](#61-architektur-pattern-intent-router)
-    - [6.2 Schritt 1: Intent Detection (Hybrid)](#62-schritt-1-intent-detection-hybrid)
-    - [6.3 Schritt 2: Strategy Resolution (Late Binding)](#63-schritt-2-strategy-resolution-late-binding)
-    - [6.4 Schritt 3: Retrieval vs. Extraction](#64-schritt-3-retrieval-vs-extraction)
-    - [6.5 Schritt 4: Generation \& Response](#65-schritt-4-generation--response)
+    - [6.1 Architektur-Pattern: Intent Router v5](#61-architektur-pattern-intent-router-v5)
+    - [6.2 Traffic Control (Priorisierung)](#62-traffic-control-priorisierung)
+    - [6.3 Schritt 1: Intent Detection (Question vs. Action)](#63-schritt-1-intent-detection-question-vs-action)
+    - [6.4 Schritt 2: Strategy Resolution](#64-schritt-2-strategy-resolution)
+    - [6.5 Schritt 3: Retrieval vs. Extraction](#65-schritt-3-retrieval-vs-extraction)
+    - [6.6 Schritt 4: Generation \& Response](#66-schritt-4-generation--response)
  - [7. Frontend Architektur (WP10)](#7-frontend-architektur-wp10)
    - [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)
+    - [7.3 Draft-Editor \& Healing Parser (Neu in WP10a/v2.5)](#73-draft-editor--healing-parser-neu-in-wp10av25)
    - [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)
@ -62,57 +63,63 @@
 Mindnet ist ein **lokales RAG-System (Retrieval Augmented Generation)** mit Web-Interface.
 1.  **Source:** Markdown-Notizen in einem Vault (Obsidian-kompatibel).
 2.  **Pipeline:** Ein Python-Importer transformiert diese in **Notes**, **Chunks** und **Edges**.
+    * **Neu in v2.6:** Intelligente Kanten-Zuweisung durch lokale LLMs (Smart Edges).
 3.  **Storage:**
    * **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.
-    * **Update v2.3.10:** Der Core arbeitet nun vollständig **asynchron (AsyncIO)**, um Blockaden bei Embedding-Requests zu vermeiden.
-5.  **Frontend:** Streamlit-App (`ui.py`) für Interaktion und Visualisierung inkl. **Draft Editor** und **Intelligence-Features**.
+    * **Update v2.6:** Der Core arbeitet nun vollständig **asynchron (AsyncIO)** mit **Traffic Control** (Semaphore), um Blockaden bei parallelem Import und Chat zu vermeiden.
+5.  **Frontend:** Streamlit-App (`ui.py`) für Interaktion und Visualisierung inkl. **Draft Editor**, **Active Intelligence** und **Healing Parser**.
 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`).

-### 1.2 Verzeichnisstruktur & Komponenten (Post-WP10)
+### 1.2 Verzeichnisstruktur & Komponenten (Post-WP15)

    /mindnet/
    ├── app/
    │   ├── main.py                 # FastAPI Einstiegspunkt
    │   ├── core/
-    │   │   ├── ingestion.py        # NEU: Async Ingestion Service (WP11)
+    │   │   ├── ingestion.py        # NEU: Async Ingestion mit Change Detection
    │   │   ├── qdrant.py           # Client-Factory & Connection
    │   │   ├── qdrant_points.py    # Low-Level Point Operations (Upsert/Delete)
    │   │   ├── note_payload.py     # Bau der Note-Objekte
    │   │   ├── chunk_payload.py    # Bau der Chunk-Objekte
-    │   │   ├── chunker.py          # Text-Zerlegung (Profiling)
+    │   │   ├── chunker.py          # Smart Chunker Orchestrator (WP15)
    │   │   ├── edges.py            # Edge-Datenstrukturen
    │   │   ├── derive_edges.py     # Logik der Kantenableitung (WP03)
    │   │   ├── graph_adapter.py    # Subgraph & Reverse-Lookup (WP04b)
    │   │   └── retriever.py        # Scoring, Expansion & Explanation (WP04a/b)
    │   ├── models/                 # Pydantic DTOs
+    │   │   └── dto.py              # Zentrale DTO-Definition
    │   ├── routers/
    │   │   ├── query.py            # Such-Endpunkt
    │   │   ├── ingest.py           # NEU: API für Save & Analyze (WP11)
-    │   │   ├── chat.py             # Hybrid Router & Interview Logic (WP06/07)
+    │   │   ├── chat.py             # Hybrid Router v5 & Interview Logic (WP06/07)
    │   │   ├── feedback.py         # Feedback-Endpunkt (WP04c)
    │   │   └── ...
    │   ├── services/
-    │   │   ├── llm_service.py      # Ollama Chat Client
-    │   │   ├── embeddings_client.py# NEU: Async Embedding Client (HTTPX)
-    │   │   └── feedback_service.py # JSONL Logging (WP04c)
+    │   │   ├── llm_service.py      # Ollama Chat Client mit Traffic Control
+    │   │   ├── semantic_analyzer.py# NEU: LLM-Filter für Edges (WP15)
+    │   │   ├── embeddings_client.py# NEU: Async Embeddings (HTTPX)
+    │   │   ├── feedback_service.py # Logging (JSONL Writer)
+    │   │   └── discovery.py        # NEU: Intelligence Logic (WP11)
    │   ├── frontend/               # NEU (WP10)
-    │       └── ui.py               # Streamlit Application inkl. Sanitizer
-    ├── config/
-    │   ├── types.yaml              # Typ-Definitionen (Import-Zeit)
-    │   ├── retriever.yaml          # Scoring-Gewichte (Laufzeit)
-    │   ├── decision_engine.yaml    # Strategien & Schemas (WP06/WP07)
-    │   └── prompts.yaml            # LLM System-Prompts & Templates (WP06)
+    │   │   └── ui.py               # Streamlit Application inkl. Healing Parser
+    │   └── main.py                 # Entrypoint der API
+    ├── config/             # YAML-Konfigurationen (Single Source of Truth)
+    │   ├── types.yaml      # Import-Regeln & Smart-Edge Config
+    │   ├── prompts.yaml    # LLM Prompts & Interview Templates (WP06/07)
+    │   ├── decision_engine.yaml # Router-Strategien (Actions only)
+    │   └── retriever.yaml  # Scoring-Regeln & Kantengewichte
    ├── data/
-    │   └── logs/                   # Lokale JSONL-Logs (WP04c)
-    ├── scripts/
+    │   └── logs/           # Lokale Logs (search_history.jsonl, feedback.jsonl)
+    ├── scripts/            # CLI-Tools (Import, Diagnose, Reset)
    │   ├── 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
+    ├── tests/              # Pytest Suite & Smoke Scripts
+    └── vault/              # Dein lokaler Markdown-Content (Git-ignored)

