Programmmanagement/Programmplan_V2.2.md

@@ -1,6 +1,6 @@
 # mindnet v2.4 — Programmplan
-**Version:** 2.6.0 (Inkl. WP-15 Smart Edge Allocation)
+**Version:** 2.4.0 (Inkl. WP-11 Backend Intelligence)
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
 **Status:** Aktiv
 
 ---
@@ -33,9 +33,6 @@
     - [WP-12 – Knowledge Rewriter (Soft Mode, geplant)](#wp-12--knowledge-rewriter-soft-mode-geplant)
     - [WP-13 – MCP-Integration \& Agenten-Layer (geplant)](#wp-13--mcp-integration--agenten-layer-geplant)
     - [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)
@@ -517,63 +514,6 @@ Aufräumen, dokumentieren, stabilisieren – insbesondere für Onboarding Dritte
 
 ---
 
-### WP-15 – Smart Edge Allocation & Chunking Strategies (abgeschlossen)
-
-**Phase:** D
-**Status:** 🟢 abgeschlossen
-
-**Ziel:**
-Einführung einer intelligenten Verteilung von Wissenskanten an spezifische Text-Chunks, um die Präzision des Retrievals zu erhöhen, ohne die Stabilität des Systems durch lange LLM-Verarbeitungszeiten zu gefährden.
-
-**Erreichte Ergebnisse:**
-- **5-Stufen-Workflow:** Implementierung von "Smart Edge Allocation" (Global Scan -> Deterministic Split -> LLM Filter -> Injection -> Fallback).
-- **Neue Chunking-Strategien:** Einführung von `by_heading` (für strukturierte Daten) und verbessertem `sliding_window` als deterministische Basis.
-- **Robustheit:** Trennung von Zerlegung (Code) und Analyse (LLM). Bei LLM-Fehlern oder Timeouts greift ein Fallback-Mechanismus (Datenverlust ausgeschlossen).
-- **Architektur:** Trennung der Orchestrierung (`chunker.py`) von der KI-Logik (`semantic_analyzer.py`).
-- **Konfiguration:** Steuerung über `types.yaml` (`enable_smart_edge_allocation`) ermöglicht granulare Anpassung pro Notiztyp.
-
-**Aufwand / Komplexität:**
-- Aufwand: Mittel
-- Komplexität: Hoch
-
----
-
-### WP-16 – Auto-Discovery & Enrichment (geplant)
-
-**Phase:** D
-**Status:** 🟡 geplant
-
-**Ziel:**
-Automatisches Erkennen und Vorschlagen von fehlenden Kanten in "dummem" Text (ohne explizite Wikilinks) vor der Speicherung. Umwandlung von Text in "smarten Text" durch Nutzung des `DiscoveryService`.
-
-**Umfang:**
-- Integration eines "Enrichers" in die Ingestion-Pipeline (Schritt 0).
-- Unterscheidung zwischen "Hard Candidates" (explizite Links) und "Soft Candidates" (Vektor-basierte Vorschläge).
-- LLM-basierte Verifikation der Vorschläge zur Vermeidung von Halluzinationen.
-
-**Aufwand / Komplexität:**
-- Aufwand: Mittel
-- 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
@@ -582,8 +522,6 @@ Erweiterung des Chat-Backends von einem statischen Request-Response-Modell zu ei
     WP07 → WP10a
     WP03 → WP09
     WP01/WP03 → WP10 → WP11 → WP12
-    WP10 → WP17
-    WP11 → WP15 → WP16
     WP03/WP04 → WP13
     Alles → WP14
 
@@ -606,9 +544,6 @@ Erweiterung des Chat-Backends von einem statischen Request-Response-Modell zu ei
 | WP12  | Niedrig/Mittel | Mittel           |
 | WP13  | Mittel         | Mittel           |
 | WP14  | Mittel         | Niedrig/Mittel   |
-| WP15  | Mittel         | Hoch             |
-| WP16  | Mittel         | Hoch             |
-| WP17  | Mittel         | Mittel           |
 
 ---
 
@@ -634,9 +569,6 @@ Erweiterung des Chat-Backends von einem statischen Request-Response-Modell zu ei
 | WP12  | 🟡     |
 | WP13  | 🟡     |
 | WP14  | 🟡     |
-| WP15  | 🟢     |
-| WP16  | 🟡     |
-| WP17  | 🟡     |
 
 ---
 

app/core/chunk_config.py

@@ -0,0 +1,13 @@
+TYPE_SIZES = {
+    "thought":   {"target": (150, 250), "max": 300, "overlap": (30, 40)},
+    "experience":{"target": (250, 350), "max": 450, "overlap": (40, 60)},
+    "journal":   {"target": (200, 300), "max": 400, "overlap": (30, 50)},
+    "task":      {"target": (120, 200), "max": 250, "overlap": (20, 30)},
+    "project":   {"target": (300, 450), "max": 600, "overlap": (50, 70)},
+    "concept":   {"target": (250, 400), "max": 550, "overlap": (40, 60)},
+    "source":    {"target": (200, 350), "max": 500, "overlap": (30, 50)},
+}
+DEFAULT = {"target": (250, 350), "max": 500, "overlap": (40, 60)}
+
+def get_sizes(note_type: str):
+    return TYPE_SIZES.get(str(note_type).lower(), DEFAULT)

app/core/chunker.py

@@ -1,330 +1,226 @@
 from __future__ import annotations
 from dataclasses import dataclass
-from typing import List, Dict, Optional, Tuple, Any, Set
+from typing import List, Dict, Optional, Tuple
 import re
 import math
-import yaml
-from pathlib import Path
 from markdown_it import MarkdownIt
 from markdown_it.token import Token
-import asyncio 
+from .chunk_config import get_sizes
-import logging
 
-# Services
+# --- Hilfen ---
-from app.services.semantic_analyzer import get_semantic_analyzer
+_SENT_SPLIT = re.compile(r'(?<=[.!?])\s+(?=[A-ZÄÖÜ0-9„(])')
-
+_WS = re.compile(r'\s+')
-# Core Imports
-try:
-    from app.core.derive_edges import build_edges_for_note
-except ImportError:
-    # Mock für Tests
-    def build_edges_for_note(note_id, chunks, note_level_references=None, include_note_scope_refs=False): return []
-
-logger = logging.getLogger(__name__)
-
-# ==========================================
-# 1. HELPER & CONFIG
-# ==========================================
-
-BASE_DIR = Path(__file__).resolve().parent.parent.parent
-CONFIG_PATH = BASE_DIR / "config" / "types.yaml"
-DEFAULT_PROFILE = {"strategy": "sliding_window", "target": 400, "max": 600, "overlap": (50, 80)}
-_CONFIG_CACHE = None
-
-def _load_yaml_config() -> Dict[str, Any]:
-    global _CONFIG_CACHE
-    if _CONFIG_CACHE is not None: return _CONFIG_CACHE
-    if not CONFIG_PATH.exists(): return {}
-    try:
-        with open(CONFIG_PATH, "r", encoding="utf-8") as f: 
-            data = yaml.safe_load(f)
-            _CONFIG_CACHE = data
-            return data
-    except Exception: return {}
-
-def get_chunk_config(note_type: str) -> Dict[str, Any]:
-    full_config = _load_yaml_config()
-    profiles = full_config.get("chunking_profiles", {})
-    type_def = full_config.get("types", {}).get(note_type.lower(), {})
-    profile_name = type_def.get("chunking_profile")
-    if not profile_name: 
-        profile_name = full_config.get("defaults", {}).get("chunking_profile", "sliding_standard")
-    
-    config = profiles.get(profile_name, DEFAULT_PROFILE).copy()
-    if "overlap" in config and isinstance(config["overlap"], list): 
-        config["overlap"] = tuple(config["overlap"])
-    return config
-
-def extract_frontmatter_from_text(md_text: str) -> Tuple[Dict[str, Any], str]:
-    fm_match = re.match(r'^\s*---\s*\n(.*?)\n---', md_text, re.DOTALL)
-    if not fm_match: return {}, md_text
-    try:
-        frontmatter = yaml.safe_load(fm_match.group(1))
-        if not isinstance(frontmatter, dict): frontmatter = {}
-    except yaml.YAMLError:
-        frontmatter = {}
-    text_without_fm = re.sub(r'^\s*---\s*\n(.*?)\n---', '', md_text, flags=re.DOTALL)
-    return frontmatter, text_without_fm.strip()
-
-# ==========================================
-# 2. DATA CLASSES
-# ==========================================
-
-_SENT_SPLIT = re.compile(r'(?<=[.!?])\s+(?=[A-ZÄÖÜ0-9„(])'); _WS = re.compile(r'\s+')
 
 def estimate_tokens(text: str) -> int:
-    return max(1, math.ceil(len(text.strip()) / 4))
+    # leichte Approximation: 1 Token ≈ 4 Zeichen; robust + schnell
+    t = len(text.strip())
+    return max(1, math.ceil(t / 4))
 
 def split_sentences(text: str) -> list[str]:
     text = _WS.sub(' ', text.strip())
-    if not text: return []
+    if not text:
+        return []
     parts = _SENT_SPLIT.split(text)
     return [p.strip() for p in parts if p.strip()]
 
 @dataclass
 class RawBlock:
-    kind: str; text: str; level: Optional[int]; section_path: str; section_title: Optional[str]
+    kind: str             # "heading" | "paragraph" | "list" | "code" | "table" | "thematic_break" | "blockquote"
+    text: str
+    level: Optional[int]  # heading level (2,3,...) or None
+    section_path: str     # e.g., "/H2 Title/H3 Subtitle"
 
 @dataclass
 class Chunk:
-    id: str; note_id: str; index: int; text: str; window: str; token_count: int
+    id: str
-    section_title: Optional[str]; section_path: str
+    note_id: str
-    neighbors_prev: Optional[str]; neighbors_next: Optional[str]
+    index: int
-    suggested_edges: Optional[List[str]] = None 
+    text: str
+    token_count: int
+    section_title: Optional[str]
+    section_path: str
+    neighbors_prev: Optional[str]
+    neighbors_next: Optional[str]
+    char_start: int
+    char_end: int
 
-# ==========================================
+# --- Markdown zu RawBlocks: H2/H3 als Sections, andere Blöcke gruppiert ---
-# 3. PARSING & STRATEGIES (SYNCHRON)
+def parse_blocks(md_text: str) -> List[RawBlock]:
-# ==========================================
+    md = MarkdownIt("commonmark").enable("table")
+    tokens: List[Token] = md.parse(md_text)
 
-def parse_blocks(md_text: str) -> Tuple[List[RawBlock], str]:
+    blocks: List[RawBlock] = []
-    """Zerlegt Text in logische Blöcke (Absätze, Header)."""
+    h2, h3 = None, None
-    blocks = []
-    h1_title = "Dokument"
     section_path = "/"
-    current_h2 = None
+    cur_text = []
+    cur_kind = None
 
-    fm, text_without_fm = extract_frontmatter_from_text(md_text)
+    def push(kind: str, txt: str, lvl: Optional[int]):
+        nonlocal section_path
+        txt = txt.strip()
+        if not txt:
+            return
+        title = None
+        if kind == "heading" and lvl:
+            title = txt
+        blocks.append(RawBlock(kind=kind, text=txt, level=lvl, section_path=section_path))
 
-    h1_match = re.search(r'^#\s+(.*)', text_without_fm, re.MULTILINE)
+    i = 0
-    if h1_match: 
+    while i < len(tokens):
-        h1_title = h1_match.group(1).strip()
+        t = tokens[i]
+        if t.type == "heading_open":
+            lvl = int(t.tag[1])
+            # Sammle heading inline
+            i += 1
+            title_txt = ""
+            while i < len(tokens) and tokens[i].type != "heading_close":
+                if tokens[i].type == "inline":
+                    title_txt += tokens[i].content
+                i += 1
+            title_txt = title_txt.strip()
+            # Section-Pfad aktualisieren
+            if lvl == 2:
+                h2, h3 = title_txt, None
+                section_path = f"/{h2}"
+            elif lvl == 3:
+                h3 = title_txt
+                section_path = f"/{h2}/{h3}" if h2 else f"/{h3}"
+            push("heading", title_txt, lvl)
+        elif t.type in ("paragraph_open", "bullet_list_open", "ordered_list_open",
+                        "fence", "code_block", "blockquote_open", "table_open", "hr"):
+            kind = {
+                "paragraph_open": "paragraph",
+                "bullet_list_open": "list",
+                "ordered_list_open": "list",
+                "fence": "code",
+                "code_block": "code",
+                "blockquote_open": "blockquote",
+                "table_open": "table",
+                "hr": "thematic_break",
+            }[t.type]
 
-    lines = text_without_fm.split('\n')
+            if t.type in ("fence", "code_block"):
-    buffer = []
+                # Codeblock hat eigenen content im selben Token
-    
+                content = t.content or ""
-    for line in lines:
+                push(kind, content, None)
-        stripped = line.strip()
-        if stripped.startswith('# '): 
-            continue 
-        elif stripped.startswith('## '):
-            if buffer:
-                content = "\n".join(buffer).strip()
-                if content:
-                    blocks.append(RawBlock("paragraph", content, None, section_path, current_h2))
-                buffer = []
-            current_h2 = stripped[3:].strip()
-            section_path = f"/{current_h2}"
-            blocks.append(RawBlock("heading", stripped, 2, section_path, current_h2))
-        elif not stripped:
-            if buffer:
-                content = "\n".join(buffer).strip()
-                if content:
-                    blocks.append(RawBlock("paragraph", content, None, section_path, current_h2))
-                buffer = []
             else:
-            buffer.append(line)
+                # inline sammeln bis close
+                content = ""
+                i += 1
+                depth = 1
+                while i < len(tokens) and depth > 0:
+                    tk = tokens[i]
+                    if tk.type.endswith("_open"):
+                        depth += 1
+                    elif tk.type.endswith("_close"):
+                        depth -= 1
+                    elif tk.type == "inline":
+                        content += tk.content
+                    i += 1
+                push(kind, content, None)
+                continue  # wir sind schon auf nächstem Token
+        i += 1
 
-    if buffer:
+    return blocks
-        content = "\n".join(buffer).strip()
-        if content:
-            blocks.append(RawBlock("paragraph", content, None, section_path, current_h2))
 
-    return blocks, h1_title
+def assemble_chunks(note_id: str, md_text: str, note_type: str) -> List[Chunk]:
+    sizes = get_sizes(note_type)
+    target = sum(sizes["target"]) // 2        # mittlerer Zielwert
+    max_tokens = sizes["max"]
+    ov_min, ov_max = sizes["overlap"]
+    overlap = (ov_min + ov_max) // 2
 
-def _strategy_sliding_window(blocks: List[RawBlock], config: Dict[str, Any], note_id: str, doc_title: str = "", context_prefix: str = "") -> List[Chunk]:
+    blocks = parse_blocks(md_text)
-    target = config.get("target", 400)
-    max_tokens = config.get("max", 600)
-    overlap_val = config.get("overlap", (50, 80))
-    overlap = sum(overlap_val) // 2 if isinstance(overlap_val, tuple) else overlap_val
-    chunks = []; buf = []
 
-    def _create_chunk(txt, win, sec, path):
+    chunks: List[Chunk] = []
-        idx = len(chunks)
+    buf: List[Tuple[str, str, str]] = []  # (text, section_title, section_path)
-        chunks.append(Chunk(
+    char_pos = 0
-            id=f"{note_id}#c{idx:02d}", note_id=note_id, index=idx,
-            text=txt, window=win, token_count=estimate_tokens(txt),
-            section_title=sec, section_path=path, neighbors_prev=None, neighbors_next=None,
-            suggested_edges=[]
-        ))
 
-    def flush_buffer():
+    def flush_buffer(force=False):
-        nonlocal buf
+        nonlocal buf, chunks, char_pos
-        if not buf: return
+        if not buf:
+            return
+        text = "\n\n".join([b[0] for b in buf]).strip()
+        if not text:
+            buf = []
+            return
 
-        text_body = "\n\n".join([b.text for b in buf])
+        # Wenn zu groß, satzbasiert weich umbrechen
-        win_body = f"{context_prefix}\n{text_body}".strip() if context_prefix else text_body
+        toks = estimate_tokens(text)
-        
+        if toks > max_tokens:
-        if estimate_tokens(text_body) <= max_tokens:
+            sentences = split_sentences(text)
-            _create_chunk(text_body, win_body, buf[-1].section_title, buf[-1].section_path)
+            cur = []
+            cur_tokens = 0
+            for s in sentences:
+                st = estimate_tokens(s)
+                if cur_tokens + st > target and cur:
+                    _emit("\n".join(cur))
+                    # Overlap: letzte Sätze wiederverwenden
+                    ov_text = " ".join(cur)[-overlap*4:]  # 4 chars/token Heuristik
+                    cur = [ov_text, s] if ov_text else [s]
+                    cur_tokens = estimate_tokens(" ".join(cur))
                 else:
-            sentences = split_sentences(text_body)
+                    cur.append(s)
-            current_chunk_sents = []
+                    cur_tokens += st
-            current_len = 0
+            if cur:
-            
+                _emit("\n".join(cur))
-            for sent in sentences:
-                sent_len = estimate_tokens(sent)
-                if current_len + sent_len > target and current_chunk_sents:
-                    c_txt = " ".join(current_chunk_sents)
-                    c_win = f"{context_prefix}\n{c_txt}".strip() if context_prefix else c_txt
-                    _create_chunk(c_txt, c_win, buf[-1].section_title, buf[-1].section_path)
-                    
-                    overlap_sents = []
-                    ov_len = 0
-                    for s in reversed(current_chunk_sents):
-                        if ov_len + estimate_tokens(s) < overlap:
-                            overlap_sents.insert(0, s)
-                            ov_len += estimate_tokens(s)
         else:
-                            break
+            _emit(text)
-                    
-                    current_chunk_sents = list(overlap_sents)
-                    current_chunk_sents.append(sent)
-                    current_len = ov_len + sent_len
-                else:
-                    current_chunk_sents.append(sent)
-                    current_len += sent_len
-            
-            if current_chunk_sents:
-                c_txt = " ".join(current_chunk_sents)
-                c_win = f"{context_prefix}\n{c_txt}".strip() if context_prefix else c_txt
-                _create_chunk(c_txt, c_win, buf[-1].section_title, buf[-1].section_path)
-
         buf = []
 
+    def _emit(text_block: str):
+        nonlocal chunks, char_pos
+        idx = len(chunks)
+        chunk_id = f"{note_id}#c{idx:02d}"
+        token_count = estimate_tokens(text_block)
+        # section aus letztem buffer-entry ableiten
+        sec_title = buf[-1][1] if buf else None
+        sec_path  = buf[-1][2] if buf else "/"
+        start = char_pos
+        end = start + len(text_block)
+        chunks.append(Chunk(
+            id=chunk_id,
+            note_id=note_id,
+            index=idx,
+            text=text_block,
+            token_count=token_count,
+            section_title=sec_title,
+            section_path=sec_path,
+            neighbors_prev=None,
+            neighbors_next=None,
+            char_start=start,
+            char_end=end
+        ))
+        char_pos = end + 1
+
+    # Blocks in Puffer sammeln; bei Überschreiten Zielbereich flushen
+    cur_sec_title = None
     for b in blocks:
-        if b.kind == "heading": continue 
+        if b.kind == "heading" and b.level in (2, 3):
-        current_buf_text = "\n\n".join([x.text for x in buf])
+            # Sectionwechsel ⇒ Buffer flushen
-        if estimate_tokens(current_buf_text) + estimate_tokens(b.text) >= target:
             flush_buffer()
-        buf.append(b)
+            cur_sec_title = b.text.strip()
-        if estimate_tokens(b.text) >= target:
+            # Heading selbst nicht als Chunk, aber als Kontexttitel nutzen
+            continue
+
+        txt = b.text.strip()
+        if not txt:
+            continue
+
+        tentative = "\n\n".join([*(x[0] for x in buf), txt]).strip()
+        if estimate_tokens(tentative) > max(get_sizes(note_type)["target"]):
+            # weicher Schnitt vor Hinzufügen
+            flush_buffer()
+        buf.append((txt, cur_sec_title, b.section_path))
+
+        # bei Erreichen ~Target flushen
+        if estimate_tokens("\n\n".join([x[0] for x in buf])) >= target:
             flush_buffer()
 
-    flush_buffer()
+    flush_buffer(force=True)
-    return chunks
-
-def _strategy_by_heading(blocks: List[RawBlock], config: Dict[str, Any], note_id: str, doc_title: str = "") -> List[Chunk]:
-    return _strategy_sliding_window(blocks, config, note_id, doc_title, context_prefix=f"# {doc_title}")
-
-# ==========================================
-# 4. ORCHESTRATION (ASYNC) - WP-15 CORE
-# ==========================================
-
-async def assemble_chunks(note_id: str, md_text: str, note_type: str, config: Optional[Dict] = None) -> List[Chunk]:
-    if config is None:
-        config = get_chunk_config(note_type)
-        
-    fm, body_text = extract_frontmatter_from_text(md_text)
-    note_status = fm.get("status", "").lower()
-    
-    primary_strategy = config.get("strategy", "sliding_window")
-    enable_smart_edges = config.get("enable_smart_edge_allocation", False)
-
-    if enable_smart_edges and note_status in ["draft", "initial_gen"]:
-        logger.info(f"Chunker: Skipping Smart Edges for draft '{note_id}'.")
-        enable_smart_edges = False
-
-    blocks, doc_title = parse_blocks(md_text)
-    
-    if primary_strategy == "by_heading":
-        chunks = await asyncio.to_thread(_strategy_by_heading, blocks, config, note_id, doc_title)
-    else:
-        chunks = await asyncio.to_thread(_strategy_sliding_window, blocks, config, note_id, doc_title)
-
-    if not chunks:
-        return []
-
-    if enable_smart_edges:
-        # Hier rufen wir nun die Smart Edge Allocation auf
-        chunks = await _run_smart_edge_allocation(chunks, md_text, note_id, note_type)
 
