--- doc_type: user_manual audience: user, author scope: vault, markdown, schema status: active version: 2.8.0 context: "Regelwerk für das Erstellen von Notizen im Vault. Die 'Source of Truth' für Autoren." --- # Knowledge Design Manual **Quellen:** `knowledge_design.md`, `types.yaml` ## ⚡ Die 5 Goldenen Regeln (TL;DR) Damit Mindnet als dein Digitaler Zwilling funktioniert, beachte beim Schreiben diese Grundsätze: 1. **Atomare Gedanken:** Eine Notiz = Ein Thema. Wenn du über zwei Projekte schreibst, mach zwei Notizen draus. 2. **Explizite Typen:** Setze immer den `type` im Frontmatter. Mindnet behandelt eine `decision` ("Wir machen X") völlig anders als ein `concept` ("Was ist X"). 3. **Semantische Links:** Schreibe nicht nur `[[Link]]`, sondern `[[rel:depends_on Link]]`. Sag dem System *wie* Dinge zusammenhängen. 4. **Werte & Ziele definieren:** Damit die **Decision Engine** dich beraten kann, musst du deine Kriterien (`type: value`, `type: goal`) explizit als Notizen anlegen. 5. **Emotionales Bridging:** Damit die **Empathie** funktioniert, nutze in Erfahrungsberichten (`type: experience`) emotionale Schlüsselwörter ("Krise", "Freude", "Angst"). 6. **[NEU] Narrative Tiefe (Fleisch am Knochen):** Fakten allein reichen für Sessions und Biografien nicht aus. Erhalte die "Warum"-Ebene und Coach-Interpretationen. Die Erzählebene sichert, dass die KI die *Intention* versteht und der Mensch die *Bedeutung* nachvollziehen kann. --- ## 1. Zweck & Scope Mindnet ist mehr als eine Dokumentablage. Es ist ein vernetztes System, das deine Persönlichkeit abbildet. Die Markdown-Dateien in deinem Vault sind die **einzige Quelle der Wahrheit** ("Source of Truth"). Was nicht im Markdown steht, existiert für das System nicht. --- ## 2. Note-Struktur & Frontmatter Jede Notiz benötigt einen YAML-Header (Frontmatter). **Pflichtfelder:** ```yaml --- id: 20251212-projekt-alpha # Eindeutige Kennung (YYYYMMDD-slug empfohlen) title: Projekt Alpha # Sprechender Titel type: project # Steuert Chunking & Wichtigkeit status: active # active, archived, draft created: 2025-12-12 # ISO 8601 tags: [ki, entwicklung] # Taxonomie --- ``` ### **2.1 [NEU] Naming Convention: Intuitiv vs. Technisch** Für die Benutzerfreundlichkeit und die intuitive Navigation in Obsidian wird die Nutzung von **menschenlesbaren Titeln** bevorzugt (z. B. `Mein Persönliches Leitbild 2025` statt `leitbild_identity`). - Die technische Eindeutigkeit wird primär über die `id` im Frontmatter sichergestellt. - Die KI nutzt die Semantik des Dateinamens als zusätzlichen Kontext-Vektor. ### 2.2 Advanced Overrides: Die KI-Steuerung übernehmen In 95% der Fälle setzt der `type` (z.B. "concept") automatisch die richtigen Einstellungen. In Spezialfällen kannst du diese manuell im Frontmatter überschreiben, um das Verhalten der KI zu erzwingen. #### A. `retriever_weight`: Die Sichtbarkeit steuern Dieser Faktor (Default: 1.0) ist ein Multiplikator für das Ranking in der Vektorsuche. Er entscheidet, welche Notiz "gewinnt", wenn zwei Texte inhaltlich ähnlich sind. * **Standard (1.0):** Normale Wichtigkeit. * **Boost (1.2 - 2.0):** "Das hier ist die Wahrheit." * *Einsatz:* Finale Entscheidungen, Kernprinzipien, die "Single Source of Truth". * *Effekt:* Verdrängt weniger wichtige Notizen (z.B. Meeting-Protokolle) aus dem Kontext-Fenster der KI. * **Deboost (0.5 - 0.8):** "Nur Kontext, keine Fakten." * *Einsatz:* Glossare, externe Quellen (`source`), reine Datensammlungen. * *Effekt:* Die Notiz wird nur gefunden, wenn man sehr spezifisch danach sucht. #### B. `chunking_profile`: Die Zerstückelung steuern Das Profil bestimmt, wie der Text für die Datenbank zerschnitten wird. Falsches Chunking zerreißt den Kontext. Wähle das Profil basierend auf der **Struktur** deines Textes. | Profil-Name | Strategie | Einsatzzweck & Wirkung | | :--- | :--- | :--- | | **`sliding_standard`** | Sliding Window | **Der Allrounder.