 ---

@ -171,6 +178,7 @@ Gerichtete Kanten. Massiv erweitert in WP03 für Provenienz-Tracking.
    | `scope` | Keyword | Geltungsbereich. | Immer `"chunk"` (v2.2). |
    | `rule_id` | Keyword | Herkunftsregel. | `explicit:wikilink`, `inline:rel` |
    | `confidence` | Float | Vertrauenswürdigkeit (0.0-1.0). | 1.0, 0.95, 0.7 |
+    | `provenance` | Keyword | Quelle der Kante. | `explicit`, `rule`, **`smart`** (Neu v2.6). |

 ---

@ -181,6 +189,9 @@ Die Logik ist ausgelagert in YAML-Dateien.
 ### 3.1 Typ-Registry (`config/types.yaml`)
 Steuert den Import-Prozess.
 * **Priorität:** Frontmatter > Pfad > Default.
+* **Neu in v2.6:**
+    * `enable_smart_edge_allocation`: (Bool) Aktiviert den LLM-Filter für diesen Typ.
+    * `detection_keywords`: (List) Keywords für den Hybrid Router ("Objekterkennung").
 * **Inhalt (Beispiel):**

    types:
@ -188,6 +199,10 @@ Steuert den Import-Prozess.
        chunk_profile: medium
        edge_defaults: ["references", "related_to"]
        retriever_weight: 0.60
+      experience:
+        chunk_profile: sliding_smart_edges
+        enable_smart_edge_allocation: true
+        detection_keywords: ["erfahrung", "erlebt"]

 ### 3.2 Retriever-Config (`config/retriever.yaml`)
 Steuert das Scoring zur Laufzeit (WP04a).
@ -199,14 +214,14 @@ Steuert das Scoring zur Laufzeit (WP04a).
      centrality_weight: 0.5

 ### 3.3 Decision Engine (`config/decision_engine.yaml`)
-**Neu in WP06/07:** Steuert den Intent-Router und die Interview-Schemas.
+**Neu in WP06/07:** Steuert den Intent-Router.
 * Definiert Strategien (`DECISION`, `INTERVIEW`, etc.).
-* Definiert `schemas` für den Interview-Modus (Pflichtfelder pro Typ).
+* **Update v2.6:** Enthält nur noch **Handlungs-Keywords** (Verben wie "neu", "erstellen"). Objektnamen ("Projekt") werden nun über `types.yaml` aufgelöst.
 * Definiert LLM-Router-Settings (`llm_fallback_enabled`).

 ### 3.4 Prompts (`config/prompts.yaml`)
 Steuert die LLM-Persönlichkeit und Templates.
-* Enthält Templates für alle Strategien inkl. `interview_template` mit One-Shot Logik.
+* Enthält Templates für alle Strategien inkl. `interview_template` und neu `router_prompt`.

 ### 3.5 Environment (`.env`)
 Erweiterung für LLM-Steuerung und Embedding-Modell:
@ -215,32 +230,36 @@ Erweiterung für LLM-Steuerung und Embedding-Modell:
    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_API_TIMEOUT=300.0   # Neu: Timeout für Frontend-API (Smart Edges brauchen Zeit)
    MINDNET_DECISION_CONFIG="config/decision_engine.yaml"
    MINDNET_VAULT_ROOT="./vault" # Neu: Pfad für Write-Back
+    MINDNET_LLM_BACKGROUND_LIMIT=2 # Neu: Limit für parallele Import-Tasks

 ---

 ## 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.
+**Neu in v2.6:** Der Import nutzt `asyncio` und **Traffic Control**, um Ollama nicht zu überlasten.