+    # neighbors setzen
     for i, ch in enumerate(chunks):
         ch.neighbors_prev = chunks[i-1].id if i > 0 else None
         ch.neighbors_next = chunks[i+1].id if i < len(chunks)-1 else None
-
-    return chunks
-
-def _extract_all_edges_from_md(md_text: str, note_id: str, note_type: str) -> List[str]:
-    """
-    Hilfsfunktion: Erstellt einen Dummy-Chunk für den gesamten Text und ruft
-    den Edge-Parser auf, um ALLE Kanten der Notiz zu finden.
-    """
-    # 1. Dummy Chunk erstellen, der den gesamten Text enthält
-    # Das ist notwendig, da build_edges_for_note Kanten nur aus Chunks extrahiert.
-    dummy_chunk = {
-        "chunk_id": f"{note_id}#full",
-        "text": md_text, 
-        "content": md_text, # Sicherstellen, dass der Parser Text findet
-        "window": md_text,
-        "type": note_type
-    }
-    
-    # 2. Aufruf des Parsers (Signatur-Fix!)
-    # derive_edges.py: build_edges_for_note(note_id, chunks, note_level_references=None, include_note_scope_refs=False)
-    raw_edges = build_edges_for_note(
-        note_id, 
-        [dummy_chunk], 
-        note_level_references=None, 
-        include_note_scope_refs=False
-    )
-    
-    # 3. Kanten extrahieren
-    all_candidates = set()
-    for e in raw_edges:
-        kind = e.get("kind")
-        target = e.get("target_id")
-        if target and kind not in ["belongs_to", "next", "prev", "backlink"]:
-            all_candidates.add(f"{kind}:{target}")
-            
-    return list(all_candidates)
-
-async def _run_smart_edge_allocation(chunks: List[Chunk], full_text: str, note_id: str, note_type: str) -> List[Chunk]:
-    analyzer = get_semantic_analyzer()
-    
-    # A. Alle potenziellen Kanten der Notiz sammeln (über den Dummy-Chunk Trick)
-    candidate_list = _extract_all_edges_from_md(full_text, note_id, note_type)
-    
-    if not candidate_list:
-        return chunks
-
-    # B. LLM Filterung pro Chunk (Parallel)
-    tasks = []
-    for chunk in chunks:
-        tasks.append(analyzer.assign_edges_to_chunk(chunk.text, candidate_list, note_type))
-    
-    results_per_chunk = await asyncio.gather(*tasks)
-    
-    # C. Injection & Fallback
-    assigned_edges_global = set()
-    
-    for i, confirmed_edges in enumerate(results_per_chunk):
-        chunk = chunks[i]
-        chunk.suggested_edges = confirmed_edges
-        assigned_edges_global.update(confirmed_edges)
-        
-        if confirmed_edges:
-            injection_str = "\n" + " ".join([f"[[rel:{e.split(':')[0]}|{e.split(':')[1]}]]" for e in confirmed_edges if ':' in e])
-            chunk.text += injection_str
-            chunk.window += injection_str
-
-    # D. Fallback: Unassigned Kanten überall hin
-    unassigned = set(candidate_list) - assigned_edges_global
-    if unassigned:
-        fallback_str = "\n" + " ".join([f"[[rel:{e.split(':')[0]}|{e.split(':')[1]}]]" for e in unassigned if ':' in e])
-        for chunk in chunks:
-            chunk.text += fallback_str
-            chunk.window += fallback_str
-            if chunk.suggested_edges is None: chunk.suggested_edges = []
-            chunk.suggested_edges.extend(list(unassigned))
-
     return chunks

app/core/ingestion.py

@@ -1,13 +1,14 @@
 """
 app/core/ingestion.py
 
-Zentraler Service für die Transformation von Markdown-Dateien in Qdrant-Objekte.
+Zentraler Service für die Transformation von Markdown-Dateien in Qdrant-Objekte (Notes, Chunks, Edges).
-Version: 2.5.2 (Full Feature: Change Detection + Robust IO + Clean Config)
+Dient als Shared Logic für:
+1. CLI-Imports (scripts/import_markdown.py)
+2. API-Uploads (WP-11)
+Refactored for Async Embedding Support.
 """
 import os
 import logging
-import asyncio
-import time
 from typing import Dict, List, Optional, Tuple, Any
 
 # Core Module Imports
@@ -17,13 +18,21 @@ from app.core.parser import (
     validate_required_frontmatter,
 )
 from app.core.note_payload import make_note_payload
-from app.core.chunker import assemble_chunks, get_chunk_config
+from app.core.chunker import assemble_chunks
 from app.core.chunk_payload import make_chunk_payloads
 
-# Fallback für Edges
+# Fallback für Edges Import (Robustheit)
 try:
     from app.core.derive_edges import build_edges_for_note
 except ImportError:
+    try:
+        from app.core.derive_edges import derive_edges_for_note as build_edges_for_note
+    except ImportError:
+        try:
+            from app.core.edges import build_edges_for_note
+        except ImportError:
+            # Fallback Mock
+            logging.warning("Could not import edge derivation logic. Edges will be empty.")
             def build_edges_for_note(*args, **kwargs): return []
 
 from app.core.qdrant import QdrantConfig, get_client, ensure_collections, ensure_payload_indexes
@@ -34,22 +43,30 @@ from app.core.qdrant_points import (
     upsert_batch,
 )
 
+# WICHTIG: Wir nutzen den API-Client für Embeddings (Async Support)
 from app.services.embeddings_client import EmbeddingsClient
 
 logger = logging.getLogger(__name__)
 
-# --- Helper ---
+# --- Helper für Type-Registry ---
 def load_type_registry(custom_path: Optional[str] = None) -> dict:
     import yaml
     path = custom_path or os.getenv("MINDNET_TYPES_FILE", "config/types.yaml")
-    if not os.path.exists(path): return {}
+    if not os.path.exists(path):
+        if os.path.exists("types.yaml"): 
+            path = "types.yaml"
+        else:
+            return {}
     try:
-        with open(path, "r", encoding="utf-8") as f: return yaml.safe_load(f) or {}
+        with open(path, "r", encoding="utf-8") as f:
-    except Exception: return {}
+            return yaml.safe_load(f) or {}
+    except Exception:
+        return {}
 
 def resolve_note_type(requested: Optional[str], reg: dict) -> str:
     types = reg.get("types", {})
-    if requested and requested in types: return requested
+    if requested and requested in types:
+        return requested
     return "concept" 
 
 def effective_chunk_profile(note_type: str, reg: dict) -> str:
@@ -67,6 +84,7 @@ def effective_retriever_weight(note_type: str, reg: dict) -> float:
 
 class IngestionService:
     def __init__(self, collection_prefix: str = None):
+        # Prefix Logik vereinheitlichen
         env_prefix = os.getenv("COLLECTION_PREFIX", "mindnet")
         self.prefix = collection_prefix or env_prefix
         
@@ -74,14 +92,19 @@ class IngestionService:
         self.cfg.prefix = self.prefix 
         self.client = get_client(self.cfg)
         self.dim = self.cfg.dim
+        
+        # Registry laden
         self.registry = load_type_registry()
+        
+        # Embedding Service initialisieren (Async Client)
         self.embedder = EmbeddingsClient()
         
+        # Init DB Checks (Fehler abfangen, falls DB nicht erreichbar)
         try:
             ensure_collections(self.client, self.prefix, self.dim)
             ensure_payload_indexes(self.client, self.prefix)
         except Exception as e:
-            logger.warning(f"DB init warning: {e}")
+            logger.warning(f"DB initialization warning: {e}")
 
     async def process_file(
         self, 
@@ -96,8 +119,7 @@ class IngestionService:
         hash_normalize: str = "canonical"
     ) -> Dict[str, Any]:
         """
-        Verarbeitet eine einzelne Datei (ASYNC).
+        Verarbeitet eine einzelne Datei (ASYNC Version).
-        Inklusive Change Detection (Hash-Check) gegen Qdrant.
         """
         result = {
             "path": file_path,
@@ -106,7 +128,7 @@ class IngestionService:
             "error": None
         }
 
-        # 1. Parse & Frontmatter Validation
+        # 1. Parse & Frontmatter
         try:
             parsed = read_markdown(file_path)
             if not parsed:
@@ -147,7 +169,7 @@ class IngestionService:
              logger.error(f"Payload build failed: {e}")
              return {**result, "error": f"Payload build failed: {str(e)}"}
 
-        # 4. Change Detection (Das fehlende Stück!)
+        # 4. Change Detection
         old_payload = None
         if not force_replace:
             old_payload = self._fetch_note_payload(note_id)
@@ -171,38 +193,47 @@ class IngestionService:
         # 5. Processing (Chunking, Embedding, Edges)
         try:
             body_text = getattr(parsed, "body", "") or ""
-            
+            chunks = assemble_chunks(fm["id"], body_text, fm["type"])
-            # --- Config Loading (Clean) ---
-            chunk_config = get_chunk_config(note_type)
-            # Hier greift die Logik aus types.yaml (smart=True/False)
-            
-            chunks = await assemble_chunks(fm["id"], body_text, fm["type"], config=chunk_config)
             chunk_pls = make_chunk_payloads(fm, note_pl["path"], chunks, note_text=body_text)
             
-            # Embedding
+            # --- EMBEDDING FIX (ASYNC) ---
             vecs = []
             if chunk_pls:
                 texts = [c.get("window") or c.get("text") or "" for c in chunk_pls]
                 try:
+                    # Async Aufruf des Embedders (via Batch oder Loop)
                     if hasattr(self.embedder, 'embed_documents'):
                         vecs = await self.embedder.embed_documents(texts)
                     else:
+                        # Fallback Loop falls Client kein Batch unterstützt
                         for t in texts:
                             v = await self.embedder.embed_query(t)
                             vecs.append(v)
+                            
+                    # Validierung der Dimensionen
+                    if vecs and len(vecs) > 0:
+                        dim_got = len(vecs[0])
+                        if dim_got != self.dim:
+                            # Wirf keinen Fehler, aber logge Warnung. Qdrant Upsert wird failen wenn 0.
+                            logger.warning(f"Vector dimension mismatch. Expected {self.dim}, got {dim_got}")
+                            if dim_got == 0:
+                                raise ValueError("Embedding returned empty vectors (Dim 0)")
                 except Exception as e:
-                    logger.error(f"Embedding failed: {e}")
+                    logger.error(f"Embedding generation failed: {e}")
                     raise RuntimeError(f"Embedding failed: {e}")
             
             # Edges
+            note_refs = note_pl.get("references") or []
+            # Versuche flexible Signatur für Edges (V1 vs V2)
             try:
                 edges = build_edges_for_note(
                     note_id, 
                     chunk_pls, 
-                    note_level_references=note_pl.get("references", []),
+                    note_level_references=note_refs,
                     include_note_scope_refs=note_scope_refs
                 )
             except TypeError:
+                # Fallback für ältere Signatur
                 edges = build_edges_for_note(note_id, chunk_pls)
 
         except Exception as e:
@@ -237,7 +268,7 @@ class IngestionService:
             logger.error(f"Upsert failed: {e}", exc_info=True)
             return {**result, "error": f"DB Upsert failed: {e}"}
 
-    # --- Qdrant Helper (Restored) ---
+    # --- Interne Qdrant Helper ---
     
     def _fetch_note_payload(self, note_id: str) -> Optional[dict]:
         from qdrant_client.http import models as rest
@@ -266,7 +297,8 @@ class IngestionService:
         for suffix in ["chunks", "edges"]:
             try:
                 self.client.delete(collection_name=f"{self.prefix}_{suffix}", points_selector=selector)
-            except Exception: pass
+            except Exception:
+                pass
     
     async def create_from_text(
             self,
@@ -277,25 +309,31 @@ class IngestionService:
         ) -> Dict[str, Any]:
             """
             WP-11 Persistence API Entrypoint.
+            Schreibt Text in Vault und indiziert ihn sofort.
             """
+            # 1. Zielordner
             target_dir = os.path.join(vault_root, folder)
-            os.makedirs(target_dir, exist_ok=True)
-            
-            file_path = os.path.join(target_dir, filename)
-            
             try:
-                # Robust Write: Ensure Flush & Sync
+                os.makedirs(target_dir, exist_ok=True)
+            except Exception as e:
+                return {"status": "error", "error": f"Could not create folder {target_dir}: {e}"}
+            
+            # 2. Dateiname
+            safe_filename = os.path.basename(filename)
+            if not safe_filename.endswith(".md"):
+                safe_filename += ".md"
+            file_path = os.path.join(target_dir, safe_filename)
+            
+            # 3. Schreiben
+            try:
                 with open(file_path, "w", encoding="utf-8") as f:
                     f.write(markdown_content)
-                    f.flush()
-                    os.fsync(f.fileno())
-                
-                await asyncio.sleep(0.1) 
-                
                 logger.info(f"Written file to {file_path}")
             except Exception as e:
-                return {"status": "error", "error": f"Disk write failed: {str(e)}"}
+                return {"status": "error", "error": f"Disk write failed at {file_path}: {str(e)}"}
                 
+            # 4. Indizieren (Async Aufruf!)
+            # Wir rufen process_file auf, das jetzt ASYNC ist
             return await self.process_file(
                 file_path=file_path,
                 vault_root=vault_root,

app/frontend/ui.py

@@ -5,7 +5,6 @@ import os
 import json
 import re
 import yaml
-import unicodedata
 from datetime import datetime
 from pathlib import Path
 from dotenv import load_dotenv
@@ -24,7 +23,7 @@ timeout_setting = os.getenv("MINDNET_API_TIMEOUT") or os.getenv("MINDNET_LLM_TIM
 API_TIMEOUT = float(timeout_setting) if timeout_setting else 300.0
 
 # --- PAGE SETUP ---
-st.set_page_config(page_title="mindnet v2.5", page_icon="🧠", layout="wide")
+st.set_page_config(page_title="mindnet v2.3.10", page_icon="🧠", layout="wide")
 
 # --- CSS STYLING ---
 st.markdown("""
@@ -54,6 +53,15 @@ st.markdown("""
         background-color: white;
         font-family: -apple-system,BlinkMacSystemFont,"Segoe UI",Helvetica,Arial,sans-serif;
     }
+    
+    .suggestion-card {
+        border-left: 3px solid #1a73e8;
+        background-color: #ffffff;
+        padding: 10px;
+        margin-bottom: 8px;
+        border-radius: 4px;
+        box-shadow: 0 1px 3px rgba(0,0,0,0.1);
+    }
 </style>
 """, unsafe_allow_html=True)
 
@@ -63,18 +71,8 @@ if "user_id" not in st.session_state: st.session_state.user_id = str(uuid.uuid4(
 
 # --- HELPER FUNCTIONS ---
 
-def slugify(value):
-    if not value: return ""
-    value = str(value).lower()
-    replacements = {'ä': 'ae', 'ö': 'oe', 'ü': 'ue', 'ß': 'ss', '&': 'und', '+': 'und'}
-    for k, v in replacements.items():
-        value = value.replace(k, v)
-    
-    value = unicodedata.normalize('NFKD', value).encode('ascii', 'ignore').decode('ascii')
-    value = re.sub(r'[^\w\s-]', '', value).strip()
-    return re.sub(r'[-\s]+', '-', value)
-
 def normalize_meta_and_body(meta, body):
+    """Sanitizer: Stellt sicher, dass nur erlaubte Felder im Frontmatter bleiben."""
     ALLOWED_KEYS = {"title", "type", "status", "tags", "id", "created", "updated", "aliases", "lang"}
     clean_meta = {}
     extra_content = []
@@ -101,11 +99,7 @@ def normalize_meta_and_body(meta, body):
                 extra_content.append(f"## {header}\n{val}\n")
 
     if all_tags:
-        clean_tags = []
+        clean_meta["tags"] = list(set(all_tags))
-        for t in all_tags:
-            t_clean = str(t).replace("#", "").strip()
-            if t_clean: clean_tags.append(t_clean)
-        clean_meta["tags"] = list(set(clean_tags))
 
     if extra_content:
         new_section = "\n".join(extra_content)
@@ -116,67 +110,37 @@ def normalize_meta_and_body(meta, body):
     return clean_meta, final_body
 
 def parse_markdown_draft(full_text):
-    """
+    """Robustes Parsing + Sanitization."""
-    HEALING PARSER: Repariert kaputten LLM Output (z.B. fehlendes schließendes '---').
+    clean_text = full_text
-    """
-    clean_text = full_text.strip()
     
-    # 1. Code-Block Wrapper entfernen
+    pattern_block = r"```(?:markdown|md)?\s*(.*?)\s*```"
-    pattern_block = r"```(?:markdown|md|yaml)?\s*(.*?)\s*```"
+    match_block = re.search(pattern_block, full_text, re.DOTALL | re.IGNORECASE)
-    match_block = re.search(pattern_block, clean_text, re.DOTALL | re.IGNORECASE)
     if match_block:
         clean_text = match_block.group(1).strip()
 
+    parts = re.split(r"^---+\s*$", clean_text, maxsplit=2, flags=re.MULTILINE)
+    
     meta = {}
     body = clean_text
-    yaml_str = ""
-
-    # 2. Versuch A: Standard Split (Idealfall)
-    parts = re.split(r"^---+\s*$", clean_text, maxsplit=2, flags=re.MULTILINE)
 
     if len(parts) >= 3:
         yaml_str = parts[1]
-        body = parts[2]
+        body_candidate = parts[2]
-    
-    # 3. Versuch B: Healing (Wenn LLM das schließende --- vergessen hat)
-    elif clean_text.startswith("---"):
-        # Wir suchen die erste Überschrift '#', da Frontmatter davor sein muss
-        # Pattern: Suche --- am Anfang, dann nimm alles bis zum ersten # am Zeilenanfang
-        fallback_match = re.search(r"^---\s*(.*?)(?=\n#)", clean_text, re.DOTALL | re.MULTILINE)
-        if fallback_match:
-            yaml_str = fallback_match.group(1)
-            # Der Body ist alles NACH dem YAML String (inklusive dem #)
-            body = clean_text.replace(f"---{yaml_str}", "", 1).strip()
-            
-    # 4. YAML Parsing
-    if yaml_str:
-        yaml_str_clean = yaml_str.replace("#", "") # Tags cleanen
         try:
-            parsed = yaml.safe_load(yaml_str_clean)
+            parsed = yaml.safe_load(yaml_str)
             if isinstance(parsed, dict):
                 meta = parsed
-        except Exception as e:
+                body = body_candidate.strip()
-            print(f"YAML Parsing Warning: {e}")
+        except Exception:
-
+            pass 
-    # Fallback: Titel aus H1
-    if not meta.get("title"):
-        h1_match = re.search(r"^#\s+(.*)$", body, re.MULTILINE)
-        if h1_match:
-            meta["title"] = h1_match.group(1).strip()
-
-    # Correction: type/status swap
-    if meta.get("type") == "draft":
-        meta["status"] = "draft"
-        meta["type"] = "experience" 
     
     return normalize_meta_and_body(meta, body)
 
 def build_markdown_doc(meta, body):
     """Baut das finale Dokument zusammen."""
     if "id" not in meta or meta["id"] == "generated_on_save":
-        raw_title = meta.get('title', 'note')
+        safe_title = re.sub(r'[^a-zA-Z0-9]', '-', meta.get('title', 'note')).lower()[:30]
-        clean_slug = slugify(raw_title)[:50] or "note"
+        meta["id"] = f"{datetime.now().strftime('%Y%m%d')}-{safe_title}-{uuid.uuid4().hex[:4]}"
-        meta["id"] = f"{datetime.now().strftime('%Y%m%d')}-{clean_slug}"
     
     meta["updated"] = datetime.now().strftime("%Y-%m-%d")
     
@@ -225,6 +189,7 @@ def send_chat_message(message: str, top_k: int, explain: bool):
         return {"error": str(e)}
 
 def analyze_draft_text(text: str, n_type: str):
+    """Ruft den neuen Intelligence-Service (WP-11) auf."""
     try:
         response = requests.post(
             INGEST_ANALYZE_ENDPOINT,
@@ -237,11 +202,12 @@ def analyze_draft_text(text: str, n_type: str):
         return {"error": str(e)}
 
 def save_draft_to_vault(markdown_content: str, filename: str = None):
+    """Ruft den neuen Persistence-Service (WP-11) auf."""
     try:
         response = requests.post(
             INGEST_SAVE_ENDPOINT,
             json={"markdown_content": markdown_content, "filename": filename},
-            timeout=API_TIMEOUT 
+            timeout=60 
         )
         response.raise_for_status()
         return response.json()
@@ -259,7 +225,7 @@ def submit_feedback(query_id, node_id, score, comment=None):
 def render_sidebar():
     with st.sidebar:
         st.title("🧠 mindnet")
-        st.caption("v2.5 | Healing Parser")
+        st.caption("v2.3.10 | Mode Switch Fix")
         mode = st.radio("Modus", ["💬 Chat", "📝 Manueller Editor"], index=0)
         st.divider()
         st.subheader("⚙️ Settings")
@@ -274,6 +240,7 @@ def render_sidebar():
     return mode, top_k, explain
 
 def render_draft_editor(msg):
+    # Ensure ID Stability
     if "query_id" not in msg or not msg["query_id"]:
         msg["query_id"] = str(uuid.uuid4())
     
@@ -286,7 +253,7 @@ def render_draft_editor(msg):
     widget_body_key = f"{key_base}_widget_body" 
     data_body_key = f"{key_base}_data_body"
 
-    # --- 1. INIT STATE ---
+    # --- 1. INIT STATE (Nur beim allerersten Laden der Message) ---
     if f"{key_base}_init" not in st.session_state:
         meta, body = parse_markdown_draft(msg["content"])
         if "type" not in meta: meta["type"] = "default"
@@ -294,34 +261,26 @@ def render_draft_editor(msg):
         tags = meta.get("tags", [])
         meta["tags_str"] = ", ".join(tags) if isinstance(tags, list) else str(tags)
 
-        # Persistent Data
+        # Persistent Data (Source of Truth)
         st.session_state[data_meta_key] = meta
         st.session_state[data_sugg_key] = []
         st.session_state[data_body_key] = body.strip()
         
-        # Init Widgets Keys
-        st.session_state[f"{key_base}_wdg_title"] = meta["title"]
-        st.session_state[f"{key_base}_wdg_type"] = meta["type"]
-        st.session_state[f"{key_base}_wdg_tags"] = meta["tags_str"]
-        
         st.session_state[f"{key_base}_init"] = True
 
-    # --- 2. RESURRECTION ---
+    # --- 2. RESURRECTION FIX (WICHTIG!) ---
+    # Wenn wir vom Manuellen Editor zurückkommen, wurde der widget_key von Streamlit gelöscht.
+    # Wir müssen ihn aus dem persistenten data_body_key wiederherstellen.
     if widget_body_key not in st.session_state and data_body_key in st.session_state:
         st.session_state[widget_body_key] = st.session_state[data_body_key]
 
     # --- CALLBACKS ---
-    def _sync_meta():
-        meta = st.session_state[data_meta_key]
-        meta["title"] = st.session_state.get(f"{key_base}_wdg_title", "")
-        meta["type"] = st.session_state.get(f"{key_base}_wdg_type", "default")
-        meta["tags_str"] = st.session_state.get(f"{key_base}_wdg_tags", "")
-        st.session_state[data_meta_key] = meta
-
     def _sync_body():
+        # Sync Widget -> Data (Source of Truth)
         st.session_state[data_body_key] = st.session_state[widget_body_key]
 
     def _insert_text(text_to_insert):
+        # Insert in Widget Key und Sync Data
         current = st.session_state.get(widget_body_key, "")
         new_text = f"{current}\n\n{text_to_insert}"
         st.session_state[widget_body_key] = new_text
@@ -337,23 +296,33 @@ def render_draft_editor(msg):
     st.markdown(f'<div class="draft-box">', unsafe_allow_html=True)
     st.markdown("### 📝 Entwurf bearbeiten")
     
+    # Metadata Form
     meta_ref = st.session_state[data_meta_key]
     c1, c2 = st.columns([2, 1])
     with c1:
-        st.text_input("Titel", key=f"{key_base}_wdg_title", on_change=_sync_meta)
+        # Auch hier Keys für Widgets nutzen, um Resets zu vermeiden
+        title_key = f"{key_base}_wdg_title"
+        if title_key not in st.session_state: st.session_state[title_key] = meta_ref["title"]
+        meta_ref["title"] = st.text_input("Titel", key=title_key)
         
     with c2:
-        known_types = ["concept", "project", "decision", "experience", "journal", "value", "goal", "principle", "risk", "belief"]
+        known_types = ["concept", "project", "decision", "experience", "journal", "value", "goal", "principle"]
-        curr_type = st.session_state.get(f"{key_base}_wdg_type", meta_ref["type"])
+        curr = meta_ref["type"]
-        if curr_type not in known_types: known_types.append(curr_type)
+        if curr not in known_types: known_types.append(curr)
-        st.selectbox("Typ", known_types, key=f"{key_base}_wdg_type", on_change=_sync_meta)
+        type_key = f"{key_base}_wdg_type"
+        if type_key not in st.session_state: st.session_state[type_key] = meta_ref["type"]
+        meta_ref["type"] = st.selectbox("Typ", known_types, index=known_types.index(curr) if curr in known_types else 0, key=type_key)
 
-    st.text_input("Tags", key=f"{key_base}_wdg_tags", on_change=_sync_meta)
+    tags_key = f"{key_base}_wdg_tags"
+    if tags_key not in st.session_state: st.session_state[tags_key] = meta_ref.get("tags_str", "")
+    meta_ref["tags_str"] = st.text_input("Tags", key=tags_key)
 
+    # Tabs
     tab_edit, tab_intel, tab_view = st.tabs(["✏️ Inhalt", "🧠 Intelligence", "👁️ Vorschau"])
     
     # --- TAB 1: EDITOR ---
     with tab_edit:
+        # Hier kein 'value' Argument mehr, da wir den Key oben (Resurrection) initialisiert haben.
         st.text_area(
             "Body", 
             key=widget_body_key,
@@ -369,11 +338,11 @@ def render_draft_editor(msg):
         if st.button("🔍 Analyse starten", key=f"{key_base}_analyze"):
             st.session_state[data_sugg_key] = []
             
+            # Lese vom Widget (aktuell) oder Data (Fallback)
             text_to_analyze = st.session_state.get(widget_body_key, st.session_state.get(data_body_key, ""))
-            current_doc_type = st.session_state.get(f"{key_base}_wdg_type", "concept")
             
             with st.spinner("Analysiere..."):
-                analysis = analyze_draft_text(text_to_analyze, current_doc_type)
+                analysis = analyze_draft_text(text_to_analyze, meta_ref["type"])
                 
                 if "error" in analysis:
                     st.error(f"Fehler: {analysis['error']}")
@@ -385,6 +354,7 @@ def render_draft_editor(msg):
                     else:
                         st.success(f"{len(suggestions)} Vorschläge gefunden.")
         
