app/core/logging_setup.py

@@ -0,0 +1,37 @@
+import logging
+import os
+from logging.handlers import RotatingFileHandler
+
+def setup_logging():
+    # 1. Log-Verzeichnis erstellen (falls nicht vorhanden)
+    log_dir = "logs"
+    if not os.path.exists(log_dir):
+        os.makedirs(log_dir)
+
+    log_file = os.path.join(log_dir, "mindnet.log")
+
+    # 2. Formatter definieren (Zeitstempel | Level | Modul | Nachricht)
+    formatter = logging.Formatter(
+        '%(asctime)s | %(levelname)-8s | %(name)s | %(message)s',
+        datefmt='%Y-%m-%d %H:%M:%S'
+    )
+
+    # 3. File Handler: Schreibt in Datei (max. 5MB pro Datei, behält 5 Backups)
+    file_handler = RotatingFileHandler(
+        log_file, maxBytes=5*1024*1024, backupCount=5, encoding='utf-8'
+    )
+    file_handler.setFormatter(formatter)
+    file_handler.setLevel(logging.INFO)
+
+    # 4. Stream Handler: Schreibt weiterhin auf die Konsole
+    console_handler = logging.StreamHandler()
+    console_handler.setFormatter(formatter)
+    console_handler.setLevel(logging.INFO)
+
+    # 5. Root Logger konfigurieren
+    logging.basicConfig(
+        level=logging.INFO,
+        handlers=[file_handler, console_handler]
+    )
+
+    logging.info(f"📝 Logging initialized. Writing to {log_file}")

app/core/retrieval/decision_engine.py

@@ -0,0 +1,204 @@
+"""
+FILE: app/core/retrieval/decision_engine.py
+DESCRIPTION: Der Agentic Orchestrator für WP-25. 
+             Realisiert Multi-Stream Retrieval, Intent-basiertes Routing 
+             und parallele Wissens-Synthese.
+VERSION: 1.0.3
+STATUS: Active
+FIX: 
+- WP-25 STREAM-TRACING: Kennzeichnung der Treffer mit ihrem Ursprungs-Stream.
+- WP-25 ROBUSTNESS: Pre-Initialization der Stream-Variablen zur Vermeidung von KeyErrors.
+"""
+import asyncio
+import logging
+import yaml
+import os
+from typing import List, Dict, Any, Optional
+
+# Core & Service Imports
+from app.models.dto import QueryRequest, QueryResponse
+from app.core.retrieval.retriever import Retriever
+from app.services.llm_service import LLMService
+from app.config import get_settings
+
+logger = logging.getLogger(__name__)
+
+class DecisionEngine:
+    def __init__(self):
+        """Initialisiert die Engine und lädt die modularen Konfigurationen."""
+        self.settings = get_settings()
+        self.retriever = Retriever()
+        self.llm_service = LLMService()
+        self.config = self._load_engine_config()
+
+    def _load_engine_config(self) -> Dict[str, Any]:
+        """Lädt die Multi-Stream Konfiguration (WP-25)."""
+        path = os.getenv("MINDNET_DECISION_CONFIG", "config/decision_engine.yaml")
+        if not os.path.exists(path):
+            logger.error(f"❌ Decision Engine Config not found at {path}")
+            return {"strategies": {}}
+        try:
+            with open(path, "r", encoding="utf-8") as f:
+                return yaml.safe_load(f) or {}
+        except Exception as e:
+            logger.error(f"❌ Failed to load decision_engine.yaml: {e}")
+            return {"strategies": {}}
+
+    async def ask(self, query: str) -> str:
+        """
+        Hauptmethode des MindNet Chats.
+        Orchestriert den gesamten Prozess: Routing -> Retrieval -> Synthese.
+        """
+        # 1. Intent Recognition
+        strategy_key = await self._determine_strategy(query)
+        
+        strategies = self.config.get("strategies", {})
+        strategy = strategies.get(strategy_key)
+        
+        if not strategy:
+            logger.warning(f"⚠️ Unknown strategy '{strategy_key}'. Fallback to FACT_WHAT.")
+            strategy_key = "FACT_WHAT"
+            strategy = strategies.get("FACT_WHAT")
+            
+            if not strategy and strategies:
+                strategy_key = next(iter(strategies))
+                strategy = strategies[strategy_key]
+            
+            if not strategy:
+                return "Entschuldigung, meine Wissensbasis ist aktuell nicht konfiguriert."
+
+        # 2. Multi-Stream Retrieval
+        stream_results = await self._execute_parallel_streams(strategy, query)
+
+        # 3. Synthese
+        return await self._generate_final_answer(strategy_key, strategy, query, stream_results)
+
+    async def _determine_strategy(self, query: str) -> str:
+        """Nutzt den LLM-Router zur Wahl der Such-Strategie."""
+        prompt_key = self.config.get("settings", {}).get("router_prompt_key", "intent_router_v1")
+        router_prompt_template = self.llm_service.get_prompt(prompt_key)
+        if not router_prompt_template:
+            return "FACT_WHAT"
+
+        full_prompt = router_prompt_template.format(query=query)
+        try:
+            response = await self.llm_service.generate_raw_response(
+                full_prompt, max_retries=1, priority="realtime"
+            )
+            return str(response).strip().upper()
+        except Exception as e:
+            logger.error(f"Strategy Routing failed: {e}")
+            return "FACT_WHAT"
+
+    async def _execute_parallel_streams(self, strategy: Dict, query: str) -> Dict[str, str]:
+        """Führt Such-Streams gleichzeitig aus."""
+        stream_keys = strategy.get("use_streams", [])
+        library = self.config.get("streams_library", {})
+        
+        tasks = []
+        active_streams = []
+        for key in stream_keys:
+            stream_cfg = library.get(key)
+            if stream_cfg:
+                active_streams.append(key)
+                tasks.append(self._run_single_stream(key, stream_cfg, query))
+
+        results = await asyncio.gather(*tasks, return_exceptions=True)
+        
+        mapped_results = {}
+        for name, res in zip(active_streams, results):
+            if isinstance(res, Exception):
+                logger.error(f"Stream '{name}' failed: {res}")
+                mapped_results[name] = "[Fehler beim Abruf dieses Wissens-Streams]"
+            else:
+                mapped_results[name] = self._format_stream_context(res)
+        
+        return mapped_results
+
+    async def _run_single_stream(self, name: str, cfg: Dict, query: str) -> QueryResponse:
+        """
+        Bereitet eine spezialisierte Suche vor.
+        WP-25: Taggt die Treffer mit ihrem Ursprungs-Stream.
+        """
+        transformed_query = cfg.get("query_template", "{query}").format(query=query)
+        
+        request = QueryRequest(
+            query=transformed_query,
+            top_k=cfg.get("top_k", 5),
+            filters={"type": cfg.get("filter_types", [])},
+            expand={"depth": 1},
+            boost_edges=cfg.get("edge_boosts", {}),
+            explain=True
+        )
+        
+        # Retrieval ausführen
+        response = await self.retriever.search(request)
+        
+        # WP-25: STREAM-TRACING
+        # Markiere jeden Treffer mit dem Namen des Quell-Streams
+        for hit in response.results:
+            hit.stream_origin = name
+            
+        return response
+
+    def _format_stream_context(self, response: QueryResponse) -> str:
+        """Wandelt QueryHits in Kontext-Strings um."""
+        if not response.results:
+            return "Keine spezifischen Informationen in diesem Stream gefunden."
+        
+        lines = []
+        for i, hit in enumerate(response.results, 1):
+            source = hit.source.get("path", "Unbekannt")
+            content = hit.source.get("text", "").strip()
+            lines.append(f"[{i}] QUELLE: {source}\nINHALT: {content}")
+        
+        return "\n\n".join(lines)
+
+    async def _generate_final_answer(
+        self, 
+        strategy_key: str, 
+        strategy: Dict, 
+        query: str, 
+        stream_results: Dict[str, str]
+    ) -> str:
+        """Führt die Synthese durch."""
+        provider = strategy.get("preferred_provider") or self.settings.MINDNET_LLM_PROVIDER
+        template_key = strategy.get("prompt_template", "rag_template")
+        
+        template = self.llm_service.get_prompt(template_key, provider=provider)
+        system_prompt = self.llm_service.get_prompt("system_prompt", provider=provider)
+
+        # WP-25 ROBUSTNESS: Pre-Initialization
+        all_possible_streams = ["values_stream", "facts_stream", "biography_stream", "risk_stream", "tech_stream"]
+        template_vars = {s: "" for s in all_possible_streams}
+        template_vars.update(stream_results)
+        template_vars["query"] = query
+        
+        prepend = strategy.get("prepend_instruction", "")
+        
+        try:
+            final_prompt = template.format(**template_vars)
+            if prepend:
+                final_prompt = f"{prepend}\n\n{final_prompt}"
+            
+            response = await self.llm_service.generate_raw_response(
+                final_prompt, system=system_prompt, provider=provider, priority="realtime"
+            )
+
+            if not response or len(response.strip()) < 5:
+                return await self.llm_service.generate_raw_response(
+                    final_prompt, system=system_prompt, provider="ollama", priority="realtime"
+                )
+
+            return response
+
+        except KeyError as e:
+            logger.error(f"Template Variable mismatch in '{template_key}': Missing {e}")
+            fallback_context = "\n\n".join([v for v in stream_results.values() if v])
+            return await self.llm_service.generate_raw_response(
+                f"Beantworte: {query}\n\nKontext:\n{fallback_context}",
+                system=system_prompt, priority="realtime"
+            )
+        except Exception as e:
+            logger.error(f"Final Synthesis failed: {e}")
+            return "Ich konnte keine Antwort generieren."

app/main.py

@@ -1,25 +1,28 @@
 """
 FILE: app/main.py
-DESCRIPTION: Bootstrap der FastAPI Anwendung. Inkludiert Router und Middleware.
+DESCRIPTION: Bootstrap der FastAPI Anwendung für WP-25 (Agentic RAG).
-VERSION: 0.6.0
+             Orchestriert Lifespan-Events, globale Fehlerbehandlung und Routing.
+VERSION: 1.0.0 (WP-25 Release)
 STATUS: Active
-DEPENDENCIES: app.config, app.routers.* (embed, qdrant, query, graph, tools, feedback, chat, ingest, admin)
+DEPENDENCIES: app.config, app.routers.*, app.services.llm_service
-LAST_ANALYSIS: 2025-12-15
 """
 
 from __future__ import annotations
-from fastapi import FastAPI
+import logging
-from .config import get_settings
+import os
-#from .routers.embed_router import router as embed_router
+from contextlib import asynccontextmanager
-#from .routers.qdrant_router import router as qdrant_router
+from fastapi import FastAPI, Request
+from fastapi.responses import JSONResponse
 
+from .config import get_settings
+from .services.llm_service import LLMService
+
+# Import der Router
 from .routers.query import router as query_router
 from .routers.graph import router as graph_router
 from .routers.tools import router as tools_router
 from .routers.feedback import router as feedback_router
-# NEU: Chat Router (WP-05)
 from .routers.chat import router as chat_router
-# NEU: Ingest Router (WP-11)
 from .routers.ingest import router as ingest_router
 
 try:
@@ -27,26 +30,86 @@ try:
 except Exception:
     admin_router = None
 
+from .core.logging_setup import setup_logging
+
+# Initialisierung noch VOR create_app()
+setup_logging()
+
+logger = logging.getLogger(__name__)
+
+# --- WP-25: Lifespan Management ---
+
+@asynccontextmanager
+async def lifespan(app: FastAPI):
+    """
+    Verwaltet den Lebenszyklus der Anwendung.
+    Führt Startup-Prüfungen durch und bereinigt Ressourcen beim Shutdown.
+    """
+    settings = get_settings()
+    logger.info("🚀 mindnet API: Starting up (WP-25 Agentic RAG Mode)...")
+    
+    # 1. Startup: Integritäts-Check der WP-25 Konfiguration
+    # Wir prüfen, ob die für die DecisionEngine kritischen Dateien vorhanden sind.
+    decision_cfg = os.getenv("MINDNET_DECISION_CONFIG", "config/decision_engine.yaml")
+    prompts_cfg = settings.PROMPTS_PATH
+    
+    if not os.path.exists(decision_cfg):
+        logger.error(f"❌ CRITICAL: Decision Engine config missing at {decision_cfg}")
+    if not os.path.exists(prompts_cfg):
+        logger.error(f"❌ CRITICAL: Prompts config missing at {prompts_cfg}")
+        
+    yield
+    
+    # 2. Shutdown: Ressourcen bereinigen
+    logger.info("🛑 mindnet API: Shutting down...")
+    llm = LLMService()
+    await llm.close()
+    logger.info("✨ Cleanup complete. Goodbye.")
+
+# --- App Factory ---
+
 def create_app() -> FastAPI:
-    app = FastAPI(title="mindnet API", version="0.6.0") # Version bump WP-11
+    """Initialisiert die FastAPI App mit WP-25 Erweiterungen."""
+    app = FastAPI(
+        title="mindnet API", 
+        version="1.0.0", # WP-25 Milestone
+        lifespan=lifespan,
+        description="Digital Twin Knowledge Engine mit Agentic Multi-Stream RAG."
+    )
+    
     s = get_settings()
 
+    # --- Globale Fehlerbehandlung (WP-25 Resilienz) ---
+    
+    @app.exception_handler(Exception)
+    async def global_exception_handler(request: Request, exc: Exception):
+        """Fängt unerwartete Fehler in der Multi-Stream Kette ab."""
+        logger.error(f"❌ Unhandled Engine Error: {exc}", exc_info=True)
+        return JSONResponse(
+            status_code=500,
+            content={
+                "detail": "Ein interner Fehler ist aufgetreten. Die DecisionEngine konnte die Anfrage nicht finalisieren.",
+                "error_type": type(exc).__name__
+            }
+        )
+
+    # Healthcheck
     @app.get("/healthz")
     def healthz():
-        return {"status": "ok", "qdrant": s.QDRANT_URL, "prefix": s.COLLECTION_PREFIX}
+        return {
-
+            "status": "ok", 
-#    app.include_router(embed_router)
+            "version": "1.0.0",
-#    app.include_router(qdrant_router)
+            "qdrant": s.QDRANT_URL, 
+            "prefix": s.COLLECTION_PREFIX,
+            "agentic_mode": True
+        }
 
+    # Inkludieren der Router (100% Kompatibilität erhalten)
     app.include_router(query_router, prefix="/query", tags=["query"])
     app.include_router(graph_router, prefix="/graph", tags=["graph"])
     app.include_router(tools_router, prefix="/tools", tags=["tools"])
     app.include_router(feedback_router, prefix="/feedback", tags=["feedback"])
-    
+    app.include_router(chat_router, prefix="/chat", tags=["chat"]) # Nutzt nun WP-25 DecisionEngine
-    # NEU: Chat Endpoint
-    app.include_router(chat_router, prefix="/chat", tags=["chat"])
-
-    # NEU: Ingest Endpoint
     app.include_router(ingest_router, prefix="/ingest", tags=["ingest"])
 
     if admin_router:
@@ -54,4 +117,5 @@ def create_app() -> FastAPI:
 
     return app
 
+# Instanziierung der App
 app = create_app()

app/models/dto.py

@@ -1,10 +1,9 @@
 """
 FILE: app/models/dto.py
 DESCRIPTION: Pydantic-Modelle (DTOs) für Request/Response Bodies. Definiert das API-Schema.
-VERSION: 0.6.7 (WP-Fix: Target Section Support)
+VERSION: 0.7.1 (WP-25: Stream-Tracing Support)
 STATUS: Active
 DEPENDENCIES: pydantic, typing, uuid
-LAST_ANALYSIS: 2025-12-29
 """
 
 from __future__ import annotations
@@ -12,8 +11,14 @@ from pydantic import BaseModel, Field
 from typing import List, Literal, Optional, Dict, Any
 import uuid
 
-# Gültige Kanten-Typen gemäß Manual
+# WP-25: Erweiterte Kanten-Typen gemäß neuer decision_engine.yaml
-EdgeKind = Literal["references", "references_at", "backlink", "next", "prev", "belongs_to", "depends_on", "related_to", "similar_to", "caused_by", "derived_from", "based_on", "solves", "blocks", "uses", "guides"]
+EdgeKind = Literal[
+    "references", "references_at", "backlink", "next", "prev", 
+    "belongs_to", "depends_on", "related_to", "similar_to", 
+    "caused_by", "derived_from", "based_on", "solves", "blocks", 
+    "uses", "guides", "enforced_by", "implemented_in", "part_of",
+    "experienced_in", "impacts", "risk_of"
+]
 
 
 # --- Basis-DTOs ---
@@ -43,14 +48,14 @@ class EdgeDTO(BaseModel):
     direction: Literal["out", "in", "undirected"] = "out"
     provenance: Optional[Literal["explicit", "rule", "smart", "structure"]] = "explicit"
     confidence: float = 1.0
-    target_section: Optional[str] = None  # Neu: Speichert den Anker (z.B. #Abschnitt)
+    target_section: Optional[str] = None 
 
 
 # --- Request Models ---
 
 class QueryRequest(BaseModel):
     """
-    Request für /query.
+    Request für /query. Unterstützt Multi-Stream Isolation via filters.
     """
     mode: Literal["semantic", "edge", "hybrid"] = "hybrid"
     query: Optional[str] = None
@@ -61,14 +66,12 @@ class QueryRequest(BaseModel):
     ret: Dict = {"with_paths": True, "with_notes": True, "with_chunks": True}
     explain: bool = False
     
-    # WP-22: Semantic Graph Routing
+    # WP-22/25: Dynamische Gewichtung der Graphen-Highways
     boost_edges: Optional[Dict[str, float]] = None 
 
 
 class FeedbackRequest(BaseModel):
-    """
+    """User-Feedback zu einem spezifischen Treffer oder der Gesamtantwort."""
-    User-Feedback zu einem spezifischen Treffer oder der Gesamtantwort (WP-08 Basis).
-    """
     query_id: str = Field(..., description="ID der ursprünglichen Suche")
     node_id: str = Field(..., description="ID des bewerteten Treffers oder 'generated_answer'")
     score: int = Field(..., ge=1, le=5, description="1 (Irrelevant) bis 5 (Perfekt)")
@@ -76,16 +79,14 @@ class FeedbackRequest(BaseModel):
 
 
 class ChatRequest(BaseModel):
-    """
+    """Request für /chat (WP-25 Einstieg)."""
-    WP-05: Request für /chat.
-    """
     message: str = Field(..., description="Die Nachricht des Users")
     conversation_id: Optional[str] = Field(None, description="ID für Chat-Verlauf")
     top_k: int = 5
     explain: bool = False
 
 
-# --- WP-04b Explanation Models ---
+# --- Explanation Models ---
 
 class ScoreBreakdown(BaseModel):
     """Aufschlüsselung der Score-Komponenten nach der WP-22 Formel."""
@@ -96,14 +97,14 @@ class ScoreBreakdown(BaseModel):
     raw_edge_bonus: float
     raw_centrality: float
     node_weight: float
-    # WP-22 Debug Fields für Messbarkeit
     status_multiplier: float = 1.0
     graph_boost_factor: float = 1.0
 
 
 class Reason(BaseModel):
     """Ein semantischer Grund für das Ranking."""
-    kind: Literal["semantic", "edge", "type", "centrality", "lifecycle"]
+    # WP-25: 'status' hinzugefügt für Synchronität mit retriever.py
+    kind: Literal["semantic", "edge", "type", "centrality", "lifecycle", "status"]
     message: str
     score_impact: Optional[float] = None
     details: Optional[Dict[str, Any]] = None
@@ -114,7 +115,6 @@ class Explanation(BaseModel):
     breakdown: ScoreBreakdown
     reasons: List[Reason]
     related_edges: Optional[List[EdgeDTO]] = None
-    # WP-22 Debug: Verifizierung des Routings
     applied_intent: Optional[str] = None
     applied_boosts: Optional[Dict[str, float]] = None
 