-### 4.1 Verarbeitungsschritte (Async)
+### 4.1 Verarbeitungsschritte (Async + Smart)

 1.  **Discovery & Parsing:**
    * Einlesen der `.md` Dateien. Hash-Vergleich (Body/Frontmatter) zur Erkennung von Änderungen.
 2.  **Typauflösung:**
    * Bestimmung des `type` via `types.yaml`.
-3.  **Chunking:**
-    * Zerlegung via `chunker.py` basierend auf `chunk_profile`.
-4.  **Embedding (Async):**
-    * Der `EmbeddingsClient` (`app/services/embeddings_client.py`) sendet Text-Chunks asynchron an Ollama.
-    * Modell: `nomic-embed-text` (768d).
-    * Semaphore: Max. 5 gleichzeitige Files, um OOM (Out-of-Memory) zu verhindern.
+3.  **Config Check:**
+    * Prüft `enable_smart_edge_allocation` in der `types.yaml`.
+4.  **Chunking & Smart Edges (WP15):**
+    * Zerlegung des Textes via `chunker.py`.
+    * Wenn Smart Edges aktiv: Der `SemanticAnalyzer` sendet Chunks an das LLM.
+    * **Traffic Control:** Der Request nutzt `priority="background"`. Die Semaphore (default: 2) drosselt die Parallelität.
 5.  **Kantenableitung (Edge Derivation):**
    * `derive_edges.py` erzeugt Inline-, Callout- und Default-Edges.
-6.  **Upsert:**
+6.  **Embedding (Async):**
+    * Der `EmbeddingsClient` (`app/services/embeddings_client.py`) sendet Text-Chunks asynchron an Ollama.
+    * Modell: `nomic-embed-text` (768d).
+7.  **Upsert:**
    * Schreiben in Qdrant. Nutzung von `--purge-before-upsert`.
    * **Strict Mode:** Der Prozess bricht ab, wenn Embeddings leer sind oder Dimension `0` haben.

@ -269,49 +288,55 @@ $$
 * **Gewichte ($W$):** Stammen aus `retriever.yaml`.

 ### 5.3 Explanation Layer (WP04b)
-Der Retriever kann Ergebnisse erklären (`explain=True`).
-* **Logik:**
-    * Berechnung des `ScoreBreakdown` (Anteile von Semantik, Graph, Typ).
-    * Analyse des lokalen Subgraphen mittels `graph_adapter.py`.
-    * **Incoming Edges (Authority):** Wer zeigt auf diesen Treffer? (z.B. "Referenziert von...")
-    * **Outgoing Edges (Hub):** Worauf zeigt dieser Treffer? (z.B. "Verweist auf...")
-* **Output:** `QueryHit` enthält ein `explanation` Objekt mit menschenlesbaren `reasons` und `related_edges`.
+Der Retriever ist keine Blackbox mehr. Er liefert auf Wunsch (`explain=True`) eine strukturierte Begründung (`Explanation`-Objekt).
+
+**Die "Warum"-Logik:**
+1.  **Semantik:** Prüfung der Cosine-Similarity ("Sehr hohe textuelle Übereinstimmung").
+2.  **Typ:** Prüfung des `retriever_weight` ("Bevorzugt, da Entscheidung").
+3.  **Graph (Kontext):**
+    * **Hub (Outgoing):** Worauf verweist dieser Treffer? ("Verweist auf Qdrant").
+    * **Authority (Incoming):** Wer verweist auf diesen Treffer? ("Wird referenziert von Projekt Alpha").
+    
+Die API gibt diese Analysen als menschenlesbare Sätze (`reasons`) und als Datenstruktur (`score_breakdown`) zurück.

 ### 5.4 Graph-Expansion
 Der Hybrid-Modus lädt dynamisch die Nachbarschaft der Top-K Vektor-Treffer ("Seeds") über `graph_adapter.expand`. Dies baut einen temporären `NetworkX`-artigen Graphen im Speicher (Klasse `Subgraph`), auf dem Boni berechnet werden.

 ---

-## 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.
+Der Flow für eine Chat-Anfrage (`/chat`) wurde in WP06 auf eine **Configuration-Driven Architecture** umgestellt und in WP15 (v2.6) verfeinert.

-### 6.1 Architektur-Pattern: Intent Router
+### 6.1 Architektur-Pattern: Intent Router v5
 Die Behandlung einer Anfrage ist nicht mehr hartkodiert, sondern wird dynamisch zur Laufzeit entschieden.
 * **Input:** User Message.
-* **Config:** `config/decision_engine.yaml` (Strategien & Keywords).
+* **Config:** `decision_engine.yaml` (Strategien) + `types.yaml` (Objekte).
 * **Komponenten:**
-    * **Fast Path:** Keyword Matching (CPU-schonend).
-    * **Slow Path:** LLM-basierter Semantic Router (für subtile Intents).
+    * **Traffic Control:** `LLMService` priorisiert Chat-Anfragen.
+    * **Question Detection:** Unterscheidung Frage vs. Befehl.

