# Mindnet v2.2 – Admin Guide **Datei:** `docs/mindnet_admin_guide_v2.2.md` **Stand:** 2025-12-10 **Status:** **FINAL** (Inkl. Frontend Deployment) **Quellen:** `Handbuch.md`, `mindnet_developer_guide_v2.2.md`. > Dieses Handbuch richtet sich an **Administratoren**. Es beschreibt Installation, Konfiguration, Backup-Strategien, Monitoring und den sicheren Betrieb der Mindnet-Instanz (API + UI + DB). --- ## 1. Zielgruppe & Scope Mindnet ist als **Multi-Service-Architektur** konzipiert, die lokal oder auf einem privaten Server läuft. Wir unterscheiden strikt zwischen: * **Production:** Backend (8001) + Frontend (8501). Stabiler `main` Branch. * **Development:** Backend (8002) + Frontend (8502). Experimentelle Feature-Branches. --- ## 2. Initial Setup & Installation ### 2.1 Systemvoraussetzungen * **OS:** Linux (Ubuntu 22.04+ empfohlen) oder macOS. * **Runtime:** Python 3.10+, Docker (für Qdrant), Ollama (für LLM). * **Hardware:** * CPU: 4+ Cores empfohlen (für Import & Inference). * RAM: Min. 8GB empfohlen (4GB System + 4GB für Phi-3/Qdrant). * Disk: SSD empfohlen für Qdrant-Performance. ### 2.2 Installation (Code) # 1. Repository klonen git clone /home/llmadmin/mindnet cd /home/llmadmin/mindnet # 2. Umgebung einrichten python3 -m venv .venv source .venv/bin/activate # 3. Dependencies installieren (inkl. Streamlit) pip install -r requirements.txt # 4. Verzeichnisse anlegen mkdir -p logs qdrant_storage data/logs ### 2.3 Qdrant Setup (Docker) Wir nutzen Qdrant als Vektor-Datenbank. Persistenz ist wichtig. docker run -d \ --name mindnet_qdrant \ --restart always \ -p 6333:6333 \ -v $(pwd)/qdrant_storage:/qdrant/storage \ qdrant/qdrant ### 2.4 Ollama Setup (LLM Service) Mindnet benötigt einen lokalen LLM-Server für den Chat. # 1. Installieren (Linux Script) curl -fsSL [https://ollama.com/install.sh](https://ollama.com/install.sh) | sh # 2. Modell laden (Phi-3 Mini für CPU-Performance) ollama pull phi3:mini # 3. Testen curl http://localhost:11434/api/generate -d '{"model": "phi3:mini", "prompt":"Hi"}' ### 2.5 Konfiguration (ENV) Erstelle eine `.env` Datei im Root-Verzeichnis. Die neuen Settings für WP-06 (Timeout, Decision Config) sind essenziell für stabilen Betrieb auf CPUs. # Qdrant Verbindung QDRANT_URL="http://localhost:6333" # Mindnet Core Settings COLLECTION_PREFIX="mindnet" MINDNET_TYPES_FILE="./config/types.yaml" # LLM / RAG Settings MINDNET_LLM_MODEL="phi3:mini" MINDNET_OLLAMA_URL="[http://127.0.0.1:11434](http://127.0.0.1:11434)" # Config & Timeouts MINDNET_PROMPTS_PATH="./config/prompts.yaml" MINDNET_DECISION_CONFIG="./config/decision_engine.yaml" MINDNET_LLM_TIMEOUT=300.0 ### 2.6 Deployment via Systemd (Backend & Frontend) Mindnet benötigt zwei Services pro Umgebung: API (Uvicorn) und UI (Streamlit). **Production Backend (`/etc/systemd/system/mindnet-prod.service`):** [Unit] Description=Mindnet API Prod (8001) After=network.target [Service] User=llmadmin Group=llmadmin WorkingDirectory=/home/llmadmin/mindnet ExecStart=/home/llmadmin/mindnet/.venv/bin/uvicorn app.main:app --host 0.0.0.0 --port 8001 --env-file .env Restart=always RestartSec=5 [Install] WantedBy=multi-user.target **Production Frontend (`/etc/systemd/system/mindnet-ui-prod.service`):** [Unit] Description=Mindnet