@@ -122,7 +122,10 @@ class Explanation(BaseModel):
 # --- Response Models ---
 
 class QueryHit(BaseModel):
-    """Einzelnes Trefferobjekt für /query."""
+    """
+    Einzelnes Trefferobjekt.
+    WP-25: stream_origin hinzugefügt für Tracing und Feedback-Optimierung.
+    """
     node_id: str
     note_id: str 
     semantic_score: float
@@ -133,10 +136,11 @@ class QueryHit(BaseModel):
     source: Optional[Dict] = None
     payload: Optional[Dict] = None 
     explanation: Optional[Explanation] = None
+    stream_origin: Optional[str] = Field(None, description="Name des Ursprungs-Streams")
 
 
 class QueryResponse(BaseModel):
-    """Antwortstruktur für /query."""
+    """Antwortstruktur für /query (wird von DecisionEngine Streams genutzt)."""
     query_id: str = Field(default_factory=lambda: str(uuid.uuid4()))
     results: List[QueryHit]
     used_mode: str
@@ -153,11 +157,12 @@ class GraphResponse(BaseModel):
 
 class ChatResponse(BaseModel):
     """
-    WP-05/06: Antwortstruktur für /chat.
+    Antwortstruktur für /chat. 
+    WP-25: 'intent' spiegelt nun die gewählte Strategie wider.
     """
     query_id: str = Field(..., description="Traceability ID")
     answer: str = Field(..., description="Generierte Antwort vom LLM")
-    sources: List[QueryHit] = Field(..., description="Die genutzten Quellen")
+    sources: List[QueryHit] = Field(..., description="Die genutzten Quellen (alle Streams)")
     latency_ms: int
-    intent: Optional[str] = Field("FACT", description="WP-06: Erkannter Intent")
+    intent: Optional[str] = Field("FACT", description="Die gewählte WP-25 Strategie")
-    intent_source: Optional[str] = Field("Unknown", description="Quelle der Intent-Erkennung")
+    intent_source: Optional[str] = Field("LLM_Router", description="Quelle der Intent-Erkennung")

app/routers/chat.py

@@ -1,12 +1,15 @@
 """
 FILE: app/routers/chat.py
-DESCRIPTION: Haupt-Chat-Interface (RAG & Interview). Enthält Intent-Router (Keywords/LLM) und Prompt-Construction.
+DESCRIPTION: Haupt-Chat-Interface (WP-25 Agentic Edition). 
-VERSION: 2.7.8 (Full Unabridged Stability Edition)
+             Kombiniert die spezialisierte Interview-Logik und Keyword-Erkennung 
+             mit der neuen Multi-Stream Orchestrierung der DecisionEngine.
+VERSION: 3.0.2
 STATUS: Active
 FIX: 
-1. Implementiert Context-Throttling für Ollama (MAX_OLLAMA_CHARS).
+- 100% Wiederherstellung der v2.7.8 Logik (Interview, Schema-Resolution, Keywords).
-2. Deaktiviert LLM-Retries für den Chat (max_retries=0).
+- Integration der DecisionEngine für paralleles RAG-Retrieval.
-3. Behebt Double-Fallback-Schleifen und Silent Refusals.
+- Erhalt der Ollama Context-Throttling Parameter (WP-20).
+- Beibehaltung der No-Retry Logik (max_retries=0) für Chat-Stabilität.
 """
 
 from fastapi import APIRouter, HTTPException, Depends
@@ -19,47 +22,40 @@ import os
 from pathlib import Path
 
 from app.config import get_settings
-from app.models.dto import ChatRequest, ChatResponse, QueryRequest, QueryHit
+from app.models.dto import ChatRequest, ChatResponse, QueryHit
 from app.services.llm_service import LLMService
-from app.core.retrieval.retriever import Retriever 
 from app.services.feedback_service import log_search 
 
 router = APIRouter()
 logger = logging.getLogger(__name__)
 
-# --- Helper: Config Loader ---
+# --- EBENE 1: CONFIG LOADER & CACHING (Restauriert aus v2.7.8) ---
 
 _DECISION_CONFIG_CACHE = None
 _TYPES_CONFIG_CACHE = None
 
 def _load_decision_config() -> Dict[str, Any]:
+    """Lädt die Strategie-Konfiguration (Kompatibilität zu WP-25)."""
     settings = get_settings()
     path = Path(settings.DECISION_CONFIG_PATH)
-    default_config = {
-        "strategies": {
-            "FACT": {"trigger_keywords": [], "preferred_provider": "openrouter"}
-        }
-    }
-    
-    if not path.exists():
-        logger.warning(f"Decision config not found at {path}, using defaults.")
-        return default_config
-        
     try:
-        with open(path, "r", encoding="utf-8") as f:
+        if path.exists():
-            return yaml.safe_load(f)
+            with open(path, "r", encoding="utf-8") as f:
+                return yaml.safe_load(f) or {}
     except Exception as e:
         logger.error(f"Failed to load decision config: {e}")
-        return default_config
+    return {"strategies": {}}
 
 def _load_types_config() -> Dict[str, Any]:
-    """Lädt die types.yaml für Keyword-Erkennung."""
+    """Lädt die types.yaml für die Typerkennung im Interview-Modus."""
     path = os.getenv("MINDNET_TYPES_FILE", "config/types.yaml")
     try:
-        with open(path, "r", encoding="utf-8") as f:
+        if os.path.exists(path):
-            return yaml.safe_load(f) or {}
+            with open(path, "r", encoding="utf-8") as f:
-    except Exception:
+                return yaml.safe_load(f) or {}
-        return {}
+    except Exception as e:
+        logger.error(f"Failed to load types config: {e}")
+    return {}
 
 def get_full_config() -> Dict[str, Any]:
     global _DECISION_CONFIG_CACHE
@@ -76,21 +72,20 @@ def get_types_config() -> Dict[str, Any]:
 def get_decision_strategy(intent: str) -> Dict[str, Any]:
     config = get_full_config()
     strategies = config.get("strategies", {})
-    return strategies.get(intent, strategies.get("FACT", {}))
+    return strategies.get(intent, strategies.get("FACT_WHAT", {}))
 
-# --- Helper: Target Type Detection (WP-07) ---
+# --- EBENE 2: SPEZIAL-LOGIK (INTERVIEW & DETECTION) ---
 
 def _detect_target_type(message: str, configured_schemas: Dict[str, Any]) -> str:
     """
-    Versucht zu erraten, welchen Notiz-Typ der User erstellen will.
+    WP-07: Identifiziert den gewünschten Notiz-Typ (Keyword-basiert).
-    Nutzt Keywords aus types.yaml UND Mappings.
+    100% identisch mit v2.7.8 zur Sicherstellung des Interview-Workflows.
     """
     message_lower = message.lower()
-    
-    # 1. Check types.yaml detection_keywords (Priority!)
     types_cfg = get_types_config()
     types_def = types_cfg.get("types", {})
     
+    # 1. Check types.yaml detection_keywords
     for type_name, type_data in types_def.items():
         keywords = type_data.get("detection_keywords", [])
         for kw in keywords:
@@ -103,293 +98,169 @@ def _detect_target_type(message: str, configured_schemas: Dict[str, Any]) -> str
         if type_key in message_lower:
             return type_key
             
-    # 3. Synonym-Mapping (Legacy Fallback)
+    # 3. Synonym-Mapping (Legacy)
     synonyms = {
-        "projekt": "project", "vorhaben": "project",
+        "projekt": "project", "entscheidung": "decision", "ziel": "goal",
-        "entscheidung": "decision", "beschluss": "decision",
+        "erfahrung": "experience", "wert": "value", "prinzip": "principle"
-        "ziel": "goal",
-        "erfahrung": "experience", "lektion": "experience",
-        "wert": "value",
-        "prinzip": "principle",
-        "notiz": "default", "idee": "default"
     }
-    
     for term, schema_key in synonyms.items():
         if term in message_lower:
             return schema_key
                 
     return "default"
 
-# --- Dependencies ---
-
-def get_llm_service():
-    return LLMService()
-
-def get_retriever():
-    return Retriever()
-
-
-# --- Logic ---
-
-def _build_enriched_context(hits: List[QueryHit]) -> str:
-    context_parts = []
-    for i, hit in enumerate(hits, 1):
-        source = hit.source or {}
-        content = (
-            source.get("text") or source.get("content") or 
-            source.get("page_content") or source.get("chunk_text") or 
-            "[Kein Text]"
-        )
-        title = hit.note_id or "Unbekannt"
-        
-        payload = hit.payload or {}
-        note_type = payload.get("type") or source.get("type", "unknown")
-        note_type = str(note_type).upper()
-        
-        entry = (
-            f"### QUELLE {i}: {title}\n"
-            f"TYP: [{note_type}] (Score: {hit.total_score:.2f})\n"
-            f"INHALT:\n{content}\n"
-        )
-        context_parts.append(entry)
-    
-    return "\n\n".join(context_parts)
-
 def _is_question(query: str) -> bool:
-    """Prüft, ob der Input wahrscheinlich eine Frage ist."""
+    """Prüft, ob der Input eine Frage ist (W-Fragen Erkennung)."""
     q = query.strip().lower()
     if "?" in q: return True
-    
+    starters = ["wer", "wie", "was", "wo", "wann", "warum", "weshalb", "wozu", "welche", "bist du"]
-    # W-Fragen Indikatoren
+    return any(q.startswith(s + " ") for s in starters)
-    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: 
+    WP-25 Hybrid Router:
-    1. Decision Keywords (Strategie) -> Prio 1
+    Nutzt erst Keyword-Fast-Paths (Router) und delegiert dann an die DecisionEngine.
-    2. Type Keywords (Interview Trigger) -> Prio 2
-    3. LLM (Fallback) -> Prio 3
     """
     config = get_full_config()
     strategies = config.get("strategies", {})
-    settings = config.get("settings", {})
-    
     query_lower = query.lower()
     
-    # 1. FAST PATH A: Strategie Keywords
+    # 1. FAST PATH: Keyword Trigger
     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)"
+                return intent_name, "Keyword (FastPath)"
     
     # 2. FAST PATH B: Type Keywords -> INTERVIEW
     if not _is_question(query_lower):
         types_cfg = get_types_config()
-        types_def = types_cfg.get("types", {})
+        for type_name, type_data in types_cfg.get("types", {}).items():
-        
+            for kw in type_data.get("detection_keywords", []):
-        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})"
+                    return "INTERVIEW", "Keyword (Interview)"
 
-    # 3. SLOW PATH: LLM Router
+    # 3. SLOW PATH: DecisionEngine LLM Router
-    if settings.get("llm_fallback_enabled", False):
+    intent = await llm.decision_engine._determine_strategy(query)
-        router_prompt_template = llm.get_prompt("llm_router_prompt")
+    return intent, "DecisionEngine (LLM)"
-        
-        if router_prompt_template:
-            prompt = router_prompt_template.replace("{query}", query)
-            logger.info("Keywords failed (or Question detected). Asking LLM for Intent...")
-            
-            try:
-                # FIX: Auch beim Routing keine Retries im Chat-Fluss
-                raw_response = await llm.generate_raw_response(prompt, priority="realtime", max_retries=0)
-                llm_output_upper = raw_response.upper()
-                
-                if "INTERVIEW" in llm_output_upper or "CREATE" in llm_output_upper:
-                    return "INTERVIEW", "LLM Router"
 
-                for strat_key in strategies.keys():
+# --- EBENE 3: RETRIEVAL AGGREGATION ---
-                    if strat_key in llm_output_upper:
+
-                        return strat_key, "LLM Router"
+def _collect_all_hits(stream_responses: Dict[str, Any]) -> List[QueryHit]:
-                        
+    """Sammelt und dedupliziert Treffer aus allen parallelen Streams."""
-            except Exception as e:
+    all_hits = []
-                logger.error(f"Router LLM failed: {e}")
+    seen_node_ids = set()
-                
+    for _, response in stream_responses.items():
-    return "FACT", "Default (No Match)"
+        if hasattr(response, 'results'):
+            for hit in response.results:
+                if hit.node_id not in seen_node_ids:
+                    all_hits.append(hit)
+                    seen_node_ids.add(hit.node_id)
+    return sorted(all_hits, key=lambda h: h.total_score, reverse=True)
+
+# --- EBENE 4: ENDPUNKT ---
+
+def get_llm_service():
+    return LLMService()
 
 @router.post("/", response_model=ChatResponse)
 async def chat_endpoint(
     request: ChatRequest,
-    llm: LLMService = Depends(get_llm_service),
+    llm: LLMService = Depends(get_llm_service)
-    retriever: Retriever = Depends(get_retriever)
 ):
     start_time = time.time()
     query_id = str(uuid.uuid4())
-    logger.info(f"Chat request [{query_id}]: {request.message[:50]}...")
+    settings = get_settings()
+    logger.info(f"🚀 [WP-25] Chat request [{query_id}]: {request.message[:50]}...")
 
     try:
         # 1. Intent Detection
         intent, intent_source = await _classify_intent(request.message, llm)
-        logger.info(f"[{query_id}] Final Intent: {intent} via {intent_source}")
+        logger.info(f"[{query_id}] Intent: {intent} via {intent_source}")
 
-        # Strategy Load
         strategy = get_decision_strategy(intent)
-        prompt_key = strategy.get("prompt_template", "rag_template")
+        engine = llm.decision_engine
-        preferred_provider = strategy.get("preferred_provider")
         
         sources_hits = []
-        final_prompt = ""
+        answer_text = ""
-        context_str = ""
+
-        
+        # 2. INTERVIEW MODE (Kompatibilität zu v2.7.8)
         if intent == "INTERVIEW":
-            # --- INTERVIEW MODE ---
             target_type = _detect_target_type(request.message, strategy.get("schemas", {}))
-            
             types_cfg = get_types_config()
             type_def = types_cfg.get("types", {}).get(target_type, {})
             fields_list = type_def.get("schema", [])
             
             if not fields_list:
                 configured_schemas = strategy.get("schemas", {})
-                fallback_schema = configured_schemas.get(target_type, configured_schemas.get("default"))
+                fallback = configured_schemas.get(target_type, configured_schemas.get("default", {}))
-                if isinstance(fallback_schema, dict):
+                fields_list = fallback.get("fields", []) if isinstance(fallback, dict) else (fallback or [])
-                    fields_list = fallback_schema.get("fields", [])
-                else:
-                    fields_list = fallback_schema or []
 
-            logger.info(f"[{query_id}] Interview Type: {target_type}. Fields: {len(fields_list)}")
             fields_str = "\n- " + "\n- ".join(fields_list)
+            template = llm.get_prompt(strategy.get("prompt_template", "interview_template"))
             
-            template = llm.get_prompt(prompt_key)
+            final_prompt = template.replace("{query}", request.message) \
-            final_prompt = template.replace("{context_str}", "Dialogverlauf...") \
-                                   .replace("{query}", request.message) \
                                    .replace("{target_type}", target_type) \
-                                   .replace("{schema_fields}", fields_str) \
+                                   .replace("{schema_fields}", fields_str)
-                                   .replace("{schema_hint}", "")
-            sources_hits = []
             
-        else:
-            # --- RAG MODE (FACT, DECISION, EMPATHY, CODING) ---
-            inject_types = strategy.get("inject_types", [])
-            prepend_instr = strategy.get("prepend_instruction", "")
-            edge_boosts = strategy.get("edge_boosts", {})
-
-            query_req = QueryRequest(
-                query=request.message,
-                mode="hybrid",     
-                top_k=request.top_k,
-                explain=request.explain,
-                boost_edges=edge_boosts
-            )
-            retrieve_result = await retriever.search(query_req)
-            hits = retrieve_result.results
-            
-            if inject_types:
-                strategy_req = QueryRequest(
-                    query=request.message,
-                    mode="hybrid",
-                    top_k=3,
-                    filters={"type": inject_types},
-                    explain=False,
-                    boost_edges=edge_boosts
-                )
-                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)
-
-            context_str = _build_enriched_context(hits) if hits else "Keine relevanten Notizen gefunden."
-            
-            # --- STABILITY FIX: OLLAMA CONTEXT THROTTLE ---
-            # Begrenzt den Text, um den "decode: cannot decode batches" Fehler zu vermeiden.
-            # MAX_OLLAMA_CHARS = 10000 
-
-            settings = get_settings() # Falls noch nicht im Scope vorhanden
-            max_chars = getattr(settings, "MAX_OLLAMA_CHARS", 10000)
-            if preferred_provider == "ollama" and len(context_str) > max_chars:
-                logger.warning(f"⚠️ [{query_id}] Context zu groß für Ollama ({len(context_str)} chars). Kürze auf {max_chars}.")
-                context_str = context_str[:max_chars] + "\n[...gekürzt zur Stabilität...]"
-
-            template = llm.get_prompt(prompt_key) or "{context_str}\n\n{query}"
-            
-            if prepend_instr:
-                 context_str = f"{prepend_instr}\n\n{context_str}"
-
-            final_prompt = template.replace("{context_str}", context_str).replace("{query}", request.message)
-            sources_hits = hits
-        
-        # --- DEBUG SPOT 1: PROMPT CONSTRUCTION ---
-        logger.info(f"[{query_id}] PROMPT CONSTRUCTION COMPLETE. Length: {len(final_prompt)} chars.")
-        if not final_prompt.strip():
-            logger.error(f"[{query_id}] CRITICAL: Final prompt is empty before sending to LLM!")
-
-        # --- GENERATION WITH NO-RETRY & DEEP FALLBACK ---
-        system_prompt = llm.get_prompt("system_prompt")
-        
-        # --- DEBUG SPOT 2: PRIMARY CALL ---
-        logger.info(f"[{query_id}] PRIMARY CALL: Sending request to provider '{preferred_provider}' (No Retries)...")
-        
-        answer_text = ""
-        try:
-            # FIX: max_retries=0 verhindert Hänger durch Retry-Kaskaden im Chat
             answer_text = await llm.generate_raw_response(
-                prompt=final_prompt, 
+                final_prompt, system=llm.get_prompt("system_prompt"), 
-                system=system_prompt,
+                priority="realtime", provider=strategy.get("preferred_provider"), max_retries=0
-                priority="realtime",
-                provider=preferred_provider,
-                max_retries=0
             )
-        except Exception as e:
+            sources_hits = []
-            logger.error(f"🛑 [{query_id}] Primary Provider '{preferred_provider}' failed: {e}")
 
-        # DEEP FALLBACK: Wenn die Antwort leer ist (Silent Refusal) oder der Primary abgestürzt ist
+        # 3. RAG MODE (WP-25 Multi-Stream)
-        if not answer_text.strip() and preferred_provider != "ollama":
+        else:
-            # --- DEBUG SPOT 3: FALLBACK TRIGGER ---
+            stream_keys = strategy.get("use_streams", [])
-            logger.warning(f"🛑 [{query_id}] PRIMARY '{preferred_provider}' returned EMPTY or FAILED. Triggering Deep Fallback to Ollama...")
+            library = engine.config.get("streams_library", {})
             