-### 6.2 Schritt 1: Intent Detection (Hybrid)
+### 6.2 Traffic Control (Priorisierung)
+Um den Chat-Betrieb auch bei laufendem Import stabil zu halten, implementiert der `LLMService` Prioritäts-Warteschlangen:
+* **Priority "realtime" (Chat):** Anfragen gehen sofort an Ollama. Keine Semaphore.
+* **Priority "background" (Import):** Anfragen warten in einer Semaphore (Limit konfiguriert via `MINDNET_LLM_BACKGROUND_LIMIT`).
+
+### 6.3 Schritt 1: Intent Detection (Question vs. Action)
 Der Router ermittelt die Absicht (`Intent`) des Nutzers.
-1.  **Keyword Scan (Fast Path):**
-    * Iteration über alle Strategien in `decision_engine.yaml`.
-    * Prüfung auf `trigger_keywords`.
-    * **Best Match:** Bei mehreren Treffern gewinnt das längste/spezifischste Keyword (Robustheit gegen Shadowing).
-2.  **LLM Fallback (Slow Path):**
-    * Nur aktiv, wenn `llm_fallback_enabled: true`.
-    * Greift, wenn keine Keywords gefunden wurden.
-    * Sendet die Query an das LLM mit einem Klassifizierungs-Prompt (`llm_router_prompt`).
-    * Ergebnis: `EMPATHY`, `DECISION`, `INTERVIEW`, `CODING` oder `FACT`.
+1.  **Frage-Check:** Wenn der Input ein `?` enthält oder mit W-Wörtern beginnt, wird der **RAG-Modus** erzwungen (oder LLM-Entscheidung). Interviews werden hier unterdrückt.
+2.  **Keyword Scan (Fast Path):**
+    * Prüfung auf `trigger_keywords` (Handlung) in `decision_engine.yaml`.
+    * Prüfung auf `detection_keywords` (Objekt) in `types.yaml`.
+    * Treffer -> **INTERVIEW Modus** (Erfassen).
+3.  **LLM Fallback (Slow Path):**
+    * Greift, wenn keine Keywords passen. Sendet Query an LLM Router.

-### 6.3 Schritt 2: Strategy Resolution (Late Binding)
+### 6.4 Schritt 2: Strategy Resolution
 Basierend auf dem Intent lädt der Router die Parameter:
 * **Bei RAG (FACT/DECISION):** `inject_types` für Strategic Retrieval.
 * **Bei INTERVIEW (WP07):** `schemas` (Pflichtfelder) basierend auf der erkannten Ziel-Entität (`_detect_target_type`).

-### 6.4 Schritt 3: Retrieval vs. Extraction
+### 6.5 Schritt 3: Retrieval vs. Extraction
 Der Router verzweigt hier:

 **A) RAG Modus (FACT, DECISION, EMPATHY):**
@ -324,9 +349,9 @@ Der Router verzweigt hier:
 2.  **Schema Injection:** Das Schema für den erkannten Typ (z.B. "Project") wird geladen.
 3.  **Prompt Assembly:** Der `interview_template` Prompt wird mit der Schema-Definition ("Ziel", "Status") gefüllt.

-### 6.5 Schritt 4: Generation & Response
+### 6.6 Schritt 4: Generation & Response
 * **Templating:** Das LLM erhält den Prompt basierend auf dem gewählten Template.
-* **Execution:** Der `LLMService` führt den Call aus. Ein konfigurierbarer Timeout (`MINDNET_LLM_TIMEOUT`) fängt Cold-Start-Verzögerungen auf CPU-Hardware ab.
+* **Execution:** Der `LLMService` führt den Call mit `priority="realtime"` aus.
 * **Response:** Rückgabe enthält Antworttext (im Interview-Modus: Markdown Codeblock), Quellenliste und den erkannten `intent`.

 ---
@ -338,7 +363,7 @@ 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, `/feedback` für Bewertungen und `/ingest/analyze` für Intelligence.
-* **Resilienz:** Das Frontend implementiert eigene Timeouts (`MINDNET_API_TIMEOUT`, Default 300s).
+* **Resilienz:** Das Frontend nutzt `MINDNET_API_TIMEOUT` (Default 300s), um auch bei langsamen Smart-Edge-Berechnungen im Backend nicht abzubrechen.

 ### 7.2 Features & UI-Logik
 * **State Management:** Session-State speichert Chat-Verlauf und `query_id`.
@ -347,16 +372,16 @@ Das Frontend ist eine **Streamlit-Anwendung** (`app/frontend/ui.py`), die als se
  * **Source Expanders:** Zeigt verwendete Chunks inkl. Score und "Why"-Explanation.
  * **Sidebar:** Zeigt Suchhistorie (Log-basiert) und Konfiguration.

-### 7.3 Draft-Editor & Sanitizer (Neu in WP10a)
+### 7.3 Draft-Editor & Healing Parser (Neu in WP10a/v2.5)
 Wenn der Intent `INTERVIEW` ist, rendert die UI statt einer Textblase den **Draft-Editor**.

