docs/mindnet_functional_architecture.md aktualisiert

docs/mindnet_functional_architecture.md

@@ -164,29 +164,80 @@ Die API gibt diese Analysen als menschenlesbare Sätze (`reasons`) und als Daten
 
 ---
 
-## 6) Der RAG-Chat & Persönlichkeit (WP05/WP06)
+## 6) Der RAG-Chat & Persönlichkeit (WP05)
 
 Seit WP-05 kann Mindnet nicht nur suchen, sondern als **KI-Zwilling** antworten. Die Persönlichkeit entsteht dabei auf zwei Ebenen:
 
-### 6.1 Stil & Tonfall (WP05 - "Wie ich spreche")
+### 6.1 Stil & Tonfall (System Prompt)
 In `config/prompts.yaml` wird die Persona definiert.
 * **System Prompt:** Definiert die Rolle ("Ich bin dein digitales Gedächtnis...").
 * **Werte im Prompt:** Pragmatismus, Transparenz (kein Halluzinieren), Vernetztes Denken.
 * **Context Intelligence:** Dem LLM werden Metadaten (Typ, Score) injiziert, damit es komplexe Zusammenhänge erkennt (z.B. dass eine `[DECISION]` wichtiger ist als ein `[CONCEPT]`).
 
-### 6.2 Strategische Persönlichkeit (WP06 - "Wie ich entscheide")
+### 6.2 Strategische Persönlichkeit (Ausblick WP06)
-Ein echter KI-Zwilling spiegelt nicht nur den Stil, sondern die **Werte** des Users wider. Dies wird durch **Strategic Retrieval** erreicht:
+Ein echter KI-Zwilling spiegelt nicht nur den Stil, sondern die **Werte** des Users wider.
-* **Logik:** Bei komplexen Fragen oder Entscheidungen ("Soll ich X tun?") lädt das System gezielt Notizen vom Typ `[VALUE]` und `[PRINCIPLE]` in den Kontext – auch wenn diese textlich nicht direkt zur Frage passen (Re-Ranking).
+* **Logik:** Bei komplexen Fragen oder Entscheidungen ("Soll ich X tun?") lädt das System gezielt Notizen vom Typ `[VALUE]` und `[PRINCIPLE]` in den Kontext.
 * **Effekt:** Das System wägt die Fakten (aus der Suche) gegen die Werte (aus dem Profil) ab.
-* **Beispiel:** Eine technisch perfekte Lösung wird abgelehnt, wenn sie gegen den Wert "Datensparsamkeit" verstößt.
 
 ---
 
-## 7) Feedback & Lernen – WP04c
+## 7) Erweiterbarkeit & Teaching (Context Intelligence)
+
+Mindnet lernt nicht durch klassisches Training (Fine-Tuning), sondern durch **Konfiguration**, **Vernetzung** und **Prompting**. Dies ist das **"Teach-the-AI" Paradigma**: Wenn du dem System ein neues Konzept beibringen willst, musst du an drei Stellen eingreifen.
+
+### A. Workflow: Einen neuen Typ implementieren (z. B. `type: risk`)
+
+1.  **Physik definieren (`config/types.yaml`)**
+    Steuere, wie schwer der Inhalt wiegt und wie er vernetzt wird.
+    ```yaml
+    risk:
+      chunk_profile: short      # Risiken sind prägnant
+      retriever_weight: 0.90    # Hohe Priorität im Ranking
+      edge_defaults: ["blocks"] # Automatische Kante zu verlinkten Projekten
+    ```
+    *Effekt:* Der Retriever spült diese Notizen bei relevanten Anfragen nach oben.
+
+2.  **Semantik erklären (`config/prompts.yaml`)**
+    Bringe dem LLM bei, wie es mit diesem Typ umgehen soll.
+    ```yaml
+    system_prompt: |
+      ...
+      REGELN FÜR TYPEN:
+      - [RISK]: Warnung! Wenn ein Chunk vom Typ 'risk' im Kontext ist, weise den User explizit darauf hin.
+    ```
+    *Effekt:* Der Chatbot ignoriert das Risiko nicht nur, sondern "versteht" die Warnfunktion.
+
+### B. Workflow: Neue Beziehungen nutzen (z. B. `beeinflusst_von`)
+
+Beziehungen sind der Klebstoff für logische Schlussfolgerungen.
+
+1.  **Erfassung im Vault (Markdown)**
+    Nutze die Inline-Syntax. Du musst nichts vorab definieren.
+    > "Die Entscheidung für Qdrant wurde [[rel:beeinflusst_von Budgetkürzung 2024]]."
+
+2.  **Gewichtung justieren (`config/retriever.yaml`)**
+    Standardmäßig sind alle Kanten gleich `1.0`. Wenn Kausalität wichtiger ist als Ähnlichkeit, definiere dies hier:
+    ```yaml
+    retriever:
+      edge_weights:
+        beeinflusst_von: 1.5  # Starker Boost: Zieht Ursachen in den Kontext
+        related_to: 0.5       # Schwacher Boost: Nur "nice to know"
+    ```
+    *Effekt:* Bei der Frage nach "Qdrant" landet die "Budgetkürzung" (Ursache) im Kontext, weil die Kante stark ist.
+
+3.  **Interpretation (Prompting)**
+    Das LLM erkennt im RAG-Kontext: `Qdrant --[beeinflusst_von]--> Budgetkürzung`.
+    Es kann daraus den Satz formulieren: *"Die Wahl fiel vermutlich aufgrund der Budgetkürzung auf Qdrant."*
+
+**Fazit:** Nur wenn **Daten** (Vault), **Physik** (Config) und **Semantik** (Prompt) zusammenspielen, entsteht ein intelligenter Zwilling.
+
+---
+
+## 8) Feedback & Lernen – WP04c
 