-            try:
+            tasks = []
-                answer_text = await llm.generate_raw_response(
+            active_streams = []
-                    prompt=final_prompt, 
+            for key in stream_keys:
-                    system=system_prompt,
+                stream_cfg = library.get(key)
-                    priority="realtime",
+                if stream_cfg:
-                    provider="ollama",
+                    active_streams.append(key)
-                    max_retries=0
+                    tasks.append(engine._run_single_stream(key, stream_cfg, request.message))
-                )
+
-            except Exception as e:
+            import asyncio
-                logger.error(f"🛑 [{query_id}] Deep Fallback to Ollama also failed: {e}")
+            responses = await asyncio.gather(*tasks, return_exceptions=True)
-                answer_text = "Entschuldigung, das System ist aktuell überlastet. Bitte versuche es in einem Moment erneut."
+            
+            raw_stream_map = {}
+            formatted_context_map = {}
+            max_chars = getattr(settings, "MAX_OLLAMA_CHARS", 10000)
+            provider = strategy.get("preferred_provider") or settings.MINDNET_LLM_PROVIDER
+
+            for name, res in zip(active_streams, responses):
+                if not isinstance(res, Exception):
+                    raw_stream_map[name] = res
+                    context_text = engine._format_stream_context(res)
+                    
+                    # WP-20 Stability Fix: Throttling
+                    if provider == "ollama" and len(context_text) > max_chars:
+                        context_text = context_text[:max_chars] + "\n[...]"
+                    
+                    formatted_context_map[name] = context_text
+
+            answer_text = await engine._generate_final_answer(
+                intent, strategy, request.message, formatted_context_map
+            )
+            sources_hits = _collect_all_hits(raw_stream_map)
 
         duration_ms = int((time.time() - start_time) * 1000)
-        
+
         # Logging
         try:
             log_search(
-                query_id=query_id,
+                query_id=query_id, query_text=request.message, results=sources_hits,
-                query_text=request.message,
+                mode=f"wp25_{intent.lower()}", metadata={"strategy": intent, "source": intent_source}
-                results=sources_hits,
-                mode="interview" if intent == "INTERVIEW" else "chat_rag",
-                metadata={"intent": intent, "source": intent_source, "provider": preferred_provider}
             )
         except: pass
 
         return ChatResponse(
-            query_id=query_id,
+            query_id=query_id, answer=answer_text, sources=sources_hits,
-            answer=answer_text,
+            latency_ms=duration_ms, intent=intent, intent_source=intent_source
-            sources=sources_hits,
-            latency_ms=duration_ms,
-            intent=intent,
-            intent_source=intent_source
         )
 
     except Exception as e:
-        logger.error(f"Error in chat endpoint: {e}", exc_info=True)
+        logger.error(f"❌ Chat Endpoint Failure: {e}", exc_info=True)
-        # Wir geben eine benutzerfreundliche Meldung zurück, statt nur den Error-Stack
+        raise HTTPException(status_code=500, detail="Fehler bei der Verarbeitung.")
-        raise HTTPException(status_code=500, detail="Das System konnte die Anfrage nicht verarbeiten.")

app/services/llm_service.py

@@ -3,14 +3,14 @@ FILE: app/services/llm_service.py
 DESCRIPTION: Hybrid-Client für Ollama, Google GenAI (Gemini) und OpenRouter.
              Verwaltet provider-spezifische Prompts und Background-Last.
              WP-20: Optimiertes Fallback-Management zum Schutz von Cloud-Quoten.
-             WP-20 Fix: Bulletproof Prompt-Auflösung für format() Aufrufe.
+             WP-22/JSON: Optionales JSON-Schema + strict (für OpenRouter).
-             WP-22/JSON: Optionales JSON-Schema + strict (für OpenRouter structured outputs).
+             WP-25: Integration der DecisionEngine für Agentic Multi-Stream RAG.
-             FIX: Intelligente Rate-Limit Erkennung (429 Handling), v1-API Sync & Timeouts.
+VERSION: 3.4.2 (WP-25: Ingest-Stability Patch)
-VERSION: 3.3.9
 STATUS: Active
 FIX: 
-- Importiert clean_llm_text von app.core.registry zur Vermeidung von Circular Imports.
+- Ingest-Stability: Entfernung des <5-Zeichen Guards (ermöglicht YES/NO Validierungen).
-- Wendet clean_llm_text auf Text-Antworten in generate_raw_response an.
+- OpenRouter-Fix: Sicherung gegen leere 'choices' zur Vermeidung von JSON-Errors.
+- Erhalt der vollständigen v3.3.9 Logik für Rate-Limits, Retries und Background-Tasks.
 """
 import httpx
 import yaml
@@ -29,7 +29,6 @@ from app.core.registry import clean_llm_text
 
 logger = logging.getLogger(__name__)
 
-
 class LLMService:
     # GLOBALER SEMAPHOR für Hintergrund-Last Steuerung (WP-06)
     _background_semaphore = None
@@ -37,6 +36,9 @@ class LLMService:
     def __init__(self):
         self.settings = get_settings()
         self.prompts = self._load_prompts()
+        
+        # WP-25: Lazy Initialization der DecisionEngine zur Vermeidung von Circular Imports
+        self._decision_engine = None
 
         # Initialisiere Semaphore einmalig auf Klassen-Ebene
         if LLMService._background_semaphore is None:
@@ -71,6 +73,14 @@ class LLMService:
             )
             logger.info("🛰️ LLMService: OpenRouter Integration active.")
 
+    @property
+    def decision_engine(self):
+        """Lazy Initialization der Decision Engine (WP-25)."""
+        if self._decision_engine is None:
+            from app.core.retrieval.decision_engine import DecisionEngine
+            self._decision_engine = DecisionEngine()
+        return self._decision_engine
+
     def _load_prompts(self) -> dict:
         """Lädt die Prompt-Konfiguration aus der YAML-Datei."""
         path = Path(self.settings.PROMPTS_PATH)
@@ -87,17 +97,13 @@ class LLMService:
     def get_prompt(self, key: str, provider: str = None) -> str:
         """
         Hole provider-spezifisches Template mit intelligenter Text-Kaskade.
-        HINWEIS: Dies ist nur ein Text-Lookup und verbraucht kein API-Kontingent.
+        Kaskade: Gewählter Provider -> Gemini -> Ollama.
-        Kaskade: Gewählter Provider -> Gemini (Cloud-Stil) -> Ollama (Basis-Stil).
         """
         active_provider = provider or self.settings.MINDNET_LLM_PROVIDER
         data = self.prompts.get(key, "")
 
         if isinstance(data, dict):
-            # Wir versuchen erst den Provider, dann Gemini, dann Ollama
             val = data.get(active_provider, data.get("gemini", data.get("ollama", "")))
-
-            # Falls val durch YAML-Fehler immer noch ein Dict ist, extrahiere ersten String
             if isinstance(val, dict):
                 logger.warning(f"⚠️ [LLMService] Nested dictionary detected for key '{key}'. Using first entry.")
                 val = next(iter(val.values()), "") if val else ""
@@ -120,8 +126,8 @@ class LLMService:
         strict_json_schema: bool = True
     ) -> str:
         """
-        Haupteinstiegspunkt für LLM-Anfragen mit Priorisierung.
+        Haupteinstiegspunkt für LLM-Anfragen. 
-        Wendet die Bereinigung auf Text-Antworten an.
+        WP-25 FIX: Schwellenwert entfernt, um kurze Ingest-Validierungen (YES/NO) zu unterstützen.
         """
         target_provider = provider or self.settings.MINDNET_LLM_PROVIDER
 
@@ -132,14 +138,18 @@ class LLMService:
                     max_retries, base_delay, model_override,
                     json_schema, json_schema_name, strict_json_schema
                 )
-                # WP-14 Fix: Bereinige Text-Antworten vor Rückgabe
+        else:
-                return clean_llm_text(res) if not force_json else res
+            res = await self._dispatch(
+                target_provider, prompt, system, force_json,
+                max_retries, base_delay, model_override,
+                json_schema, json_schema_name, strict_json_schema
+            )
+
+        # WP-25 FIX: Nur noch auf absolut leere Antwort prüfen (ermöglicht YES/NO Antworten).
+        if not res and target_provider != "ollama":
+            logger.warning(f"⚠️ [WP-25] Empty response from {target_provider}. Falling back to OLLAMA.")
+            res = await self._execute_ollama(prompt, system, force_json, max_retries, base_delay)
 
-        res = await self._dispatch(
-            target_provider, prompt, system, force_json,
-            max_retries, base_delay, model_override,
-            json_schema, json_schema_name, strict_json_schema
-        )
         # WP-14 Fix: Bereinige Text-Antworten vor Rückgabe
         return clean_llm_text(res) if not force_json else res
 
@@ -156,12 +166,8 @@ class LLMService:
         json_schema_name: str,
         strict_json_schema: bool
     ) -> str:
-        """
+        """Routet die Anfrage mit intelligenter Rate-Limit Erkennung."""
-        Routet die Anfrage mit intelligenter Rate-Limit Erkennung.
-        Nutzt max_retries um die Rate-Limit Schleife zu begrenzen.
-        """
         rate_limit_attempts = 0
-        # FIX: Wir nutzen max_retries als Limit für Rate-Limit Versuche, wenn explizit klein gewählt (z.B. Chat)
         max_rate_retries = min(max_retries, getattr(self.settings, "LLM_RATE_LIMIT_RETRIES", 3))
         wait_time = getattr(self.settings, "LLM_RATE_LIMIT_WAIT", 60.0)
 
@@ -181,33 +187,24 @@ class LLMService:
                 if provider == "gemini" and self.google_client:
                     return await self._execute_google(prompt, system, force_json, model_override)
 
-                # Default/Fallback zu Ollama
                 return await self._execute_ollama(prompt, system, force_json, max_retries, base_delay)
 
             except Exception as e:
                 err_str = str(e)
-                # Intelligente 429 Erkennung
                 is_rate_limit = any(x in err_str for x in ["429", "RESOURCE_EXHAUSTED", "rate_limited", "Too Many Requests"])
 
                 if is_rate_limit and rate_limit_attempts < max_rate_retries:
                     rate_limit_attempts += 1
-                    logger.warning(
+                    logger.warning(f"⏳ Rate Limit from {provider}. Attempt {rate_limit_attempts}. Waiting {wait_time}s...")
-                        f"⏳ [LLMService] Rate Limit detected from {provider}. "
-                        f"Attempt {rate_limit_attempts}/{max_rate_retries}. Waiting {wait_time}s..."
-                    )
                     await asyncio.sleep(wait_time)
                     continue 
 
-                # Wenn kein Rate-Limit oder Retries erschöpft -> Fallback zu Ollama (falls aktiviert)
                 if self.settings.LLM_FALLBACK_ENABLED and provider != "ollama":
-                    logger.warning(
+                    logger.warning(f"🔄 Provider {provider} failed ({err_str}). Falling back to OLLAMA.")
-                        f"🔄 Provider {provider} failed ({err_str}). Falling back to LOCAL OLLAMA."
-                    )
                     return await self._execute_ollama(prompt, system, force_json, max_retries, base_delay)
                 raise e
 
     async def _execute_google(self, prompt, system, force_json, model_override):
-        """Native Google SDK Integration (Gemini) mit v1 Fix."""
         model = model_override or self.settings.GEMINI_MODEL
         clean_model = model.replace("models/", "")
         
@@ -234,7 +231,7 @@ class LLMService:
         json_schema_name: str = "mindnet_json",
         strict_json_schema: bool = True
     ) -> str:
-        """OpenRouter API Integration (OpenAI-kompatibel)."""
+        """OpenRouter API Integration. WP-25 FIX: Sicherung gegen leere 'choices'."""
         model = model_override or self.settings.OPENROUTER_MODEL
         messages = []
         if system:
@@ -247,9 +244,7 @@ class LLMService:
                 kwargs["response_format"] = {
                     "type": "json_schema",
                     "json_schema": {
-                        "name": json_schema_name,
+                        "name": json_schema_name, "strict": strict_json_schema, "schema": json_schema
-                        "strict": strict_json_schema,
-                        "schema": json_schema
                     }
                 }
             else:
@@ -260,23 +255,23 @@ class LLMService:
             messages=messages,
             **kwargs
         )
-        return response.choices[0].message.content.strip()
+        
+        # WP-25 FIX: Sicherung gegen leere Antwort-Arrays
+        if not response.choices or len(response.choices) == 0:
+            logger.warning(f"🛰️ OpenRouter returned no choices for model {model}")
+            return ""
+            
+        return response.choices[0].message.content.strip() if response.choices[0].message.content else ""
 
     async def _execute_ollama(self, prompt, system, force_json, max_retries, base_delay):
-        """Lokaler Ollama Call mit striktem Retry-Limit."""
         payload = {
             "model": self.settings.LLM_MODEL,
             "prompt": prompt,
             "stream": False,
-            "options": {
+            "options": {"temperature": 0.1 if force_json else 0.7, "num_ctx": 8192}
-                "temperature": 0.1 if force_json else 0.7,
-                "num_ctx": 8192 # Begrenzung für Stabilität (WP-20)
-            }
         }
-        if force_json:
+        if force_json: payload["format"] = "json"
-            payload["format"] = "json"
+        if system: payload["system"] = system
-        if system:
-            payload["system"] = system
 
         attempt = 0
         while True:
@@ -286,32 +281,17 @@ class LLMService:
                 return res.json().get("response", "").strip()
             except Exception as e:
                 attempt += 1
-                # WICHTIG: Wenn max_retries=0 (Chat), bricht dies nach dem 1. Versuch (attempt=1) sofort ab.
                 if attempt > max_retries:
-                    logger.error(f"❌ Ollama request failed after {attempt} attempt(s): {e}")
+                    logger.error(f"❌ Ollama request failed: {e}")
                     raise e
-                
                 wait_time = base_delay * (2 ** (attempt - 1))
-                logger.warning(f"⚠️ Ollama attempt {attempt} failed. Retrying in {wait_time}s...")
                 await asyncio.sleep(wait_time)
 
-    async def generate_rag_response(self, query: str, context_str: str) -> str:
+    async def generate_rag_response(self, query: str, context_str: Optional[str] = None) -> str:
-        """Vollständiges RAG Chat-Interface."""
+        """WP-25: Orchestrierung via DecisionEngine."""
-        provider = self.settings.MINDNET_LLM_PROVIDER
+        logger.info(f"🚀 [WP-25] Chat Query: {query[:50]}...")
-        system_prompt = self.get_prompt("system_prompt", provider)
+        return await self.decision_engine.ask(query)
-        rag_template = self.get_prompt("rag_template", provider)
-
-        final_prompt = rag_template.format(context_str=context_str, query=query)
-
-        # RAG Aufrufe im Chat nutzen nun standardmäßig max_retries=2 (überschreibbar)
-        # Durch den Aufruf von generate_raw_response wird die Bereinigung automatisch angewendet.
-        return await self.generate_raw_response(
-            final_prompt,
-            system=system_prompt,
-            priority="realtime"
-        )
 
     async def close(self):
-        """Schließt die HTTP-Verbindungen."""
         if self.ollama_client:
             await self.ollama_client.aclose()

config/decision_engine.yaml

@@ -1,145 +1,144 @@
 # config/decision_engine.yaml
-# Steuerung der Decision Engine (Intent Recognition & Graph Routing)
+# VERSION: 3.1.6 (WP-25: Multi-Stream Agentic RAG - Final Release)
-# VERSION: 2.6.1 (WP-20: Hybrid LLM & WP-22: Semantic Graph Routing)
 # STATUS: Active
-# DoD: Keine Hardcoded Modelle, volle Integration der strategischen Boosts.
+# DoD: 
+# - Strikte Nutzung der Typen aus types.yaml (v2.7.0).
+# - Fix für Projekt-Klassifizierung via Keyword-Fast-Path (Auflösung Kollision).
+# - 100% Erhalt aller Stream-Parameter und Edge-Boosts.
 
-version: 2.6
+version: 3.1
 
 settings:
   llm_fallback_enabled: true
-  
+  # "auto" nutzt den in MINDNET_LLM_PROVIDER gesetzten Standard.
-  # Strategie für den Router selbst (Welches Modell erkennt den Intent?)
-  # "auto" nutzt den in MINDNET_LLM_PROVIDER gesetzten Standard (z.B. openrouter).
   router_provider: "auto" 
+  # Verweist auf das Template in prompts.yaml
+  router_prompt_key: "intent_router_v1"
 
-  # Few-Shot Prompting für den LLM-Router
+# --- EBENE 1: STREAM-LIBRARY (Bausteine basierend auf types.yaml) ---
-  llm_router_prompt: |
+# Synchronisiert mit types.yaml v2.7.0
-    Du bist der zentrale Intent-Klassifikator für Mindnet, einen digitalen Zwilling.
-    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.
-    - DECISION: Rat, Strategie, Abwägung von Werten, "Soll ich tun X?".
-    - EMPATHY: Gefühle, Reflexion der eigenen Verfassung, Frust, Freude.
-    - CODING: Code-Erstellung, Debugging, technische Dokumentation.
-    - FACT: Reine Wissensabfrage, Definitionen, Suchen von Informationen.
-    
-    BEISPIELE:
-    User: "Wie funktioniert die Qdrant-Vektor-DB?" -> FACT
-    User: "Soll ich mein Startup jetzt verkaufen?" -> DECISION
-    User: "Notiere mir kurz meine Gedanken zum Meeting." -> INTERVIEW
-    User: "Ich fühle mich heute sehr erschöpft." -> EMPATHY
-    User: "Schreibe eine FastAPI-Route für den Ingest." -> CODING
-    
-    NACHRICHT: "{query}"
-    
-    STRATEGIE:
 
-strategies:
+streams_library:
-  # 1. Fakten-Abfrage (Turbo-Modus via OpenRouter / Primary)
+  values_stream:
-  FACT:
+    name: "Identität & Ethik"
-    description: "Reine Wissensabfrage."
+    query_template: "Welche meiner Werte und Prinzipien betreffen: {query}"
-    preferred_provider: "openrouter" 
+    # Nur Typen aus types.yaml
-    trigger_keywords: [] 
+    filter_types: ["value", "principle", "belief", "trait", "boundary", "need", "motivation"]
-    inject_types: []
+    top_k: 5
-    # WP-22: Definitionen & Hierarchien im Graphen bevorzugen
+    edge_boosts:
+      guides: 3.0
+      enforced_by: 2.5
+      based_on: 2.0
+
+  facts_stream:
+    name: "Operative Realität"
+    query_template: "Status, Ressourcen und Fakten zu: {query}"
+    # Nur Typen aus types.yaml
+    filter_types: ["project", "decision", "task", "goal", "event", "state"]
+    top_k: 5
     edge_boosts:
       part_of: 2.0
-      composed_of: 2.0
+      depends_on: 1.5
-      similar_to: 1.5
+      implemented_in: 1.5
-      caused_by: 0.5
-    prompt_template: "rag_template"
-    prepend_instruction: null
 