 1.  **Parsing:** Die Funktion `parse_markdown_draft` extrahiert den Codeblock aus der LLM-Antwort.
+    * **Healing:** Erkennt und repariert defekte YAML-Frontmatter (z.B. fehlendes schließendes `---`), falls das LLM unter Last Fehler macht.
 2.  **Sanitization (`normalize_meta_and_body`):**
    * Prüft den YAML-Frontmatter auf unerlaubte Felder (Halluzinationen des LLMs).
    * Verschiebt ungültige Felder (z.B. "Situation") in den Body der Notiz.
-    * Stellt sicher, dass das Markdown valide bleibt.
 3.  **Editor Widget:** `st.text_area` erlaubt das Bearbeiten des Inhalts vor dem Speichern.
-4.  **Action:** Buttons zum Download oder Kopieren des fertigen Markdowns.
+4.  **Save Action:** Speichert über `/ingest/save` atomar in Vault und DB. Erzeugt intelligente Dateinamen via `slugify`.

 ### 7.4 State Management (Resurrection Pattern)
 Um Datenverlust bei Tab-Wechseln (Chat <-> Editor) zu verhindern, nutzt `ui.py` ein Persistenz-Muster:
@ -420,5 +445,5 @@ Validierung erfolgt über `tests/ensure_indexes_and_show.py`.
 2.  **Unresolved Targets:**
    * Kanten zu Notizen, die noch nicht existieren, werden mit `target_id="Titel"` angelegt.
    * Heilung durch `scripts/resolve_unresolved_references.py` möglich.
-3.  **Vektor-Konfiguration für Edges:**
-    * `mindnet_edges` hat aktuell keine Vektoren (`vectors = null`). Eine semantische Suche *auf Kanten* ist noch nicht möglich.
+3.  **Hardware-Last bei Smart Import:**
+    * Der "Smart Edge" Import ist rechenintensiv. Trotz Traffic Control kann die Antwortzeit im Chat leicht steigen, wenn die GPU am VRAM-Limit arbeitet.
--- a/docs/pipeline_playbook.md
+++ b/docs/pipeline_playbook.md
@ -1,7 +1,7 @@
 # mindnet v2.4 – Pipeline Playbook
-**Datei:** `docs/mindnet_pipeline_playbook_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Async Ingestion & Active Intelligence)
+**Datei:** `docs/mindnet_pipeline_playbook_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Inkl. Smart Edges & Traffic Control)
 **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 (Async)](#21-der-12-schritte-prozess-async)
+    - [2.1 Der 13-Schritte-Prozess (Async + Smart)](#21-der-13-schritte-prozess-async--smart)
    - [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)
@ -21,12 +21,13 @@
    - [3.2 Payload-Felder](#32-payload-felder)
  - [4. Edge-Erzeugung (Die V2-Logik)](#4-edge-erzeugung-die-v2-logik)
    - [4.1 Prioritäten \& Provenance](#41-prioritäten--provenance)
-    - [4.2 Typ-Defaults](#42-typ-defaults)
+    - [4.2 Smart Edge Allocation (WP15)](#42-smart-edge-allocation-wp15)
+    - [4.3 Typ-Defaults](#43-typ-defaults)
  - [5. Retriever, Chat \& Generation (RAG Pipeline)](#5-retriever-chat--generation-rag-pipeline)
    - [5.1 Retrieval (Hybrid)](#51-retrieval-hybrid)
    - [5.2 Intent Router (WP06/07)](#52-intent-router-wp0607)
    - [5.3 Context Enrichment](#53-context-enrichment)
-    - [5.4 Generation (LLM)](#54-generation-llm)
+    - [5.4 Generation (LLM) mit Traffic Control](#54-generation-llm-mit-traffic-control)
    - [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)
@ -34,7 +35,7 @@
    - [7.2 Smoke-Test (E2E)](#72-smoke-test-e2e)
  - [8. Ausblick \& Roadmap (Technische Skizzen)](#8-ausblick--roadmap-technische-skizzen)
    - [8.1 WP-08: Self-Tuning (Skizze)](#81-wp-08-self-tuning-skizze)
-  - [16. Workpackage Status (v2.4.0)](#16-workpackage-status-v240)
+  - [16. Workpackage Status (v2.6.0)](#16-workpackage-status-v260)

 </details>
 ---
@ -45,7 +46,7 @@ Dieses Playbook ist das zentrale operative Handbuch für die **mindnet-Pipeline*

 **Zielgruppe:** Dev/Ops, Tech-Leads.
 **Scope:**
-* **Ist-Stand (WP01–WP11):** Async Import, Chunking, Edge-Erzeugung, Hybrider Retriever, RAG-Chat (Hybrid Router), Feedback Loop, Frontend, Draft Editor, Active Intelligence.
+* **Ist-Stand (WP01–WP15):** Async Import, Smart Chunking, Edge-Erzeugung, Hybrider Retriever, RAG-Chat (Hybrid Router), Feedback Loop, Frontend, Draft Editor, Active Intelligence.
 * **Roadmap (Ausblick):** Technische Skizze für Self-Tuning (WP08).