UI Prod (8501) After=mindnet-prod.service [Service] User=llmadmin Group=llmadmin WorkingDirectory=/home/llmadmin/mindnet # Environment Variables Environment="MINDNET_API_URL=http://localhost:8001" Environment="MINDNET_API_TIMEOUT=300" Environment="STREAMLIT_SERVER_PORT=8501" Environment="STREAMLIT_SERVER_ADDRESS=0.0.0.0" Environment="STREAMLIT_SERVER_HEADLESS=true" ExecStart=/home/llmadmin/mindnet/.venv/bin/streamlit run app/frontend/ui.py Restart=always RestartSec=5 [Install] WantedBy=multi-user.target **Firewall (UFW):** Öffne die Ports für den Zugriff: sudo ufw allow 8501/tcp # Prod UI sudo ufw allow 8502/tcp # Dev UI (falls gewünscht) --- ## 3. Betrieb im Alltag ### 3.1 Regelmäßige Importe Der Vault-Zustand sollte regelmäßig (z.B. stündlich per Cronjob) nach Qdrant synchronisiert werden. **Cronjob-Beispiel (stündlich):** 0 * * * * cd /home/llmadmin/mindnet && .venv/bin/python3 -m scripts.import_markdown --vault /path/to/vault --prefix "mindnet" --apply --purge-before-upsert --sync-deletes >> ./logs/import.log 2>&1 ### 3.2 Health-Checks Prüfe regelmäßig, ob alle Komponenten laufen. sudo systemctl status mindnet-prod sudo systemctl status mindnet-ui-prod sudo systemctl status ollama ### 3.3 Logs & Monitoring * **Backend Fehler:** `journalctl -u mindnet-prod -f` * **Frontend Fehler:** `journalctl -u mindnet-ui-prod -f` * Achte auf "Timeout"-Meldungen im Frontend, wenn das Backend zu langsam antwortet. * **LLM Fehler:** `journalctl -u ollama -f` * **Fachliche Logs:** `data/logs/search_history.jsonl` --- ## 4. Update-Prozess Wenn neue Versionen ausgerollt werden (Deployment): 1. **Code aktualisieren:** cd /home/llmadmin/mindnet git pull origin main 2. **Dependencies prüfen:** source .venv/bin/activate pip install -r requirements.txt 3. **Dienste neustarten (Zwingend!):** sudo systemctl restart mindnet-prod sudo systemctl restart mindnet-ui-prod 4. **Schema-Migration (falls nötig):** python3 -m scripts.import_markdown ... --apply --- ## 5. Backup & Restore Datensicherheit ruht auf drei Säulen: Vault (Source), Qdrant (Index), JSONL-Logs (Lern-Daten). ### 5.1 Vault-Backup (Priorität 1) Der Markdown-Vault ist die **Single Source of Truth**. ### 5.2 Qdrant-Snapshots (Priorität 2) Für schnelle Wiederherstellung des Suchindex. docker stop mindnet_qdrant tar -czf qdrant_backup_$(date +%F).tar.gz ./qdrant_storage docker start mindnet_qdrant ### 5.3 Log-Daten (Priorität 3) Sichere den Ordner `data/logs/`. Verlust dieser Daten bedeutet Verlust des Trainingsmaterials für Self-Tuning. ### 5.4 Notfall-Wiederherstellung (Rebuild) Wenn die Datenbank korrupt ist: # 1. DB komplett leeren (Wipe) python3 -m scripts.reset_qdrant --mode wipe --prefix "mindnet" --yes # 2. Alles neu importieren python3 -m scripts.import_markdown --vault /path/to/vault --prefix "mindnet" --apply --- ## 6. Governance & Sicherheit ### 6.1 Zugriffsschutz Mindnet hat aktuell **keine integrierte Authentifizierung**. * **Frontend:** Streamlit auf Port 8501 ist offen. Nutze Nginx Basic Auth oder VPN. * **API:** Sollte nicht direkt im öffentlichen Netz stehen. * **Qdrant:** Auf `127.0.0.1` beschränken. ### 6.2 Typen-Governance Änderungen an der `types.yaml` (z.B. neue Gewichte) wirken global und erfordern Tests.