-  # 2. Entscheidungs-Frage (Power-Strategie via Gemini)
+  biography_stream:
-  DECISION:
+    name: "Persönliche Erfahrung"
-    description: "Der User sucht Rat, Strategie oder Abwägung."
+    query_template: "Welche Erlebnisse habe ich im Kontext von {query} gemacht?"
-    preferred_provider: "gemini" 
+    # Nur Typen aus types.yaml
-    trigger_keywords: 
+    filter_types: ["experience", "journal", "profile", "person"]
-      - "soll ich"
+    top_k: 3
-      - "meinung"
+    edge_boosts:
-      - "besser"
+      related_to: 1.5
-      - "empfehlung"
+      experienced_in: 2.0
-      - "strategie"
+
-      - "entscheidung"
+  risk_stream:
-      - "abwägung"
+    name: "Risiko-Radar"
-      - "vergleich"
+    query_template: "Gefahren, Hindernisse oder Risiken bei: {query}"
-    inject_types: ["value", "principle", "goal", "risk"]
+    # Nur Typen aus types.yaml
-    # WP-22: Risiken und Konsequenzen im Graphen priorisieren
+    filter_types: ["risk", "obstacle", "bias"]
+    top_k: 3
     edge_boosts:
       blocks: 2.5
-      solves: 2.0
-      depends_on: 1.5
-      risk_of: 2.5
       impacts: 2.0
-    prompt_template: "decision_template"
+      risk_of: 2.5
-    prepend_instruction: |
-      !!! ENTSCHEIDUNGS-MODUS (HYBRID AI) !!!
-      BITTE WÄGE FAKTEN GEGEN FOLGENDE WERTE, PRINZIPIEN UND ZIELE AB:
 
-  # 3. Empathie / "Ich"-Modus (Lokal & Privat via Ollama)
+  tech_stream:
-  EMPATHY:
+    name: "Wissen & Technik"
-    description: "Reaktion auf emotionale Zustände."
+    query_template: "Inhaltliche Details und Definitionen zu: {query}"
-    preferred_provider: "openrouter" 
+    # Nur Typen aus types.yaml
-    trigger_keywords:
+    filter_types: ["concept", "source", "glossary", "idea", "insight", "skill", "habit"]
-      - "ich fühle"
+    top_k: 5
-      - "traurig"
-      - "glücklich"
-      - "gestresst"
-      - "angst"
-      - "nervt"
-      - "überfordert"
-      - "müde"
-    inject_types: ["experience", "belief", "profile"]
-    edge_boosts:
-      based_on: 2.0
-      related_to: 2.0
-      experienced_in: 2.5
-      blocks: 0.1
-    prompt_template: "empathy_template"
-    prepend_instruction: null
-
-  # 4. Coding / Technical (Gemini Power)
-  CODING:
-    description: "Technische Anfragen und Programmierung."
-    preferred_provider: "gemini" 
-    trigger_keywords:
-      - "code"
-      - "python"
-      - "script"
-      - "funktion"
-      - "bug"
-      - "syntax"
-      - "json"
-      - "yaml"
-      - "bash"
-    inject_types: ["snippet", "reference", "source"]
-    # WP-22: Technische Abhängigkeiten priorisieren
     edge_boosts:
       uses: 2.5
-      depends_on: 2.0
       implemented_in: 3.0
-    prompt_template: "technical_template"
-    prepend_instruction: null
 
-  # 5. Interview / Datenerfassung (Lokal)
+# --- EBENE 2: STRATEGIEN (Komposition & Routing) ---
+# Orchestriert das Zusammenspiel der Streams basierend auf dem Intent.
+
+strategies:
+  # Spezialisierte Fact-Strategie für zeitliche Fragen
+  FACT_WHEN:
+    description: "Abfrage von exakten Zeitpunkten und Terminen."
+    preferred_provider: "openrouter"
+    # FAST PATH: Harte Keywords für zeitliche Fragen
+    trigger_keywords: ["wann", "datum", "uhrzeit", "zeitpunkt"]
+    use_streams:
+      - "facts_stream"
+      - "biography_stream"
+      - "tech_stream"
+    prompt_template: "fact_synthesis_v1"
+
+  # Spezialisierte Fact-Strategie für inhaltliche Fragen & Listen
+  FACT_WHAT:
+    description: "Abfrage von Definitionen, Listen und Inhalten."
+    preferred_provider: "openrouter"
+    # FIX v3.1.6: "projekt" entfernt, um Kollision mit DECISION ("Soll ich Projekt...") zu vermeiden.
+    trigger_keywords: ["was ist", "welche sind", "liste", "übersicht", "zusammenfassung"]
+    use_streams:
+      - "facts_stream"
+      - "tech_stream"
+      - "biography_stream"
+    prompt_template: "fact_synthesis_v1"
+
+  # Entscheidungs-Frage
+  DECISION:
+    description: "Der User sucht Rat, Strategie oder Abwägung."
+    preferred_provider: "gemini"
+    # FIX v3.1.6: Trigger erweitert, um "Soll ich... Projekt..." sicher zu fangen.
+    trigger_keywords: ["soll ich", "sollte ich", "entscheidung", "abwägen", "priorität", "empfehlung"]
+    use_streams:
+      - "values_stream"
+      - "facts_stream"
+      - "risk_stream"
+    prompt_template: "decision_synthesis_v1"
+    prepend_instruction: |
+      !!! ENTSCHEIDUNGS-MODUS (AGENTIC MULTI-STREAM) !!!
+      Analysiere die Fakten vor dem Hintergrund meiner Werte und evaluiere die Risiken.
+      Wäge ab, ob das Vorhaben mit meiner langfristigen Identität kompatibel ist.
+
+  # Emotionale Reflexion
+  EMPATHY:
+    description: "Reaktion auf emotionale Zustände."
+    preferred_provider: "openrouter"
+    trigger_keywords: ["fühle", "traurig", "glücklich", "stress", "angst"]
+    use_streams:
+      - "biography_stream"
+      - "values_stream"
+    prompt_template: "empathy_template"
+
+  # Technischer Support
+  CODING:
+    description: "Technische Anfragen und Programmierung."
+    preferred_provider: "gemini"
+    trigger_keywords: ["code", "python", "script", "bug", "syntax"]
+    use_streams:
+      - "tech_stream"
+      - "facts_stream"
+    prompt_template: "technical_template"
+
+  # Eingabe-Modus (WP-07)
   INTERVIEW:
-    description: "Der User möchte Wissen erfassen."
+    description: "Der User möchte Wissen erfassen (Eingabemodus)."
-    preferred_provider: "openrouter" 
+    preferred_provider: "openrouter"
-    trigger_keywords:
+    use_streams: [] 
-      - "neue notiz"
+    prompt_template: "interview_template"
-      - "etwas notieren"
-      - "festhalten"
-      - "erstellen"
-      - "dokumentieren"
-      - "anlegen"
-      - "interview"
-      - "erfassen"
-      - "idee speichern"
-      - "draft"
-    inject_types: [] 
-    edge_boosts: {}
-    prompt_template: "interview_template"
-    prepend_instruction: null

config/prompts.yaml

@@ -1,8 +1,9 @@
-# config/prompts.yaml — Final V2.6.0 (WP-15b Candidate-Validation)
+# config/prompts.yaml — VERSION 3.1.2 (WP-25 Cleanup: Multi-Stream Sync)
-# WP-20: Optimierte Cloud-Templates zur Unterdrückung von Modell-Geschwätz.
+# STATUS: Active
-# FIX: Explizite Verbote für Einleitungstexte zur Vermeidung von JSON-Parsing-Fehlern.
+# FIX: 
-# WP-15b: Integration der binären edge_validation für den Two-Pass Workflow.
+# - 100% Wiederherstellung der Ingest- & Validierungslogik (Sektion 5-8).
-# OLLAMA: UNVERÄNDERT laut Benutzeranweisung.
+# - Überführung der Kategorien 1-4 in die Multi-Stream Struktur unter Beibehaltung des Inhalts.
+# - Konsolidierung: Sektion 9 (v3.0.0) wurde in Sektion 1 & 2 integriert (keine Redundanz).
 
 system_prompt: |
   Du bist 'mindnet', mein digitaler Zwilling und strategischer Partner.
@@ -17,39 +18,57 @@ system_prompt: |
   3. Antworte auf Deutsch (außer bei Code/Fachbegriffen).
 
 # ---------------------------------------------------------
-# 1. STANDARD: Fakten & Wissen (Intent: FACT)
+# 1. STANDARD: Fakten & Wissen (Intent: FACT_WHAT / FACT_WHEN)
 # ---------------------------------------------------------
-rag_template:
+# Ersetzt das alte 'rag_template'. Nutzt jetzt parallele Streams.
+fact_synthesis_v1:
   ollama: |
-    QUELLEN (WISSEN):
+    WISSENS-STREAMS:
     =========================================
-    {context_str}
+    FAKTEN & STATUS:
+    {facts_stream}
+    
+    ERFAHRUNG & BIOGRAFIE:
+    {biography_stream}
+    
+    WISSEN & TECHNIK:
+    {tech_stream}
     =========================================
 
     FRAGE:
     {query}
 
     ANWEISUNG:
-    Beantworte die Frage präzise basierend auf den Quellen.
+    Beantworte die Frage präzise basierend auf den Quellen. 
+    Kombiniere harte Fakten mit persönlichen Erfahrungen, falls vorhanden.
     Fasse die Informationen zusammen. Sei objektiv und neutral.
   gemini: |
-    Kontext meines digitalen Zwillings: {context_str}
+    Beantworte die Wissensabfrage "{query}" basierend auf diesen Streams:
-    Beantworte strukturiert und präzise: {query}
+    FAKTEN: {facts_stream}
+    BIOGRAFIE/ERFAHRUNG: {biography_stream}
+    TECHNIK: {tech_stream}
+    Kombiniere harte Fakten mit persönlichen Erfahrungen, falls vorhanden. Antworte strukturiert und präzise.
   openrouter: |
-    Kontext-Analyse für den digitalen Zwilling:
+    Synthese der Wissens-Streams für: {query}
-    {context_str}
+    Inhalt: {facts_stream} | {biography_stream} | {tech_stream}
-    
+    Antworte basierend auf dem bereitgestellten Kontext.
-    Anfrage: {query}
-    Antworte basierend auf dem Kontext.
 
 # ---------------------------------------------------------
 # 2. DECISION: Strategie & Abwägung (Intent: DECISION)
 # ---------------------------------------------------------
-decision_template:
+# Ersetzt das alte 'decision_template'. Nutzt jetzt parallele Streams.
+decision_synthesis_v1:
   ollama: |
-    KONTEXT (FAKTEN & STRATEGIE):
+    ENTSCHEIDUNGS-STREAMS:
     =========================================
-    {context_str}
+    WERTE & PRINZIPIEN (Identität):
+    {values_stream}
+    
+    OPERATIVE FAKTEN (Realität):
+    {facts_stream}
+    
+    RISIKO-RADAR (Konsequenzen):
+    {risk_stream}
     =========================================
 
     ENTSCHEIDUNGSFRAGE:
@@ -58,7 +77,7 @@ decision_template:
     ANWEISUNG:
     Du agierst als mein Entscheidungs-Partner.
     1. Analysiere die Faktenlage aus den Quellen.
-    2. Prüfe dies hart gegen meine strategischen Notizen (Typ [VALUE], [PRINCIPLE], [GOAL]).
+    2. Prüfe dies hart gegen meine strategischen Notizen (Werte & Prinzipien).
     3. Wäge ab: Passt die technische/faktische Lösung zu meinen Werten?
     
     FORMAT:
@@ -66,19 +85,26 @@ decision_template:
     - **Abgleich:** (Gibt es Konflikte mit Werten/Zielen? Nenne die Quelle!)
     - **Empfehlung:** (Klare Meinung: Ja/No/Vielleicht mit Begründung)
   gemini: |
-    Agiere als strategischer Partner. Analysiere die Frage {query} basierend auf meinen Werten im Kontext {context_str}.
+    Agiere als mein strategischer Partner. Analysiere die Frage: {query}
+    Werte: {values_stream} | Fakten: {facts_stream} | Risiken: {risk_stream}.
+    Wäge ab und gib eine klare strategische Empfehlung ab.
   openrouter: |
-    Strategische Entscheidungsanalyse: {query}
+    Strategische Multi-Stream Analyse für: {query}
-    Wertebasis aus dem Graphen: {context_str}
+    Werte-Basis: {values_stream} | Fakten: {facts_stream} | Risiken: {risk_stream}
+    Bitte wäge ab und gib eine Empfehlung.
 
 # ---------------------------------------------------------
 # 3. EMPATHY: Der Spiegel / "Ich"-Modus (Intent: EMPATHY)
 # ---------------------------------------------------------
 empathy_template:
   ollama: |
-    KONTEXT (ERFAHRUNGEN & GLAUBENSSÄTZE):
+    KONTEXT (ERFAHRUNGEN & WERTE):
     =========================================
-    {context_str}
+    ERLEBNISSE & BIOGRAFIE:
+    {biography_stream}
+    
+    WERTE & BEDÜRFNISSE:
+    {values_stream}
     =========================================
 
     SITUATION:
@@ -87,22 +113,26 @@ empathy_template:
     ANWEISUNG:
     Du agierst jetzt als mein empathischer Spiegel.
     1. Versuche nicht sofort, das Problem technisch zu lösen.
-    2. Zeige Verständnis für die Situation basierend auf meinen eigenen Erfahrungen ([EXPERIENCE]) oder Glaubenssätzen ([BELIEF]), falls im Kontext vorhanden.
+    2. Zeige Verständnis für die Situation basierend auf meinen eigenen Erfahrungen ([EXPERIENCE]) oder Werten, falls im Kontext vorhanden.
     3. Antworte in der "Ich"-Form oder "Wir"-Form. Sei unterstützend.
     
     TONFALL:
     Ruhig, verständnisvoll, reflektiert. Keine Aufzählungszeichen, sondern fließender Text.
-  gemini: "Sei mein digitaler Spiegel für {query}. Kontext: {context_str}"
+  gemini: "Sei mein digitaler Spiegel für {query}. Kontext: {biography_stream}, {values_stream}"
-  openrouter: "Empathische Reflexion der Situation {query}. Persönlicher Kontext: {context_str}"
+  openrouter: "Empathische Reflexion der Situation {query}. Persönlicher Kontext: {biography_stream}, {values_stream}"
 
 # ---------------------------------------------------------
 # 4. TECHNICAL: Der Coder (Intent: CODING)
 # ---------------------------------------------------------
 technical_template:
   ollama: |
-    KONTEXT (DOCS & SNIPPETS):
+    KONTEXT (WISSEN & PROJEKTE):
     =========================================
-    {context_str}
+    TECHNIK & SNIPPETS:
+    {tech_stream}
+    
+    PROJEKT-STATUS:
+    {facts_stream}
     =========================================
 
     TASK:
@@ -118,11 +148,11 @@ technical_template:
     - Kurze Erklärung des Ansatzes.
     - Markdown Code-Block (Copy-Paste fertig).
     - Wichtige Edge-Cases.
-  gemini: "Generiere Code für {query} unter Berücksichtigung von {context_str}."
+  gemini: "Generiere Code für {query} unter Berücksichtigung von {tech_stream} und {facts_stream}."
-  openrouter: "Technischer Support für {query}. Code-Referenzen: {context_str}"
+  openrouter: "Technischer Support für {query}. Referenzen: {tech_stream}, Projekt-Kontext: {facts_stream}"
 
 # ---------------------------------------------------------
-# 5. INTERVIEW: Der "One-Shot Extractor" (Performance Mode)
+# 5. INTERVIEW: Der "One-Shot Extractor" (WP-07)
 # ---------------------------------------------------------
 interview_template:
   ollama: |
@@ -160,7 +190,7 @@ interview_template:
   openrouter: "Strukturiere den Input {query} nach dem Schema {schema_fields} für Typ {target_type}."
 
 # ---------------------------------------------------------
-# 6. EDGE_ALLOCATION: Kantenfilter (Intent: OFFLINE_FILTER)
+# 6. EDGE_ALLOCATION: Kantenfilter (Ingest)
 # ---------------------------------------------------------
 edge_allocation_template:
   ollama: |
@@ -200,7 +230,7 @@ edge_allocation_template:
     OUTPUT:
 
 # ---------------------------------------------------------
-# 7. SMART EDGE ALLOCATION: Extraktion (Intent: INGEST)
+# 7. SMART EDGE ALLOCATION: Extraktion (Ingest)
 # ---------------------------------------------------------
 edge_extraction:
   ollama: |
@@ -240,7 +270,7 @@ edge_extraction:
     OUTPUT:
 
 # ---------------------------------------------------------
-# 8. WP-15b: EDGE VALIDATION (Intent: VALIDATE)
+# 8. WP-15b: EDGE VALIDATION (Ingest/Validate)
 # ---------------------------------------------------------
 edge_validation:
   gemini: |
@@ -270,4 +300,38 @@ edge_validation:
     QUELLE: {chunk_text}
     ZIEL: {target_title} ({target_summary})
     BEZIEHUNG: {edge_kind}
-    Ist diese Verbindung valide? Antworte NUR mit YES oder NO.
+    Ist diese Verbindung valide? Antworte NUR mit YES oder NO.
+
+# ---------------------------------------------------------
+# 10. WP-25: INTENT ROUTING (Intent: CLASSIFY)
+# ---------------------------------------------------------
+intent_router_v1:
+  ollama: |
+    Analysiere die Nutzeranfrage und wähle die passende Strategie.
+    Antworte NUR mit dem Namen der Strategie.
+    
+    STRATEGIEN:
+    - FACT_WHEN: Nur für explizite Fragen nach einem exakten Datum, Uhrzeit oder dem "Wann" eines Ereignisses.
+    - FACT_WHAT: Fragen nach Inhalten, Listen von Objekten/Projekten, Definitionen oder "Was/Welche" Anfragen (auch bei Zeiträumen).
+    - DECISION: Rat, Meinung, "Soll ich?", Abwägung gegen Werte.
+    - EMPATHY: Emotionen, Reflexion, Befindlichkeit.
+    - CODING: Programmierung, Skripte, technische Syntax.
+    - INTERVIEW: Dokumentation neuer Informationen, Notizen anlegen.
+    
+    NACHRICHT: "{query}"
+    STRATEGIE:
+  gemini: |
+    Classify intent: 
+    - FACT_WHEN: Exact dates/times only. 
+    - FACT_WHAT: Content, lists of entities (projects, etc.), definitions, "What/Which" queries.
+    - DECISION: Strategic advice/values.
+    - EMPATHY: Emotions.
+    - CODING: Tech/Code.
+    - INTERVIEW: Data entry.
+    Query: "{query}"
+    Result (One word only):
+  openrouter: |
+    Select strategy for Mindnet: 
+    FACT_WHEN (timing/dates), FACT_WHAT (entities/lists/what/which), DECISION, EMPATHY, CODING, INTERVIEW.
+    Query: "{query}"
+    Response:

docs/00_General/00_documentation_map.md

@@ -151,8 +151,8 @@ Damit dieses System wartbar bleibt (auch für KI-Agenten wie NotebookLM), gelten
 
 ## 6. Dokumentations-Status
 
-**Aktuelle Version:** 2.9.1  
+**Aktuelle Version:** 2.9.3  
-**Letzte Aktualisierung:** 2025-01-XX  
+**Letzte Aktualisierung:** 2025-12-31  
 **Status:** ✅ Vollständig und aktiv gepflegt
 
 **Hinweis:** Diese Dokumentation wird kontinuierlich aktualisiert. Bei Fragen oder Verbesserungsvorschlägen bitte im Repository melden.

docs/00_General/00_glossary.md

@@ -2,8 +2,8 @@
 doc_type: glossary
 audience: all
 status: active
-version: 2.9.1
+version: 2.9.3
-context: "Zentrales Glossar für Mindnet v2.8. Enthält Definitionen zu Hybrid-Cloud Resilienz, WP-14 Modularisierung, WP-15b Two-Pass Ingestion und Mistral-safe Parsing."
+context: "Zentrales Glossar für Mindnet v2.9.3. Enthält Definitionen zu Hybrid-Cloud Resilienz, WP-14 Modularisierung, WP-15b Two-Pass Ingestion, WP-15c Multigraph-Support, WP-25 Agentic Multi-Stream RAG und Mistral-safe Parsing."
 ---
 
 # Mindnet Glossar
@@ -23,7 +23,11 @@ context: "Zentrales Glossar für Mindnet v2.8. Enthält Definitionen zu Hybrid-C
 * **Edge Registry:** Der zentrale Dienst (SSOT), der Kanten-Typen validiert und Aliase in kanonische Typen auflöst. Nutzt `01_edge_vocabulary.md` als Basis.
 * **LLM Service:** Der Hybrid-Client (v3.3.6), der Anfragen zwischen OpenRouter, Google Gemini und lokalem Ollama routet. Verwaltet Cloud-Timeouts und Quoten-Management. Nutzt zur Text-Bereinigung nun die neutrale `registry.py`, um Circular Imports zu vermeiden.
 * **Retriever:** Besteht in v2.7+ aus der Orchestrierung (`retriever.py`) und der mathematischen Scoring-Engine (`retriever_scoring.py`). Seit WP-14 im Paket `app.core.retrieval` gekapselt.
-* **Decision Engine:** Teil des Routers, der Intents erkennt und entsprechende **Boost-Faktoren** für das Retrieval injiziert.
+* **Decision Engine (WP-25):** Der zentrale **Agentic Orchestrator**, der Intents erkennt, parallele Wissens-Streams orchestriert und die Ergebnisse synthetisiert. Implementiert Multi-Stream Retrieval und Intent-basiertes Routing.
+* **Agentic Multi-Stream RAG (WP-25):** Architektur-Paradigma, bei dem Nutzeranfragen in parallele, spezialisierte Wissens-Streams aufgeteilt werden (Values, Facts, Biography, Risk, Tech), die gleichzeitig abgefragt und zu einer kontextreichen Antwort synthetisiert werden.
+* **Stream-Tracing (WP-25):** Kennzeichnung jedes Treffers mit seinem Ursprungs-Stream (`stream_origin`), um Feedback-Optimierung pro Wissensbereich zu ermöglichen.
+* **Intent-basiertes Routing (WP-25):** Hybrid-Modus zur Intent-Erkennung mit Keyword Fast-Path (sofortige Erkennung von Triggern) und LLM Slow-Path (semantische Analyse für unklare Anfragen).
+* **Wissens-Synthese (WP-25):** Template-basierte Zusammenführung der Ergebnisse aus parallelen Streams mit expliziten Stream-Variablen (z.B. `{values_stream}`, `{risk_stream}`), um dem LLM eine differenzierte Abwägung zu ermöglichen.
 * **Traffic Control:** Verwaltet Prioritäten und drosselt Hintergrund-Tasks (z.B. Smart Edges) mittels Semaphoren und Timeouts (45s) zur Vermeidung von System-Hangs.
 * **Unknown Edges Log:** Die Datei `unknown_edges.jsonl`, in der das System Kanten-Typen protokolliert, die nicht im Dictionary gefunden wurden.
 * **Database Package (WP-14):** Zentralisiertes Infrastruktur-Paket (`app.core.database`), das den Qdrant-Client (`qdrant.py`) und das Point-Mapping (`qdrant_points.py`) verwaltet.

docs/01_User_Manual/01_chat_usage_guide.md

@@ -3,8 +3,8 @@ doc_type: user_manual
 audience: user, mindmaster
 scope: chat, ui, feedback, graph
 status: active
-version: 2.6
+version: 2.9.3
-context: "Anleitung zur Nutzung der Web-Oberfläche, der Chat-Personas und des Graph Explorers."
+context: "Anleitung zur Nutzung der Web-Oberfläche, der Chat-Personas, Multi-Stream RAG und des Graph Explorers."
 ---
 
 # Chat & Graph Usage Guide
@@ -60,21 +60,49 @@ Ein Editor mit **"File System First"** Garantie.
 
 ---
 
-## 3. Den Chat steuern (Intents)
+## 3. Den Chat steuern (Intents & Multi-Stream RAG)
 
-Du steuerst die Persönlichkeit von Mindnet durch deine Wortwahl. Der **Hybrid Router v5** unterscheidet intelligent:
+Du steuerst die Persönlichkeit von Mindnet durch deine Wortwahl. Seit WP-25 nutzt Mindnet **Agentic Multi-Stream RAG**, das deine Anfrage in parallele Wissens-Streams aufteilt:
 
-### 3.1 Frage-Modus (Wissen abrufen)
+### 3.1 Intent-Erkennung (Hybrid-Router)
-Ausgelöst durch `?` oder W-Wörter.
+
+Der Router erkennt deine Absicht auf zwei Wegen:
+
+**Schnelle Erkennung (Keyword Fast-Path):**
+* **"Soll ich..."** → Sofortige Erkennung als `DECISION` (Berater)
+* **"Wann..."** → Sofortige Erkennung als `FACT_WHEN` (Zeitpunkte)
+* **"Was ist..."** → Sofortige Erkennung als `FACT_WHAT` (Wissen)
+* **"Ich fühle..."** → Sofortige Erkennung als `EMPATHY` (Spiegel)
+
+**Intelligente Analyse (LLM Slow-Path):**
+* Bei unklaren Anfragen analysiert die KI semantisch deine Absicht
+
+### 3.2 Multi-Stream Retrieval (WP-25)
+
+Anstelle einer einzelnen Suche führt Mindnet nun **parallele Abfragen** in spezialisierten Wissens-Streams aus:
+
+**Die Streams:**
+* **Values Stream:** Deine Identität, Ethik und Prinzipien (`value`, `principle`, `belief`)
+* **Facts Stream:** Operative Daten zu Projekten, Tasks und Status (`project`, `decision`, `task`)
+* **Biography Stream:** Persönliche Erfahrungen und Journal-Einträge (`experience`, `journal`)
+* **Risk Stream:** Hindernisse und potenzielle Gefahren (`risk`, `obstacle`)
+* **Tech Stream:** Technisches Wissen, Code und Dokumentation (`concept`, `source`, `glossary`)
+
+**Vorteil:** Jeder Stream fokussiert auf spezifische Wissensbereiche, was zu präziseren und kontextreicheren Antworten führt.
+
+### 3.3 Frage-Modi (Strategien)
 
 * **Entscheidung ("Soll ich?"):** Der **Berater**.
-    * Mindnet lädt deine Werte (`type: value`) und Ziele (`type: goal`).
+    * Nutzt: Values Stream, Facts Stream, Risk Stream
+    * Wägt Fakten gegen deine Werte ab und evaluiert Risiken
     * *Beispiel:* "Soll ich Tool X nutzen?" -> "Nein, Tool X speichert Daten in den USA. Das verstößt gegen dein Prinzip 'Privacy First'."
 * **Empathie ("Ich fühle..."):** Der **Spiegel**.
-    * Mindnet lädt deine Erfahrungen (`type: experience`).
+    * Nutzt: Biography Stream, Values Stream
+    * Greift auf deine Erfahrungen und Werte zurück
     * *Beispiel:* "Ich bin frustriert." -> "Das erinnert mich an Projekt Y, da ging es uns ähnlich..."
-* **Fakten ("Was ist?"):** Der **Bibliothekar**.
+* **Fakten ("Was ist?", "Wann..."):** Der **Bibliothekar**.
-    * Liefert präzise Definitionen.
+    * Nutzt: Facts Stream, Tech Stream, Biography Stream
+    * Liefert präzise Definitionen und zeitliche Informationen
 
 ### 3.2 Befehls-Modus (Interview)
 Ausgelöst durch Aussagen wie "Neues Projekt", "Ich will festhalten".
@@ -84,13 +112,17 @@ Ausgelöst durch Aussagen wie "Neues Projekt", "Ich will festhalten".
 
 ---
 
-## 4. Ergebnisse interpretieren (Explanation Layer)
+## 4. Ergebnisse interpretieren (Explanation Layer & Stream-Tracing)
 
 Mindnet liefert eine **Begründung** ("Reasons"), warum es etwas gefunden hat.
 Öffne eine Quellen-Karte, um zu sehen:
 * *"Hohe textuelle Übereinstimmung."* (Semantik)
 * *"Bevorzugt aufgrund des Typs 'decision'."* (Wichtigkeit)
 * *"Verweist auf 'Projekt X' via 'depends_on'."* (Graph-Kontext)
+* *"Quelle: Values Stream"* (Stream-Tracing - WP-25)
+
+**Stream-Tracing (WP-25):**
+Jede Quelle wird mit ihrem Ursprungs-Stream markiert (z.B. "Values Stream", "Facts Stream"). Dies hilft dir zu verstehen, aus welchem Wissensbereich die Information stammt.
 
 ---
 

docs/02_concepts/02_concept_ai_personality.md

@@ -1,10 +1,10 @@
 ---
 doc_type: concept
 audience: architect, product_owner
-scope: ai, router, personas, resilience
+scope: ai, router, personas, resilience, agentic_rag
 status: active
-version: 2.8.1
+version: 2.9.3
-context: "Fachkonzept der hybriden KI-Persönlichkeit, der Provider-Kaskade und der kognitiven Resilienz (Deep Fallback)."
+context: "Fachkonzept der hybriden KI-Persönlichkeit, Agentic Multi-Stream RAG, Provider-Kaskade und kognitiven Resilienz (Deep Fallback)."
 ---
 
 # Konzept: KI-Persönlichkeit & Router
@@ -13,13 +13,45 @@ context: "Fachkonzept der hybriden KI-Persönlichkeit, der Provider-Kaskade und
 
 Mindnet soll nicht wie eine Suchmaschine wirken, sondern wie ein **Digitaler Zwilling**. Dazu muss das System erkennen, **was** der Nutzer will, und seine „Persönlichkeit“ sowie seine technische Infrastruktur dynamisch anpassen.
 
-## 1. Der Hybrid Router (Das Gehirn)
+## 1. Der Hybrid Router & Agentic Multi-Stream RAG (Das Gehirn)
 
-Jede Eingabe durchläuft den **Hybrid Router**. Er entscheidet über die fachliche Strategie und die technische Ausführung.
+Jede Eingabe durchläuft den **Hybrid Router**. Seit WP-25 agiert das System als **Agentic Orchestrator**, der Nutzeranfragen analysiert, in parallele Wissens-Streams aufteilt und diese zu einer kontextreichen, wertebasierten Antwort synthetisiert.
 
-### Modus A: RAG (Retrieval Augmented Generation)
+### Intent-basiertes Routing (WP-25)
-* **Intent:** Der Nutzer hat eine Frage oder ein Problem (`FACT`, `DECISION`, `EMPATHY`).
+
-* **Aktion:** Das System sucht im Gedächtnis und generiert eine Antwort.
+Der Router nutzt einen **Hybrid-Modus** mit Keyword Fast-Path und LLM Slow-Path:
+
+**Keyword Fast-Path:**
+* Sofortige Erkennung von Triggern wie "Soll ich", "Wann", "Was ist"
+* Reduziert Latenz durch schnelle Keyword-Erkennung ohne LLM-Call
+
+**LLM Slow-Path:**
+* Komplexe semantische Analyse für unklare Anfragen
+* Nutzt `intent_router_v1` Prompt zur Klassifizierung
+
+**Strategien:**
+* **FACT_WHAT/FACT_WHEN:** Wissensabfrage (Wissen/Listen, Zeitpunkte)
+* **DECISION:** Beratung (Rat, Strategie, Abwägung)
+* **EMPATHY:** Reflexion (Emotionale Resonanz)
+* **CODING:** Technik (Programmierung, Syntax)
+* **INTERVIEW:** Datenerfassung (Wissen speichern)
+
+### Modus A: Agentic Multi-Stream RAG (WP-25)
+
+Anstelle einer einzelnen Suche führt das System **parallele Abfragen** in spezialisierten Wissens-Streams aus:
+
+**Stream-Library:**
+* **Values Stream:** Identität, Ethik und Prinzipien (`value`, `principle`, `belief`, `trait`, `boundary`, `need`, `motivation`)
+* **Facts Stream:** Operative Daten (`project`, `decision`, `task`, `goal`, `event`, `state`)
+* **Biography Stream:** Persönliche Erfahrungen (`experience`, `journal`, `profile`, `person`)
+* **Risk Stream:** Hindernisse und Gefahren (`risk`, `obstacle`, `bias`)
+* **Tech Stream:** Technisches Wissen (`concept`, `source`, `glossary`, `idea`, `insight`, `skill`, `habit`)
+
+**Wissens-Synthese:**
+Die Zusammenführung erfolgt über spezialisierte Templates mit expliziten Stream-Variablen (z.B. `{values_stream}`, `{risk_stream}`). Dies ermöglicht dem LLM eine differenzierte Abwägung zwischen Fakten und persönlichen Werten.
+
+**Stream-Tracing:**
+Jeder Treffer wird mit `stream_origin` markiert, um Feedback-Optimierung pro Wissensbereich zu ermöglichen.
 
 ### Modus B: Interview (Knowledge Capture)
 * **Intent:** Der Nutzer will Wissen speichern (`INTERVIEW`).
@@ -45,18 +77,22 @@ Ein intelligenter Zwilling muss jederzeit verfügbar sein. Mindnet v2.8.1 nutzt
 Mindnet wechselt den Hut, je nach Situation.
 
 ### 3.1 Der Berater (Strategy: DECISION)
-* **Auslöser:** Fragen wie „Soll ich...?“, „Was ist besser?“.
+* **Auslöser:** Fragen wie „Soll ich...?", „Was ist besser?", „Empfehlung...".
-* **Strategic Retrieval:** Lädt aktiv Notizen der Typen `value` (Werte), `goal` (Ziele) und `risk` (Risiken), auch wenn sie im Text nicht direkt vorkommen.
+* **Multi-Stream Retrieval (WP-25):** Führt parallele Abfragen in Values Stream, Facts Stream und Risk Stream aus.
-* **Reasoning:** *„Wäge die Fakten gegen meine Werte ab. Sei strikt bei Risiken.“*
+* **Wissens-Synthese:** Wägt Fakten gegen Werte ab, evaluiert Risiken und prüft Kompatibilität mit langfristiger Identität.
+* **Reasoning:** *„Wäge die Fakten gegen meine Werte ab. Sei strikt bei Risiken."*
 
 ### 3.2 Der Spiegel (Strategy: EMPATHY)
-* **Auslöser:** Emotionale Aussagen („Ich bin frustriert“).
+* **Auslöser:** Emotionale Aussagen („Ich bin frustriert", „Ich fühle...", „Stress...").
-* **Strategic Retrieval:** Lädt `experience` (Erfahrungen) und `belief` (Glaubenssätze).
+* **Multi-Stream Retrieval (WP-25):** Führt parallele Abfragen in Biography Stream und Values Stream aus.
-* **Reasoning:** *„Nutze meine eigenen Erfahrungen, um die Situation einzuordnen.“*
+* **Wissens-Synthese:** Greift auf persönliche Erfahrungen und Werte zurück, um emotionale Resonanz zu schaffen.
+* **Reasoning:** *„Nutze meine eigenen Erfahrungen, um die Situation einzuordnen."*
 
-### 3.3 Der Bibliothekar (Strategy: FACT)
+### 3.3 Der Bibliothekar (Strategy: FACT_WHAT / FACT_WHEN)
-* **Auslöser:** Sachfragen („Was ist Qdrant?“).
+* **Auslöser:** Sachfragen („Was ist...?", „Welche sind...?", „Wann...?", „Datum...").
-* **Behavior:** Präzise, neutral, kurz.
+* **Multi-Stream Retrieval (WP-25):** Führt parallele Abfragen in Facts Stream, Tech Stream und Biography Stream aus.
+* **Wissens-Synthese:** Kombiniert harte Fakten mit persönlichen Erfahrungen, falls vorhanden.
+* **Behavior:** Präzise, neutral, strukturiert.
 
 ---
 

docs/03_Technical_References/03_tech_api_reference.md

@@ -1,10 +1,10 @@
 ---
 doc_type: technical_reference
 audience: developer, integrator
-scope: api, endpoints, integration
+scope: api, endpoints, integration, agentic_rag
 status: active
-version: 2.9.1
+version: 2.9.3
-context: "Vollständige API-Referenz für alle Mindnet-Endpunkte. Basis für Integration und Entwicklung."
+context: "Vollständige API-Referenz für alle Mindnet-Endpunkte inklusive WP-25 Agentic Multi-Stream RAG. Basis für Integration und Entwicklung."
 ---
 
 # API Reference
@@ -96,21 +96,37 @@ Hauptendpunkt für RAG-Chat und Interview-Modus. Unterstützt Streaming.
 **Response (Non-Streaming):**
 ```json
 {
-  "intent": "FACT",
+  "query_id": "uuid",
-  "response": "Mindnet ist ein persönliches KI-Gedächtnis...",
+  "answer": "Mindnet ist ein persönliches KI-Gedächtnis...",
-  "sources": [...],
+  "sources": [
-  "query_id": "uuid"
+    {
+      "node_id": "uuid",
+      "note_id": "uuid",
+      "semantic_score": 0.85,
+      "total_score": 0.92,
+      "stream_origin": "values_stream",  // WP-25: Ursprungs-Stream
+      "explanation": {...}
+    }
+  ],
+  "latency_ms": 450,
+  "intent": "DECISION",  // WP-25: Gewählte Strategie
+  "intent_source": "Keyword (FastPath)"  // WP-25: Quelle der Intent-Erkennung
 }
 ```
 
 **Response (Streaming):**
 Server-Sent Events (SSE) mit Chunks der Antwort.
 
-**Intent-Typen:**
+**Intent-Typen (WP-25):**
-- `FACT`: Wissensabfrage
+- `FACT_WHAT`: Wissensabfrage (Wissen/Listen)
-- `DECISION`: Entscheidungsfrage
+- `FACT_WHEN`: Zeitpunkte (Termine, Daten)
-- `EMPATHY`: Emotionale Anfrage
+- `DECISION`: Entscheidungsfrage (Beratung, Strategie)
-- `INTERVIEW`: Wissen erfassen
+- `EMPATHY`: Emotionale Anfrage (Reflexion)
+- `CODING`: Technische Anfrage (Programmierung)
+- `INTERVIEW`: Wissen erfassen (Datenerfassung)
+
+**Stream-Tracing (WP-25):**
+Jeder Treffer in `sources` enthält `stream_origin`, um die Zuordnung zum Quell-Stream zu ermöglichen (z.B. "values_stream", "facts_stream", "risk_stream").
 
 ---
 

docs/03_Technical_References/03_tech_chat_backend.md

@@ -1,30 +1,32 @@
 ---
 doc_type: technical_reference
 audience: developer, architect
-scope: backend, chat, llm_service, traffic_control, resilience
+scope: backend, chat, llm_service, traffic_control, resilience, agentic_rag
 status: active
-version: 2.9.1
+version: 2.9.3
-context: "Technische Implementierung des FastAPI-Routers, des hybriden LLMService (v3.3.6) und der WP-20 Resilienz-Logik."
+context: "Technische Implementierung des FastAPI-Routers, des hybriden LLMService (v3.4.2), WP-25 Agentic Multi-Stream RAG und WP-20 Resilienz-Logik."
 ---
 
-# Chat Backend & Traffic Control
+# Chat Backend & Agentic Multi-Stream RAG
 
-## 1. Hybrid Router (Decision Engine)
+## 1. Hybrid Router & Intent-basiertes Routing (WP-25)
 
-Der zentrale Einstiegspunkt für jede Chatanfrage ist der **Hybrid Router** (`app/routers/chat.py`). Er entscheidet dynamisch über die Strategie und nutzt den `LLMService` zur provider-agnostischen Generierung.
+Der zentrale Einstiegspunkt für jede Chatanfrage ist der **Hybrid Router** (`app/routers/chat.py`). Seit WP-25 agiert das System als **Agentic Orchestrator**, der Nutzeranfragen analysiert, in parallele Wissens-Streams aufteilt und diese zu einer kontextreichen, wertebasierten Antwort synthetisiert.
 
-### 1.1 Intent-Erkennung (Logik)
+### 1.1 Intent-Erkennung (Hybrid-Modus)
 
-Der Router prüft den Input in drei Stufen (Wasserfall-Prinzip):
+Der Router nutzt einen **Hybrid-Modus** mit Keyword-Fast-Path und LLM-Slow-Path:
 
-1.  **Question Detection (Regelbasiert):**
+1.  **Keyword Fast-Path (Sofortige Erkennung):**
-    * Prüfung auf Vorhandensein von `?` oder W-Wörtern (Wer, Wie, Was, Soll ich).
+    * Prüft `trigger_keywords` aus `decision_engine.yaml` (z.B. "Soll ich", "Wann", "Was ist").
-    * Wenn positiv: **RAG Modus** (Interview wird blockiert).
+    * Wenn Match: Sofortige Intent-Zuordnung ohne LLM-Call.
-2.  **Keyword Scan (Fast Path):**
+    * **Strategien:** FACT_WHAT, FACT_WHEN, DECISION, EMPATHY, CODING, INTERVIEW.
-    * Lädt `types.yaml` (Objekte) und `decision_engine.yaml` (Handlungen).
+2.  **Type Keywords (Interview-Modus):**
-    * Wenn Match (z.B. "Projekt" + "neu"): **INTERVIEW Modus**.
+    * Lädt `types.yaml` und prüft `detection_keywords` für Objekt-Erkennung.
-3.  **LLM Fallback (Slow Path):**
+    * Wenn Match und keine Frage: **INTERVIEW Modus** (Datenerfassung).
-    * Wenn unklar: Anfrage an LLM zur Klassifizierung mittels `router_prompt`.
+3.  **LLM Slow-Path (Semantische Analyse):**
+    * Wenn unklar: Anfrage an `DecisionEngine._determine_strategy()` zur LLM-basierten Klassifizierung.
+    * Nutzt `intent_router_v1` Prompt aus `prompts.yaml`.
 
 ### 1.2 Prompt-Auflösung (Bulletproof Resolution)
 
@@ -34,24 +36,70 @@ Um Kompatibilitätsprobleme mit verschachtelten YAML-Prompts zu vermeiden, nutzt
 * **Basis-Fallback:** Als letzte Instanz wird das `ollama`-Template geladen.
 * **String-Garantie:** Die Methode garantiert die Rückgabe eines Strings (selbst bei verschachtelten YAML-Dicts), was 500-Fehler bei String-Operationen wie `.replace()` oder `.format()` verhindert.
 
-### 1.3 RAG Flow (Technisch)
+### 1.2 Multi-Stream Retrieval (WP-25)
 
-Wenn der Intent `FACT` oder `DECISION` ist, wird folgender Flow ausgeführt:
+Anstelle einer einzelnen Suche führt die `DecisionEngine` nun **parallele Abfragen** in spezialisierten Streams aus:
 
-1.  **Pre-Processing:** Query Rewriting (optional).
+**Stream-Library (definiert in `decision_engine.yaml`):**
-2.  **Context Enrichment:**
+* **Values Stream:** Extrahiert Identität, Ethik und Prinzipien (`value`, `principle`, `belief`, etc.).
-    * Abruf via `retriever.py` (Hybrid Search).
+* **Facts Stream:** Liefert operative Daten zu Projekten, Tasks und Status (`project`, `decision`, `task`, etc.).
-    * Integration von **Edge Boosts** aus der `decision_engine.yaml` zur Beeinflussung der Graph-Gewichtung.
+* **Biography Stream:** Greift auf persönliche Erfahrungen und Journal-Einträge zu (`experience`, `journal`, `profile`).
-    * Injection von Metadaten (`[TYPE]`, `[SCORE]`) in den Prompt.
+* **Risk Stream:** Identifiziert Hindernisse und potenzielle Gefahren (`risk`, `obstacle`, `bias`).
-3.  **Prompt Construction:** Assembly aus System-Prompt (Persona) + Context + Query.
+* **Tech Stream:** Bündelt technisches Wissen, Code und Dokumentation (`concept`, `source`, `glossary`, etc.).
-4.  **Streaming:** LLM-Antwort wird via **SSE (Server-Sent Events)** an den Client gestreamt.
+
-5.  **Post-Processing:** Anhängen des `Explanation` Layers (JSON-Breakdown) an das Ende des Streams.
+**Stream-Konfiguration:**
+* Jeder Stream nutzt individuelle **Edge-Boosts** (z.B. `guides: 3.0` für Values Stream).
+* **Filter-Types** sind strikt mit `types.yaml` (v2.7.0) synchronisiert.
+* **Query-Templates** transformieren die ursprüngliche Anfrage für spezialisierte Suche.
+
+**Parallele Ausführung:**
+* `asyncio.gather()` führt alle aktiven Streams gleichzeitig aus.
+* **Stream-Tracing:** Jeder Treffer wird mit `stream_origin` markiert für Feedback-Optimierung.
+* **Fehlerbehandlung:** Einzelne Stream-Fehler blockieren nicht die gesamte Anfrage.
+
+### 1.3 Wissens-Synthese (WP-25)
+
+Die Zusammenführung der Daten erfolgt über spezialisierte Templates in der `prompts.yaml`:
+
+**Template-Struktur:**
+* Explizite Variablen für jeden Stream (z.B. `{values_stream}`, `{risk_stream}`).
+* **Pre-Initialization:** Alle möglichen Stream-Variablen werden vorab initialisiert (verhindert KeyErrors).
+* **Provider-spezifische Templates:** Separate Versionen für Ollama, Gemini und OpenRouter.
+
+**Synthese-Strategien:**
+* **FACT_WHAT/FACT_WHEN:** Kombiniert Fakten, Biographie und Technik.
+* **DECISION:** Wägt Fakten gegen Werte ab, evaluiert Risiken.
+* **EMPATHY:** Fokus auf Biographie und Werte.
+* **CODING:** Technik und Fakten.
+
+### 1.4 RAG Flow (Technisch)
+
+Wenn der Intent nicht `INTERVIEW` ist, wird folgender Flow ausgeführt:
+
+1.  **Intent Detection:** Hybrid Router klassifiziert die Anfrage.
+2.  **Multi-Stream Retrieval:**
+    * Parallele Abfragen in spezialisierten Streams via `DecisionEngine._execute_parallel_streams()`.
+    * Jeder Stream nutzt individuelle Filter, Edge-Boosts und Query-Templates.
+3.  **Context Formatting:**
+    * Stream-Ergebnisse werden in formatierte Kontext-Strings umgewandelt.
+    * **Ollama Context-Throttling:** Kontext wird auf `MAX_OLLAMA_CHARS` begrenzt (Standard: 10.000).
+4.  **Synthese:**
+    * `DecisionEngine._generate_final_answer()` kombiniert alle Streams.
+    * Template-basierte Prompt-Konstruktion mit Stream-Variablen.
+5.  **Response:**
+    * LLM-Antwort wird generiert (provider-spezifisch).
+    * **Sources:** Alle Treffer aus allen Streams werden dedupliziert und zurückgegeben.
 
 ---
 
-## 2. LLM Service & Traffic Control (WP-20)
+## 2. LLM Service & Traffic Control (WP-20 / WP-25)
 
-Der `LLMService` (`app/services/llm_service.py`) fungiert als zentraler Hybrid-Client für OpenRouter, Google Gemini und Ollama. Er schützt das System vor Überlastung und verwaltet Quoten.
+Der `LLMService` (`app/services/llm_service.py`, v3.4.2) fungiert als zentraler Hybrid-Client für OpenRouter, Google Gemini und Ollama. Er schützt das System vor Überlastung und verwaltet Quoten.
+
+**WP-25 Integration:**
+* **Lazy Initialization:** `DecisionEngine` wird erst bei Bedarf initialisiert (verhindert Circular Imports).
+* **Ingest-Stability Patch:** Entfernung des <5-Zeichen Guards ermöglicht YES/NO Validierungen beim Vault-Import.
+* **Empty Response Guard:** Sicherung gegen leere `choices` Arrays bei OpenRouter (verhindert JSON-Errors).
 
 Mit Version 2.8.1 wurde die Architektur der Antwort-Generierung grundlegend gehärtet:
 
@@ -107,10 +155,27 @@ In v2.8 wurde ein intelligentes Fehler-Handling für Cloud-Provider implementier
 
 ---
 
-## 4. Feedback Traceability
+## 4. Feedback Traceability & Stream-Tracing (WP-25)
 
-Unterstützt das geplante Self-Tuning (WP08).
+Unterstützt das geplante Self-Tuning (WP08) und ermöglicht Stream-spezifische Optimierung.
 
-1.  **Query ID:** Generiert bei jedem `/query` Call eine `UUIDv4`.
+1.  **Query ID:** Generiert bei jedem `/chat` Call eine `UUIDv4`.
-2.  **Logging:** Speichert einen Snapshot in `data/logs/query_snapshot.jsonl` (Input + Retrieved Context).
+2.  **Stream-Tracing:** Jeder Treffer enthält `stream_origin` für Zuordnung zum Quell-Stream.
-3.  **Feedback:** Der `/feedback` Endpoint verknüpft das User-Rating (1-5) mit der `query_id`.
+3.  **Logging:** Speichert einen Snapshot in `data/logs/query_snapshot.jsonl` (Input + Retrieved Context + Intent).
+4.  **Feedback:** Der `/feedback` Endpoint verknüpft das User-Rating (1-5) mit der `query_id` und `stream_origin`.
+
+## 5. Lifespan Management (WP-25)
+
+Die FastAPI-Anwendung (`app/main.py`, v1.0.0) implementiert **Lifespan-Management** für sauberen Startup und Shutdown:
+
+**Startup:**
+* Integritäts-Check der WP-25 Konfiguration (`decision_engine.yaml`, `prompts.yaml`).
+* Validierung kritischer Dateien vor dem Start.
+
+**Shutdown:**
+* Ressourcen-Cleanup (LLMService-Connections schließen).
+* Graceful Shutdown für asynchrone Prozesse.
+
+**Globale Fehlerbehandlung:**
+* Fängt unerwartete Fehler in der Multi-Stream Kette ab.
+* Strukturierte JSON-Responses bei Engine-Fehlern.

docs/03_Technical_References/03_tech_configuration.md

@@ -1,10 +1,10 @@
 ---
 doc_type: technical_reference
 audience: developer, admin
-scope: configuration, env, registry, scoring, resilience, modularization
+scope: configuration, env, registry, scoring, resilience, modularization, agentic_rag
 status: active
-version: 2.9.1
+version: 2.9.3
-context: "Umfassende Referenztabellen für Umgebungsvariablen (inkl. Hybrid-Cloud & WP-76), YAML-Konfigurationen und die Edge Registry Struktur unter Berücksichtigung von WP-14."
+context: "Umfassende Referenztabellen für Umgebungsvariablen (inkl. Hybrid-Cloud & WP-76), YAML-Konfigurationen, Edge Registry Struktur und WP-25 Multi-Stream RAG unter Berücksichtigung von WP-14."
 ---
 
 # Konfigurations-Referenz
@@ -224,15 +224,16 @@ Die Datei muss eine Markdown-Tabelle enthalten, die vom Regex-Parser gelesen wir
 
 ---
 
-## 5. Decision Engine (`decision_engine.yaml`)
+## 5. Decision Engine (`decision_engine.yaml` v3.1.6)
 
-Die Decision Engine fungiert als zentraler Orchestrator für die Intent-Erkennung und das dynamische Retrieval-Routing. Sie bestimmt, wie das System auf eine Nutzeranfrage reagiert, welche Informationstypen bevorzugt werden und wie der Wissensgraph für die spezifische Situation verformt wird.
+Die Decision Engine fungiert als zentraler **Agentic Orchestrator** für die Intent-Erkennung und das dynamische Multi-Stream Retrieval-Routing (WP-25). Sie bestimmt, wie das System auf eine Nutzeranfrage reagiert, welche Wissens-Streams aktiviert werden und wie die Ergebnisse synthetisiert werden.
 
-### 5.1 Intent Recognition: Dual-Path Routing
+### 5.1 Intent Recognition: Hybrid-Routing (WP-25)
-Das System nutzt ein zweistufiges Verfahren, um die Absicht des Nutzers zu identifizieren:
+Das System nutzt einen **Hybrid-Modus** mit Keyword Fast-Path und LLM Slow-Path:
 
-1.  **Fast Path (Keyword Trigger):** Das System scannt die Anfrage nach definierten `trigger_keywords`. Wird ein Treffer gefunden, wird die entsprechende Strategie sofort ohne LLM-Einsatz gewählt.
+1.  **Fast Path (Keyword Trigger):** Das System scannt die Anfrage nach definierten `trigger_keywords`. Wird ein Treffer gefunden, wird die entsprechende Strategie sofort ohne LLM-Einsatz gewählt (z.B. "Soll ich" → `DECISION`).
-2.  **Slow Path (LLM Router):** Wenn kein Keyword matcht und `llm_fallback_enabled: true` gesetzt ist, analysiert ein LLM die Nachricht mittels Few-Shot Prompting.
+2.  **Type Keywords:** Prüft `detection_keywords` aus `types.yaml` für Interview-Modus (z.B. "Projekt" + "neu" → `INTERVIEW`).
+3.  **Slow Path (LLM Router):** Wenn kein Keyword matcht und `llm_fallback_enabled: true` gesetzt ist, analysiert ein LLM die Nachricht mittels Few-Shot Prompting (`intent_router_v1`).
 
 #### LLM Router Konfiguration
 Der Router nutzt den `llm_router_prompt`, um Anfragen in eine der fünf Kern-Strategien (`FACT`, `DECISION`, `EMPATHY`, `CODING`, `INTERVIEW`) zu klassifizieren.
@@ -244,36 +245,90 @@ Der Router nutzt den `llm_router_prompt`, um Anfragen in eine der fünf Kern-Str
 
 ---
 
-### 5.2 Strategie-Mechaniken (Graph Shaping)
+### 5.2 Multi-Stream Konfiguration (WP-25)
-Jede Strategie definiert drei Hebel, um das Ergebnis des Retrievers zu beeinflussen:
 
-* **`inject_types`:** Erzwingt die Einbindung bestimmter Notiz-Typen (z. B. `value` bei Entscheidungen), auch wenn diese semantisch eine geringere Ähnlichkeit aufweisen.
+Seit WP-25 nutzt die Decision Engine eine **Stream-Library** mit spezialisierten Wissens-Streams:
+
+**Stream-Library (`streams_library`):**
+* **`values_stream`:** Identität, Ethik und Prinzipien (filter_types: `value`, `principle`, `belief`, `trait`, `boundary`, `need`, `motivation`)
+* **`facts_stream`:** Operative Daten (filter_types: `project`, `decision`, `task`, `goal`, `event`, `state`)
+* **`biography_stream`:** Persönliche Erfahrungen (filter_types: `experience`, `journal`, `profile`, `person`)
+* **`risk_stream`:** Hindernisse und Gefahren (filter_types: `risk`, `obstacle`, `bias`)
+* **`tech_stream`:** Technisches Wissen (filter_types: `concept`, `source`, `glossary`, `idea`, `insight`, `skill`, `habit`)
+
+**Stream-Parameter:**
+* **`query_template`:** Transformiert die ursprüngliche Anfrage für spezialisierte Suche (z.B. "Welche meiner Werte und Prinzipien betreffen: {query}")
+* **`filter_types`:** Strikte Synchronisation mit `types.yaml` (v2.7.0)
+* **`top_k`:** Anzahl der Treffer pro Stream (z.B. 5 für Values, 3 für Risk)
+* **`edge_boosts`:** Individuelle Edge-Gewichtung pro Stream (z.B. `guides: 3.0` für Values Stream)
+
+**Strategie-Komposition (`strategies`):**
+Jede Strategie definiert, welche Streams aktiviert werden:
+
+* **`use_streams`:** Liste der Stream-Keys, die parallel abgefragt werden (z.B. `["values_stream", "facts_stream", "risk_stream"]` für `DECISION`)
+* **`prompt_template`:** Template-Key aus `prompts.yaml` für die Wissens-Synthese (z.B. `decision_synthesis_v1`)
+* **`prepend_instruction`:** Optional: Zusätzliche Anweisung für das LLM (z.B. "Analysiere die Fakten vor dem Hintergrund meiner Werte")
+* **`preferred_provider`:** Optional: Provider-Präferenz für diese Strategie (z.B. `gemini` für DECISION)
+
+### 5.3 Strategie-Mechaniken (Graph Shaping)
+Jede Strategie definiert mehrere Hebel, um das Ergebnis zu beeinflussen:
+
+* **`use_streams`:** Aktiviert parallele Wissens-Streams (WP-25).
 * **`edge_boosts`:** Erhöht die Gewichtung spezifischer Kanten-Typen in der Scoring-Formel. Dies ermöglicht es dem Graphen, die Textsuche situativ zu "überstimmen".
 * **`prepend_instruction`:** Injiziert eine spezifische Systemanweisung in das LLM-Prompt, um den Antwortstil anzupassen (z. B. "Wäge Fakten gegen Werte ab").
 
 ---
 
-### 5.3 Übersicht der Strategien
+### 5.4 Übersicht der Strategien (WP-25)
 
-| Strategie | Fokus | Bevorzugte Kanten (`edge_boosts`) | Injektionstypen |
+| Strategie | Fokus | Aktive Streams | Bevorzugte Kanten (`edge_boosts`) |
 | :--- | :--- | :--- | :--- |
-| **FACT** | Wissensabfrage & Definitionen | `part_of` (2.0), `composed_of` (2.0), `similar_to` (1.5) | *(Keine)* |
+| **FACT_WHAT** | Wissensabfrage & Listen | `facts_stream`, `tech_stream`, `biography_stream` | `part_of` (2.0), `depends_on` (1.5), `implemented_in` (1.5) |
-| **DECISION** | Rat, Strategie & Abwägung | `blocks` (2.5), `solves` (2.0), `risk_of` (2.5) | `value`, `principle`, `goal`, `risk` |
+| **FACT_WHEN** | Zeitpunkte & Termine | `facts_stream`, `biography_stream`, `tech_stream` | `part_of` (2.0), `depends_on` (1.5) |
-| **EMPATHY** | Emotionale Resonanz | `based_on` (2.0), `experienced_in` (2.5), `related_to` (2.0) | `experience`, `belief`, `profile` |
+| **DECISION** | Rat, Strategie & Abwägung | `values_stream`, `facts_stream`, `risk_stream` | `blocks` (2.5), `impacts` (2.0), `risk_of` (2.5) |
-| **CODING** | Programmierung & Syntax | `implemented_in` (3.0), `uses` (2.5), `depends_on` (2.0) | `snippet`, `reference`, `source` |
+| **EMPATHY** | Emotionale Resonanz | `biography_stream`, `values_stream` | `related_to` (1.5), `experienced_in` (2.0) |
-| **INTERVIEW** | Erfassung neuer Daten | *(Keine)* | *(Keine)* |
+| **CODING** | Programmierung & Syntax | `tech_stream`, `facts_stream` | `uses` (2.5), `implemented_in` (3.0) |
+| **INTERVIEW** | Erfassung neuer Daten | *(Keine Streams)* | *(Keine)* |
 
 ---
 
-### 5.4 Der Interview-Modus & Schemas
+### 5.5 Der Interview-Modus & Schemas
 Die Strategie `INTERVIEW` dient der strukturierten Datenerfassung.
 