 ---
@ -54,23 +55,27 @@ 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 (Async)
-Seit v2.3.10 läuft der Import **asynchron**, um Netzwerk-Blockaden bei der Embedding-Generierung zu vermeiden.
+### 2.1 Der 13-Schritte-Prozess (Async + Smart)
+Seit v2.6 läuft der Import vollständig asynchron, nutzt intelligente Kantenvalidierung (Smart Edges) und drosselt sich selbst ("Traffic Control").

 1.  **Markdown lesen:** Rekursives Scannen des Vaults.
 2.  **Frontmatter extrahieren:** Validierung von Pflichtfeldern (`id`, `type`, `title`).
 3.  **Typauflösung:** Bestimmung des `type` via `types.yaml` (Prio: Frontmatter > Pfad > Default).
 4.  **Note-Payload generieren:** Erstellen des JSON-Objekts für `mindnet_notes`.
-5.  **Chunking anwenden:** Zerlegung des Textes basierend auf dem `chunk_profile` des Typs.
-6.  **Inline-Kanten finden:** Parsing von `[[rel:...]]` im Fließtext.
-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. **Embedding & Upsert (Async):**
-    * Das System nutzt eine **Semaphore** (Limit: 5 Files concurrent), um Ollama nicht zu überlasten.
+5.  **Chunking anwenden:** Zerlegung des Textes basierend auf dem `chunk_profile` des Typs (z.B. `sliding_smart_edges`).
+6.  **Smart Edge Allocation (Neu in WP15):**
+    * Prüfung: Ist für den Typ `enable_smart_edge_allocation: true` konfiguriert?
+    * Falls Ja: Der `SemanticAnalyzer` sendet jeden Chunk an das LLM (Ollama).
+    * **Traffic Control:** Der Request nutzt `priority="background"`. Die globale Semaphore (Limit: 2, konfigurierbar) verhindert Überlastung des Systems.
+    * Ergebnis: Das LLM filtert irrelevante Links aus dem Chunk ("Broadcasting" verhindern).
+7.  **Inline-Kanten finden:** Parsing von `[[rel:...]]` im Fließtext.
+8.  **Callout-Kanten finden:** Parsing von `> [!edge]` Blöcken.
+9.  **Default-Edges erzeugen:** Anwendung der `edge_defaults` aus der Typ-Registry.
+10. **Strukturkanten erzeugen:** `belongs_to` (Chunk->Note), `next`/`prev` (Sequenz).
+11. **Embedding & Upsert (Async):**
    * 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.
+12. **Strict Mode:** Der Prozess bricht sofort ab, wenn ein Embedding leer ist oder die Dimension `0` hat.
+13. **Diagnose:** Automatischer Check der Integrität nach dem Lauf.

 ### 2.2 Standard-Betrieb (Inkrementell)
 Für regelmäßige Updates (z.B. Cronjob). Erkennt Änderungen via Hash.
@ -102,7 +107,7 @@ 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 beim Wechsel des Embedding-Modells (z.B. Update auf `nomic-embed-text`).
+Notwendig bei Änderungen an `types.yaml` (z.B. Smart Edges an/aus) oder beim Wechsel des Embedding-Modells.

 **WICHTIG:** Vorher das Modell pullen, sonst schlägt der Import fehl!

@ -127,6 +132,7 @@ In `types.yaml` definiert. Standard-Profile (in `chunk_config.py` implementiert)
 * `medium`: Max 256 Tokens (z.B. für Konzepte).
 * `long`: Max 512 Tokens (z.B. für Essays, Projekte).
 * `by_heading`: Trennt strikt an Überschriften.
+* `sliding_smart_edges`: Sliding Window, das speziell für die nachgelagerte LLM-Analyse optimiert ist.

 ### 3.2 Payload-Felder
 Jeder Chunk erhält zwei Text-Felder:
@ -137,7 +143,7 @@ Jeder Chunk erhält zwei Text-Felder:

 ## 4. Edge-Erzeugung (Die V2-Logik)

-In v2.2 entstehen Kanten nach strenger Priorität.
+In v2.6 entstehen Kanten nach strenger Priorität.

 ### 4.1 Prioritäten & Provenance
 Der Importer setzt `provenance`, `rule_id` und `confidence` automatisch:
@ -147,10 +153,17 @@ Der Importer setzt `provenance`, `rule_id` und `confidence` automatisch:
 | **1** | Inline | `[[rel:depends_on X]]` | `inline:rel` | ~0.95 |
 | **2** | Callout | `> [!edge] related_to: [[X]]` | `callout:edge` | ~0.90 |
 | **3** | Wikilink | `[[X]]` | `explicit:wikilink` | 1.00 |
-| **4** | Default | *(via types.yaml)* | `edge_defaults:...` | ~0.70 |
-| **5** | Struktur | *(automatisch)* | `structure:...` | 1.00 |
+| **4** | Smart | *(via LLM Filter)* | `smart:llm_filter` | 0.90 |
+| **5** | Default | *(via types.yaml)* | `edge_defaults:...` | ~0.70 |
+| **6** | Struktur | *(automatisch)* | `structure:...` | 1.00 |