 Das System verfügt nun über ein **Kurzzeitgedächtnis für Interaktionen**, das die Basis für zukünftiges Lernen bildet.
 
-### 7.1 Der Feedback-Loop
+### 8.1 Der Feedback-Loop
 1.  **Suche (Situation):**
     Wenn ein Nutzer eine Anfrage stellt, loggt Mindnet die "Situation":
     * Den Query-Text.
@@ -203,7 +254,7 @@ Das System verfügt nun über ein **Kurzzeitgedächtnis für Interaktionen**, da
 
 ---
 
-## 8) Confidence & Provenance – wozu?
+## 9) Confidence & Provenance – wozu?
 
 Der Retriever kann Edges gewichten:
 - **provenance**: *explicit* > *rule*
@@ -215,7 +266,7 @@ Eine typische Gewichtung (konfigurierbar in `retriever.yaml`) ist:
 
 ---
 
-## 9) Semantik ausgewählter `kind`-Werte
+## 10) Semantik ausgewählter `kind`-Werte
 
 - `references` – „Nutzt/erwähnt“; neutral, aber stützend für Kontext.
 - `related_to` – Ähnlichkeit/Verwandtschaft (symmetrisch interpretierbar).
@@ -227,7 +278,7 @@ Eine typische Gewichtung (konfigurierbar in `retriever.yaml`) ist:
 
 ---
 
-## 10) Frontmatter-Eigenschaften – Rolle & Empfehlung
+## 11) Frontmatter-Eigenschaften – Rolle & Empfehlung
 
 Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
 - **type** – steuert Typ-Defaults via Registry (Pflicht für differenziertes Verhalten).
@@ -237,7 +288,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
 
 ---
 
-## 11) Lösch-/Update-Garantien (Idempotenz)
+## 12) Lösch-/Update-Garantien (Idempotenz)
 
 - Jede Note hat einen stabilen **note_id** (Frontmatter/Hash).
 - Vor einem Upsert können *alte Chunks/Edges einer Note* gefiltert gelöscht werden (`note_id`-Filter) – das hält Collections sauber bei Re-Imports.
@@ -245,7 +296,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
 
 ---
 
-## 12) Beispiel – Von Markdown zu Kanten (v2.2)
+## 13) Beispiel – Von Markdown zu Kanten (v2.2)
 
 **Markdown (Auszug)**
     # Relations Showcase
@@ -264,7 +315,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
 
 ---
 
-## 13) Referenzen (Projektdateien & Leitlinien)
+## 14) Referenzen (Projektdateien & Leitlinien)
 
 - Import-Pipeline & Registry-Auflösung: `scripts/import_markdown.py`.
 - Kantenbildung (V2-Logic): `app/core/derive_edges.py`.
@@ -275,7 +326,7 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
 
 ---
 
-## 14) Workpackage Status (v2.3.0)
+## 15) Workpackage Status (v2.3.0)
 
 Aktueller Implementierungsstand der Module.