** Für Fließtexte (Tagebuch, Artikel). Der Text wird in überlappende Fenster geschnitten. Gut, wenn der Inhalt von oben nach unten fließt. | | **`sliding_short`** | Sliding Window (Klein) | **Für Dichte.** Für Texte mit sehr hoher Informationsdichte (Glossare, Task-Listen), wo jeder Satz wichtig ist. Erzeugt viele kleine Chunks. | | **`sliding_smart_edges`** | Sliding + AI | **Der Intelligente.** Wie Standard, aber das LLM analysiert jeden Chunk zusätzlich auf implizite Querverweise. Standard für `concept` und `project`. | | **`structured_smart_edges`** | Heading Split (Soft) | **Für Strukturierte Texte.** Trennt an Überschriften (H2). *Besonderheit:* Wenn ein Abschnitt sehr kurz ist, wird er mit dem nächsten verschmolzen ("Soft Mode"), um den Kontext zu wahren. | | **`structured_smart_edges_strict`** | Heading Split (Hard) | **Für Listen & Kataloge.** Trennt *zwingend* an jeder H2-Überschrift. Verhindert das Verschmelzen.
**Wichtig für:** `decision` (Option A darf nicht mit Option B verschmelzen), `value`, `profile`. | **Beispiel für ein Override:** ```yaml --- title: Sammlung meiner Passwörter-Regeln type: list # Wir erzwingen eine strikte Trennung, damit Regel 1 nicht mit Regel 2 vermischt wird. chunking_profile: structured_smart_edges_strict # Extrem wichtig, soll immer beachtet werden. retriever_weight: 1.5 --- ``` --- ## 3. Typ-Referenz & Verhalten Wähle den Typ, der die **Rolle** der Notiz am besten beschreibt. Der Typ setzt die Defaults für die oben genannten Parameter. | Typ | Default Profil | Default Gewicht | Einsatzzweck | | :--- | :--- | :--- | :--- | | **`concept`** | `sliding_smart_edges` | 0.60 | Fachbegriffe, Theorien. Zeitloses Wissen. | | **`project`** | `sliding_smart_edges` | 0.97 | Aktive Vorhaben mit Ziel und Status. | | **`experience`**| `sliding_smart_edges` | **1.10 [NEU]** | Biografische Lektionen & Prägungen. | | **`insight` [NEU]** | `sliding_smart_edges` | **1.20** | Konkrete Beobachtungen/Erkenntnisse (z.B. Erziehung). | | **`trait` [NEU]** | `structured_..._strict`| **1.10** | Persönliche Eigenschaften & Potenziale. | | **`obstacle` [NEU]**| `structured_..._strict`| **1.00** | Ängste, Blockaden & Hindernisse. | | **`decision`** | **`structured_..._strict`** | **1.00** | Entscheidungen. Muss atomar getrennt sein (Optionen vs. Ergebnis). | | **`value`** | **`structured_..._strict`** | **1.00** | Werte/Prinzipien. | | **`principle`**| `structured_..._strict_L3`| 0.95 | Handlungsleitlinien (Trennt bis Ebene H3). | | **`goal`** | `sliding_smart_edges` | 0.95 | Strategische Ziele (Nordsterne). | | **`risk`** | `sliding_short` | 0.85 | Risiken (kurz und prägnant). | | **`journal`** | `sliding_standard` | 0.80 | Zeitbezogene Logs. | | **`source`** | `sliding_standard` | 0.50 | Externe Quellen (niedrig gewichtet). | --- ## 4. Edges & Verlinkung Mindnet versteht Zusammenhänge durch Kanten. ### 4.1 Inline-Relationen (Semantische Verknüpfung) Dies ist die **mächtigste** Methode. Du sagst dem System explizit, **wie** Dinge zusammenhängen. > "Daher [[rel:depends_on Qdrant]]." > "Dieses Konzept ist [[rel:similar_to Pinecone]]." **Gültige Relationen:** * `depends_on`: Hängt ab von / Benötigt. * `blocks`: Blockiert oder gefährdet (z.B. Risiko -> Projekt). * `caused_by`: Wurde verursacht durch (Kausalität). * `similar_to`: Ähnelt / Ist vergleichbar mit. * `solves`: Löst (Problem). * `based_on`: Basiert auf (Fundament). * **`prev` / `next` [NEU]**: Markiert chronologische oder evolutionäre Abfolgen (z.B. Leitbild-Evolution). ### 4.2 Callout-Edges Für Zusammenfassungen am Ende einer Notiz: ```markdown > [!edge] related_to: [[Vector Embeddings]] [[AI Agents]] ``` --- ## 5. Schreiben für den KI-Zwilling (Szenarien) Damit der **RAG-Chat** dich berät, musst du "Futter" für die Decision Engine liefern. ### Szenario A: Decision Engine (`DECISION`) * **Ziel:** Das System soll abwägen: "Passt Tool X zu mir?" * **Vorgehen:** Erstelle Notizen mit `type: value` oder `type: goal`. * **Effekt:** Wenn du fragst "Soll ich Notion nutzen?", lädt die Engine diese Notiz und antwortet: *"Nein, Notion ist SaaS ohne E2E. Das verletzt dein Prinzip der Datensparsamkeit."* ### Szenario B: Empathie (`EMPATHY`) * **Ziel:** Das System soll dich verstehen. * **Vorgehen:** Erstelle `type: experience` mit **emotionalen Brückenwörtern**. **Beispiel Notiz:** ```yaml --- type: experience title: Erfahrung: Der Durchbruch nach der Krise tags: [krise, hoffnung, grau, angst] --- Es gibt Projektphasen, da wirkt alles **sinnlos** und **grau**. Ich habe gelernt: Das ist oft das Zeichen kurz vor dem Durchbruch. ``` * **Effekt:** Bei "Alles ist grau" findet das System diese Notiz und spiegelt die Lektion zurück. ### **Szenario C: Forward-Mapping (Lücken-Analyse) [NEU]** * **Ziel:** Strategische Wissenslücken füllen. * **Vorgehen:** Erstelle Hub-Notizen mit Forward-Links auf noch nicht existierende Dateien (z. B. `[[Besten Version meiner Selbst]]`). * **Effekt:** Das System erkennt die semantische Bedeutung des geplanten Wissens und kann proaktiv Fragen stellen, um diese Lücken zu schließen. ### **Szenario D: Narratives Gedächtnis (Intention) [NEU]** * **Ziel:** Das System soll verstehen, *warum* eine Entscheidung getroffen wurde, um in ähnlichen künftigen Situationen konsistent zu beraten. * **Vorgehen:** Nutze in `journal`- oder `experience`-Notizen Abschnitte für "Hintergrund" und "Interpretation". * **Beispiel:** Statt "Wert: Disziplin" schreibe "Ich wähle Disziplin, weil ich in meiner Kindheit erlebt habe, wie Willkür schadet." * **Effekt:** Die KI spiegelt nicht nur die Regel, sondern die Überzeugung dahinter. --- ## 6. Best Practices & Beispiele ### 6.1 Beispiel: Projekt-Notiz (Standard) Projekte profitieren von `depends_on`, um Abhängigkeiten zu klären. ```markdown --- id: 20251115-proj-mindnet title: Mindnet Implementierung type: project status: active --- # Mindnet Implementierung Wir bauen ein persönliches Wissensnetz. ## Tech Stack Wir nutzen [[rel:depends_on Qdrant]] für die Vektorsuche und [[rel:depends_on FastAPI]] für das Backend. ## Architektur Das Konzept basiert auf [[RAG Architecture]]. ``` ### 6.2 Beispiel: Advanced Tuning (Manuelles Override) Hier zwingen wir das System, eine Entscheidung extrem kleinteilig (`strict`) zu zerlegen und in der Suche maximal zu priorisieren. ```markdown --- id: 20251120-adr-vektordb title: ADR: Wahl von Qdrant type: decision status: final tags: [architektur, db] chunking_profile: structured_smart_edges_strict retriever_weight: 1.5 --- # Entscheidung: Qdrant Wir haben uns für Qdrant entschieden. ## Alternativen Wir haben auch [[rel:similar_to Pinecone]] und [[rel:similar_to Weaviate]] betrachtet. ``` --- ## 7. Virtual Schema Layer Grundsätzlich gilt das Prinzip des **Virtual Schema Layers**. Die Logik (wie `chunk_size`) wird zentral in der `types.yaml` verwaltet. **Aber:** Als Power-User hast du über die Overrides jederzeit die Möglichkeit, aus diesem Standard auszubrechen.