-### 4.2 Typ-Defaults
+### 4.2 Smart Edge Allocation (WP15)
+Dieser Mechanismus löst das Problem, dass Chunks sonst alle Links der Note erben.
+* **Prozess:** Der `SemanticAnalyzer` prüft jeden Chunk: "Ist Link X im Kontext von Chunk Y relevant?"
+* **Ergebnis:** Kanten werden präzise an den Chunk gebunden, nicht global an die Note.
+* **Steuerung:** Das Feature wird in `types.yaml` per Typ aktiviert (`enable_smart_edge_allocation: true`).
+
+### 4.3 Typ-Defaults
 Wenn in `types.yaml` für einen Typ `edge_defaults` definiert sind, werden diese **additiv** zu expliziten Links erzeugt.
 * *Beispiel:* Note Typ `project` verlinkt `[[Tool A]]`.
 * *Ergebnis:* Kante `references` (explizit) UND Kante `depends_on` (Default).
@ -165,25 +178,23 @@ Der Datenfluss endet nicht beim Finden. Er geht weiter bis zur Antwort.
 Der `/chat` Endpunkt nutzt **Hybrid Retrieval** (Semantic + Graph), um auch logisch verbundene, aber textlich unterschiedliche Notizen zu finden (z.B. Decisions zu einem Projekt).

 ### 5.2 Intent Router (WP06/07)
-Der Request durchläuft den **Hybrid Router**:
-1.  **Fast Path:** Prüfung auf `trigger_keywords` aus `decision_engine.yaml`.
-2.  **Slow Path:** Falls kein Keyword matched und `llm_fallback_enabled=true`, klassifiziert das LLM den Intent.
-    * `FACT`: Wissen abfragen.
-    * `DECISION`: Rat suchen.
-    * `EMPATHY`: Trost suchen.
-    * `INTERVIEW`: Wissen eingeben (Neu in WP07).
-3.  **Result:** Auswahl der Strategie und der `inject_types` oder `schemas`.
+Der Request durchläuft den **Hybrid Router v5**:
+1.  **Question Detection:** Ist es eine Frage (`?`, W-Wörter)? -> RAG Modus. Interviews werden hier blockiert.
+2.  **Keyword Scan:** Enthält es Keywords aus `types.yaml` (Objekt, z.B. "Projekt") oder `decision_engine.yaml` (Action, z.B. "erstellen")? -> INTERVIEW Modus.
+3.  **LLM Fallback:** Wenn unklar, entscheidet das LLM.

 ### 5.3 Context Enrichment
 Der Router (`chat.py`) reichert die gefundenen Chunks mit Metadaten an:
 * **Typ-Injection:** `[DECISION]`, `[PROJECT]`.
 * **Reasoning-Infos:** `(Score: 0.75)`.

-### 5.4 Generation (LLM)
+### 5.4 Generation (LLM) mit Traffic Control
 * **Engine:** Ollama (lokal).
 * **Modell:** `phi3:mini` (Standard).
 * **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.
+* **Traffic Control:** Der `LLMService` unterscheidet:
+    * **Chat-Requests** (`priority="realtime"`) -> Sofortige Ausführung.
+    * **Import-Requests** (`priority="background"`) -> Gedrosselt durch Semaphore (Standard: 2).

 ### 5.5 Active Intelligence Pipeline (Neu in v2.4)
 Ein paralleler Datenfluss im Frontend ("Draft Editor") zur Unterstützung des Autors.
@ -252,7 +263,7 @@ Wie entwickeln wir die Pipeline weiter?

 ---

-## 16. Workpackage Status (v2.4.0)
+## 16. Workpackage Status (v2.6.0)

 Aktueller Implementierungsstand der Module.

@ -269,5 +280,8 @@ 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 & Healing Parser.** |
 | **WP11** | Backend Intelligence | 🟢 Live | **Async Ingestion, Nomic Embeddings, Matrix Logic.** |
+| **WP15** | Smart Edge Allocation | 🟢 Live | **LLM-Filter & Traffic Control aktiv.** |
+| **WP16** | Auto-Discovery | 🟡 Geplant | UX & Retrieval Tuning. |
+| **WP17** | Conversational Memory | 🟡 Geplant | Dialog-Gedächtnis. |
--- a/docs/user_guide.md
+++ b/docs/user_guide.md
@ -1,7 +1,7 @@
 # Mindnet v2.4 – User Guide
-**Datei:** `docs/mindnet_user_guide_v2.4.md`
-**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. RAG, Web-Interface & Interview-Assistent & Intelligence)
+**Datei:** `docs/mindnet_user_guide_v2.6.md`
+**Stand:** 2025-12-12
+**Status:** **FINAL** (Inkl. Smart Edges, Hybrid Router v5 & Healing UI)
 **Quellen:** `knowledge_design.md`, `wp04_retriever_scoring.md`, `Programmplan_V2.2.md`, `Handbuch.md`.