+        # Render List
         suggestions = st.session_state[data_sugg_key]
         if suggestions:
             current_text_state = st.session_state.get(widget_body_key, "")
@@ -410,24 +380,16 @@ def render_draft_editor(msg):
                     st.button("➕ Einfügen", key=f"add_{idx}_{key_base}", on_click=_insert_text, args=(link_text,))
 
     # --- TAB 3: SAVE ---
-    final_tags_str = st.session_state.get(f"{key_base}_wdg_tags", "")
+    final_tags = [t.strip() for t in meta_ref["tags_str"].split(",") if t.strip()]
-    final_tags = [t.strip() for t in final_tags_str.split(",") if t.strip()]
-    
     final_meta = {
         "id": "generated_on_save",
-        "type": st.session_state.get(f"{key_base}_wdg_type", "default"),
+        "type": meta_ref["type"],
-        "title": st.session_state.get(f"{key_base}_wdg_title", "").strip(),
+        "title": meta_ref["title"],
         "status": "draft",
         "tags": final_tags
     }
-    
+    # Final Doc aus Data
     final_body = st.session_state.get(widget_body_key, st.session_state[data_body_key])
-    
-    if not final_meta["title"]:
-        h1_match = re.search(r"^#\s+(.*)$", final_body, re.MULTILINE)
-        if h1_match:
-            final_meta["title"] = h1_match.group(1).strip()
-    
     final_doc = build_markdown_doc(final_meta, final_body)
     
     with tab_view:
@@ -441,13 +403,7 @@ def render_draft_editor(msg):
     with b1:
         if st.button("💾 Speichern & Indizieren", type="primary", key=f"{key_base}_save"):
             with st.spinner("Speichere im Vault..."):
-                
+                safe_title = re.sub(r'[^a-zA-Z0-9]', '-', meta_ref["title"]).lower()[:30] or "draft"
-                raw_title = final_meta.get("title", "")
-                if not raw_title:
-                    clean_body = re.sub(r"[#*_\[\]()]", "", final_body).strip()
-                    raw_title = clean_body[:40] if clean_body else "draft"
-                
-                safe_title = slugify(raw_title)[:60] or "draft"
                 fname = f"{datetime.now().strftime('%Y%m%d')}-{safe_title}.md"
                 
                 result = save_draft_to_vault(final_doc, filename=fname)
@@ -467,6 +423,7 @@ def render_chat_interface(top_k, explain):
     for idx, msg in enumerate(st.session_state.messages):
         with st.chat_message(msg["role"]):
             if msg["role"] == "assistant":
+                # Header
                 intent = msg.get("intent", "UNKNOWN")
                 src = msg.get("intent_source", "?")
                 icon = {"EMPATHY":"❤️", "DECISION":"⚖️", "CODING":"💻", "FACT":"📚", "INTERVIEW":"📝"}.get(intent, "🧠")
@@ -475,11 +432,13 @@ def render_chat_interface(top_k, explain):
                 with st.expander("🐞 Debug Raw Payload", expanded=False):
                     st.json(msg)
 
+                # Logic
                 if intent == "INTERVIEW":
                     render_draft_editor(msg)
                 else:
                     st.markdown(msg["content"])
                 
+                # Sources
                 if "sources" in msg and msg["sources"]:
                     for hit in msg["sources"]:
                         with st.expander(f"📄 {hit.get('note_id', '?')} ({hit.get('total_score', 0):.2f})"):

app/routers/chat.py

@@ -1,15 +1,21 @@
 """
-app/routers/chat.py — RAG Endpunkt
+app/routers/chat.py — RAG Endpunkt (WP-06 Hybrid Router + WP-07 Interview Mode)
-Version: 2.5.0 (Fix: Question Detection protects against False-Positive Interviews)
+Version: 2.4.0 (Interview Support)
+
+Features:
+- Hybrid Intent Router (Keyword + LLM)
+- Strategic Retrieval (Late Binding via Config)
+- Interview Loop (Schema-driven Data Collection)
+- Context Enrichment (Payload/Source Fallback)
+- Data Flywheel (Feedback Logging Integration)
 """
 
 from fastapi import APIRouter, HTTPException, Depends
-from typing import List, Dict, Any, Optional
+from typing import List, Dict, Any
 import time
 import uuid
 import logging
 import yaml
-import os
 from pathlib import Path
 
 from app.config import get_settings
@@ -24,7 +30,6 @@ logger = logging.getLogger(__name__)
 # --- Helper: Config Loader ---
 
 _DECISION_CONFIG_CACHE = None
-_TYPES_CONFIG_CACHE = None
 
 def _load_decision_config() -> Dict[str, Any]:
     settings = get_settings()
@@ -46,27 +51,12 @@ def _load_decision_config() -> Dict[str, Any]:
         logger.error(f"Failed to load decision config: {e}")
         return default_config
 
-def _load_types_config() -> Dict[str, Any]:
-    """Lädt die types.yaml für Keyword-Erkennung."""
-    path = os.getenv("MINDNET_TYPES_FILE", "config/types.yaml")
-    try:
-        with open(path, "r", encoding="utf-8") as f:
-            return yaml.safe_load(f) or {}
-    except Exception:
-        return {}
-
 def get_full_config() -> Dict[str, Any]:
     global _DECISION_CONFIG_CACHE
     if _DECISION_CONFIG_CACHE is None:
         _DECISION_CONFIG_CACHE = _load_decision_config()
     return _DECISION_CONFIG_CACHE
 
-def get_types_config() -> Dict[str, Any]:
-    global _TYPES_CONFIG_CACHE
-    if _TYPES_CONFIG_CACHE is None:
-        _TYPES_CONFIG_CACHE = _load_types_config()
-    return _TYPES_CONFIG_CACHE
-
 def get_decision_strategy(intent: str) -> Dict[str, Any]:
     config = get_full_config()
     strategies = config.get("strategies", {})
@@ -77,39 +67,39 @@ def get_decision_strategy(intent: str) -> Dict[str, Any]:
 def _detect_target_type(message: str, configured_schemas: Dict[str, Any]) -> str:
     """
     Versucht zu erraten, welchen Notiz-Typ der User erstellen will.
-    Nutzt Keywords aus types.yaml UND Mappings.
+    Nutzt Keywords und Mappings.
     """
     message_lower = message.lower()
     
-    # 1. Check types.yaml detection_keywords (Priority!)
+    # 1. Direkter Match mit Schema-Keys (z.B. "projekt", "entscheidung")
-    types_cfg = get_types_config()
+    # Ignoriere 'default' hier
-    types_def = types_cfg.get("types", {})
-    
-    for type_name, type_data in types_def.items():
-        keywords = type_data.get("detection_keywords", [])
-        for kw in keywords:
-            if kw.lower() in message_lower:
-                return type_name
-
-    # 2. Direkter Match mit Schema-Keys
     for type_key in configured_schemas.keys():
-        if type_key == "default": continue
+        if type_key == "default":
+            continue
         if type_key in message_lower:
             return type_key
             
-    # 3. Synonym-Mapping (Legacy Fallback)
+    # 2. Synonym-Mapping (Deutsch -> Schema Key)
+    # Dies verbessert die UX, falls User deutsche Begriffe nutzen
     synonyms = {
-        "projekt": "project", "vorhaben": "project",
+        "projekt": "project",
-        "entscheidung": "decision", "beschluss": "decision",
+        "vorhaben": "project",
+        "entscheidung": "decision",
+        "beschluss": "decision",
         "ziel": "goal",
-        "erfahrung": "experience", "lektion": "experience",
+        "erfahrung": "experience",
+        "lektion": "experience",
         "wert": "value",
         "prinzip": "principle",
-        "notiz": "default", "idee": "default"
+        "grundsatz": "principle",
+        "notiz": "default",
+        "idee": "default"
     }
     
     for term, schema_key in synonyms.items():
         if term in message_lower:
+            # Prüfen, ob der gemappte Key auch konfiguriert ist
+            if schema_key in configured_schemas:
                 return schema_key
                 
     return "default"
@@ -136,6 +126,7 @@ def _build_enriched_context(hits: List[QueryHit]) -> str:
         )
         title = hit.note_id or "Unbekannt"
         
+        # [FIX] Robustes Auslesen des Typs (Payload > Source > Unknown)
         payload = hit.payload or {}
         note_type = payload.get("type") or source.get("type", "unknown")
         note_type = str(note_type).upper()
@@ -149,77 +140,54 @@ def _build_enriched_context(hits: List[QueryHit]) -> str:
     
     return "\n\n".join(context_parts)
 
-def _is_question(query: str) -> bool:
-    """Prüft, ob der Input wahrscheinlich eine Frage ist."""
-    q = query.strip().lower()
-    if "?" in q: return True
-    
-    # W-Fragen Indikatoren (falls User das ? vergisst)
-    starters = ["wer", "wie", "was", "wo", "wann", "warum", "weshalb", "wozu", "welche", "bist du", "entspricht"]
-    if any(q.startswith(s + " ") for s in starters):
-        return True
-        
-    return False
-
 async def _classify_intent(query: str, llm: LLMService) -> tuple[str, str]:
     """
-    Hybrid Router v5: 
+    Hybrid Router v3: 
-    1. Decision Keywords (Strategie) -> Prio 1
+    Gibt Tuple zurück: (Intent, Source)
-    2. Type Keywords (Interview Trigger) -> Prio 2, ABER NUR WENN KEINE FRAGE!
-    3. LLM (Fallback) -> Prio 3
     """
     config = get_full_config()
     strategies = config.get("strategies", {})
     settings = config.get("settings", {})
     
     query_lower = query.lower()
+    best_intent = None
+    max_match_length = 0
     
-    # 1. FAST PATH A: Strategie Keywords (z.B. "Soll ich...")
+    # 1. FAST PATH: Keywords
     for intent_name, strategy in strategies.items():
         if intent_name == "FACT": continue
         keywords = strategy.get("trigger_keywords", [])
         for k in keywords:
             if k.lower() in query_lower:
-                return intent_name, "Keyword (Strategy)"
+                if len(k) > max_match_length:
+                    max_match_length = len(k)
+                    best_intent = intent_name
     
-    # 2. FAST PATH B: Type Keywords (z.B. "Projekt", "Werte") -> INTERVIEW
+    if best_intent:
-    # FIX: Wir prüfen, ob es eine Frage ist. Fragen zu Typen sollen RAG (FACT/DECISION) sein, 
+        return best_intent, "Keyword (Fast Path)"
-    # keine Interviews. Wir überlassen das dann dem LLM Router (Slow Path).
 
-    if not _is_question(query_lower):
+    # 2. SLOW PATH: LLM Router
-        types_cfg = get_types_config()
-        types_def = types_cfg.get("types", {})
-        
-        for type_name, type_data in types_def.items():
-            keywords = type_data.get("detection_keywords", [])
-            for kw in keywords:
-                if kw.lower() in query_lower:
-                    return "INTERVIEW", f"Keyword (Type: {type_name})"
-
-    # 3. SLOW PATH: LLM Router
     if settings.get("llm_fallback_enabled", False):
-        # Nutze Prompts aus prompts.yaml (via LLM Service)
+        router_prompt_template = settings.get("llm_router_prompt", "")
-        router_prompt_template = llm.prompts.get("router_prompt", "")
-        
         if router_prompt_template:
             prompt = router_prompt_template.replace("{query}", query)
-            logger.info("Keywords failed (or Question detected). Asking LLM for Intent...")
+            logger.info("Keywords failed. Asking LLM for Intent...")
             
-            try:
+            raw_response = await llm.generate_raw_response(prompt)
-                # Nutze priority="realtime" für den Router, damit er nicht wartet
+            
-                raw_response = await llm.generate_raw_response(prompt, priority="realtime")
+            # Parsing logic
             llm_output_upper = raw_response.upper()
-                
+            found_intents = []
-                # Zuerst INTERVIEW prüfen
-                if "INTERVIEW" in llm_output_upper or "CREATE" in llm_output_upper:
-                    return "INTERVIEW", "LLM Router"
-
             for strat_key in strategies.keys():
                 if strat_key in llm_output_upper:
-                        return strat_key, "LLM Router"
+                    found_intents.append(strat_key)
             
-            except Exception as e:
+            if len(found_intents) == 1:
-                logger.error(f"Router LLM failed: {e}")
+                return found_intents[0], "LLM Router (Slow Path)"
+            elif len(found_intents) > 1:
+                return found_intents[0], f"LLM Ambiguous {found_intents}"
+            else:
+                return "FACT", "LLM Fallback (No Match)"
                 
     return "FACT", "Default (No Match)"
 
@@ -234,7 +202,7 @@ async def chat_endpoint(
     logger.info(f"Chat request [{query_id}]: {request.message[:50]}...")
 
     try:
-        # 1. Intent Detection
+        # 1. Intent Detection (mit Source)
         intent, intent_source = await _classify_intent(request.message, llm)
         logger.info(f"[{query_id}] Final Intent: {intent} via {intent_source}")
 
@@ -242,41 +210,57 @@ async def chat_endpoint(
         strategy = get_decision_strategy(intent)
         prompt_key = strategy.get("prompt_template", "rag_template")
         
+        # --- SPLIT LOGIC: INTERVIEW vs. RAG ---
+        
         sources_hits = []
         final_prompt = ""
         
         if intent == "INTERVIEW":
-            # --- INTERVIEW MODE ---
+            # --- WP-07: INTERVIEW MODE ---
-            target_type = _detect_target_type(request.message, strategy.get("schemas", {}))
+            # Kein Retrieval. Wir nutzen den Dialog-Kontext.
             
-            types_cfg = get_types_config()
+            # 1. Schema Loading (Late Binding)
-            type_def = types_cfg.get("types", {}).get(target_type, {})
+            schemas = strategy.get("schemas", {})
-            fields_list = type_def.get("schema", [])
+            target_type = _detect_target_type(request.message, schemas)
+            active_schema = schemas.get(target_type, schemas.get("default"))
             
-            if not fields_list:
+            logger.info(f"[{query_id}] Starting Interview for Type: {target_type}")
-                configured_schemas = strategy.get("schemas", {})
+            
-                fallback_schema = configured_schemas.get(target_type, configured_schemas.get("default"))
+            # Robustes Schema-Parsing (Dict vs List)
-                if isinstance(fallback_schema, dict):
+            if isinstance(active_schema, dict):
-                    fields_list = fallback_schema.get("fields", [])
+                fields_list = active_schema.get("fields", [])
+                hint_str = active_schema.get("hint", "")
             else:
-                    fields_list = fallback_schema or []
+                fields_list = active_schema # Fallback falls nur Liste definiert
+                hint_str = ""
                 
-            logger.info(f"[{query_id}] Interview Type: {target_type}. Fields: {len(fields_list)}")
             fields_str = "\n- " + "\n- ".join(fields_list)
             
+            # 2. Context Logic
+            # Hinweis: In einer Stateless-API ist {context_str} idealerweise die History.
+            # Da ChatRequest (noch) kein History-Feld hat, nutzen wir einen Placeholder
+            # oder verlassen uns darauf, dass der Client die History im Prompt mitschickt 
+            # (Streamlit Pattern: Appends history to prompt).
+            # Wir labeln es hier explizit.
+            context_str = "Bisheriger Verlauf (falls vorhanden): Siehe oben/unten." 
+            
+            # 3. Prompt Assembly
             template = llm.prompts.get(prompt_key, "")
-            final_prompt = template.replace("{context_str}", "Dialogverlauf...") \
+            final_prompt = template.replace("{context_str}", context_str) \
                                    .replace("{query}", request.message) \
                                    .replace("{target_type}", target_type) \
                                    .replace("{schema_fields}", fields_str) \
-                                   .replace("{schema_hint}", "")
+                                   .replace("{schema_hint}", hint_str)
+                                   
+            # Keine Hits im Interview
             sources_hits = []
             
         else:
-            # --- RAG MODE ---
+            # --- WP-06: STANDARD RAG MODE ---
             inject_types = strategy.get("inject_types", [])
             prepend_instr = strategy.get("prepend_instruction", "")
 
+            # 2. Primary Retrieval
             query_req = QueryRequest(
                 query=request.message,
                 mode="hybrid",     
@@ -286,7 +270,9 @@ async def chat_endpoint(
             retrieve_result = await retriever.search(query_req)
             hits = retrieve_result.results
             
+            # 3. Strategic Retrieval (WP-06 Kernfeature)
             if inject_types:
+                logger.info(f"[{query_id}] Executing Strategic Retrieval for types: {inject_types}...")
                 strategy_req = QueryRequest(
                     query=request.message,
                     mode="hybrid",
@@ -295,16 +281,19 @@ async def chat_endpoint(
                     explain=False
                 )
                 strategy_result = await retriever.search(strategy_req)
+                
                 existing_ids = {h.node_id for h in hits}
                 for strat_hit in strategy_result.results:
                     if strat_hit.node_id not in existing_ids:
                         hits.append(strat_hit)
 
+            # 4. Context Building
             if not hits:
                 context_str = "Keine relevanten Notizen gefunden."
             else:
                 context_str = _build_enriched_context(hits)
 
+            # 5. Generation Setup
             template = llm.prompts.get(prompt_key, "{context_str}\n\n{query}")
             
             if prepend_instr:
@@ -313,29 +302,35 @@ async def chat_endpoint(
             final_prompt = template.replace("{context_str}", context_str).replace("{query}", request.message)
             sources_hits = hits
         
-        # --- GENERATION ---
+        # --- COMMON GENERATION ---
+        
         system_prompt = llm.prompts.get("system_prompt", "")
         
-        # Chat nutzt IMMER realtime priority
+        logger.info(f"[{query_id}] Sending to LLM (Intent: {intent}, Template: {prompt_key})...")
-        answer_text = await llm.generate_raw_response(
+        
-            prompt=final_prompt, 
+        # System-Prompt separat übergeben
-            system=system_prompt,
+        answer_text = await llm.generate_raw_response(prompt=final_prompt, system=system_prompt)
-            priority="realtime"
-        )
 
         duration_ms = int((time.time() - start_time) * 1000)
         
-        # Logging
+        # 6. Logging (Fire & Forget)
         try:
             log_search(
                 query_id=query_id,
                 query_text=request.message,
                 results=sources_hits,
                 mode="interview" if intent == "INTERVIEW" else "chat_rag",
-                metadata={"intent": intent, "source": intent_source}
+                metadata={
+                    "intent": intent,
+                    "intent_source": intent_source,
+                    "generated_answer": answer_text,
+                    "model": llm.settings.LLM_MODEL
+                }
             )
-        except: pass
+        except Exception as e:
+            logger.error(f"Logging failed: {e}")
 
+        # 7. Response
         return ChatResponse(
             query_id=query_id,
             answer=answer_text,

app/services/llm_service.py

@@ -1,142 +1,80 @@
 """
-app/services/llm_service.py — LLM Client
+app/services/llm_service.py — LLM Client (Ollama)
-Version: 2.8.0 (Configurable Concurrency Limit)
+Version: 0.2.1 (Fix: System Prompt Handling for Phi-3)
 """
 
 import httpx
 import yaml
 import logging
 import os
-import asyncio
 from pathlib import Path
-from typing import Optional, Dict, Any, Literal
+from app.config import get_settings
 
 logger = logging.getLogger(__name__)
 
-class Settings:
-    OLLAMA_URL = os.getenv("MINDNET_OLLAMA_URL", "http://127.0.0.1:11434")
-    LLM_TIMEOUT = float(os.getenv("MINDNET_LLM_TIMEOUT", 300.0))
-    LLM_MODEL = os.getenv("MINDNET_LLM_MODEL", "phi3:mini")
-    PROMPTS_PATH = os.getenv("MINDNET_PROMPTS_PATH", "./config/prompts.yaml")
-    
-    # NEU: Konfigurierbares Limit für Hintergrund-Last
-    # Default auf 2 (konservativ), kann in .env erhöht werden.
-    BACKGROUND_LIMIT = int(os.getenv("MINDNET_LLM_BACKGROUND_LIMIT", "2"))
-    
-def get_settings():
-    return Settings()
-
 class LLMService:
-    # GLOBALER SEMAPHOR (Lazy Initialization)
-    # Wir initialisieren ihn erst, wenn wir die Settings kennen.
-    _background_semaphore = None
-
     def __init__(self):
         self.settings = get_settings()
         self.prompts = self._load_prompts()
         
-        # Initialisiere Semaphore einmalig auf Klassen-Ebene basierend auf Config
-        if LLMService._background_semaphore is None:
-            limit = self.settings.BACKGROUND_LIMIT
-            logger.info(f"🚦 LLMService: Initializing Background Semaphore with limit: {limit}")
-            LLMService._background_semaphore = asyncio.Semaphore(limit)
-        
-        self.timeout = httpx.Timeout(self.settings.LLM_TIMEOUT, connect=10.0)
-        
         self.client = httpx.AsyncClient(
             base_url=self.settings.OLLAMA_URL, 
-            timeout=self.timeout
+            timeout=self.settings.LLM_TIMEOUT
         )
 
     def _load_prompts(self) -> dict:
         path = Path(self.settings.PROMPTS_PATH)
-        if not path.exists(): return {}
+        if not path.exists():
+            return {}
         try:
-            with open(path, "r", encoding="utf-8") as f: return yaml.safe_load(f)
+            with open(path, "r", encoding="utf-8") as f:
+                return yaml.safe_load(f)
         except Exception as e:
             logger.error(f"Failed to load prompts: {e}")
             return {}
 
-    async def generate_raw_response(
+    async def generate_raw_response(self, prompt: str, system: str = None) -> str:
-        self, 
-        prompt: str, 
-        system: str = None, 
-        force_json: bool = False,
-        max_retries: int = 0,     
-        base_delay: float = 2.0,
-        priority: Literal["realtime", "background"] = "realtime"
-    ) -> str:
         """
         Führt einen LLM Call aus. 
-        priority="realtime": Chat (Sofort, keine Bremse).
+        Unterstützt nun explizite System-Prompts für sauberes Templating.
-        priority="background": Import/Analyse (Gedrosselt durch Semaphore).
         """
-        
+        payload = {
-        use_semaphore = (priority == "background")
-        
-        if use_semaphore and LLMService._background_semaphore:
-            async with LLMService._background_semaphore:
-                return await self._execute_request(prompt, system, force_json, max_retries, base_delay)
-        else:
-            # Realtime oder Fallback (falls Semaphore Init fehlschlug)
-            return await self._execute_request(prompt, system, force_json, max_retries, base_delay)
-
-    async def _execute_request(self, prompt, system, force_json, max_retries, base_delay):
-        payload: Dict[str, Any] = {
             "model": self.settings.LLM_MODEL,
             "prompt": prompt,
             "stream": False,
             "options": {
-                "temperature": 0.1 if force_json else 0.7, 
+                # Temperature etwas höher für Empathie, niedriger für Code?
-                "num_ctx": 8192     
+                # Wir lassen es auf Standard, oder steuern es später via Config.
+                "temperature": 0.7, 
+                "num_ctx": 2048
             }
         }
 
-        if force_json:
+        # WICHTIG: System-Prompt separat übergeben, damit Ollama formatiert
-             payload["format"] = "json"
-
         if system:
             payload["system"] = system
 
-        attempt = 0
-        
-        while True:
         try:
             response = await self.client.post("/api/generate", json=payload)
+            if response.status_code != 200:
+                logger.error(f"Ollama Error ({response.status_code}): {response.text}")
+                return "Fehler bei der Generierung."
             
-                if response.status_code == 200:
             data = response.json()
             return data.get("response", "").strip()
-                else:
-                    response.raise_for_status()
             
         except Exception as e:
-                attempt += 1
+            logger.error(f"LLM Raw Gen Error: {e}")
-                if attempt > max_retries:
+            return "Interner LLM Fehler."
-                    logger.error(f"LLM Final Error (Versuch {attempt}): {e}")
-                    raise e 
-                
-                wait_time = base_delay * (2 ** (attempt - 1))
-                logger.warning(f"⚠️ LLM Retry ({attempt}/{max_retries}) in {wait_time}s: {e}")
-                await asyncio.sleep(wait_time)
 
     async def generate_rag_response(self, query: str, context_str: str) -> str:
-        """
+        """Legacy Support"""
-        Chat-Wrapper: Immer Realtime.
-        """
         system_prompt = self.prompts.get("system_prompt", "")
         rag_template = self.prompts.get("rag_template", "{context_str}\n\n{query}")
-        
         final_prompt = rag_template.format(context_str=context_str, query=query)
         
-        return await self.generate_raw_response(
+        # Leite an die neue Methode weiter
-            final_prompt, 
+        return await self.generate_raw_response(final_prompt, system=system_prompt)
-            system=system_prompt, 
-            max_retries=0,
-            force_json=False,
-            priority="realtime"
-        )
 
     async def close(self):
-        if self.client:
         await self.client.aclose()

app/services/semantic_analyzer.py

@@ -1,138 +0,0 @@
-"""
-app/services/semantic_analyzer.py — Edge Validation & Filtering
-Version: 2.0 (Update: Background Priority for Batch Jobs)
-"""
-
-import json
-import logging
-from typing import List, Optional
-from dataclasses import dataclass
-
-# Importe
-from app.services.llm_service import LLMService
-
-logger = logging.getLogger(__name__)
-
-class SemanticAnalyzer:
-    def __init__(self):
-        self.llm = LLMService()
-
-    async def assign_edges_to_chunk(self, chunk_text: str, all_edges: List[str], note_type: str) -> List[str]:
-        """
-        Sendet einen Chunk und eine Liste potenzieller Kanten an das LLM.
-        Das LLM filtert heraus, welche Kanten für diesen Chunk relevant sind.
-        
-        Features:
-        - Retry Strategy: Wartet bei Überlastung (max_retries=5).
-        - Priority Queue: Läuft als "background" Task, um den Chat nicht zu blockieren.
-        - Observability: Loggt Input-Größe, Raw-Response und Parsing-Details.
-        """
-        if not all_edges:
-            return []
-
-        # 1. Prompt laden
-        prompt_template = self.llm.prompts.get("edge_allocation_template")
-        
-        if not prompt_template:
-            logger.warning("⚠️ [SemanticAnalyzer] Prompt 'edge_allocation_template' fehlt. Nutze Fallback.")
-            prompt_template = (
-                "TASK: Wähle aus den Kandidaten die relevanten Kanten für den Text.\n"
-                "TEXT: {chunk_text}\n"
-                "KANDIDATEN: {edge_list}\n"
-                "OUTPUT: JSON Liste von Strings [\"kind:target\"]."
-            )
-
-        # 2. Kandidaten-Liste formatieren
-        edges_str = "\n".join([f"- {e}" for e in all_edges])
-        
-        # LOG: Request Info
-        logger.debug(f"🔍 [SemanticAnalyzer] Request: {len(chunk_text)} chars Text, {len(all_edges)} Candidates.")
-
-        # 3. Prompt füllen
-        final_prompt = prompt_template.format(
-            chunk_text=chunk_text[:3500], 
-            edge_list=edges_str
-        )
-
-        try:
-            # 4. LLM Call mit Traffic Control (NEU: priority="background")
-            # Wir nutzen die "Slow Lane", damit der User im Chat nicht warten muss.
-            response_json = await self.llm.generate_raw_response(
-                prompt=final_prompt,
-                force_json=True,
-                max_retries=5, 
-                base_delay=5.0,
-                priority="background"  # <--- WICHTIG: Drosselung aktivieren
-            )
-
-            # LOG: Raw Response Preview
-            logger.debug(f"📥 [SemanticAnalyzer] Raw Response (Preview): {response_json[:200]}...")
-
-            # 5. Parsing & Cleaning
-            clean_json = response_json.replace("```json", "").replace("```", "").strip()
-            
-            if not clean_json: 
-                logger.warning("⚠️ [SemanticAnalyzer] Leere Antwort vom LLM erhalten. Trigger Fallback.")
-                return []
-
-            try:
-                data = json.loads(clean_json)
-            except json.JSONDecodeError as json_err:
-                logger.error(f"❌ [SemanticAnalyzer] JSON Decode Error.")
-                logger.error(f"   Grund: {json_err}")
-                logger.error(f"   Empfangener String: {clean_json[:500]}")
-                logger.info("   -> Workaround: Fallback auf 'Alle Kanten' (durch Chunker).")
-                return []
-
-            valid_edges = []
-
-            # 6. Robuste Validierung (List vs Dict)
-            if isinstance(data, list):
-                # Standardfall: ["kind:target", ...]
-                valid_edges = [str(e) for e in data if isinstance(e, str) and ":" in e]
-            
-            elif isinstance(data, dict):
-                # Abweichende Formate behandeln
-                logger.info(f"ℹ️ [SemanticAnalyzer] LLM lieferte Dict statt Liste. Versuche Reparatur. Keys: {list(data.keys())}")
-                
-                for key, val in data.items():
-                    # Fall A: {"edges": ["kind:target"]}
-                    if key.lower() in ["edges", "results", "kanten", "matches"] and isinstance(val, list):
-                         valid_edges.extend([str(e) for e in val if isinstance(e, str) and ":" in e])
-                    
-                    # Fall B: {"kind": "target"}
-                    elif isinstance(val, str):
-                        valid_edges.append(f"{key}:{val}")
-                    
-                    # Fall C: {"kind": ["target1", "target2"]}
-                    elif isinstance(val, list):
-                        for target in val:
-                            if isinstance(target, str):
-                                valid_edges.append(f"{key}:{target}")
-
-            # Safety: Filtere nur Kanten, die halbwegs valide aussehen
-            final_result = [e for e in valid_edges if ":" in e]
-            
-            # LOG: Ergebnis
-            if final_result:
-                logger.info(f"✅ [SemanticAnalyzer] Success. {len(final_result)} Kanten zugewiesen.")
-            else:
-                logger.debug("   [SemanticAnalyzer] Keine spezifischen Kanten erkannt (Empty Result).")
-
-            return final_result
-
-        except Exception as e:
-            logger.error(f"💥 [SemanticAnalyzer] Kritischer Fehler: {e}", exc_info=True)
-            return []
-
-    async def close(self):
-        if self.llm:
-            await self.llm.close()
-
-# Singleton Helper
-_analyzer_instance = None
-def get_semantic_analyzer():
-    global _analyzer_instance
-    if _analyzer_instance is None:
-        _analyzer_instance = SemanticAnalyzer()
-    return _analyzer_instance

config/decision_engine.yaml

@@ -1,31 +1,32 @@
 # config/decision_engine.yaml
-# Steuerung der Decision Engine (Intent Recognition)
+# Steuerung der Decision Engine (WP-06 + WP-07)
-# Version: 2.4.0 (Clean Architecture: Generic Intents only)
+# Hybrid-Modus: Keywords (Fast) + LLM Router (Smart Fallback)
-
+version: 1.3
-version: 1.4
 
 settings:
   llm_fallback_enabled: true
   
-  # Few-Shot Prompting für den LLM-Router (Slow Path)
+  # Few-Shot Prompting für bessere SLM-Performance
+  # Erweitert um INTERVIEW Beispiele
   llm_router_prompt: |
     Du bist ein Klassifikator. Analysiere die Nachricht und wähle die passende Strategie.
     Antworte NUR mit dem Namen der Strategie.
     
     STRATEGIEN:
-    - INTERVIEW: User will Wissen erfassen, Notizen anlegen oder Dinge festhalten.
+    - INTERVIEW: User will Wissen strukturieren, Notizen anlegen, Projekte starten ("Neu", "Festhalten").
     - DECISION: Rat, Strategie, Vor/Nachteile, "Soll ich".
-    - EMPATHY: Gefühle, Frust, Freude, Probleme.
+    - EMPATHY: Gefühle, Frust, Freude, Probleme, "Alles ist sinnlos", "Ich bin traurig".
-    - CODING: Code, Syntax, Programmierung.
+    - CODING: Code, Syntax, Programmierung, Python.
     - FACT: Wissen, Fakten, Definitionen.
     
     BEISPIELE:
     User: "Wie funktioniert Qdrant?" -> FACT
     User: "Soll ich Qdrant nutzen?" -> DECISION
-    User: "Ich möchte etwas notieren" -> INTERVIEW
+    User: "Ich möchte ein neues Projekt anlegen" -> INTERVIEW
-    User: "Lass uns das festhalten" -> INTERVIEW
+    User: "Lass uns eine Entscheidung festhalten" -> INTERVIEW
     User: "Schreibe ein Python Script" -> CODING
     User: "Alles ist grau und sinnlos" -> EMPATHY
+    User: "Mir geht es heute gut" -> EMPATHY
     
     NACHRICHT: "{query}"
     
@@ -50,9 +51,11 @@ strategies:
       - "empfehlung"
       - "strategie"
       - "entscheidung"
+      - "wert"
+      - "prinzip"
+      - "vor- und nachteile"
       - "abwägung"
-      - "vergleich"
+    inject_types: ["value", "principle", "goal"]
-    inject_types: ["value", "principle", "goal", "risk"]
     prompt_template: "decision_template"
     prepend_instruction: |
       !!! ENTSCHEIDUNGS-MODUS !!!
@@ -69,7 +72,6 @@ strategies:
       - "angst"
       - "nervt"
       - "überfordert"
-      - "müde"
     inject_types: ["experience", "belief", "profile"]
     prompt_template: "empathy_template"
     prepend_instruction: null
@@ -86,37 +88,56 @@ strategies:
       - "syntax"
       - "json"
       - "yaml"
-      - "bash"
     inject_types: ["snippet", "reference", "source"]
     prompt_template: "technical_template"
     prepend_instruction: null
 
-  # 5. Interview / Datenerfassung
+  # 5. Interview / Datenerfassung (WP-07)
-  # HINWEIS: Spezifische Typen (Projekt, Ziel etc.) werden automatisch 
-  # über die types.yaml erkannt. Hier stehen nur generische Trigger.
   INTERVIEW:
-    description: "Der User möchte Wissen erfassen."
+    description: "Der User möchte strukturiertes Wissen erfassen (Projekt, Notiz, Idee)."
     trigger_keywords:
       - "neue notiz"
-      - "etwas notieren"
+      - "neues projekt"
+      - "neue entscheidung"
+      - "neues ziel"
       - "festhalten"
-      - "erstellen"
+      - "entwurf erstellen"
-      - "dokumentieren"
-      - "anlegen"
       - "interview"
+      - "dokumentieren"
       - "erfassen"
       - "idee speichern"
-      - "draft"
+    inject_types: [] # Keine RAG-Suche, reiner Kontext-Dialog
-    inject_types: [] 
     prompt_template: "interview_template"
     prepend_instruction: null
     
-    # Schemas: Hier nur der Fallback. 
+    # LATE BINDING SCHEMAS:
-    # Spezifische Schemas (Project, Experience) kommen jetzt aus types.yaml!
+    # Definition der Pflichtfelder pro Typ (korrespondiert mit types.yaml)
+    # Wenn ein Typ hier fehlt, wird 'default' genutzt.
     schemas:
       default: 
-        fields: 
+        fields: ["Titel", "Thema/Inhalt", "Tags"]
-          - "Titel"
-          - "Thema/Inhalt"
-          - "Tags"
         hint: "Halte es einfach und übersichtlich."
+
+      project:
+        fields: ["Titel", "Zielsetzung (Goal)", "Status (draft/active)", "Wichtige Stakeholder", "Nächste Schritte"]
+        hint: "Achte darauf, Abhängigkeiten zu anderen Projekten mit [[rel:depends_on]] zu erfragen."
+
+      decision:
+        fields: ["Titel", "Kontext (Warum entscheiden wir?)", "Getroffene Entscheidung", "Betrachtete Alternativen", "Status (proposed/final)"]
+        hint: "Wichtig: Frage explizit nach den Gründen gegen die Alternativen."
+
+      goal:
+        fields: ["Titel", "Zeitrahmen (Deadline)", "Messkriterien (KPIs)", "Verbundene Werte"]
+        hint: "Ziele sollten SMART formuliert sein."
+
+      experience:
+        fields: ["Titel", "Situation (Kontext)", "Erkenntnis (Learning)", "Emotionale Keywords (für Empathie-Suche)"]
+        hint: "Fokussiere dich auf die persönliche Lektion."
+
+      value:
+        fields: ["Titel (Name des Werts)", "Definition (Was bedeutet das für uns?)", "Anti-Beispiel (Was ist es nicht?)"]
+        hint: "Werte dienen als Entscheidungsgrundlage."
+      
+      principle:
+        fields: ["Titel", "Handlungsanweisung", "Begründung"]
+        hint: "Prinzipien sind härter als Werte."

config/prompts.yaml

@@ -97,66 +97,44 @@ technical_template: |
 # ---------------------------------------------------------
 # 5. INTERVIEW: Der "One-Shot Extractor" (Performance Mode)
 # ---------------------------------------------------------
+
 interview_template: |
   TASK:
-  Du bist ein professioneller Ghostwriter. Verwandle den "USER INPUT" in eine strukturierte Notiz vom Typ '{target_type}'.
+  Erstelle einen Markdown-Entwurf für eine Notiz vom Typ '{target_type}'.
   
-  STRUKTUR (Nutze EXAKT diese Überschriften):
+  SCHEMA (Inhaltliche Pflichtfelder für den Body):
   {schema_fields}
   
   USER INPUT:
   "{query}"
   
-  ANWEISUNG ZUM INHALT:
+  ANWEISUNG:
-  1. Analysiere den Input genau.
+  1. Extrahiere Informationen aus dem Input.
-  2. Schreibe die Inhalte unter die passenden Überschriften aus der STRUKTUR-Liste oben.
+  2. Generiere validen Markdown.
-  3. STIL: Schreibe flüssig, professionell und in der Ich-Perspektive. Korrigiere Grammatikfehler, aber behalte den persönlichen Ton bei.
-  4. Wenn Informationen für einen Abschnitt fehlen, schreibe nur: "[TODO: Ergänzen]". Erfinde nichts dazu.
   
-  OUTPUT FORMAT (YAML + MARKDOWN):
+  OUTPUT REGELN (STRIKT BEACHTEN):
+  A. FRONTMATTER (YAML):
+     - Darf NUR folgende Felder enthalten: [type, status, title, tags].
+     - Schreibe KEINE inhaltlichen Sätze (wie 'Situation', 'Ziel') in das YAML!
+     - Setze 'status: draft'.
+  
+  B. BODY (Markdown):
+     - Nutze für jedes Schema-Feld eine Markdown-Überschrift (## Feldname).
+     - Schreibe den Inhalt DARUNTER.
+     - Nutze "[TODO: Ergänzen]", wenn Infos fehlen.
+  
+  HINWEIS ZUM TYP:
+  {schema_hint}
+  
+  OUTPUT FORMAT BEISPIEL:
+  ```markdown
   ---
   type: {target_type}
   status: draft
-  title: (Erstelle einen treffenden, kurzen Titel für den Inhalt)
+  title: ...
-  tags: [Tag1, Tag2]
+  tags: [...]
   ---
+  # Titel der Notiz
   
-  # (Wiederhole den Titel hier)
+  ## Erstes Schema Feld
-  
+  Der Inhalt hier...
-  ## (Erster Begriff aus STRUKTUR)
-  (Text...)
-  
-  ## (Zweiter Begriff aus STRUKTUR)
-  (Text...)
-  
-  (usw.)
- 
-
-# ---------------------------------------------------------
-# 6. EDGE_ALLOCATION: Kantenfilter (Intent: OFFLINE_FILTER)
-# ---------------------------------------------------------
-edge_allocation_template: |
-  TASK:
-  Du bist ein strikter Selektor. Du erhältst eine Liste von "Kandidaten-Kanten" (Strings).
-  Wähle jene aus, die inhaltlich im "Textabschnitt" vorkommen oder relevant sind.
-
-  TEXTABSCHNITT:
-  """
-  {chunk_text}
-  """
-
-  KANDIDATEN (Auswahl-Pool):
-  {edge_list}
-
-  REGELN:
-  1. Die Kanten haben das Format "typ:ziel". Der "typ" ist variabel und kann ALLES sein (z.B. uses, blocks, inspired_by, loves, etc.).
-  2. Gib NUR die Strings aus der Kandidaten-Liste zurück, die zum Text passen.
-  3. Erfinde KEINE neuen Kanten. Nutze exakt die Schreibweise aus der Liste.
-  4. Antworte als flache JSON-Liste.
-
-  BEISPIEL (Zur Demonstration der Logik):
-  Input Text: "Das Projekt Alpha scheitert, weil Budget fehlt."
-  Input Kandidaten: ["blocks:Projekt Alpha", "inspired_by:Buch der Weisen", "needs:Budget"]
-  Output: ["blocks:Projekt Alpha", "needs:Budget"]
-
-  DEIN OUTPUT (JSON):

config/types.yaml

@@ -1,201 +1,86 @@
-version: 2.4.0 # Optimized for Async Intelligence & Hybrid Router
+version: 1.1 # Update auf v1.1 für Mindnet v2.4
 
-# ==============================================================================
-# 1. CHUNKING PROFILES
-# ==============================================================================
-
-chunking_profiles:
-  
-  # A. SHORT & FAST
-  # Für Glossar, Tasks, Risiken. Kleine Schnipsel.
-  sliding_short:
-    strategy: sliding_window
-    enable_smart_edge_allocation: false
-    target: 200
-    max: 350
-    overlap: [30, 50]
-
-  # B. STANDARD & FAST
-  # Der "Traktor": Robust für Quellen, Journal, Daily Logs.
-  sliding_standard:
-    strategy: sliding_window
-    enable_smart_edge_allocation: false
-    target: 450
-    max: 650
-    overlap: [50, 100]
-
-  # C. SMART FLOW (Performance-Safe Mode)
-  # Für Konzepte, Projekte, Erfahrungen.
-  # HINWEIS: 'enable_smart_edge_allocation' ist vorerst FALSE, um Ollama
-  # bei der Generierung nicht zu überlasten. Später wieder aktivieren.
-  sliding_smart_edges:
-    strategy: sliding_window
-    enable_smart_edge_allocation: true 
-    target: 400
-    max: 600
-    overlap: [50, 80]
-
-  # D. SMART STRUCTURE
-  # Für Profile, Werte, Prinzipien. Trennt hart an Überschriften (H2).
-  structured_smart_edges:
-    strategy: by_heading
-    enable_smart_edge_allocation: true
-    split_level: 2
-    max: 600
-    target: 400
-    overlap: [50, 80]
-
-# ==============================================================================
-# 2. DEFAULTS
-# ==============================================================================
 defaults:
   retriever_weight: 1.0
-  chunking_profile: sliding_standard
+  chunk_profile: default
   edge_defaults: [] 
 
-# ==============================================================================
-# 3. TYPE DEFINITIONS
-# ==============================================================================
-
 types:
-
+  # --- WISSENSBAUSTEINE ---
-  # --- KERNTYPEN (Hoch priorisiert & Smart) ---
-
-  experience:
-    chunking_profile: sliding_smart_edges
-    retriever_weight: 0.90
-    edge_defaults: ["derived_from", "references"]
-    # Hybrid Classifier: Wenn diese Worte fallen, ist es eine Experience
-    detection_keywords: 
-      - "passiert"
-      - "erlebt"
-      - "gefühl"
-      - "situation"
-      - "stolz"
-      - "geärgert"
-      - "reaktion"
-      - "moment"
-      - "konflikt"
-    # Ghostwriter Schema: Sprechende Anweisungen für besseren Textfluss
-    schema:
-      - "Situation (Was ist passiert?)"
-      - "Meine Reaktion (Was habe ich getan?)"
-      - "Ergebnis & Auswirkung"
-      - "Reflexion & Learning (Was lerne ich daraus?)"
-
-  project:
-    chunking_profile: sliding_smart_edges
-    retriever_weight: 0.97
-    edge_defaults: ["references", "depends_on"] 
-    detection_keywords:
-      - "projekt"
-      - "vorhaben"
-      - "ziel ist"
-      - "meilenstein"
-      - "planen"
-      - "starten"
-      - "mission"
-    schema:
-      - "Mission & Zielsetzung"
-      - "Aktueller Status & Blockaden"
-      - "Nächste konkrete Schritte"
-      - "Stakeholder & Ressourcen"
-
-  decision:
-    chunking_profile: structured_smart_edges 
-    retriever_weight: 1.00 # MAX: Entscheidungen sind Gesetz
-    edge_defaults: ["caused_by", "references"]
-    detection_keywords:
-      - "entschieden"
-      - "wahl"
-      - "optionen"
-      - "alternativen"
-      - "beschluss"
-      - "adr"
-    schema:
-      - "Kontext & Problemstellung"
-      - "Betrachtete Optionen (Alternativen)"
-      - "Die Entscheidung"
-      - "Begründung (Warum diese Wahl?)"
-
-  # --- PERSÖNLICHKEIT & IDENTITÄT ---
-
-  value:
-    chunking_profile: structured_smart_edges
-    retriever_weight: 1.00
-    edge_defaults: ["related_to"]
-    detection_keywords: ["wert", "wichtig ist", "moral", "ethik"]
-    schema: ["Definition", "Warum mir das wichtig ist", "Leitsätze für den Alltag"]
-
-  principle:
-    chunking_profile: structured_smart_edges
-    retriever_weight: 0.95
-    edge_defaults: ["derived_from", "references"]
-    detection_keywords: ["prinzip", "regel", "grundsatz", "leitlinie"]
-    schema: ["Das Prinzip", "Anwendung & Beispiele"]
-
-  belief:
-    chunking_profile: sliding_short
-    retriever_weight: 0.90
-    edge_defaults: ["related_to"]
-    detection_keywords: ["glaube", "überzeugung", "denke dass", "meinung"]
-    schema: ["Der Glaubenssatz", "Ursprung & Reflexion"]
-
-  profile:
-    chunking_profile: structured_smart_edges
-    retriever_weight: 0.70
-    edge_defaults: ["references", "related_to"]
-    schema: ["Rolle / Identität", "Fakten & Daten", "Historie"]
-
-  # --- STRATEGIE & RISIKO ---
-
-  goal:
-    chunking_profile: sliding_smart_edges
-    retriever_weight: 0.95
-    edge_defaults: ["depends_on", "related_to"]
-    schema: ["Zielzustand", "Zeitrahmen & KPIs", "Motivation"]
-
-  risk:
-    chunking_profile: sliding_short
-    retriever_weight: 0.85
-    edge_defaults: ["related_to", "blocks"]
-    detection_keywords: ["risiko", "gefahr", "bedrohung", "problem", "angst"]
-    schema: ["Beschreibung des Risikos", "Mögliche Auswirkungen", "Gegenmaßnahmen"]
-
-  # --- BASIS & WISSEN ---
-
   concept:
-    chunking_profile: sliding_smart_edges
+    chunk_profile: medium
     retriever_weight: 0.60
     edge_defaults: ["references", "related_to"]
-    schema:
-      - "Definition"
-      - "Kontext & Hintergrund"
-      - "Verwandte Konzepte"
-
-  task:
-    chunking_profile: sliding_short
-    retriever_weight: 0.80
-    edge_defaults: ["depends_on", "part_of"]
-    schema: ["Aufgabe", "Kontext", "Definition of Done"]
-
-  journal:
-    chunking_profile: sliding_standard
-    retriever_weight: 0.80
-    edge_defaults: ["references", "related_to"]
-    schema: ["Log-Eintrag", "Gedanken & Erkenntnisse"]
 
   source:
-    chunking_profile: sliding_standard
+    chunk_profile: short
     retriever_weight: 0.50
-    edge_defaults: [] 
+    edge_defaults: [] # Quellen sind passiv
-    schema:
-      - "Metadaten (Autor, URL, Datum)"
-      - "Kernaussage / Zusammenfassung"
-      - "Zitate & Notizen"
 
   glossary:
-    chunking_profile: sliding_short
+    chunk_profile: short
     retriever_weight: 0.40
     edge_defaults: ["related_to"]
-    schema: ["Begriff", "Definition"]
+
+  # --- IDENTITÄT & PERSÖNLICHKEIT (Decision Engine Core) ---
+  profile:
+    chunk_profile: long
+    retriever_weight: 0.70
+    edge_defaults: ["references", "related_to"]
+
+  value:
+    chunk_profile: short
+    retriever_weight: 1.00  # MAX: Werte stechen Fakten im Decision-Mode
+    edge_defaults: ["related_to"]
+
+  principle:
+    chunk_profile: short
+    retriever_weight: 0.95  # Sehr hoch: Handlungsleitlinien
+    edge_defaults: ["derived_from", "references"] # Prinzipien leiten sich oft woraus ab
+
+  belief: # NEU: Glaubenssätze für Empathie-Modus
+    chunk_profile: short
+    retriever_weight: 0.90
+    edge_defaults: ["related_to"]
+
+  experience:
+    chunk_profile: medium
+    retriever_weight: 0.90
+    edge_defaults: ["derived_from", "references"] # Erfahrungen haben einen Ursprung
+
+  # --- STRATEGIE & ENTSCHEIDUNG ---
+  goal:
+    chunk_profile: medium
+    retriever_weight: 0.95
+    edge_defaults: ["depends_on", "related_to"]
+
+  decision: # ADRs (Architecture Decision Records)
+    chunk_profile: long   # Entscheidungen brauchen oft viel Kontext (Begründung)
+    retriever_weight: 1.00 # MAX: Getroffene Entscheidungen sind Gesetz
+    edge_defaults: ["caused_by", "references"] # Entscheidungen haben Gründe
+
+  risk: # NEU: Risikomanagement
+    chunk_profile: short
+    retriever_weight: 0.85
+    edge_defaults: ["related_to", "blocks"] # Risiken blockieren ggf. Projekte
+
+  milestone:
+    chunk_profile: short
+    retriever_weight: 0.70
+    edge_defaults: ["related_to", "part_of"]
+
+  # --- OPERATIV ---
+  project:
+    chunk_profile: long
+    retriever_weight: 0.97 # Projekte sind der Kontext für alles
+    edge_defaults: ["references", "depends_on"] 
+
+  task:
+    chunk_profile: short
+    retriever_weight: 0.80
+    edge_defaults: ["depends_on", "part_of"]
+
+  journal:
+    chunk_profile: medium
+    retriever_weight: 0.80
+    edge_defaults: ["references", "related_to"]

docs/Knowledge_Design_Manual.md

@@ -1,7 +1,7 @@
 # mindnet v2.4 – Knowledge Design Manual
-**Datei:** `docs/mindnet_knowledge_design_manual_v2.6.md`
+**Datei:** `docs/mindnet_knowledge_design_manual_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP15)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11)
 **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 2.6 verfügt Mindnet über:
+Seit Version 2.4 verfügt Mindnet über:
 * **Hybrid Router:** Das System erkennt, ob du Fakten, Entscheidungen oder Empathie brauchst.
-* **Smart Edge Allocation:** Das System prüft deine Links intelligent und bindet sie nur an die Textabschnitte (Chunks), wo sie wirklich relevant sind.
+* **Context Intelligence:** Das System lädt je nach Situation unterschiedliche Notiz-Typen (z.B. Werte bei Entscheidungen).
 * **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` (z. B. `20231027-vektor-db`). Dies garantiert Eindeutigkeit und Chronologie.
+* **Empfehlung:** `YYYYMMDD-slug-hash` (z. B. `20231027-vektor-db-a1b2`). 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 seit WP-15, **ob Smart Edges aktiviert sind**.
+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.
 
 ### 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`** | Ein identifiziertes Risiko oder eine Gefahr. | **DECISION** | Auswirkung, Wahrscheinlichkeit | Quelle für `blocks` |
+| **`risk`** | **NEU:** Ein identifiziertes Risiko oder eine Gefahr. | **DECISION** | Auswirkung, Wahrscheinlichkeit | Quelle für `blocks` |
-| **`belief`** | Glaubenssatz / Überzeugung. | **EMPATHY** | Ursprung, Mantra | - |
+| **`belief`** | **NEU:** 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 | - |
@@ -107,11 +107,13 @@ 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.
-    * `experience` (sliding_smart_edges): Wird intelligent analysiert.
+    * `project` (long): Längere Kontext-Fenster.
-3.  **`enable_smart_edge_allocation` (WP15):**
+3.  **`edge_defaults` (Automatische Vernetzung):**
-    * Wenn `true`: Das System analysiert jeden Abschnitt mit KI, um zu prüfen, ob verlinkte Themen dort wirklich relevant sind. Das erhöht die Präzision massiv.
+    * Mindnet ergänzt automatisch Kanten.
+    * Beispiel: Ein Link in einem `project` wird automatisch als `depends_on` (Abhängigkeit) interpretiert.
 
 ---
 
@@ -289,4 +291,4 @@ 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 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 (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.

docs/Overview.md

@@ -1,8 +1,8 @@
 # Mindnet v2.4 – Overview & Einstieg
-**Datei:** `docs/mindnet_overview_v2.6.md`
+**Datei:** `docs/mindnet_overview_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Smart Edges, Traffic Control & Healing UI)
+**Status:** **FINAL** (Inkl. Async Intelligence & Editor)
-**Version:** 2.6.0
+**Version:** 2.4.0
 
 ---
 
@@ -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, Smart Chunking (LLM-gestützte Kantenzuweisung), Vektor-Datenbank (Qdrant).
+* **Technik:** Async Import-Pipeline, Chunking, Vektor-Datenbank (Qdrant).
-* **Status:** 🟢 Live (WP01–WP03, WP11, WP15).
+* **Status:** 🟢 Live (WP01–WP03, WP11).
 
 ### 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, WP15).
+* **Status:** 🟢 Live (WP04, WP11).
 
 ### 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:**
-    * **Hybrid Router v5:** Erkennt Absichten (Frage vs. Befehl) und unterscheidet Objekte (`types.yaml`) von Handlungen (`decision_engine.yaml`).
+    * **Intent Router:** Erkennt Absichten (Fakt vs. Gefühl vs. Entscheidung vs. Interview).
-    * **Traffic Control:** Priorisiert Chat-Anfragen ("Realtime") vor Hintergrund-Jobs ("Background").
+    * **Strategic Retrieval:** Lädt gezielt Werte oder Erfahrungen nach.
     * **One-Shot Extraction:** Generiert Entwürfe für neue Notizen.
     * **Active Intelligence:** Schlägt Links während des Schreibens vor.
-* **Status:** 🟢 Live (WP05–WP07, WP10, WP15).
+* **Status:** 🟢 Live (WP05–WP07, WP10).
 
 ---
 
@@ -57,9 +57,8 @@ 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 und zerlegt die Daten.
+3.  **Ingest:** Ein asynchrones Python-Skript importiert, zerlegt (Chunking) und vernetzt (Edges) die Daten in Qdrant.
-    * **Neu (Smart Edges):** Ein LLM analysiert jeden Textabschnitt und entscheidet, welche Kanten relevant sind.
+4.  **Intent Recognition:** Der Router analysiert deine Frage: Willst du Fakten, Code, Empathie oder etwas dokumentieren?
-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).
@@ -70,8 +69,7 @@ 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.
-* **Traffic Control:** Semaphore-Logik zur Lastverteilung zwischen Chat und Import.
+* **Frontend:** Streamlit Web-UI (v2.4).
-* **Frontend:** Streamlit Web-UI (v2.5) mit Healing Parser.
 
 ---
 
@@ -81,13 +79,13 @@ Wo findest du was?
 
 | Wenn du... | ...lies dieses Dokument |
 | :--- | :--- |
-| **...wissen willst, wie man Notizen schreibt.** | `mindnet_knowledge_design_manual_v2.6.md` |
+| **...wissen willst, wie man Notizen schreibt.** | `mindnet_knowledge_design_manual_v2.4.md` |
-| **...das System installieren oder betreiben musst.** | `mindnet_admin_guide_v2.6.md` |
+| **...das System installieren oder betreiben musst.** | `mindnet_admin_guide_v2.4.md` |
-| **...am Python-Code entwickeln willst.** | `mindnet_developer_guide_v2.6.md` |
+| **...am Python-Code entwickeln willst.** | `mindnet_developer_guide_v2.4.md` |
-| **...die Pipeline (Import -> RAG) verstehen willst.** | `mindnet_pipeline_playbook_v2.6.md` |
+| **...die Pipeline (Import -> RAG) verstehen willst.** | `mindnet_pipeline_playbook_v2.4.md` |
-| **...die genaue JSON-Struktur oder APIs suchst.** | `mindnet_technical_architecture_v2.6.md` |
+| **...die genaue JSON-Struktur oder APIs suchst.** | `mindnet_technical_architecture.md` |
-| **...verstehen willst, was fachlich passiert.** | `mindnet_functional_architecture_v2.6.md` |
+| **...verstehen willst, was fachlich passiert.** | `mindnet_functional_architecture.md` |
-| **...den aktuellen Projektstatus suchst.** | `mindnet_appendices_v2.6.md` |
+| **...den aktuellen Projektstatus suchst.** | `mindnet_appendices_v2.4.md` |
 
 ---
 
@@ -101,5 +99,5 @@ Wo findest du was?
 
 ## 6. Aktueller Fokus
 
-Wir haben die **Smart Edge Allocation (WP15)** und die **System-Stabilisierung (Traffic Control)** erfolgreich abgeschlossen.
+Wir haben den **Interview-Assistenten (WP07)** und die **Backend Intelligence (WP11)** erfolgreich integriert.
-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)**.
+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.

docs/admin_guide.md

@@ -1,8 +1,8 @@
 # Mindnet v2.4 – Admin Guide
-**Datei:** `docs/mindnet_admin_guide_v2.6.md`
+**Datei:** `docs/mindnet_admin_guide_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Traffic Control & Smart Edge Config)
+**Status:** **FINAL** (Inkl. Async Architecture & Nomic Model)
-**Quellen:** `Handbuch.md`, `mindnet_developer_guide_v2.6.md`.
+**Quellen:** `Handbuch.md`, `mindnet_developer_guide_v2.4.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 v2.4):** Es muss zwingend `nomic-embed-text` installiert sein, sonst startet der Import nicht.
+**WICHTIG (Update v2.3.10):** 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 das neue `MINDNET_LLM_BACKGROUND_LIMIT`.
+Erstelle eine `.env` Datei im Root-Verzeichnis. Achte besonders auf `VECTOR_DIM` und `MINDNET_EMBEDDING_MODEL`.
 
     # Server Config
     UVICORN_HOST=0.0.0.0
@@ -87,15 +87,11 @@ 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" 
+    MINDNET_EMBEDDING_MODEL="nomic-embed-text" # NEU
     
-    # Timeouts (Erhöht für Async/Nomic/Smart Edges)
+    # Timeouts (Erhöht für Async/Nomic)
     MINDNET_LLM_TIMEOUT=300.0
-    MINDNET_API_TIMEOUT=300.0   # Wichtig: Frontend muss warten können
+    MINDNET_API_TIMEOUT=60.0
-    
-    # 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"
@@ -159,15 +155,12 @@ 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**, **Smart Edges** und **Traffic Control**.
+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.
 
 **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.
 
@@ -183,7 +176,7 @@ Prüfe regelmäßig, ob alle Komponenten laufen.
 
 ---
 
-## 4. Troubleshooting (Update v2.6)
+## 4. Troubleshooting (Update v2.4)
 
 ### "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.
@@ -191,17 +184,15 @@ 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/Chatten
+### "500 Internal Server Error" beim Speichern
-* **Ursache:** Oft Timeout bei Ollama, wenn `nomic-embed-text` noch nicht im RAM geladen ist ("Cold Start") oder der Import die GPU blockiert.
+* **Ursache:** Oft Timeout bei Ollama, wenn `nomic-embed-text` noch nicht im RAM geladen ist ("Cold Start").
 * **Lösung:**
-    1. `MINDNET_LLM_TIMEOUT` in `.env` auf `300.0` setzen.
+    1. Sicherstellen, dass Modell existiert: `ollama list`.
-    2. `MINDNET_LLM_BACKGROUND_LIMIT` auf `1` reduzieren (falls Hardware schwach).
+    2. API neustarten (re-initialisiert Async Clients).
 
-### Import ist sehr langsam
+### "NameError: name 'os' is not defined"
-* **Ursache:** Smart Edges sind aktiv (`types.yaml`) und analysieren jeden Chunk.
+* **Ursache:** Fehlender Import in Skripten nach Updates.
-* **Lösung:**
+* **Lösung:** `git pull` (Fix wurde in v2.3.10 deployed).
-    * Akzeptieren (für bessere Qualität).
-    * Oder für Massen-Initial-Import in `types.yaml` temporär `enable_smart_edge_allocation: false` setzen.
 
 ---
 
@@ -224,7 +215,7 @@ 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 (Force re-calculates Hashes)
+    # 2. Alles neu importieren
     python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply --force
 
 ---

docs/appendix.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – Appendices & Referenzen
-**Datei:** `docs/mindnet_appendices_v2.6.md`
+**Datei:** `docs/mindnet_appendices_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP15)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11)
 **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.
@@ -10,27 +10,22 @@
 
 ## Anhang A: Typ-Registry Referenz (Default-Werte)
 
-Diese Tabelle zeigt die Standard-Konfiguration der `types.yaml` (Stand v2.6 / Config v1.6).
+Diese Tabelle zeigt die Standard-Konfiguration der `types.yaml` (Stand v2.4).
 
-| Typ (`type`) | Chunk Profile | Retriever Weight | Smart Edges? | Beschreibung |
+| Typ (`type`) | Chunk Profile | Retriever Weight | Edge Defaults (Auto-Kanten) | Beschreibung |
 | :--- | :--- | :--- | :--- | :--- |
-| **concept** | `sliding_smart_edges` | 0.60 | **Ja** | Abstrakte Begriffe, Theorien. |
+| **concept** | `medium` | 0.60 | `references`, `related_to` | Abstrakte Begriffe, Theorien. |
-| **project** | `sliding_smart_edges` | 0.97 | **Ja** | Aktive Vorhaben. Hohe Priorität. |
+| **project** | `long` | 0.97 | `references`, `depends_on` | Aktive Vorhaben. Hohe Priorität. |
-| **decision** | `structured_smart_edges` | 1.00 | **Ja** | Entscheidungen (ADRs). Höchste Prio. |
+| **decision** | `long` | 1.00 | `caused_by`, `references` | Entscheidungen (ADRs). Höchste Prio. |
-| **experience** | `sliding_smart_edges` | 0.90 | **Ja** | Persönliche Learnings. Intensiv analysiert. |
+| **experience** | `medium` | 0.90 | `derived_from`, `inspired_by` | Persönliche Learnings. |
-| **journal** | `sliding_standard` | 0.80 | Nein | Zeitgebundene Logs. Performance-optimiert. |
+| **journal** | `short` | 0.80 | `related_to` | Zeitgebundene Logs. Fein granular. |
-| **person** | `sliding_standard` | 0.50 | Nein | Personen-Profile. |
+| **person** | `short` | 0.50 | `related_to` | Personen-Profile. |
-| **source** | `sliding_standard` | 0.50 | Nein | Externe Quellen (Bücher, PDFs). |
+| **source** | `long` | 0.50 | *(keine)* | Externe Quellen (Bücher, PDFs). |
-| **event** | `sliding_standard` | 0.60 | Nein | Meetings, Konferenzen. |
+| **event** | `short` | 0.60 | `related_to` | Meetings, Konferenzen. |
-| **value** | `structured_smart_edges` | 1.00 | **Ja** | Persönliche Werte/Prinzipien. |
+| **value** | `medium` | 1.00 | `related_to` | Persönliche Werte/Prinzipien. |
-| **principle** | `structured_smart_edges` | 1.00 | **Ja** | Handlungsleitlinien. |
+| **goal** | `medium` | 0.95 | `depends_on` | Strategische Ziele. |
-| **profile** | `structured_smart_edges` | 0.80 | **Ja** | Eigene Identitäts-Beschreibungen. |
+| **belief** | `medium` | 0.90 | `related_to` | Glaubenssätze. |
-| **goal** | `sliding_standard` | 0.95 | Nein | Strategische Ziele. |
+| **default** | `medium` | 1.00 | `references` | Fallback, wenn Typ unbekannt. |
-| **belief** | `sliding_short` | 0.90 | Nein | Glaubenssätze. |
-| **risk** | `sliding_short` | 0.90 | Nein | Risiken & Gefahren. |
-| **task** | `sliding_short` | 0.70 | Nein | Aufgaben. |
-| **glossary** | `sliding_short` | 0.50 | Nein | Begriffsdefinitionen. |
-| **default** | `sliding_standard` | 1.00 | Nein | Fallback, wenn Typ unbekannt. |
 
 ---
 
@@ -48,7 +43,6 @@ 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". |
@@ -66,7 +60,7 @@ Diese sind die Felder, die effektiv in Qdrant gespeichert werden.
       "title": "string (text)",            // Titel aus Frontmatter
       "type": "string (keyword)",          // Typ (z.B. 'project')
       "retriever_weight": "float",         // Numerische Wichtigkeit (0.0-1.0)
-      "chunk_profile": "string",           // Genutztes Profil (z.B. 'sliding_smart_edges')
+      "chunk_profile": "string",           // Genutztes Profil (z.B. 'long')
       "edge_defaults": ["string"],         // Liste der aktiven Default-Kanten
       "tags": ["string"],                  // Liste von Tags
       "created": "string (iso-date)",      // Erstellungsdatum
@@ -84,7 +78,6 @@ 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
     }
@@ -99,8 +92,7 @@ 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)
     }
 
 ---
@@ -123,8 +115,7 @@ 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` | `300.0` | **NEU:** Frontend Timeout (Erhöht für Smart Edges). |
+| `MINDNET_API_TIMEOUT` | `60.0` | **NEU:** Frontend Timeout (Streamlit). |
-| `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`). |
@@ -138,19 +129,16 @@ 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 (v2.6.0)
+## Anhang F: Workpackage Status (v2.4.0)
 
 Aktueller Implementierungsstand der Module.
 
@@ -163,12 +151,9 @@ 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 | Hybrid Router v5, Strategic Retrieval. |
+| **WP06** | Decision Engine | 🟢 Live | Intent-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 & Healing Parser.** |
+| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
-| **WP11** | Backend Intelligence | 🟢 Live | **Async Ingestion, Nomic, Matrix.** |
+| **WP11** | Backend Intelligence | 🟢 Live | **Async Core, Nomic, Matrix.** |
-| **WP15** | Smart Edge Allocation | 🟢 Live | **LLM-Filter & Traffic Control.** |
-| **WP16** | Auto-Discovery | 🟡 Geplant | UX & Retrieval Tuning. |
-| **WP17** | Conversational Memory | 🟡 Geplant | Dialog-Gedächtnis. |

docs/dev_workflow.md

@@ -1,6 +1,6 @@
 # Mindnet v2.4 – Entwickler-Workflow
 **Datei:** `docs/DEV_WORKFLOW.md`
-**Stand:** 2025-12-12 (Aktualisiert: v2.6 mit Traffic Control)
+**Stand:** 2025-12-11 (Aktualisiert: Inkl. Async Intelligence & Nomic)
 
 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/wp15-traffic-control`).
+    * Gib den Namen ein: `feature/was-ich-tue` (z.B. `feature/wp11-async-fix`).
     * 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 `types.yaml` oder Async-Logik in `ingestion.py`).
+    * Nimm deine Änderungen vor (z.B. neue Schemas in `decision_engine.yaml` oder Async-Logik in `ingestion.py`).
 
 5.  **Sichern & Hochladen:**
     * **Source Control** Icon (Gabel-Symbol) -> Nachricht eingeben -> **Commit**.
@@ -64,27 +64,15 @@ 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/wp15-traffic-control
+    git checkout feature/wp11-async-fix
     git pull
     ```
 
-4.  **Umgebung vorbereiten (WICHTIG für v2.6):**
+4.  **Umgebung vorbereiten (WICHTIG für v2.4):**
-    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
+    pip install -r requirements.txt  # HTTPX usw.
+    # Sicherstellen, dass das neue Embedding-Modell da ist:
     ollama pull nomic-embed-text
     ```
 
@@ -114,15 +102,18 @@ 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 v2.6):**
+6.  **Validieren (Smoke Tests):**
     
-    * **Test A: Last-Test (Traffic Control):**
+    * **Browser:** Öffne `http://<IP>:8502` um die UI zu testen (Intent Badge prüfen!).
-        1. Starte einen Import im Terminal: `python3 -m scripts.import_markdown ...`
+    * **CLI:** Führe Testskripte in einem **zweiten Terminal** aus:
-        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 B: API Check**
+        **Test A: Intelligence / Aliases (Neu in WP11)**
+        ```bash
+        python debug_analysis.py
+        # Erwartung: "✅ ALIAS GEFUNDEN"
+        ```
+
+        **Test B: API Check**
         ```bash
         curl -X POST "http://localhost:8002/ingest/analyze" -d '{"text": "mindnet", "type": "journal"}'
         ```
@@ -156,9 +147,6 @@ 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
@@ -180,7 +168,7 @@ Damit das Chaos nicht wächst, löschen wir den fertigen Branch.
     cd ~/mindnet_dev
     git checkout main
     git pull
-    git branch -d feature/wp15-traffic-control
+    git branch -d feature/wp11-async-fix
     ```
 3.  **VS Code:**
     * Auf `main` wechseln.
@@ -202,15 +190,15 @@ Damit das Chaos nicht wächst, löschen wir den fertigen Branch.
 
 ## 4. Troubleshooting
 
-**"Read timed out" im Frontend**
+**"Vector dimension error: expected 768, got 384"**
-* **Ursache:** Backend braucht für Smart Edges länger als 60s.
+* **Ursache:** Du hast `nomic-embed-text` (768) aktiviert, aber die DB ist noch alt (384).
-* **Lösung:** `MINDNET_API_TIMEOUT=300.0` in `.env` setzen und Services neustarten.
+* **Lösung:** `scripts.reset_qdrant` ausführen und neu importieren.
 
-**Import ist extrem langsam**
+**"Read timed out (300s)" / 500 Error beim Interview**
-* **Ursache:** Smart Edges analysieren jeden Chunk mit LLM.
+* **Ursache:** Das LLM (Ollama) braucht für den One-Shot Draft länger als das Timeout erlaubt.
 * **Lösung:**
-    * Akzeptieren (Qualität vor Speed).
+    1.  Erhöhe in `.env` den Wert: `MINDNET_LLM_TIMEOUT=300.0`.
-    * Oder temporär in `config/types.yaml`: `enable_smart_edge_allocation: false`.
+    2.  Starte die Server neu.
 
 **"UnicodeDecodeError in .env"**
 * **Ursache:** Umlaute oder Sonderzeichen in der `.env` Datei.

docs/developer_guide.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – Developer Guide
-**Datei:** `docs/mindnet_developer_guide_v2.6.md`
+**Datei:** `docs/mindnet_developer_guide_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Async Core, Nomic, Traffic Control & Frontend State)
+**Status:** **FINAL** (Inkl. Async Core, Nomic & 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-WP15)](#1-projektstruktur-post-wp15)
+  - [1. Projektstruktur (Post-WP10)](#1-projektstruktur-post-wp10)
   - [2. Lokales Setup (Development)](#2-lokales-setup-development)
     - [2.1 Voraussetzungen](#21-voraussetzungen)
     - [2.2 Installation](#22-installation)
@@ -21,7 +21,6 @@
     - [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)
@@ -35,15 +34,15 @@
 
 ---
 
-## 1. Projektstruktur (Post-WP15)
+## 1. Projektstruktur (Post-WP10)
 
 Der Code ist modular in `app` (Logik), `scripts` (CLI) und `config` (Steuerung) getrennt.
 
     mindnet/
     ├── app/
     │   ├── core/           # Kernlogik
-    │   │   ├── ingestion.py        # NEU: Async Ingestion Service mit Change Detection
+    │   │   ├── ingestion.py        # NEU: Async Ingestion Service (WP11)
-    │   │   ├── chunker.py          # Smart Chunker Orchestrator
+    │   │   ├── chunker.py          # Text-Zerlegung
     │   │   ├── derive_edges.py     # Edge-Erzeugung (WP03 Logik)
     │   │   ├── retriever.py        # Scoring & Hybrid Search
     │   │   ├── qdrant.py           # DB-Verbindung
@@ -53,22 +52,21 @@ 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 v5 & Interview Logic
+    │   │   ├── chat.py     # Hybrid Router & Interview Logic (WP06/WP07)
     │   │   ├── feedback.py # Feedback (WP04c)
     │   │   └── ...
     │   ├── services/       # Interne & Externe Dienste
-    │   │   ├── llm_service.py      # Ollama Client mit Traffic Control
+    │   │   ├── llm_service.py      # Ollama Client (Mit Timeout & Raw-Mode)
-    │   │   ├── semantic_analyzer.py# NEU: LLM-Filter für Edges (WP15)
+    │   │   ├── embeddings_client.py# NEU: Async Embeddings (HTTPX)
-    │   │   ├── 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. Healing Parser
+    │   │   └── ui.py       # Streamlit Application inkl. Draft-Editor
     │   └── main.py         # Entrypoint der API
     ├── config/             # YAML-Konfigurationen (Single Source of Truth)
-    │   ├── types.yaml      # Import-Regeln & Smart-Edge Config
+    │   ├── types.yaml      # Import-Regeln
-    │   ├── prompts.yaml    # LLM Prompts & Interview Templates
+    │   ├── prompts.yaml    # LLM Prompts & Interview Templates (WP06/07)
-    │   ├── decision_engine.yaml # Router-Strategien (Actions only)
+    │   ├── decision_engine.yaml # Router-Strategien & Schemas (WP06/07)
     │   └── retriever.yaml  # Scoring-Regeln & Kantengewichte
     ├── data/
     │   └── logs/           # Lokale Logs (search_history.jsonl, feedback.jsonl)
@@ -123,13 +121,12 @@ 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   # Timeout für CPU-Inference Cold-Starts
+    MINDNET_LLM_TIMEOUT=300.0
     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=300.0   # Erhöht wegen Smart Edge Berechnung
+    MINDNET_API_TIMEOUT=60.0
     
     # Import-Strategie
     MINDNET_HASH_COMPARE="Body" 
@@ -157,15 +154,15 @@ 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()`.
-* **Smart Edges:** Nutzt `app.core.chunker` und `app.services.semantic_analyzer` zur Kanten-Filterung.
+* **Async & Semaphore:** Das Skript nutzt nun `asyncio` und eine Semaphore (Limit: 5), um parallele Embeddings zu erzeugen, ohne Ollama zu überlasten.
 * **Idempotenz:** Der Importer muss mehrfach laufen können, ohne Duplikate zu erzeugen. Wir nutzen deterministische IDs (UUIDv5).
-* **Robustheit:** In `ingestion.py` sind Mechanismen wie Change Detection und Robust File I/O (fsync) implementiert.
+* **Debugging:** Nutze `--dry-run` oder `scripts/payload_dryrun.py`.
 
 ### 3.2 Der Hybrid Router (`app.routers.chat`)
 Hier liegt die Logik für Intent Detection (WP06) und Interview-Modus (WP07).
-* **Question Detection:** Prüft zuerst, ob der Input eine Frage ist. Falls ja -> RAG.
+* **Logic:** `_classify_intent` prüft zuerst Keywords (Fast Path) und fällt auf `llm_service.generate_raw_response` zurück (Slow Path), wenn konfiguriert.
-* **Keyword Match:** Prüft Keywords in `decision_engine.yaml` und `types.yaml`.
+* **One-Shot:** Wenn Intent `INTERVIEW` erkannt wird, wird **kein Retrieval** ausgeführt. Stattdessen wird ein Draft generiert.
-* **Priority:** Ruft `llm_service` mit `priority="realtime"` auf.
+* **Erweiterung:** Um neue Intents hinzuzufügen, editiere nur die YAML, nicht den Python-Code (Late Binding).
 
 ### 3.3 Der Retriever (`app.core.retriever`)
 Hier passiert das Scoring.
@@ -175,20 +172,14 @@ 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`.
-* **Healing Parser:** Die Funktion `parse_markdown_draft` repariert defekte YAML-Frontmatter (fehlendes `---`) automatisch.
+* **Draft Editor:** Enthält einen YAML-Sanitizer (`normalize_meta_and_body`), der sicherstellt, dass LLM-Halluzinationen im Frontmatter nicht das File zerstören.
-* **Logik:** Ruft `/chat`, `/feedback` und `/ingest/analyze` Endpoints der API auf.
+* **Logik:** Ruft `/chat` und `/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 (Primary Mode).
+* Nutzt `httpx.AsyncClient` für non-blocking Calls an Ollama.
-* Besitzt einen **Fallback** auf `requests` (Synchron), falls Legacy-Skripte ihn nutzen.
 * 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 (Version 2.8.0):**
-* Stellt sicher, dass Batch-Prozesse (Import) den Live-Chat nicht ausbremsen.
-* **Methode:** `generate_raw_response(..., priority="background")` aktiviert eine Semaphore.
-* **Limit:** Konfigurierbar über `MINDNET_LLM_BACKGROUND_LIMIT` (Default: 2) in der `.env`.
 
 ---
 
@@ -241,10 +232,9 @@ Mindnet lernt nicht durch Training (Fine-Tuning), sondern durch **Konfiguration*
 Definiere die "Physik" des Typs (Import-Regeln und Basis-Wichtigkeit).
 
     risk:
-      chunk_profile: sliding_short # Risiken sind oft kurze Statements
+      chunk_profile: short       # Risiken sind oft kurze Statements
-      retriever_weight: 0.90       # Sehr wichtig
+      retriever_weight: 0.90     # Sehr wichtig, fast so hoch wie Decisions
       edge_defaults: ["blocks"]  # Automatische Kante zu verlinkten Projekten
-      detection_keywords: ["gefahr", "risiko"]
 
 **2. Strategie-Ebene (`config/decision_engine.yaml`)**
 Damit dieser Typ aktiv geladen wird, musst du ihn einer Strategie zuordnen.
@@ -272,17 +262,14 @@ Konfiguriere `edge_weights`, wenn Kausalität wichtiger ist als Ähnlichkeit.
 
 Wenn Mindnet neue Fragen stellen soll:
 
-**1. Schema erweitern (`config/types.yaml`)**
+**1. Schema erweitern (`config/decision_engine.yaml`)**
-Füge das Feld in die Liste ein (Neu: Schemas liegen jetzt hier).
+Füge das Feld in die Liste ein.
 
     project:
-      schema: 
+      fields: ["Titel", "Ziel", "Budget"] # <--- Budget neu
-        - "Titel"
-        - "Ziel"
-        - "Budget (Neu)"
 
 **2. Keine Code-Änderung nötig**
-Der `One-Shot Extractor` (Prompt Template) liest diese Liste dynamisch.
+Der `One-Shot Extractor` (Prompt Template) liest diese Liste dynamisch und weist das LLM an, das Budget zu extrahieren oder `[TODO]` zu setzen.
 
 ### Fazit
 * **Vault:** Liefert das Wissen.

docs/mindnet_functional_architecture.md

@@ -1,9 +1,9 @@
 # Mindnet v2.4 – Fachliche Architektur
-**Datei:** `docs/mindnet_functional_architecture_v2.6.md`
+**Datei:** `docs/mindnet_functional_architecture_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP15: Smart Edges & Traffic Control)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11: Async Intelligence)
 
-> 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).
+> 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).
 
 ---
 <details>
@@ -19,8 +19,7 @@
     - [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 Smart Edge Allocation (LLM-gefiltert) – Neu in v2.6](#24-smart-edge-allocation-llm-gefiltert--neu-in-v26)
+    - [2.4 Matrix-Logik (Kontextsensitive Kanten) – Neu in v2.4](#24-matrix-logik-kontextsensitive-kanten--neu-in-v24)
-    - [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)
@@ -28,15 +27,13 @@
   - [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)
-    - [5.3 Graph-Expansion](#53-graph-expansion)
+  - [6) Context Intelligence \& Intent Router (WP06–WP11)](#6-context-intelligence--intent-router-wp06wp11)
-  - [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 Hybrid Router v5 (Action vs. Question)](#62-der-hybrid-router-v5-action-vs-question)
+    - [6.2 Der Intent-Router (Keyword \& Semantik)](#62-der-intent-router-keyword--semantik)
-    - [6.3 Traffic Control (Realtime vs. Background)](#63-traffic-control-realtime-vs-background)
+    - [6.3 Strategic Retrieval (Injektion von Werten)](#63-strategic-retrieval-injektion-von-werten)
-    - [6.4 Strategic Retrieval (Injektion von Werten)](#64-strategic-retrieval-injektion-von-werten)
+    - [6.4 Reasoning (Das Gewissen)](#64-reasoning-das-gewissen)
-    - [6.5 Reasoning (Das Gewissen)](#65-reasoning-das-gewissen)
+    - [6.5 Der Interview-Modus (One-Shot Extraction)](#65-der-interview-modus-one-shot-extraction)
-    - [6.6 Der Interview-Modus (One-Shot Extraction)](#66-der-interview-modus-one-shot-extraction)
+    - [6.6 Active Intelligence (Link Suggestions) – Neu in v2.4](#66-active-intelligence-link-suggestions--neu-in-v24)
-    - [6.7 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)
@@ -52,7 +49,7 @@
   - [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 (v2.6.0)](#16-workpackage-status-v260)
+  - [16) Workpackage Status (v2.4.0)](#16-workpackage-status-v240)
 
 </details>
 ---
@@ -66,7 +63,7 @@ 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 v2.6 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*.
+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*.
 
 ---
 
@@ -83,9 +80,9 @@ Die Import-Pipeline (seit v2.6 mit **Traffic Control** und **Smart Edges**) erze
 - 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).
-- **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).
+- **Neu in v2.2:** Alle Kanten entstehen ausschließlich zwischen Chunks (Scope="chunk"), nie zwischen Notes direkt. Notes dienen nur noch als Metadatencontainer.
 
-> **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.
+> **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.
 
 ---
 
@@ -100,7 +97,7 @@ 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 v2.6 präzise zwischen verschiedenen Quellen der Evidenz:
+Hier unterscheidet v2.2 präzise zwischen verschiedenen Quellen der Evidenz:
 
 1.  **Explizite Inline-Relationen (Höchste Priorität):**
     Im Fließtext notierte, semantisch qualifizierte Relationen.
@@ -134,19 +131,7 @@ 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 Smart Edge Allocation (LLM-gefiltert) – Neu in v2.6
+### 2.4 Matrix-Logik (Kontextsensitive Kanten) – Neu in v2.4
-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`:**
@@ -169,7 +154,7 @@ Jede Kante hat mindestens:
 
 Erweiterte/abgeleitete Felder (WP03 Superset):
 
-- `provenance` – `"explicit"` (Wikilink/Inline/Callout), `"rule"` (Typ-Defaults) oder neu `"smart"` (vom LLM validiert).
+- `provenance` – `"explicit"` (Wikilink/Inline/Callout) oder `"rule"` (Typ-Defaults)
 - `rule_id` – maschinenlesbare Regelquelle (z.B. `inline:rel`, `edge_defaults:project:depends_on`)
 - `confidence` – 0.0–1.0; Heuristik zur Gewichtung im Scoring.
 
@@ -183,24 +168,20 @@ 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: 2.6.0
+    version: 1.0
     types:
       concept:
         chunk_profile: medium
         edge_defaults: ["references", "related_to"]
         retriever_weight: 0.60
-      experience:
+      project:
-        chunk_profile: sliding_smart_edges
+        chunk_profile: long
-        enable_smart_edge_allocation: true  # WP15: LLM prüft Kanten
+        edge_defaults: ["references", "depends_on"]
-        detection_keywords: ["passiert", "erlebt", "situation"] # WP06: Router-Trigger
+        retriever_weight: 0.97
-        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`
@@ -239,12 +220,9 @@ 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–WP15)
+## 6) Context Intelligence & Intent Router (WP06–WP11)
 
 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.
 
@@ -252,51 +230,40 @@ 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 Hybrid Router v5 (Action vs. Question)
+### 6.2 Der Intent-Router (Keyword & Semantik)
-Der Router wurde in v2.6 (WP15) weiterentwickelt, um Fehlalarme zu vermeiden.
+Der Router prüft vor jeder Antwort die Absicht über konfigurierbare Strategien (`config/decision_engine.yaml`):
 
-1.  **Frage-Erkennung:**
+1.  **FACT:** Reine Wissensfrage ("Was ist Qdrant?"). → Standard RAG.
-    * Das System prüft zuerst: Enthält der Satz ein `?` oder typische W-Wörter (Wer, Wie, Was)?
+2.  **DECISION:** Frage nach Rat oder Strategie ("Soll ich Qdrant nutzen?"). → Aktiviert die Decision Engine.
-    * Wenn **JA** -> Gehe in den **RAG Modus** (Intent `FACT` oder `DECISION`). Interviews werden hier blockiert.
+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.
 
-2.  **Befehls-Erkennung (Fast Path):**
+### 6.3 Strategic Retrieval (Injektion von Werten)
-    * 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.
 
-### 6.5 Reasoning (Das Gewissen)
+### 6.4 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").
 
-### 6.6 Der Interview-Modus (One-Shot Extraction)
+### 6.5 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.
-* **Healing Parser (v2.5):** Falls das LLM die YAML-Syntax beschädigt (z.B. fehlendes Ende), repariert das Frontend den Entwurf automatisch.
+* **Draft-Status:** Fehlende Pflichtfelder werden mit `[TODO]` markiert.
 * **UI-Integration:** Das Frontend rendert statt einer Chat-Antwort einen **interaktiven Editor** (WP10), in dem der Entwurf finalisiert werden kann.
 
-### 6.7 Active Intelligence (Link Suggestions)
+### 6.6 Active Intelligence (Link Suggestions) – Neu in v2.4
 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 2.5 beschriebene **Matrix-Logik** zum Einsatz, um den korrekten Kanten-Typ vorzuschlagen.
+* **Logik:** Dabei kommt die in 2.4 beschriebene **Matrix-Logik** zum Einsatz, um den korrekten Kanten-Typ vorzuschlagen.
 
 ---
 
@@ -334,9 +301,8 @@ 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 Router erkennt das Wort "Risiko" und bietet ein Interview an. Der Retriever spült diese Notizen bei relevanten Anfragen nach oben.
+    *Effekt:* 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.
@@ -393,12 +359,12 @@ Die Interaktion erfolgt primär über das **Web-Interface (WP10)**.
 ## 10) Confidence & Provenance – wozu?
 
 Der Retriever kann Edges gewichten:
-- **provenance**: *explicit* > *smart* (Neu) > *rule*
+- **provenance**: *explicit* > *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`, `smart: 0.9`, `rule: 0.8`. Damit bevorzugt der Graph **kuratiertes Wissen** (explizit notierte Links) vor „erweiterten“ Default-Ableitungen.
+`explicit: 1.0`, `rule: 0.8`. Damit bevorzugt der Graph **kuratiertes Wissen** (explizit notierte Links) vor „erweiterten“ Default-Ableitungen.
 
 ---
 
@@ -447,11 +413,11 @@ Frontmatter-Eigenschaften (Properties) bleiben **minimiert**:
     
     > [!edge] related_to: [[Vector DB Basics]]
 
-**Ergebnis (fachlich - Smart Edges)**
+**Ergebnis (fachlich)**
-Das LLM analysiert jeden Chunk.
+1.  `depends_on(Chunk→Qdrant)` mit `rule_id=inline:rel`, `confidence≈0.95`.
-1.  Chunk 1 ("Wir nutzen..."): Enthält `depends_on(Chunk→Qdrant)`. Das LLM bestätigt: Relevant. -> Kante wird erstellt.
+2.  `references(Chunk→Embeddings 101)` mit `rule_id=explicit:wikilink`, `confidence=1.0`.
-2.  Chunk 2 ("Siehe auch..."): Enthält `references(Chunk→Embeddings)`. Das LLM bestätigt.
+3.  `related_to(Chunk→Vector DB Basics)` via Callout; `rule_id=callout:edge`, `confidence≈0.90`.
-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.
+4.  **Typ-Defaults:** Falls die Note vom Typ `project` ist, entstehen zusätzlich `depends_on`-Kanten zu den Zielen aus (2) und (3).
 
 ---
 
@@ -459,7 +425,6 @@ Das LLM analysiert jeden Chunk.
 
 - 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`.
@@ -470,7 +435,7 @@ Das LLM analysiert jeden Chunk.
 
 ---
 
-## 16) Workpackage Status (v2.6.0)
+## 16) Workpackage Status (v2.4.0)
 
 Aktueller Implementierungsstand der Module.
 
@@ -483,12 +448,9 @@ 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 | Hybrid Router, Strategic Retrieval. |
+| **WP06** | Decision Engine | 🟢 Live | Intent-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 & Healing Parser.** |
+| **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
 | **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. |

docs/mindnet_technical_architecture.md

@@ -1,21 +1,21 @@
-# Mindnet v2.6 – Technische Architektur
+# Mindnet v2.4 – Technische Architektur
-**Datei:** `docs/mindnet_technical_architecture_v2.6.md`
+**Datei:** `docs/mindnet_technical_architecture_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Integrierter Stand WP01–WP15: Smart Edges & Traffic Control)
+**Status:** **FINAL** (Integrierter Stand WP01–WP11: Async Intelligence)
-**Quellen:** `Programmplan_V2.6.md`, `Handbuch.md`, `chunking_strategy.md`, `wp04_retriever_scoring.md`.
+**Quellen:** `Programmplan_V2.2.md`, `Handbuch.md`, `chunking_strategy.md`, `wp04_retriever_scoring.md`.
 
 > **Ziel dieses Dokuments:**
-> Vollständige Beschreibung der technischen Architektur inkl. Graph-Datenbank, Retrieval-Logik, der **RAG-Komponenten (Decision Engine & Hybrid Router)**, des **Traffic Control Systems** und dem **Frontend (Streamlit)**.
+> Vollständige Beschreibung der technischen Architektur inkl. Graph-Datenbank, Retrieval-Logik, der **RAG-Komponenten (Decision Engine & Hybrid Router)**, des **Interview-Modus** und dem **Frontend (Streamlit)**.
 
 ---
 <details>
 <summary>📖 <b>Inhaltsverzeichnis (Klicken zum Öffnen)</b></summary>
 
-- [Mindnet v2.6 – Technische Architektur](#mindnet-v26--technische-architektur)
+- [Mindnet v2.4 – Technische Architektur](#mindnet-v24--technische-architektur)
   - [](#)
   - [1. Systemüberblick](#1-systemüberblick)
     - [1.1 Architektur-Zielbild](#11-architektur-zielbild)
-    - [1.2 Verzeichnisstruktur \& Komponenten (Post-WP15)](#12-verzeichnisstruktur--komponenten-post-wp15)
+    - [1.2 Verzeichnisstruktur \& Komponenten (Post-WP10)](#12-verzeichnisstruktur--komponenten-post-wp10)
   - [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)
@@ -27,23 +27,22 @@
     - [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 + Smart)](#41-verarbeitungsschritte-async--smart)
+    - [4.1 Verarbeitungsschritte (Async)](#41-verarbeitungsschritte-async)
   - [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 v5](#61-architektur-pattern-intent-router-v5)
+    - [6.1 Architektur-Pattern: Intent Router](#61-architektur-pattern-intent-router)
-    - [6.2 Traffic Control (Priorisierung)](#62-traffic-control-priorisierung)
+    - [6.2 Schritt 1: Intent Detection (Hybrid)](#62-schritt-1-intent-detection-hybrid)
-    - [6.3 Schritt 1: Intent Detection (Question vs. Action)](#63-schritt-1-intent-detection-question-vs-action)
+    - [6.3 Schritt 2: Strategy Resolution (Late Binding)](#63-schritt-2-strategy-resolution-late-binding)
-    - [6.4 Schritt 2: Strategy Resolution](#64-schritt-2-strategy-resolution)
+    - [6.4 Schritt 3: Retrieval vs. Extraction](#64-schritt-3-retrieval-vs-extraction)
-    - [6.5 Schritt 3: Retrieval vs. Extraction](#65-schritt-3-retrieval-vs-extraction)
+    - [6.5 Schritt 4: Generation \& Response](#65-schritt-4-generation--response)
-    - [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 \& Healing Parser (Neu in WP10a/v2.5)](#73-draft-editor--healing-parser-neu-in-wp10av25)
+    - [7.3 Draft-Editor \& Sanitizer (Neu in WP10a)](#73-draft-editor--sanitizer-neu-in-wp10a)
     - [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)
@@ -63,63 +62,57 @@
 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 Edge Allocation**).
 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 v2.6:** Der Core arbeitet nun vollständig **asynchron (AsyncIO)** mit **Traffic Control** (Semaphore zur Lastverteilung).
+    * **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**, **Active Intelligence** und **Healing Parser**.
+5.  **Frontend:** Streamlit-App (`ui.py`) für Interaktion und Visualisierung inkl. **Draft Editor** und **Intelligence-Features**.
 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-WP15)
+### 1.2 Verzeichnisstruktur & Komponenten (Post-WP10)
 
     /mindnet/
     ├── app/
     │   ├── main.py                 # FastAPI Einstiegspunkt
     │   ├── core/
-    │   │   ├── ingestion.py        # NEU: Async Ingestion mit Change Detection
+    │   │   ├── ingestion.py        # NEU: Async Ingestion Service (WP11)
     │   │   ├── 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          # Smart Chunker Orchestrator (WP15)
+    │   │   ├── chunker.py          # Text-Zerlegung (Profiling)
     │   │   ├── 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 v5 & Interview Logic (WP06/07)
+    │   │   ├── chat.py             # Hybrid Router & Interview Logic (WP06/07)
     │   │   ├── feedback.py         # Feedback-Endpunkt (WP04c)
     │   │   └── ...
     │   ├── services/
-    │   │   ├── llm_service.py      # Ollama Chat Client mit Traffic Control (v2.8.0)
+    │   │   ├── llm_service.py      # Ollama Chat Client
-    │   │   ├── semantic_analyzer.py# NEU: LLM-Filter für Edges (WP15)
+    │   │   ├── embeddings_client.py# NEU: Async Embedding Client (HTTPX)
-    │   │   ├── embeddings_client.py# NEU: Async Embeddings (HTTPX)
+    │   │   └── feedback_service.py # JSONL Logging (WP04c)
-    │   │   ├── feedback_service.py # Logging (JSONL Writer)
-    │   │   └── discovery.py        # NEU: Intelligence Logic (WP11)
     │   ├── frontend/               # NEU (WP10)
-    │   │   └── ui.py               # Streamlit Application inkl. Healing Parser
+    │       └── ui.py               # Streamlit Application inkl. Sanitizer
-    │   └── main.py                 # Entrypoint der API
+    ├── config/
-    ├── config/             # YAML-Konfigurationen (Single Source of Truth)
+    │   ├── types.yaml              # Typ-Definitionen (Import-Zeit)
-    │   ├── types.yaml      # Import-Regeln & Smart-Edge Config
+    │   ├── retriever.yaml          # Scoring-Gewichte (Laufzeit)
-    │   ├── prompts.yaml    # LLM Prompts & Interview Templates (WP06/07)
+    │   ├── decision_engine.yaml    # Strategien & Schemas (WP06/WP07)
-    │   ├── decision_engine.yaml # Router-Strategien (Actions only)
+    │   └── prompts.yaml            # LLM System-Prompts & Templates (WP06)
-    │   └── retriever.yaml  # Scoring-Regeln & Kantengewichte
     ├── data/
-    │   └── logs/           # Lokale Logs (search_history.jsonl, feedback.jsonl)
+    │   └── logs/                   # Lokale JSONL-Logs (WP04c)
-    ├── scripts/            # CLI-Tools (Import, Diagnose, Reset)
+    ├── scripts/
     │   ├── 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 & Smoke Scripts
+    └── tests/                      # Pytest Suite
-    └── vault/              # Dein lokaler Markdown-Content (Git-ignored)
 
 ---
 
@@ -147,7 +140,7 @@ Repräsentiert die Metadaten einer Datei.
 ### 2.2 Chunks Collection (`<prefix>_chunks`)
 Die atomaren Sucheinheiten.
 * **Zweck:** Vektorsuche (Embeddings), Granulares Ergebnis.
-* **Update v2.4:** Vektor-Dimension ist jetzt **768** (für `nomic-embed-text`).
+* **Update v2.3.10:** Vektor-Dimension ist jetzt **768** (für `nomic-embed-text`).
 * **Schema (Payload):**
 
     | Feld | Datentyp | Beschreibung |
@@ -178,7 +171,6 @@ 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 (Neu in v2.6). | `explicit`, `rule`, `smart` |
 
 ---
 
@@ -189,20 +181,13 @@ 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:
       concept:
-        chunk_profile: sliding_standard
+        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).
@@ -214,14 +199,14 @@ 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.
+**Neu in WP06/07:** Steuert den Intent-Router und die Interview-Schemas.
 * Definiert Strategien (`DECISION`, `INTERVIEW`, etc.).
-* **Update v2.6:** Enthält nur noch **Handlungs-Keywords** (Verben wie "neu", "erstellen"). Objektnamen ("Projekt") werden nun über `types.yaml` aufgelöst.
+* Definiert `schemas` für den Interview-Modus (Pflichtfelder pro Typ).
 * 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` und neu `router_prompt`.
+* Enthält Templates für alle Strategien inkl. `interview_template` mit One-Shot Logik.
 
 ### 3.5 Environment (`.env`)
 Erweiterung für LLM-Steuerung und Embedding-Modell:
@@ -230,33 +215,32 @@ 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=300.0   # Neu: Timeout für Frontend-API (Smart Edges brauchen Zeit)
+    MINDNET_API_TIMEOUT=60.0    # Neu: Timeout für Frontend-API Calls
     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 Hintergrund-Jobs (Traffic Control)
 
 ---
 
 ## 4. Import-Pipeline (Markdown → Qdrant)
 
 Das Skript `scripts/import_markdown.py` orchestriert den Prozess.
-**Neu in v2.6:** Der Import nutzt `asyncio` und **Traffic Control**, um Ollama nicht zu überlasten.
+**Neu in v2.3.10:** Der Import nutzt `asyncio` und eine **Semaphore**, um Ollama nicht zu überlasten.
 
-### 4.1 Verarbeitungsschritte (Async + Smart)
+### 4.1 Verarbeitungsschritte (Async)
 
-1.  **Discovery & Parsing:** Hash-Vergleich zur Erkennung von Änderungen.
+1.  **Discovery & Parsing:**
-2.  **Typauflösung:** Bestimmung des `type` via `types.yaml`.
+    * Einlesen der `.md` Dateien. Hash-Vergleich (Body/Frontmatter) zur Erkennung von Änderungen.
-3.  **Config Check:** Laden des `chunk_profile` und `enable_smart_edge_allocation`.
+2.  **Typauflösung:**
-4.  **Chunking & Smart Edges (WP15):**
+    * Bestimmung des `type` via `types.yaml`.
-    * Zerlegung des Textes via `chunker.py`.
+3.  **Chunking:**
-    * Wenn Smart Edges aktiv: Der `SemanticAnalyzer` sendet Chunks an das LLM.
+    * Zerlegung via `chunker.py` basierend auf `chunk_profile`.
-    * **Traffic Control:** Der Request nutzt `priority="background"`. Die Semaphore (Limit: 2) drosselt die Parallelität.
+4.  **Embedding (Async):**
-5.  **Kantenableitung (Edge Derivation):**
-    * `derive_edges.py` erzeugt Inline-, Callout- und Default-Edges.
-6.  **Embedding (Async):**
     * Der `EmbeddingsClient` (`app/services/embeddings_client.py`) sendet Text-Chunks asynchron an Ollama.
     * Modell: `nomic-embed-text` (768d).
-7.  **Upsert:**
+    * Semaphore: Max. 5 gleichzeitige Files, um OOM (Out-of-Memory) zu verhindern.
+5.  **Kantenableitung (Edge Derivation):**
+    * `derive_edges.py` erzeugt Inline-, Callout- und Default-Edges.
+6.  **Upsert:**
     * Schreiben in Qdrant. Nutzung von `--purge-before-upsert`.
     * **Strict Mode:** Der Prozess bricht ab, wenn Embeddings leer sind oder Dimension `0` haben.
 
@@ -285,55 +269,49 @@ $$
 * **Gewichte ($W$):** Stammen aus `retriever.yaml`.
 
 ### 5.3 Explanation Layer (WP04b)
-Der Retriever ist keine Blackbox mehr. Er liefert auf Wunsch (`explain=True`) eine strukturierte Begründung (`Explanation`-Objekt).
+Der Retriever kann Ergebnisse erklären (`explain=True`).
-
+* **Logik:**
-**Die "Warum"-Logik:**
+    * Berechnung des `ScoreBreakdown` (Anteile von Semantik, Graph, Typ).
-1.  **Semantik:** Prüfung der Cosine-Similarity ("Sehr hohe textuelle Übereinstimmung").
+    * Analyse des lokalen Subgraphen mittels `graph_adapter.py`.
-2.  **Typ:** Prüfung des `retriever_weight` ("Bevorzugt, da Entscheidung").
+    * **Incoming Edges (Authority):** Wer zeigt auf diesen Treffer? (z.B. "Referenziert von...")
-3.  **Graph (Kontext):**
+    * **Outgoing Edges (Hub):** Worauf zeigt dieser Treffer? (z.B. "Verweist auf...")
-    * **Hub (Outgoing):** Worauf verweist dieser Treffer? ("Verweist auf Qdrant").
+* **Output:** `QueryHit` enthält ein `explanation` Objekt mit menschenlesbaren `reasons` und `related_edges`.
-    * **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 und in WP15 (v2.6) verfeinert.
+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.
 
-### 6.1 Architektur-Pattern: Intent Router v5
+### 6.1 Architektur-Pattern: Intent Router
 Die Behandlung einer Anfrage ist nicht mehr hartkodiert, sondern wird dynamisch zur Laufzeit entschieden.
 * **Input:** User Message.
-* **Config:** `decision_engine.yaml` (Strategien) + `types.yaml` (Objekte).
+* **Config:** `config/decision_engine.yaml` (Strategien & Keywords).
 * **Komponenten:**
-    * **Traffic Control:** `LLMService` priorisiert Chat-Anfragen.
+    * **Fast Path:** Keyword Matching (CPU-schonend).
-    * **Question Detection:** Unterscheidung Frage vs. Befehl.
+    * **Slow Path:** LLM-basierter Semantic Router (für subtile Intents).
 
-### 6.2 Traffic Control (Priorisierung)
+### 6.2 Schritt 1: Intent Detection (Hybrid)
-Der `LLMService` implementiert zwei Spuren basierend auf `app/services/llm_service.py` (v2.8.0):
-* **Realtime (Chat):** `priority="realtime"`. Umgeht die Semaphore. Antwortet sofort.
-* **Background (Import/Analyse):** `priority="background"`. Wartet in der Semaphore (`asyncio.Semaphore`), die lazy mit `MINDNET_LLM_BACKGROUND_LIMIT` initialisiert wird.
-
-### 6.3 Schritt 1: Intent Detection (Question vs. Action)
 Der Router ermittelt die Absicht (`Intent`) des Nutzers.
-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.
+1.  **Keyword Scan (Fast Path):**
-2.  **Keyword Scan (Fast Path):**
+    * Iteration über alle Strategien in `decision_engine.yaml`.
-    * Prüfung auf `trigger_keywords` (Handlung) in `decision_engine.yaml`.
+    * Prüfung auf `trigger_keywords`.
-    * Prüfung auf `detection_keywords` (Objekt) in `types.yaml`.
+    * **Best Match:** Bei mehreren Treffern gewinnt das längste/spezifischste Keyword (Robustheit gegen Shadowing).
-    * Treffer -> **INTERVIEW Modus** (Erfassen).
+2.  **LLM Fallback (Slow Path):**
-3.  **LLM Fallback (Slow Path):**
+    * Nur aktiv, wenn `llm_fallback_enabled: true`.
-    * Greift, wenn keine Keywords passen. Sendet Query an LLM Router.
+    * 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`.
 
-### 6.4 Schritt 2: Strategy Resolution
+### 6.3 Schritt 2: Strategy Resolution (Late Binding)
 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`).
 
-### 6.5 Schritt 3: Retrieval vs. Extraction
+### 6.4 Schritt 3: Retrieval vs. Extraction
 Der Router verzweigt hier:
 
 **A) RAG Modus (FACT, DECISION, EMPATHY):**
@@ -346,9 +324,9 @@ 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.
 
-### 6.6 Schritt 4: Generation & Response
+### 6.5 Schritt 4: Generation & Response
 * **Templating:** Das LLM erhält den Prompt basierend auf dem gewählten Template.
-* **Execution:** Der `LLMService` führt den Call mit `priority="realtime"` aus.
+* **Execution:** Der `LLMService` führt den Call aus. Ein konfigurierbarer Timeout (`MINDNET_LLM_TIMEOUT`) fängt Cold-Start-Verzögerungen auf CPU-Hardware ab.
 * **Response:** Rückgabe enthält Antworttext (im Interview-Modus: Markdown Codeblock), Quellenliste und den erkannten `intent`.
 
 ---
@@ -359,12 +337,8 @@ 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:**
+* **Endpoints:** Nutzt `/chat` für Interaktion, `/feedback` für Bewertungen und `/ingest/analyze` für Intelligence.
-    * `/chat` (Interaktion)
+* **Resilienz:** Das Frontend implementiert eigene Timeouts (`MINDNET_API_TIMEOUT`, Default 300s).
-    * `/feedback` (Bewertungen)
-    * `/ingest/analyze` (Active Intelligence / Link-Vorschläge)
-    * `/ingest/save` (Persistence / Speichern im Vault)
-* **Resilienz:** Das Frontend nutzt `MINDNET_API_TIMEOUT` (300s), um auf langsame Backend-Prozesse (Smart Edges) zu warten.
 
 ### 7.2 Features & UI-Logik
 * **State Management:** Session-State speichert Chat-Verlauf und `query_id`.
@@ -373,16 +347,16 @@ 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 & Healing Parser (Neu in WP10a/v2.5)
+### 7.3 Draft-Editor & Sanitizer (Neu in WP10a)
 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.  **Save Action:** Speichert über `/ingest/save` atomar in Vault und DB. Erzeugt intelligente Dateinamen via `slugify`.
+4.  **Action:** Buttons zum Download oder Kopieren des fertigen Markdowns.
 
 ### 7.4 State Management (Resurrection Pattern)
 Um Datenverlust bei Tab-Wechseln (Chat <-> Editor) zu verhindern, nutzt `ui.py` ein Persistenz-Muster:
@@ -446,5 +420,5 @@ 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.  **Hardware-Last bei Smart Import:**
+3.  **Vektor-Konfiguration für Edges:**
-    * Der "Smart Edge" Import ist rechenintensiv. Trotz Traffic Control kann die Antwortzeit im Chat leicht steigen, wenn die GPU am VRAM-Limit arbeitet.
+    * `mindnet_edges` hat aktuell keine Vektoren (`vectors = null`). Eine semantische Suche *auf Kanten* ist noch nicht möglich.

docs/pipeline_playbook.md

@@ -1,7 +1,7 @@
 # mindnet v2.4 – Pipeline Playbook
-**Datei:** `docs/mindnet_pipeline_playbook_v2.6.md`
+**Datei:** `docs/mindnet_pipeline_playbook_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Smart Edges & Traffic Control)
+**Status:** **FINAL** (Inkl. Async Ingestion & Active Intelligence)
 **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 13-Schritte-Prozess (Async + Smart)](#21-der-13-schritte-prozess-async--smart)
+    - [2.1 Der 12-Schritte-Prozess (Async)](#21-der-12-schritte-prozess-async)
     - [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)
@@ -21,13 +21,12 @@
     - [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 Smart Edge Allocation (WP15)](#42-smart-edge-allocation-wp15)
+    - [4.2 Typ-Defaults](#42-typ-defaults)
-    - [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) mit Traffic Control](#54-generation-llm-mit-traffic-control)
+    - [5.4 Generation (LLM)](#54-generation-llm)
     - [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)
@@ -35,7 +34,7 @@
     - [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 (v2.6.0)](#16-workpackage-status-v260)
+  - [16. Workpackage Status (v2.4.0)](#16-workpackage-status-v240)
 
 </details>
 ---
@@ -46,7 +45,7 @@ Dieses Playbook ist das zentrale operative Handbuch für die **mindnet-Pipeline*
 
 **Zielgruppe:** Dev/Ops, Tech-Leads.
 **Scope:**
-* **Ist-Stand (WP01–WP15):** Async Import, Smart Chunking, Edge-Erzeugung, Hybrider Retriever, RAG-Chat (Hybrid Router), Feedback Loop, Frontend, Draft Editor, Active Intelligence.
+* **Ist-Stand (WP01–WP11):** Async Import, Chunking, Edge-Erzeugung, Hybrider Retriever, RAG-Chat (Hybrid Router), Feedback Loop, Frontend, Draft Editor, Active Intelligence.
 * **Roadmap (Ausblick):** Technische Skizze für Self-Tuning (WP08).
 
 ---
@@ -55,32 +54,23 @@ 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 13-Schritte-Prozess (Async + Smart)
+### 2.1 Der 12-Schritte-Prozess (Async)
-Seit v2.6 läuft der Import vollständig asynchron, nutzt intelligente Kantenvalidierung (Smart Edges) und drosselt sich selbst ("Traffic Control").
+Seit v2.3.10 läuft der Import **asynchron**, um Netzwerk-Blockaden bei der Embedding-Generierung zu vermeiden.
 
 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 (z.B. `sliding_smart_edges`).
+5.  **Chunking anwenden:** Zerlegung des Textes basierend auf dem `chunk_profile` des Typs.
-6.  **Smart Edge Allocation (Neu in WP15):**
+6.  **Inline-Kanten finden:** Parsing von `[[rel:...]]` im Fließtext.
-    * Wenn in `types.yaml` aktiviert (`enable_smart_edge_allocation`):
+7.  **Callout-Kanten finden:** Parsing von `> [!edge]` Blöcken.
-    * Der `SemanticAnalyzer` sendet jeden Chunk an das LLM.
+8.  **Default-Edges erzeugen:** Anwendung der `edge_defaults` aus der Typ-Registry.
-    * **Resilienz & Traffic Control:**
+9.  **Strukturkanten erzeugen:** `belongs_to` (Chunk->Note), `next`/`prev` (Sequenz).
-        * **Priority:** Der Request nutzt `priority="background"`.
+10. **Embedding & Upsert (Async):**
-        * **Semaphore:** Eine globale Semaphore (Limit: 2, konfigurierbar) verhindert System-Überlastung.
+    * Das System nutzt eine **Semaphore** (Limit: 5 Files concurrent), um Ollama nicht zu überlasten.
-        * **Retry & Backoff:** Bei Fehlern (Timeouts) wird bis zu 5-mal mit exponentieller Wartezeit wiederholt.
-        * **JSON Repair:** Der Analyzer erkennt fehlerhaftes JSON (z.B. Dict statt Liste) und repariert es automatisch.
-        * **Safety Fallback:** Schlagen alle Versuche fehl, werden die Kanten *allen* Chunks zugewiesen, um Datenverlust zu vermeiden.
-    * 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`, `next`, `prev` (Sequenz).
-11. **Embedding & Upsert (Async):**
     * Generierung der Vektoren via `nomic-embed-text` (768 Dim).
-12. **Strict Mode:** Der Prozess bricht sofort ab, wenn ein Embedding leer ist oder die Dimension `0` hat.
+11. **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.
+12. **Diagnose:** Automatischer Check der Integrität nach dem Lauf.
 
 ### 2.2 Standard-Betrieb (Inkrementell)
 Für regelmäßige Updates (z.B. Cronjob). Erkennt Änderungen via Hash.
@@ -112,7 +102,7 @@ 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. Smart Edges an/aus) oder beim Wechsel des Embedding-Modells.
+Notwendig bei Änderungen an `types.yaml` (z.B. neue Chunk-Größen) oder beim Wechsel des Embedding-Modells (z.B. Update auf `nomic-embed-text`).
 
 **WICHTIG:** Vorher das Modell pullen, sonst schlägt der Import fehl!
 
@@ -133,10 +123,10 @@ Das Chunking ist profilbasiert und typgesteuert.
 
 ### 3.1 Chunk-Profile
 In `types.yaml` definiert. Standard-Profile (in `chunk_config.py` implementiert):
-* `sliding_short`: Max 128 Tokens (z.B. für Logs, Chats).
+* `short`: Max 128 Tokens (z.B. für Logs, Chats).
-* `sliding_standard`: Max 512 Tokens (Standard für Massendaten).
+* `medium`: Max 256 Tokens (z.B. für Konzepte).
-* `sliding_smart_edges`: Sliding Window, optimiert für LLM-Analyse (Fließtext).
+* `long`: Max 512 Tokens (z.B. für Essays, Projekte).
-* `structured_smart_edges`: Trennt strikt an Überschriften (für strukturierte Daten).
+* `by_heading`: Trennt strikt an Überschriften.
 
 ### 3.2 Payload-Felder
 Jeder Chunk erhält zwei Text-Felder:
@@ -147,7 +137,7 @@ Jeder Chunk erhält zwei Text-Felder:
 
 ## 4. Edge-Erzeugung (Die V2-Logik)
 
-In v2.6 entstehen Kanten nach strenger Priorität.
+In v2.2 entstehen Kanten nach strenger Priorität.
 
 ### 4.1 Prioritäten & Provenance
 Der Importer setzt `provenance`, `rule_id` und `confidence` automatisch:
@@ -157,17 +147,10 @@ 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** | Smart | *(via LLM Filter)* | `smart:llm_filter` | 0.90 |
+| **4** | Default | *(via types.yaml)* | `edge_defaults:...` | ~0.70 |
-| **5** | Default | *(via types.yaml)* | `edge_defaults:...` | ~0.70 |
+| **5** | Struktur | *(automatisch)* | `structure:...` | 1.00 |
-| **6** | Struktur | *(automatisch)* | `structure:...` | 1.00 |
 
-### 4.2 Smart Edge Allocation (WP15)
+### 4.2 Typ-Defaults
-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).
@@ -182,23 +165,25 @@ 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 v5**:
+Der Request durchläuft den **Hybrid Router**:
-1.  **Question Detection:** Ist es eine Frage (`?`, W-Wörter)? -> RAG Modus. Interviews werden hier blockiert.
+1.  **Fast Path:** Prüfung auf `trigger_keywords` aus `decision_engine.yaml`.
-2.  **Keyword Scan:** Enthält es Keywords aus `types.yaml` (Objekt, z.B. "Projekt") oder `decision_engine.yaml` (Action, z.B. "erstellen")? -> INTERVIEW Modus.
+2.  **Slow Path:** Falls kein Keyword matched und `llm_fallback_enabled=true`, klassifiziert das LLM den Intent.
-3.  **LLM Fallback:** Wenn unklar, entscheidet das LLM.
+    * `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`.
 
 ### 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) mit Traffic Control
+### 5.4 Generation (LLM)
 * **Engine:** Ollama (lokal).
 * **Modell:** `phi3:mini` (Standard).
 * **Prompting:** Template wird basierend auf Intent gewählt (`decision_template`, `interview_template` etc.).
-* **Traffic Control:** Der `LLMService` unterscheidet:
+* **One-Shot (WP07):** Im Interview-Modus generiert das LLM direkt einen Markdown-Block ohne Rückfragen.
-    * **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.
@@ -267,7 +252,7 @@ Wie entwickeln wir die Pipeline weiter?
 
 ---
 
-## 16. Workpackage Status (v2.6.0)
+## 16. Workpackage Status (v2.4.0)
 
 Aktueller Implementierungsstand der Module.
 
@@ -286,6 +271,3 @@ Aktueller Implementierungsstand der Module.
 | **WP10** | Chat Interface | 🟢 Live | Web-Interface (Streamlit). |
 | **WP10a**| Draft Editor | 🟢 Live | **Interaktives UI für WP07 Drafts.** |
 | **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. |

docs/user_guide.md

@@ -1,7 +1,7 @@
 # Mindnet v2.4 – User Guide
-**Datei:** `docs/mindnet_user_guide_v2.6.md`
+**Datei:** `docs/mindnet_user_guide_v2.4.md`
-**Stand:** 2025-12-12
+**Stand:** 2025-12-11
-**Status:** **FINAL** (Inkl. Smart Edges, Hybrid Router v5 & Healing UI)
+**Status:** **FINAL** (Inkl. RAG, Web-Interface & Interview-Assistent & Intelligence)
 **Quellen:** `knowledge_design.md`, `wp04_retriever_scoring.md`, `Programmplan_V2.2.md`, `Handbuch.md`.
 
 > **Willkommen bei Mindnet.**
@@ -18,7 +18,6 @@ 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:
@@ -53,22 +52,28 @@ 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 v5**, der intelligent zwischen Frage und Befehl unterscheidet.
+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.
 
-### 3.1 Frage-Modus (Wissen abrufen)
+### 3.1 Modus: Entscheidung ("Der Berater")
-Sobald du ein Fragezeichen `?` benutzt oder Wörter wie "Wer", "Wie", "Was", "Soll ich" verwendest, sucht Mindnet nach Antworten (**RAG**).
+Wenn du vor einer Wahl stehst, hilft Mindnet dir, konform zu deinen Prinzipien zu bleiben.
 
-* **Entscheidung ("Soll ich?"):** Mindnet lädt deine **Werte** (`type: value`) und **Ziele** (`type: goal`) in den Kontext und prüft die Fakten dagegen.
+* **Auslöser (Keywords):** "Soll ich...", "Was ist deine Meinung?", "Strategie für...", "Vor- und Nachteile".
-    * *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'."
+* **Was passiert:** Mindnet lädt deine **Werte** (`type: value`) und **Ziele** (`type: goal`) in den Kontext und prüft die Fakten dagegen.
-* **Empathie ("Ich fühle..."):** Mindnet lädt deine **Erfahrungen** (`type: experience`) und **Glaubenssätze** (`type: belief`). Es antwortet verständnisvoll und zitiert deine eigenen Lektionen.
+* **Beispiel-Dialog:**
-    * *Beispiel:* "Ich bin frustriert." -> "Das erinnert mich an Projekt Y, da ging es uns ähnlich..."
+    * *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'."
 
-### 3.2 Befehls-Modus (Wissen erfassen / Interview)
+### 3.2 Modus: Empathie ("Der Spiegel")
-Wenn du keine Frage stellst, sondern eine Absicht äußerst, wechselt Mindnet in den **Interview-Modus**.
+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.
 
 * **Auslöser:** "Neues Projekt", "Notiz erstellen", "Ich will etwas festhalten", "Neue Entscheidung dokumentieren".
-* **Was passiert:** Mindnet sucht nicht im Archiv, sondern öffnet den **Draft-Editor**.
+* **Was passiert:** Siehe Kapitel 6.3.
-* **Beispiel:** "Neue Erfahrung: Streit am Recyclinghof." -> Das System erstellt sofort eine strukturierte Notiz mit den Feldern "Situation", "Reaktion" und "Learning".
 
 ---
 
@@ -122,10 +127,9 @@ 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:** Klicke auf "💾 Speichern". Die Notiz landet sofort im Vault und im Index.
+5.  **Speichern:** Speichere die Datei in deinen Obsidian Vault. Beim nächsten Import ist sie im System.
 
 ### 6.4 Der Intelligence-Workflow (Neu in v2.4)
 Wenn du Texte im **manuellen Editor** schreibst, unterstützt dich Mindnet aktiv bei der Vernetzung:

scripts/import_markdown.py

@@ -11,13 +11,6 @@ import logging
 from pathlib import Path
 from dotenv import load_dotenv
 
-import logging
-# Setzt das Level global auf INFO, damit Sie den Fortschritt sehen
-logging.basicConfig(level=logging.INFO, format='%(asctime)s [%(levelname)s] %(message)s')
-
-# Wenn Sie TIEFE Einblicke wollen, setzen Sie den SemanticAnalyzer spezifisch auf DEBUG:
-logging.getLogger("app.services.semantic_analyzer").setLevel(logging.DEBUG)
-
 # Importiere den neuen Async Service
 # Stellen wir sicher, dass der Pfad stimmt (Pythonpath)
 import sys

tests/test_dialog_full_flow.py

@@ -1,105 +0,0 @@
-import unittest
-import asyncio
-import os
-import shutil
-from pathlib import Path
-from app.routers.ingest import save_note, SaveRequest
-from app.core.ingestion import IngestionService
-
-# Wir simulieren den API-Aufruf direkt
-class TestDialogFullFlow(unittest.IsolatedAsyncioTestCase):
-
-    def setUp(self):
-        # Test Vault definieren
-        self.test_vault = os.path.abspath("./vault_test_dialog")
-        os.environ["MINDNET_VAULT_ROOT"] = self.test_vault
-        
-        # Sicherstellen, dass das Verzeichnis existiert
-        if not os.path.exists(self.test_vault):
-            os.makedirs(self.test_vault)
-
-    def tearDown(self):
-        # Cleanup nach dem Test (optional, zum Debuggen auskommentieren)
-        if os.path.exists(self.test_vault):
-            shutil.rmtree(self.test_vault)
-
-    async def test_a_save_journal_entry(self):
-        """
-        Testet den 'Fast Path' (Journal) -> sliding_short.
-        Erwartung: Sehr schnell, keine LLM-Warnungen im Log.
-        """
-        print("\n--- TEST A: Journal Save (Fast Path) ---")
-        
-        content = """---
-type: journal
-status: active
-title: Test Journal Entry
----
-# Daily Log
-Heute haben wir das Chunking-System getestet.
-Es lief alles sehr schnell durch.
-"""
-        req = SaveRequest(
-            markdown_content=content,
-            filename="2025-12-12-test-journal.md",
-            folder="00_Inbox"
-        )
-        
-        # Rufe die API-Funktion auf (simuliert Frontend "Save")
-        response = await save_note(req)
-        
-        # Checks
-        self.assertEqual(response.status, "success")
-        self.assertTrue(response.stats['chunks'] > 0, "Keine Chunks erstellt!")
-        
-        # File Check
-        file_path = Path(response.file_path)
-        self.assertTrue(file_path.exists(), "Datei wurde nicht geschrieben!")
-        print(f"✅ Journal gespeichert: {response.note_id}")
-
-    async def test_b_save_project_entry(self):
-        """
-        Testet den 'Smart Path' (Project) -> sliding_smart_edges.
-        Erwartung: Smart Edge Allocation läuft (LLM Aufruf), dauert etwas länger.
-        """
-        print("\n--- TEST B: Project Save (Smart Path) ---")
-        
-        # Ein Text mit expliziten Kanten, um den Smart Chunker zu triggern
-        content = """---
-type: project
-status: active
-title: Test Projekt Smart Chunking
----
-# Mission
-Wir wollen [[leitbild-werte#Integrität]] sicherstellen.
-Das System muss stabil sein.
-
-# Status
-Wir nutzen [[rel:uses|Ollama]] für die Intelligenz.
-"""
-        req = SaveRequest(
-            markdown_content=content,
-            filename="Test_Projekt_Smart.md",
-            folder="Projects"
-        )
-        
-        # API Call
-        response = await save_note(req)
-        
-        # Checks
-        self.assertEqual(response.status, "success")
-        self.assertTrue(response.stats['chunks'] > 0)
-        self.assertTrue(response.stats['edges'] > 0, "Kanten sollten gefunden werden (mind. structure edges)")
-        
-        print(f"✅ Projekt gespeichert: {response.note_id}")
-        
-        # Optional: Prüfen ob Qdrant Daten hat (via IngestionService Helper)
-        service = IngestionService()
-        chunks_missing, edges_missing = service._artifacts_missing(response.note_id)
-        
-        self.assertFalse(chunks_missing, "Chunks fehlen in Qdrant!")
-        self.assertFalse(edges_missing, "Edges fehlen in Qdrant!")
-        print("✅ Qdrant Persistenz verifiziert.")
-
-if __name__ == '__main__':
-    unittest.main()

tests/test_final_wp15_validation.py

@@ -1,110 +0,0 @@
-# tests/test_final_wp15_validation.py
-
-import asyncio
-import unittest
-from typing import List, Dict, Any
-import re
-from pathlib import Path
-import sys
-
-# --- PFAD-KORREKTUR ---
-ROOT_DIR = Path(__file__).resolve().parent.parent
-sys.path.insert(0, str(ROOT_DIR))
-
-from app.core import chunker 
-from app.services.semantic_analyzer import SemanticAnalyzer 
-
-def get_config_for_test(strategy: str, enable_smart_edge: bool) -> Dict[str, Any]:
-    cfg = chunker.get_chunk_config("concept")
-    cfg['strategy'] = strategy
-    cfg['enable_smart_edge_allocation'] = enable_smart_edge
-    # WICHTIG: Setze sehr kleine Werte, um Split bei kurzem Text zu erzwingen
-    cfg['target'] = 50 
-    cfg['max'] = 100
-    return cfg
-
-TEST_NOTE_ID_SMART = "20251212-test-smart"
-TEST_NOTE_ID_LEGACY = "20251212-test-legacy"
-
-TEST_MARKDOWN_SMART = """
----
-id: 20251212-test-smart
-title: Integrationstest - Smart Edges
-type: concept
-status: active
----
-# Teil 1: Wichtige Definition
-Die Mission ist: präsent sein. 
-Dies entspricht unseren Werten [[leitbild-werte#Integrität]].
-
-## Teil 2: Konflikt
-Der Konflikt zwischen [[leitbild-rollen#Vater]] und [[leitbild-rollen#Beruf]].
-Lösung: [[rel:depends_on leitbild-review#Weekly Review]].
-"""
-
-# Verlängerter Text, um Split > 1 zu erzwingen (bei Target 50)
-TEST_MARKDOWN_SLIDING = """
----
-id: 20251212-test-legacy
-title: Fließtext Protokoll
-type: journal
-status: active
----
-Dies ist der erste Absatz. Er muss lang genug sein, damit der Chunker ihn schneidet.
-Wir schreiben hier über Rituale wie [[leitbild-rituale-system]] und viele andere Dinge.
-Das Wetter ist schön und die Programmierung läuft gut. Dies sind Füllsätze für Länge.
-
-Dies ist der zweite Absatz. Er ist durch eine Leerzeile getrennt und sollte einen neuen Kontext bilden.
-Auch hier schreiben wir viel Text, damit die Token-Anzahl die Grenze von 50 Tokens überschreitet.
-Das System muss hier splitten.
-"""
-
-class TestFinalWP15Integration(unittest.TestCase):
-    
-    _analyzer_instance = None
-    
-    @classmethod
-    def setUpClass(cls):
-        cls._analyzer_instance = SemanticAnalyzer()
-        chunker._semantic_analyzer_instance = cls._analyzer_instance 
-
-    @classmethod
-    def tearDownClass(cls):
-        # FIX: Kein explizites Loop-Closing hier, um RuntimeError zu vermeiden
-        pass
-    
-    def test_a_smart_edge_allocation(self):
-        """A: Prüft Smart Edge Allocation (LLM-Filter)."""
-        config = get_config_for_test('by_heading', enable_smart_edge=True)
-        
-        chunks = asyncio.run(chunker.assemble_chunks(
-            note_id=TEST_NOTE_ID_SMART, 
-            md_text=TEST_MARKDOWN_SMART, 
-            note_type='concept',
-            config=config 
-        ))
-        
-        self.assertTrue(len(chunks) >= 2, f"A1 Fehler: Erwartete >= 2 Chunks, bekam {len(chunks)}")
-        print(f"    -> Chunks generiert (Smart): {len(chunks)}")
-
-    def test_b_backward_compatibility(self):
-        """B: Prüft Sliding Window (Legacy)."""
-        config = get_config_for_test('sliding_window', enable_smart_edge=False)
-        
-        chunks = asyncio.run(chunker.assemble_chunks(
-            note_id=TEST_NOTE_ID_LEGACY, 
-            md_text=TEST_MARKDOWN_SLIDING, 
-            note_type='journal',
-            config=config
-        ))
-        
-        # Sliding Window muss bei diesem langen Text > 1 Chunk liefern
-        self.assertTrue(len(chunks) >= 2, f"B1 Fehler: Sliding Window lieferte nur {len(chunks)} Chunk(s). Split defekt.")
-        
-        # Check: Keine LLM Kanten (da deaktiviert)
-        injected = re.search(r'\[\[rel:', chunks[0].text)
-        self.assertIsNone(injected, "B2 Fehler: LLM-Kanten trotz Deaktivierung gefunden!")
-        print(f"    -> Chunks generiert (Legacy): {len(chunks)}")
-
-if __name__ == '__main__':
-    unittest.main()

tests/test_smart_chunking_integration.py

@@ -1,147 +0,0 @@
-# tests/test_smart_chunking_integration.py (Letzte Korrektur zur Umgehung des AsyncIO-Fehlers)
-
-import asyncio
-import unittest
-import os
-import sys
-from pathlib import Path
-from typing import List, Dict
-
-# --- PFAD-KORREKTUR ---
-ROOT_DIR = Path(__file__).resolve().parent.parent
-sys.path.insert(0, str(ROOT_DIR))
-# ----------------------
-
-# Import der Kernkomponenten
-from app.core import chunker 
-from app.core import derive_edges 
-from app.services.semantic_analyzer import SemanticAnalyzer 
-
-
-# 1. Definieren der Test-Note (Simuliert eine journal.md Datei)
-TEST_NOTE_ID = "20251211-journal-sem-test"
-TEST_NOTE_TYPE = "journal"
-
-TEST_MARKDOWN = """
----
-id: 20251211-journal-sem-test
-title: Tägliches Log - Semantischer Test
-type: journal
-status: active
-created: 2025-12-11
-tags: [test, daily-log]
----
-# Log-Eintrag 2025-12-11
-
-Heute war ein guter Tag. Zuerst habe ich mit der R1 Meditation begonnen, um meinen Nordstern Fokus zu klären. Das Ritual [[leitbild-rituale-system]] hat mir geholfen, ruhig in den Tag zu starten. Ich habe gespürt, wie wichtig meine [[leitbild-werte#Integrität]] für meine Entscheidungen ist. Das ist das Fundament.
-
-Am Nachmittag gab es einen Konflikt bei der Karate-Trainer-Ausbildung. Ein Schüler war uneinsichtig. Ich habe die Situation nach [[leitbild-prinzipien#P4 Gerechtigkeit & Fairness]] behandelt und beide Seiten gehört (Steelman). Das war anstrengend, aber ich habe meine [[leitbild-rollen#Karate-Trainer]] Mission erfüllt. Die Konsequenz war klar und ruhig.
-
-Abends habe ich den wöchentlichen Load-Check mit meinem Partner gemacht. Das Paar-Ritual [[leitbild-rituale-system#R5]] hilft, das Ziel [[leitbild-ziele-portfolio#Nordstern Partner]] aktiv zu verfolgen. Es ist der operative Rhythmus für uns beide.
-"""
-
-# --- ENTFERNEN DER KOMPLEXEN TEARDOWN-HILFEN ---
-# Wir entfernen die fehleranfällige asynchrone Schließungslogik.
-
-
-class TestSemanticChunking(unittest.TestCase):
-    
-    _analyzer_instance = None
-    
-    @classmethod
-    def setUpClass(cls):
-        """Initialisiert den SemanticAnalyzer einmalig."""
-        cls._analyzer_instance = SemanticAnalyzer()
-        # Stellt sicher, dass der Chunker diese Singleton-Instanz verwendet
-        chunker._semantic_analyzer_instance = cls._analyzer_instance 
-
-    @classmethod
-    def tearDownClass(cls):
-        """
-        PRAGMATISCHE LÖSUNG: Überspringe das explizite Aclose() im Teardown, 
-        um den Event Loop Konflikt zu vermeiden. Die GC wird die Verbindung schließen.
-        """
-        pass
-
-    def setUp(self):
-        self.config = chunker.get_chunk_config(TEST_NOTE_TYPE)
-        
-    def test_a_strategy_selection(self):
-        """Prüft, ob die Strategie 'semantic_llm' für den Typ 'journal' gewählt wird."""
-        self.assertEqual(self.config['strategy'], 'semantic_llm', 
-                         "Fehler: 'journal' sollte die Strategie 'semantic_llm' nutzen.")
-
-    def test_b_llm_chunking_and_injection(self):
-        """
-        Prüft den gesamten End-to-End-Flow: 1. LLM-Chunking, 2. Kanten-Injektion, 3. Kanten-Erkennung.
-        """
-        
-        # --- 1. Chunking (Asynchron) ---
-        chunks = asyncio.run(chunker.assemble_chunks(
-            note_id=TEST_NOTE_ID, 
-            md_text=TEST_MARKDOWN, 
-            note_type=TEST_NOTE_TYPE
-        ))
-        
-        print(f"\n--- LLM Chunker Output: {len(chunks)} Chunks ---")
-        
-        # Assertion B1: Zerlegung (Das LLM muss mehr als 1 Chunk liefern)
-        self.assertTrue(len(chunks) > 1, 
-                        "Assertion B1 Fehler: LLM hat nicht zerlegt (Fallback aktiv). Prüfe LLM-Stabilität.")
-        
-        # --- 2. Injektion prüfen ---
-        chunk_1_text = chunks[0].text
-        self.assertIn("[[rel:", chunk_1_text, 
-                      "Assertion B2 Fehler: Der Chunk-Text muss die injizierte [[rel: Kante enthalten.")
-        
-        # --- 3. Kanten-Derivation (Synchron) ---
-        edges = derive_edges.build_edges_for_note(
-            note_id=TEST_NOTE_ID, 
-            chunks=[c.__dict__ for c in chunks]
-        )
-        
-        print(f"--- Edge Derivation Output: {len(edges)} Kanten ---")
-        
-        # Assertion B3: Mindestens 3 LLM-Kanten (inline:rel)
-        llm_generated_edges = [
-            e for e in edges 
-            if e.get('rule_id') == 'inline:rel' and e.get('source_id').startswith(TEST_NOTE_ID + '#sem')
-        ]
-        
-        self.assertTrue(len(llm_generated_edges) >= 3, 
-                        "Assertion B3 Fehler: Es wurden weniger als 3 semantische Kanten gefunden.")
-        
-        # Assertion B4: Check für die Matrix-Logik / Werte-Kante 
-        has_matrix_kante = any(
-            e['target_id'].startswith('leitbild-werte') and e['kind'] in ['based_on', 'derived_from']
-            for e in llm_generated_edges
-        )
-        self.assertTrue(has_matrix_kante, 
-                        "Assertion B4 Fehler: Die Matrix-Logik / Werte-Kante wurde nicht erkannt.")
-
-        print("\n✅ Integrationstest für Semantic Chunking erfolgreich.")
-        
-    def test_c_draft_status_prevention(self):
-        """Prüft, ob 'draft' Status semantic_llm auf by_heading überschreibt."""
-        
-        DRAFT_MARKDOWN = TEST_MARKDOWN.replace("status: active", "status: draft")
-        
-        # 1. Chunking mit Draft Status
-        chunks = asyncio.run(chunker.assemble_chunks(
-            note_id=TEST_NOTE_ID, 
-            md_text=DRAFT_MARKDOWN, 
-            note_type=TEST_NOTE_TYPE
-        ))
-        
-        # 2. Prüfen der Chunker-IDs
-        self.assertFalse(chunks[0].id.startswith(TEST_NOTE_ID + '#sem'),
-                         "Assertion C1 Fehler: LLM-Chunking wurde für den Status 'draft' nicht verhindert.")
-        
-        self.assertTrue(chunks[0].id.startswith(TEST_NOTE_ID + '#c'),
-                         "Assertion C2 Fehler: Fallback-Strategie 'by_heading' wurde nicht korrekt ausgeführt.")
-
-        print(f"\n✅ Prevention Test: Draft-Status hat LLM-Chunking verhindert (Fallback ID: {chunks[0].id}).")
-        
-if __name__ == '__main__':
-    print("Starte den Semantic Chunking Integrationstest.")
-    unittest.main()

tests/test_wp15_final.py

@@ -1,76 +0,0 @@
-import unittest
-import asyncio
-from unittest.mock import MagicMock, patch
-from app.core import chunker
-
-class TestWP15Orchestration(unittest.TestCase):
-    
-    def setUp(self):
-        # Basis Config
-        self.config = {
-            "strategy": "sliding_window",
-            "enable_smart_edge_allocation": True,
-            "target": 100, "max": 200
-        }
-
-    @patch("app.core.chunker.get_semantic_analyzer")
-    @patch("app.core.chunker.build_edges_for_note")
-    def test_smart_allocation_flow(self, mock_build_edges, mock_get_analyzer):
-        """
-        Prüft, ob Kanten gefunden, gefiltert und injiziert werden.
-        """
-        # 1. Mock Edge Discovery (Simuliert derive_edges.py)
-        # Wir simulieren, dass im Text 2 Kanten gefunden wurden.
-        mock_build_edges.return_value = [
-            {"kind": "uses", "target_id": "tool_a"},
-            {"kind": "references", "target_id": "doc_b"}
-        ]
-        
-        # 2. Mock LLM Analyzer (Simuliert semantic_analyzer.py)
-        mock_analyzer_instance = MagicMock()
-        mock_get_analyzer.return_value = mock_analyzer_instance
-        
-        # Simuliere LLM Antwort: Chunk 1 bekommt "tool_a", Chunk 2 bekommt nichts.
-        async def mock_assign(text, candidates, type):
-            if "Tool A" in text:
-                return ["uses:tool_a"]
-            return []
-        
-        mock_analyzer_instance.assign_edges_to_chunk.side_effect = mock_assign
-
-        # 3. Run Chunker
-        md_text = """
-        # Intro
-        Hier nutzen wir Tool A für Tests.
-        
-        # Outro
-        Hier ist nur Text ohne Tool.
-        """
-        
-        # Wir führen assemble_chunks aus (im Event Loop des Tests)
-        chunks = asyncio.run(chunker.assemble_chunks(
-            "test_note", md_text, "concept", config=self.config
-        ))
-        
-        # 4. Assertions
-        
-        # Check: Wurde derive_edges aufgerufen?
-        mock_build_edges.assert_called_once()
-        
-        # Check: Wurde LLM Analyzer aufgerufen?
-        self.assertTrue(mock_analyzer_instance.assign_edges_to_chunk.called)
-        
-        # Check: Injection in Chunk 1 (Tool A Text)
-        chunk_with_tool = next((c for c in chunks if "Tool A" in c.text), None)
-        self.assertIsNotNone(chunk_with_tool)
-        self.assertIn("[[rel:uses|tool_a]]", chunk_with_tool.text, "Kante wurde nicht injiziert!")
-        
-        # Check: Fallback (Die Kante 'references:doc_b' wurde vom LLM nirgends zugeordnet)
-        # Sie sollte also in ALLEN Chunks als Fallback landen.
-        for c in chunks:
-            self.assertIn("[[rel:references|doc_b]]", c.text, "Fallback-Kante fehlt!")
-
-        print("✅ WP-15 Logic Test passed.")
-
-if __name__ == '__main__':
-    unittest.main()