-* **Trigger:** Aktiviert durch Phrasen wie "neue notiz", "festhalten" oder "dokumentieren".
+* **Trigger:** Aktiviert durch Phrasen wie "neue notiz", "festhalten" oder "dokumentieren" (Type Keywords aus `types.yaml`).
 * **Schema-Logik:** Nutzt das `default`-Schema mit den Feldern `Titel`, `Thema/Inhalt` und `Tags`, sofern kein spezifisches Typ-Schema aus der `types.yaml` greift.
 * **Dynamik:** In diesem Modus wird der Fokus vom Retrieval (Wissen finden) auf die Extraktion (Wissen speichern) verschoben.
+* **Streams:** Keine Streams aktiviert (leere `use_streams` Liste).
 
 > **Hinweis:** Da spezifische Schemas für Projekte oder Erfahrungen direkt in der `types.yaml` definiert werden, dient die `decision_engine.yaml` hier primär als Fallback für generische Datenaufnahmen.
 
+### 5.6 Prompts-Konfiguration (`prompts.yaml` v3.1.2)
+
+Seit WP-25 nutzen die Synthese-Templates explizite Stream-Variablen:
+
+**Template-Struktur:**
+```yaml
+decision_synthesis_v1:
+  ollama: |
+    WERTE & PRINZIPIEN (Identität):
+    {values_stream}
+    
+    OPERATIVE FAKTEN (Realität):
+    {facts_stream}
+    
+    RISIKO-RADAR (Konsequenzen):
+    {risk_stream}
+    
+    ENTSCHEIDUNGSFRAGE:
+    {query}
+```
+
+**Pre-Initialization:**
+Alle möglichen Stream-Variablen werden vorab initialisiert (verhindert KeyErrors bei unvollständigen Konfigurationen).
+
+**Provider-spezifische Templates:**
+Separate Versionen für Ollama, Gemini und OpenRouter.
+
 
 Auszug aus der decision_engine.yaml
 ```yaml

docs/05_Development/05_developer_guide.md

@@ -1,10 +1,10 @@
 ---
 doc_type: developer_guide
 audience: developer
-scope: workflow, testing, architecture, modules, modularization
+scope: workflow, testing, architecture, modules, modularization, agentic_rag
 status: active
-version: 2.9.1
+version: 2.9.3
-context: "Umfassender Guide für Entwickler: Modularisierte Architektur (WP-14), Two-Pass Ingestion (WP-15b), Modul-Interna, Setup und Git-Workflow."
+context: "Umfassender Guide für Entwickler: Modularisierte Architektur (WP-14), Two-Pass Ingestion (WP-15b), WP-25 Agentic Multi-Stream RAG, Modul-Interna, Setup und Git-Workflow."
 ---
 
 # Mindnet Developer Guide & Workflow
@@ -236,7 +236,7 @@ Das Backend ist das Herzstück. Es stellt die Logik via REST-API bereit.
 | :--- | :--- | :--- | :--- |
 | **Entry** | `app/main.py` | 🟢 **Core** | **Entrypoint.** Initialisiert FastAPI, CORS, und bindet alle Router ein. |
 | **Config** | `app/config.py` | 🟢 **Core** | **Settings.** Zentrale Konfiguration (Pydantic). Lädt Env-Vars für Qdrant, LLM und Pfade. |
-| **Router** | `app/routers/chat.py` | 🟢 **API** | **Conversation API.** Haupt-Endpunkt für Chat. Entscheidet zwischen Interview- und RAG-Modus. |
+| **Router** | `app/routers/chat.py` | 🟢 **API** | **Conversation API (WP-25).** Haupt-Endpunkt für Chat. Hybrid Router mit Intent-Erkennung, Multi-Stream Orchestration und Wissens-Synthese. |
 | | `app/routers/ingest.py` | 🟢 **API** | **Write API.** Nimmt Markdown entgegen, steuert Ingestion und Discovery-Analyse. |
 | | `app/routers/query.py` | 🟢 **API** | **Search API.** Klassischer Hybrid-Retriever Endpunkt. |
 | | `app/routers/graph.py` | 🟢 **API** | **Viz API.** Liefert Knoten/Kanten für Frontend-Graphen (Cytoscape). |
@@ -393,12 +393,13 @@ Mindnet lernt nicht durch Training (Fine-Tuning), sondern durch **Konfiguration*
       edge_defaults: ["blocks"]    # Automatische Kante
       detection_keywords: ["gefahr", "risiko"]
     ```
-2.  **Strategie (`config/decision_engine.yaml`):**
+2.  **Strategie (`config/decision_engine.yaml` v3.1.6, WP-25):**
     ```yaml
     DECISION:
-      inject_types: ["value", "risk"] # <--- "risk" hinzufügen
+      use_streams: ["values_stream", "facts_stream", "risk_stream"]  # WP-25: Multi-Stream
+      inject_types: ["value", "risk"]  # Legacy: Fallback für nicht-Stream-Typen
     ```
-    *Ergebnis:* Wenn der Intent `DECISION` erkannt wird, sucht das System nun auch aktiv nach Risiken.
+    *Ergebnis (WP-25):* Wenn der Intent `DECISION` erkannt wird, führt das System parallele Abfragen in Values, Facts und Risk Streams aus und synthetisiert die Ergebnisse.
 
 ### Workflow B: Graph-Farben ändern
 1.  Öffne `app/frontend/ui_config.py`.

docs/05_Development/05_testing_guide.md

@@ -3,8 +3,8 @@ doc_type: developer_guide
 audience: developer, tester
 scope: testing, quality_assurance, test_strategies
 status: active
-version: 2.9.1
+version: 2.9.3
-context: "Umfassender Test-Guide für Mindnet: Test-Strategien, Test-Frameworks, Test-Daten und Best Practices."
+context: "Umfassender Test-Guide für Mindnet: Test-Strategien, Test-Frameworks, Test-Daten und Best Practices inklusive WP-25 Multi-Stream RAG."
 ---
 
 # Testing Guide
@@ -245,19 +245,29 @@ class TestIngest(unittest.IsolatedAsyncioTestCase):
 - `tests/test_edges_defaults_smoke.py`
 - `scripts/edges_full_check.py`
 
-### 4.4 Chat & Intent-Tests
+### 4.4 Chat & Intent-Tests (WP-25)
 
 **Was wird getestet:**
-- Intent-Erkennung (FACT, DECISION, EMPATHY, INTERVIEW)
+- Intent-Erkennung (FACT_WHAT, FACT_WHEN, DECISION, EMPATHY, CODING, INTERVIEW)
-- Decision Engine
+- Hybrid Router (Keyword Fast-Path + LLM Slow-Path)
+- Decision Engine (Multi-Stream Orchestration)
+- Parallele Stream-Abfragen (Values, Facts, Biography, Risk, Tech)
+- Stream-Tracing (`stream_origin` Markierung)
+- Wissens-Synthese (Template-basierte Zusammenführung)
 - Interview-Modus
 - Feedback-Loop
 
 **Tests:**
-- `tests/test_wp06_decision.py`
+- `tests/test_wp06_decision.py` - Decision Engine (Legacy)
-- `tests/test_interview_intent.py`
+- `tests/test_interview_intent.py` - Interview-Modus
-- `tests/test_chat_wp05.py`
+- `tests/test_chat_wp05.py` - Chat-Backend (Legacy)
-- `tests/test_feedback_smoke.py`
+- `tests/test_feedback_smoke.py` - Feedback-Loop
+
+**WP-25 Spezifische Tests (geplant):**
+- Multi-Stream Retrieval (parallele Abfragen)
+- Stream-Tracing (stream_origin Zuordnung)
+- Template-Robustheit (Pre-Initialization)
+- Intent-Kollision (Keyword-Fast-Path Präzision)
 
 ### 4.5 Ingestion-Tests
 

docs/06_Roadmap/06_active_roadmap.md

@@ -2,14 +2,14 @@
 doc_type: roadmap
 audience: product_owner, developer
 status: active
-version: 2.9.1
+version: 2.9.3
-context: "Aktuelle Planung für kommende Features (ab WP16), Release-Strategie und Historie der abgeschlossenen WPs nach WP-14/15b."
+context: "Aktuelle Planung für kommende Features (ab WP16), Release-Strategie und Historie der abgeschlossenen WPs nach WP-14/15b/15c/25."
 ---
 
 # Mindnet Active Roadmap
 
-**Aktueller Stand:** v2.9.1 (Post-WP14 / WP-15b)
+**Aktueller Stand:** v2.9.3 (Post-WP25: Agentic Multi-Stream RAG)
-**Fokus:** Modularisierung, Two-Pass Ingestion & Graph Intelligence.
+**Fokus:** Agentic Orchestration, Multi-Stream Retrieval & Wissens-Synthese.
 
 | Phase | Fokus | Status |
 | :--- | :--- | :--- |
@@ -48,6 +48,8 @@ Eine Übersicht der implementierten Features zum schnellen Auffinden von Funktio
 | **WP-20** | **Cloud Hybrid Mode & Resilienz** | **Ergebnis:** Integration von OpenRouter (Mistral 7B) & Gemini 2.5 Lite. Implementierung von WP-76 (Rate-Limit Wait) & Mistral-safe JSON Parsing. |
 | **WP-21** | Semantic Graph Routing & Canonical Edges | Transformation des Graphen von statischen Verbindungen zu dynamischen, kontextsensitiven Pfaden. Das System soll verstehen, *welche* Art von Verbindung für die aktuelle Frage relevant ist ("Warum?" vs. "Was kommt danach?"). |
 | **WP-22** | **Content Lifecycle & Registry** | **Ergebnis:** SSOT via `01_edge_vocabulary.md`, Alias-Mapping, Status-Scoring (`stable`/`draft`) und Modularisierung der Scoring-Engine. |
+| **WP-15c** | **Multigraph-Support & Diversity Engine** | **Ergebnis:** Section-basierte Links, Note-Level Diversity Pooling, Super-Edge Aggregation, Provenance Firewall. Transformation zu einem hochpräzisen Multigraphen. |
+| **WP-25** | **Agentic Multi-Stream RAG Orchestration** | **Ergebnis:** Übergang von linearer RAG-Architektur zu paralleler Multi-Stream Engine. Intent-basiertes Routing (Hybrid Fast/Slow-Path), parallele Wissens-Streams (Values, Facts, Biography, Risk, Tech), Stream-Tracing und Template-basierte Wissens-Synthese. |
 
 ### 2.1 WP-22 Lessons Learned
 * **Architektur:** Die Trennung von `retriever.py` und `retriever_scoring.py` war notwendig, um LLM-Context-Limits zu wahren und die Testbarkeit der mathematischen Formeln zu erhöhen.
@@ -191,53 +193,29 @@ Der bisherige WP-15 Ansatz litt unter Halluzinationen (erfundene Kantentypen), h
 2.  **Single Source of Truth (SSOT):** Die Registry nutzt `01_edge_vocabulary.md` als führende Konfiguration.
 3.  **Self-Learning Loop:** Protokollierung unbekannter Kanten in `unknown_edges.jsonl`.
 
-### WP-23: Agentic Multi-Stream Reasoning (Mindnet 2025)
+### WP-25: Agentic Multi-Stream RAG Orchestration
+**Status:** ✅ Fertig (v2.9.3)
 
-#### 1. Zielsetzung & Problemstellung
+**Ergebnis:** Transformation von Mindnet von einer klassischen, linearen RAG-Architektur zu einer **Agentic Multi-Stream Engine**. Das System agiert nun als intelligenter Orchestrator, der Nutzeranfragen analysiert, in parallele Wissens-Streams aufteilt und diese zu einer kontextreichen, wertebasierten Antwort synthetisiert.
-Das bisherige System basiert auf einem globalen Scoring-Modell, bei dem Notizen unterschiedlicher Typen (z. B. `insight` vs. `belief`) in einem einzigen Retrieval-Topf konkurrieren. Dies führt dazu, dass leiser gewichtete, aber fundamentale Identitätsmerkmale oft durch hochgewichtete aktuelle Erkenntnisse verdrängt werden. Ziel dieses Pakets ist die Einführung einer parallelen **Stream-Architektur**, um die Vielschichtigkeit menschlicher Entscheidungsprozesse (Werte + Erfahrung + Absicht) im LLM-Kontext zu garantieren.
 
-#### 2. Funktionsbeschreibung: Die Streams
+**Kern-Features:**
-Die Daten aus der `types.yaml` werden in drei logische Verarbeitungseinheiten unterteilt:
+1. **Intent-basiertes Routing:** Hybrid-Modus mit Keyword Fast-Path und LLM Slow-Path
+2. **Multi-Stream Retrieval:** Parallele Abfragen in spezialisierten Streams (Values, Facts, Biography, Risk, Tech)
+3. **Stream-Tracing:** Jeder Treffer wird mit `stream_origin` markiert
+4. **Wissens-Synthese:** Template-basierte Zusammenführung mit expliziten Stream-Variablen
+5. **Fehler-Resilienz:** Einzelne Stream-Fehler blockieren nicht die gesamte Anfrage
 
-##### A. Identity Stream (Die Wahrheitsebene)
+**Technische Details:**
-* **Inhalt:** `value`, `belief`, `trait`, `principle`, `need`, `boundary`, `bias`.
+- Decision Engine v1.0.3: Multi-Stream Orchestrator
-* **Zweck:** Definition des moralischen Kompasses, der psychologischen Grundbedürfnisse und kognitiven Muster.
+- Chat Router v3.0.2: Hybrid Router Integration
-* **Wirkung:** Liefert das "Warum" hinter jeder Handlung.
+- LLM Service v3.4.2: Ingest-Stability Patch
+- decision_engine.yaml v3.1.6: Multi-Stream Konfiguration
+- prompts.yaml v3.1.2: Stream-Templates
 
-##### B. History Stream (Die Evidenzebene)
+**Ausblick (WP-25a):**
-* **Inhalt:** `experience`, `event`, `source`, `journal`, `person`.
+- Pre-Synthesis: LLM-basierte Komprimierung überlanger Streams
-* **Zweck:** Bereitstellung empirischer Belege aus der Vergangenheit und sozialer Kontexte.
+- Kontext-Budgeting: Intelligente Token-Verteilung
-* **Wirkung:** Verankert die Antwort in real erlebten Mustern und Fakten.
+- Stream-specific Provider: Unterschiedliche KI-Modelle pro Wissensbereich
-
-##### C. Action Stream (Die Dynamikebene)
-* **Inhalt:** `project`, `decision`, `goal`, `task`, `risk`, `motivation`, `habit`, `state`.
-* **Zweck:** Analyse der aktuellen Richtung, geplanter Vorhaben und des gegenwärtigen Zustands.
-* **Wirkung:** Liefert den Kontext für die Umsetzung und zukünftige Ziele.
-
-
-#### 3. Technische Wirkungsweise (Solution Sketch)
-
-##### Schritt 1: Query-Decomposition
-Ein initialer Klassifizierungs-Agent analysiert die Nutzeranfrage und bestimmt, welcher Stream primär angesprochen werden muss (z. B. "Wie soll ich mich entscheiden?" boostet den Identity Stream).
-
-##### Schritt 2: Parallel Stream Retrieval
-Anstelle einer Suche werden drei unabhängige Vektor-Suchen mit Typ-Filtern durchgeführt:
-* **Search_A (Identity):** Top-5 Ergebnisse aus Identitäts-Notizen.
-* **Search_B (History):** Top-5 Ergebnisse aus biografischen/externen Notizen.
-* **Search_C (Action):** Top-5 Ergebnisse aus operativen/strategischen Notizen.
-
-##### Schritt 3: Agentic Synthesis (The Reasoning)
-Ein Synthese-Agent (LLM) erhält die aggregierten Ergebnisse in getrennten Sektionen. Die Anweisung lautet:
-1. **Prüfung:** Steht das aktuelle Vorhaben (Action) im Einklang mit den Werten (Identity)?
-2. **Abgleich:** Welche vergangenen Erfahrungen (History) stützen oder widersprechen diesem Weg?
-3. **Korrektur:** Identifiziere mögliche Biases oder Grenzüberschreitungen (Boundary).
-
-
-
-#### 4. Erwartete Ergebnisse
-* **Höhere Resonanz:** Antworten wirken authentischer, da sie explizit auf das Wertesystem des Nutzers Bezug nehmen.
-* **Widerspruchs-Erkennung:** Das System kann den Nutzer aktiv warnen, wenn ein Projekt gegen seine `principles` oder `needs` verstößt.
-* **Robustes Retrieval:** Wichtige Identitäts-Informationen gehen nicht mehr im "Rauschen" von hunderten Journal-Einträgen verloren.
 ---
 
 ### WP-24 – Proactive Discovery & Agentic Knowledge Mining

docs/99_Archive/WP15c_release_notes.md

@@ -1,4 +1,4 @@
-# Release Notes: Mindnet v2.9.1 (WP15c)
+# Release Notes: Mindnet v2.9.3 (WP15c)
 
 **Release Date:** 2025-12-31  
 **Type:** Feature Release - Multigraph & Diversity Engine  

docs/99_Archive/WP25_merge_commit.md

@@ -0,0 +1,138 @@
+# Branch Merge Commit Message: WP25
+
+```
+feat: Agentic Multi-Stream RAG Orchestration (v3.0)
+
+## Architektur-Transformation (WP-25)
+
+### Agentic Multi-Stream RAG Orchestration
+- Übergang von linearer RAG-Architektur zu paralleler Multi-Stream Engine
+- Parallele Abfragen in spezialisierten Wissens-Streams (Values, Facts, Biography, Risk, Tech)
+- Stream-Tracing: Jeder Treffer wird mit `stream_origin` markiert
+- Fehler-Resilienz: Einzelne Stream-Fehler blockieren nicht die gesamte Anfrage
+
+**Geänderte Dateien:**
+- `app/core/retrieval/decision_engine.py`: Multi-Stream Orchestrator (v1.0.3)
+- `app/routers/chat.py`: Hybrid Router Integration (v3.0.2)
+- `app/models/dto.py`: Stream-Tracing Support (v0.7.1)
+
+### Intent-basiertes Routing ("The Brain")
+- Hybrid-Modus: Keyword Fast-Path + LLM Slow-Path
+- Strategien: FACT_WHAT, FACT_WHEN, DECISION, EMPATHY, CODING, INTERVIEW
+- Sofortige Erkennung von Triggern wie "Soll ich" oder "Wann" ohne LLM-Call
+- Komplexe semantische Analyse für unklare Anfragen
+
+**Geänderte Dateien:**
+- `app/routers/chat.py`: Hybrid Router mit Keyword-Fast-Path (v3.0.2)
+- `app/core/retrieval/decision_engine.py`: LLM-basiertes Routing (v1.0.3)
+
+### Wissens-Synthese
+- Spezialisierte Templates in `prompts.yaml` mit expliziten Stream-Variablen
+- Pre-Initialization aller Stream-Variablen (verhindert KeyErrors)
+- Provider-spezifische Templates für Ollama, Gemini und OpenRouter
+- Differenzierte Abwägung zwischen Fakten und persönlichen Werten
+
+**Geänderte Dateien:**
+- `config/prompts.yaml`: Stream-Templates (v3.1.2)
+- `app/core/retrieval/decision_engine.py`: Synthese-Logik (v1.0.3)
+
+## Stream-Konfiguration & Typ-Synchronisation
+
+### Stream-Library (decision_engine.yaml v3.1.6)
+- **Values Stream:** Identität, Ethik und Prinzipien (filter_types: value, principle, belief, etc.)
+- **Facts Stream:** Operative Daten (filter_types: project, decision, task, etc.)
+- **Biography Stream:** Persönliche Erfahrungen (filter_types: experience, journal, profile)
+- **Risk Stream:** Hindernisse und Gefahren (filter_types: risk, obstacle, bias)
+- **Tech Stream:** Technisches Wissen (filter_types: concept, source, glossary, etc.)
+
+**Edge-Boosts pro Stream:**
+- Values: `guides: 3.0`, `enforced_by: 2.5`, `based_on: 2.0`
+- Facts: `part_of: 2.0`, `depends_on: 1.5`, `implemented_in: 1.5`
+- Risk: `blocks: 2.5`, `impacts: 2.0`, `risk_of: 2.5`
+
+**Geänderte Dateien:**
+- `config/decision_engine.yaml`: Multi-Stream Konfiguration (v3.1.6)
+
+## Bugfixes & Optimierungen
+
+### Vault-Import Performance
+- "Empty Response Guard" korrigiert: Kurze Ingest-Antworten (YES/NO) lösen nicht mehr fälschlicherweise langsame Fallbacks aus
+- Entfernung des <5-Zeichen Guards ermöglicht YES/NO Validierungen
+
+**Geänderte Dateien:**
+- `app/services/llm_service.py`: Ingest-Stability Patch (v3.4.2)
+
+### Cloud-Resilienz
+- Sicherheitscheck für das `choices`-Array in `_execute_openrouter` implementiert
+- Verhindert JSON-Errors bei überlasteten APIs
+
+**Geänderte Dateien:**
+- `app/services/llm_service.py`: Empty Response Guard (v3.4.2)
+
+### Template-Robustheit
+- Automatische Vor-Initialisierung aller Stream-Variablen in der `DecisionEngine`
+- Verhindert `KeyError`-Abstürze bei unvollständigen Konfigurationen
+- Fallback-Mechanismus bei Template-Fehlern
+
+**Geänderte Dateien:**
+- `app/core/retrieval/decision_engine.py`: Pre-Initialization (v1.0.3)
+
+### Intent-Kollision
+- Generische Begriffe (wie "Projekt") wurden aus den Keyword-Triggern entfernt
+- Sicherstellt, dass strategische Fragen (z.B. "Soll ich...?") korrekt als `DECISION` geroutet werden
+
+**Geänderte Dateien:**
+- `config/decision_engine.yaml`: Keyword-Fix (v3.1.6)
+
+## Ollama Context-Throttling
+
+- Vor der Übergabe an Ollama prüft der Chat-Router, ob der Kontext die Grenze von `MAX_OLLAMA_CHARS` überschreitet (Standard: 10.000)
+- Automatische Kürzung bei großen Kontexten
+
+**Geänderte Dateien:**
+- `app/routers/chat.py`: Context-Throttling (v3.0.2)
+
+## Lifespan Management
+
+- FastAPI-Anwendung implementiert Lifespan-Management für sauberen Startup und Shutdown
+- Integritäts-Check der WP-25 Konfiguration beim Startup
+- Ressourcen-Cleanup beim Shutdown
+- Globale Fehlerbehandlung für asynchrone Prozesse
+
+**Geänderte Dateien:**
+- `app/main.py`: Lifespan Management (v1.0.0)
+
+## Impact & Breaking Changes
+
+### Keine Migration erforderlich
+**WICHTIG:** Diese Version ist **rückwärtskompatibel**. Bestehende Vaults funktionieren ohne Re-Import.
+
+**Konfigurations-Updates:**
+- `decision_engine.yaml` wurde auf v3.1.6 aktualisiert (Multi-Stream Struktur)
+- `prompts.yaml` wurde auf v3.1.2 aktualisiert (Stream-Templates)
+- **Empfehlung:** Backup der alten Konfigurationsdateien vor dem Update
+
+### API-Erweiterungen
+- `QueryHit.stream_origin`: Name des Ursprungs-Streams (optional)
+- `ChatResponse.intent`: Die gewählte WP-25 Strategie (optional)
+- `ChatResponse.intent_source`: Quelle der Intent-Erkennung (optional)
+
+## Dokumentation
+
+Alle relevanten Dokumente aktualisiert:
+- `03_tech_chat_backend.md`: Agentic Multi-Stream RAG, Intent-basiertes Routing, Wissens-Synthese
+- `03_tech_configuration.md`: decision_engine.yaml, prompts.yaml (Stream-Struktur)
+- `03_tech_api_reference.md`: Erweiterte DTOs (stream_origin, intent)
+
+## Versionen
+
+- Decision Engine: v1.0.3
+- Chat Router: v3.0.2
+- LLM Service: v3.4.2
+- DTOs: v0.7.1
+- Main: v1.0.0
+- decision_engine.yaml: v3.1.6
+- prompts.yaml: v3.1.2
+
+Closes #[issue-number]
+```

docs/99_Archive/WP25_release_notes.md

@@ -0,0 +1,268 @@
+# Release Notes: Mindnet v3.0.0 (WP25)
+
+**Release Date:** 2026-01-01  
+**Type:** Feature Release - Agentic Multi-Stream RAG Orchestration  
+**Branch:** WP25
+
+---
+
+## 🎯 Übersicht
+
+Diese Version markiert den Übergang von Mindnet von einer klassischen, linearen RAG-Architektur zu einer **Agentic Multi-Stream Engine**. Das System agiert nun als intelligenter Orchestrator, der Nutzeranfragen analysiert, in parallele Wissens-Streams aufteilt und diese zu einer kontextreichen, wertebasierten Antwort synthetisiert.
+
+---
+
+## ✨ Neue Features
+
+### Agentic Multi-Stream RAG Orchestration
+
+Mindnet führt nun **parallele Abfragen** in spezialisierten Wissens-Streams aus, anstatt einer einzelnen Suche:
+
+**Stream-Library:**
+* **Values Stream:** Extrahiert Identität, Ethik und Prinzipien (`value`, `principle`, `belief`, `trait`, `boundary`, `need`, `motivation`).
+* **Facts Stream:** Liefert operative Daten zu Projekten, Tasks und Status (`project`, `decision`, `task`, `goal`, `event`, `state`).
+* **Biography Stream:** Greift auf persönliche Erfahrungen und Journal-Einträge zu (`experience`, `journal`, `profile`, `person`).
+* **Risk Stream:** Identifiziert Hindernisse und potenzielle Gefahren (`risk`, `obstacle`, `bias`).
+* **Tech Stream:** Bündelt technisches Wissen, Code und Dokumentation (`concept`, `source`, `glossary`, `idea`, `insight`, `skill`, `habit`).
+
+**Vorteile:**
+* **Präzise Kontext-Ladung:** Jeder Stream fokussiert auf spezifische Wissensbereiche.
+* **Parallele Ausführung:** Alle Streams werden gleichzeitig abgefragt (asyncio.gather).
+* **Stream-Tracing:** Jeder Treffer wird mit `stream_origin` markiert für Feedback-Optimierung.
+* **Fehler-Resilienz:** Einzelne Stream-Fehler blockieren nicht die gesamte Anfrage.
+
+### Intent-basiertes Routing ("The Brain")
+
+Der Router wurde zu einem **hybriden System** erweitert, das Anfragen klassifiziert, bevor die Suche beginnt:
+
+**Strategien:**
+* **FACT_WHAT:** Wissen/Listen (z.B. "Was ist...", "Welche sind...").
+* **FACT_WHEN:** Zeitpunkte (z.B. "Wann...", "Datum...").
+* **DECISION:** Beratung (z.B. "Soll ich...", "Sollte ich...", "Empfehlung...").
+* **EMPATHY:** Reflexion (z.B. "Fühle...", "Stress...", "Angst...").
+* **CODING:** Technik (z.B. "Code...", "Python...", "Bug...").
+* **INTERVIEW:** Datenerfassung (z.B. "Neues Projekt...", "Erfahrung...").
+
+**Hybrid-Modus:**
+* **Keyword Fast-Path:** Sofortige Erkennung von Triggern wie "Soll ich" oder "Wann" ohne LLM-Call.
+* **LLM Slow-Path:** Komplexe semantische Analyse für unklare Anfragen.
+* **Type Keywords:** Automatische Erkennung von Objekt-Typen für Interview-Modus.
+
+**Vorteil:** Reduziert Latenz durch schnelle Keyword-Erkennung, nutzt LLM nur bei Bedarf.
+
+### Wissens-Synthese
+
+Die Zusammenführung der Daten erfolgt über spezialisierte Templates in der `prompts.yaml`:
+
+**Template-Struktur:**
+* Explizite Variablen für jeden Stream (z.B. `{values_stream}`, `{risk_stream}`).
+* **Pre-Initialization:** Alle möglichen Stream-Variablen werden vorab initialisiert (verhindert KeyErrors).
+* **Provider-spezifische Templates:** Separate Versionen für Ollama, Gemini und OpenRouter.
+
+**Synthese-Strategien:**
+* **FACT_WHAT/FACT_WHEN:** Kombiniert Fakten, Biographie und Technik.
+* **DECISION:** Wägt Fakten gegen Werte ab, evaluiert Risiken.
+* **EMPATHY:** Fokus auf Biographie und Werte.
+* **CODING:** Technik und Fakten.
+
+**Vorteil:** Ermöglicht dem LLM eine differenzierte Abwägung zwischen Fakten und persönlichen Werten.
+
+---
+
+## 🔧 Verbesserungen
+
+### Stream-Konfiguration & Typ-Synchronisation
+
+Jeder Stream nutzt individuelle **Edge-Boosts** und **Filter-Types**, die strikt mit der `types.yaml` (v2.7.0) synchronisiert sind:
+
+**Beispiele:**
+* **Values Stream:** `guides: 3.0`, `enforced_by: 2.5`, `based_on: 2.0`.
+* **Facts Stream:** `part_of: 2.0`, `depends_on: 1.5`, `implemented_in: 1.5`.
+* **Risk Stream:** `blocks: 2.5`, `impacts: 2.0`, `risk_of: 2.5`.
+
+**Vorteil:** Präzise Gewichtung der Graph-Kanten je nach Wissensbereich.
+
+### Template-Robustheit
+
+**Pre-Initialization:** Automatische Vor-Initialisierung aller Stream-Variablen in der `DecisionEngine` verhindert `KeyError`-Abstürze bei unvollständigen Konfigurationen.
+
+**Fallback-Mechanismus:** Bei Template-Fehlern wird ein vereinfachter Prompt mit allen verfügbaren Stream-Ergebnissen verwendet.
+
+### Ollama Context-Throttling
+
+Vor der Übergabe an Ollama prüft der Chat-Router, ob der Kontext (RAG-Hits) die Grenze von `MAX_OLLAMA_CHARS` überschreitet (Standard: 10.000) und kürzt diesen ggf.
+
+**Vorteil:** Verhindert VRAM-Überlastung bei großen Kontexten.
+
+---
+
+## 🐛 Bugfixes
+
+- ✅ **Behoben:** Vault-Import Performance - "Empty Response Guard" korrigiert, damit kurze Ingest-Antworten (YES/NO) nicht mehr fälschlicherweise langsame Fallbacks auslösen.
+- ✅ **Behoben:** Cloud-Resilienz - Sicherheitscheck für das `choices`-Array in `_execute_openrouter` implementiert, um JSON-Errors bei überlasteten APIs zu verhindern.
+- ✅ **Behoben:** Template-Robustheit - Automatische Vor-Initialisierung aller Stream-Variablen verhindert `KeyError`-Abstürze.
+- ✅ **Behoben:** Intent-Kollision - Generische Begriffe (wie "Projekt") wurden aus den Keyword-Triggern entfernt, um sicherzustellen, dass strategische Fragen (z.B. "Soll ich...?") korrekt als `DECISION` geroutet werden.
+
+---
+
+## ⚠️ Breaking Changes & Migration
+
+### Keine Migration erforderlich
+
+**WICHTIG:** Diese Version ist **rückwärtskompatibel**. Bestehende Vaults funktionieren ohne Re-Import.
+
+**Konfigurations-Updates:**
+* `decision_engine.yaml` wurde auf v3.1.6 aktualisiert (Multi-Stream Struktur).
+* `prompts.yaml` wurde auf v3.1.2 aktualisiert (Stream-Templates).
+* **Empfehlung:** Backup der alten Konfigurationsdateien vor dem Update.
+
+---
+
+## 📚 API-Änderungen
+
+### Erweiterte DTOs
+
+**QueryHit (erweitert):**
+```python
+class QueryHit(BaseModel):
+    # ... bestehende Felder ...
+    stream_origin: Optional[str] = None  # Neu: Name des Ursprungs-Streams
+```
+
+**ChatResponse (erweitert):**
+```python
+class ChatResponse(BaseModel):
+    # ... bestehende Felder ...
+    intent: Optional[str] = "FACT"  # Neu: Die gewählte WP-25 Strategie
+    intent_source: Optional[str] = "LLM_Router"  # Neu: Quelle der Intent-Erkennung
+```
+
+**Impact für API-Consumer:**
+* Frontend kann `stream_origin` für visuelle Kennzeichnung der Quellen nutzen.
+* `intent` und `intent_source` ermöglichen Debugging und Analytics.
+
+---
+
+## 📖 Dokumentation
+
+Alle relevanten Dokumente wurden aktualisiert:
+
+- ✅ `03_tech_chat_backend.md`: Agentic Multi-Stream RAG, Intent-basiertes Routing, Wissens-Synthese
+- ✅ `03_tech_configuration.md`: decision_engine.yaml, prompts.yaml (Stream-Struktur)
+- ✅ `03_tech_api_reference.md`: Erweiterte DTOs (stream_origin, intent)
+
+---
+
+## 🔄 Technische Details
+
+### Geänderte Module
+
+**Decision Engine:**
+- `app/core/retrieval/decision_engine.py`: Multi-Stream Orchestrator (v1.0.3)
+  - Paralleles Retrieval via `_execute_parallel_streams()`
+  - Stream-Tracing mit `stream_origin`
+  - Pre-Initialization der Stream-Variablen
+
+**Chat Router:**
+- `app/routers/chat.py`: Hybrid Router Integration (v3.0.2)
+  - Keyword Fast-Path + LLM Slow-Path
+  - Multi-Stream Orchestrierung
+  - Ollama Context-Throttling
+
+**LLM Service:**
+- `app/services/llm_service.py`: Ingest-Stability Patch (v3.4.2)
+  - Entfernung des <5-Zeichen Guards
+  - Empty Response Guard für OpenRouter
+  - Lazy Initialization der DecisionEngine
+
+**DTOs:**
+- `app/models/dto.py`: Stream-Tracing Support (v0.7.1)
+  - `stream_origin` in `QueryHit`
+  - `intent` und `intent_source` in `ChatResponse`
+
+**Main:**
+- `app/main.py`: Lifespan Management (v1.0.0)
+  - Startup-Integritäts-Check
+  - Ressourcen-Cleanup beim Shutdown
+  - Globale Fehlerbehandlung
+
+**Konfiguration:**
+- `config/decision_engine.yaml`: Multi-Stream Konfiguration (v3.1.6)
+- `config/prompts.yaml`: Stream-Templates (v3.1.2)
+
+### Versionsnummern
+
+- Decision Engine: **v1.0.3**
+- Chat Router: **v3.0.2**
+- LLM Service: **v3.4.2**
+- DTOs: **v0.7.1**
+- Main: **v1.0.0**
+- decision_engine.yaml: **v3.1.6**
+- prompts.yaml: **v3.1.2**
+
+---
+
+## 🚀 Upgrade-Pfad
+
+### Für Administratoren
+
+1. **Code aktualisieren:**
+   ```bash
+   git pull origin main
+   source .venv/bin/activate
+   pip install -r requirements.txt
+   ```
+
+2. **Konfiguration prüfen:**
+   ```bash
+   # Backup der alten Konfigurationen
+   cp config/decision_engine.yaml config/decision_engine.yaml.backup
+   cp config/prompts.yaml config/prompts.yaml.backup
+   
+   # Prüfen, ob neue Konfigurationen vorhanden sind
+   ls -la config/decision_engine.yaml config/prompts.yaml
+   ```
+
+3. **Services neu starten:**
+   ```bash
+   sudo systemctl restart mindnet-prod
+   sudo systemctl restart mindnet-ui-prod
+   ```
+
+### Für Entwickler
+
+- Keine Code-Änderungen erforderlich, wenn nur API genutzt wird
+- Frontend kann neue Felder (`stream_origin`, `intent`, `intent_source`) optional nutzen
+- Stream-Tracing ermöglicht Feedback-Optimierung pro Wissensbereich
+
+---
+
+## 📝 Bekannte Einschränkungen
+
+- **Stream-Parallelität:** Maximale Anzahl paralleler Streams ist durch asyncio-Limits begrenzt (typischerweise 5-10 Streams).
+- **Kontext-Größe:** Große Kontexte (>10.000 Zeichen) werden bei Ollama automatisch gekürzt.
+
+---
+
+## 🔮 Ausblick (WP-25a: Agentic Refinement)
+
+Auf Basis des stabilen WP-25 Fundaments sind folgende Erweiterungen geplant:
+
+* **Pre-Synthesis:** LLM-basierte Komprimierung überlanger Streams vor der finalen Antwortgenerierung.
+* **Kontext-Budgeting:** Intelligente Verteilung der verfügbaren Token auf die aktivierten Streams.
+* **Stream-specific Provider:** Zuweisung unterschiedlicher KI-Modelle pro Wissensbereich (z.B. lokales Ollama für Identitäts-Werte, Gemini für technische Fakten).
+
+---
+
+## 🙏 Danksagungen
+
+Diese Version wurde durch umfangreiche Architektur-Überarbeitung ermöglicht. Besonderer Fokus lag auf:
+- Transformation zu einer Agentic Multi-Stream Engine
+- Intelligente Intent-Erkennung mit Hybrid-Routing
+- Parallele Wissens-Synthese mit wertebasierter Abwägung
+- Robustheit und Fehler-Resilienz
+
+---
+
+**Vollständige Changelog:** Siehe Git-Commits für detaillierte Änderungen  
+**Support:** Bei Fragen siehe [Admin Operations Guide](../04_Operations/04_admin_operations.md)

docs/README.md

@@ -2,13 +2,13 @@
 doc_type: documentation_index
 audience: all
 status: active
-version: 2.9.1
+version: 2.9.3
 context: "Zentraler Einstiegspunkt für die Mindnet-Dokumentation"
 ---
 
 # Mindnet Dokumentation
 
-Willkommen in der Dokumentation von Mindnet v2.9.1! Diese Dokumentation hilft dir dabei, das System zu verstehen, zu nutzen und weiterzuentwickeln.
+Willkommen in der Dokumentation von Mindnet v2.9.3! Diese Dokumentation hilft dir dabei, das System zu verstehen, zu nutzen und weiterzuentwickeln.
 
 ## 🚀 Schnellstart