 > **Willkommen bei Mindnet.**
@ -18,6 +18,7 @@ Wenn du nach "Projekt Alpha" suchst, findet Mindnet nicht nur das Dokument. Es f
 * **Abhängigkeiten:** "Technologie X wird benötigt".
 * **Entscheidungen:** "Warum nutzen wir X?".
 * **Ähnliches:** "Projekt Beta war ähnlich".
+* **Neu in v2.6 (Smart Edges):** Mindnet zeigt dir präzise Verknüpfungen an, die für den spezifischen Textabschnitt relevant sind, statt pauschal alle Links der Notiz anzuzeigen.

 ### 1.2 Der Zwilling (Die Personas)
 Mindnet passt seinen Charakter dynamisch an deine Frage an:
@ -52,28 +53,22 @@ Seit Version 2.3.1 bedienst du Mindnet über eine grafische Oberfläche im Brows

 ## 3. Den Chat steuern (Intents)

-Du steuerst die Persönlichkeit von Mindnet durch deine Wortwahl. Das System nutzt einen **Hybrid Router**, der sowohl auf Schlüsselwörter als auch auf die Bedeutung achtet.
+Du steuerst die Persönlichkeit von Mindnet durch deine Wortwahl. Das System nutzt einen **Hybrid Router v5**, der intelligent zwischen Frage und Befehl unterscheidet.

-### 3.1 Modus: Entscheidung ("Der Berater")
-Wenn du vor einer Wahl stehst, hilft Mindnet dir, konform zu deinen Prinzipien zu bleiben.
+### 3.1 Frage-Modus (Wissen abrufen)
+Sobald du ein Fragezeichen `?` benutzt oder Wörter wie "Wer", "Wie", "Was", "Soll ich" verwendest, sucht Mindnet nach Antworten (**RAG**).

-* **Auslöser (Keywords):** "Soll ich...", "Was ist deine Meinung?", "Strategie für...", "Vor- und Nachteile".
-* **Was passiert:** Mindnet lädt deine **Werte** (`type: value`) und **Ziele** (`type: goal`) in den Kontext und prüft die Fakten dagegen.
-* **Beispiel-Dialog:**
-    * *Du:* "Soll ich Tool X nutzen?"
-    * *Mindnet:* "Nein. Tool X speichert Daten in den USA. Das verstößt gegen dein Prinzip 'Privacy First' und dein Ziel 'Digitale Autarkie'."
+* **Entscheidung ("Soll ich?"):** Mindnet lädt deine **Werte** (`type: value`) und **Ziele** (`type: goal`) in den Kontext und prüft die Fakten dagegen.
+    * *Beispiel:* "Soll ich Tool X nutzen?" -> "Nein, Tool X speichert Daten in den USA. Das verstößt gegen dein Prinzip 'Privacy First' und dein Ziel 'Digitale Autarkie'."
+* **Empathie ("Ich fühle..."):** Mindnet lädt deine **Erfahrungen** (`type: experience`) und **Glaubenssätze** (`type: belief`). Es antwortet verständnisvoll und zitiert deine eigenen Lektionen.
+    * *Beispiel:* "Ich bin frustriert." -> "Das erinnert mich an Projekt Y, da ging es uns ähnlich..."

-### 3.2 Modus: Empathie ("Der Spiegel")
-Wenn du frustriert bist oder reflektieren willst, wechselt Mindnet in den "Ich"-Modus.
-
-* **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")
-Wenn du Wissen festhalten willst, statt zu suchen.
+### 3.2 Befehls-Modus (Wissen erfassen / Interview)
+Wenn du keine Frage stellst, sondern eine Absicht äußerst, wechselt Mindnet in den **Interview-Modus**.

 * **Auslöser:** "Neues Projekt", "Notiz erstellen", "Ich will etwas festhalten", "Neue Entscheidung dokumentieren".
-* **Was passiert:** Siehe Kapitel 6.3.
+* **Was passiert:** Mindnet sucht nicht im Archiv, sondern öffnet den **Draft-Editor**.
+* **Beispiel:** "Neue Erfahrung: Streit am Recyclinghof." -> Das System erstellt sofort eine strukturierte Notiz mit den Feldern "Situation", "Reaktion" und "Learning".

 ---

@ -127,9 +122,10 @@ Mindnet kann dir helfen, Markdown-Notizen zu schreiben.
 2.  **Generierung:** Mindnet erkennt den Wunsch (`INTERVIEW`), analysiert den Satz und erstellt **sofort** einen Entwurf.
 3.  **Editor:** Die UI wechselt von der Chat-Blase zu einem **Draft-Editor**.
    * Du siehst das generierte Frontmatter (`type: project`, `status: draft`).
+    * **Healing UI (v2.5):** Falls das LLM Syntax-Fehler gemacht hat (z.B. fehlendes `---`), hat der Editor das bereits automatisch repariert.
    * 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:** Klicke auf "💾 Speichern". Die Notiz landet sofort im Vault und im Index.

 ### 6.4 Der Intelligence-Workflow (Neu in v2.4)
 Wenn du Texte im **manuellen Editor** schreibst, unterstützt dich Mindnet aktiv bei der Vernetzung: