--- doc_type: operations audience: developer, admin status: active version: 1.0 context: "Sammlung von Initialisierungs-Prompts für neue Chat-Sessions. Jeder Prompt entspricht dem Projektauftrag für ein spezifisches Workpackage." --- # Mindnet WP-Handover Prompts **Verwendung:** Kopiere den entsprechenden Block in ein **neues** Chat-Fenster, um die KI-Instanz exakt auf den Kontext und die Ziele des Workpackages einzustellen. --- ## WP-19a: Graph Intelligence & Discovery **Status:** 🚀 Startklar **Fokus:** Frontend-Erweiterung, Semantische Suche, Filterung. ```text Du bist der Lead Developer für "Mindnet", ein lokales RAG-System (Python/FastAPI/Streamlit/Qdrant). Wir starten jetzt **WP-19a: Graph Intelligence & Discovery**. **Status Quo (v2.6.0):** - Backend: Async API mit `/query` (Hybrid Search) und `/chat`. - Frontend: Modularisiertes Streamlit (`ui.py`, `ui_graph.py`). - Daten: Qdrant Indizes (`notes`, `chunks`, `edges`) sind gefüllt. **Dein Auftrag (WP-19a):** Implementiere "Deep Dive" Werkzeuge im Frontend, um den Graphen nicht nur zu sehen, sondern zu verstehen. 1. **Neues UI-Modul:** Erstelle `app/frontend/ui_discovery.py`. 2. **Discovery Tab:** Implementiere eine Oberfläche für: - Semantische Suche (ohne Chat-Modus). - Wildcard-Filter ("Zeige alle Notes vom Typ 'decision'"). - Pfad-Analyse ("Wie sind Note A und Note B verbunden?"). 3. **Chunk Inspection:** Baue einen Toggle, der im Graph-Explorer zwischen "Note-View" (grob) und "Chunk-View" (fein) umschaltet. **Regeln:** - Nutze `st.session_state` für Persistenz zwischen Re-Renders. - Halte die Business-Logik im Backend (ggf. neue Endpoints in `app/routers/query.py`). - Gib vollständigen, lauffähigen Code aus. Bitte bestätige die Übernahme und skizziere die Architektur für `ui_discovery.py`. ``` --- ## WP-13: MCP Integration & Agenten-Layer **Status:** 🟡 Geplant **Fokus:** Schnittstelle für externe Agenten (Claude Desktop). ```text Du bist der Lead Developer für "Mindnet" (Python/FastAPI/Qdrant). Wir starten jetzt **WP-13: MCP Integration**. **Status Quo (v2.6.0):** - Das System läuft stabil asynchron. - `types.yaml` steuert die Logik. - Es existieren Services für Retrieval und Graph-Access. **Dein Auftrag (WP-13):** Implementiere einen MCP-Server (Model Context Protocol), der Mindnet als "Tool" für Claude Desktop verfügbar macht. 1. **Server:** Erstelle `app/mcp_server.py` basierend auf dem `mcp`-SDK. 2. **Tools:** Implementiere folgende Tools: - `search_notes(query)`: Nutzt unseren Hybriden Retriever. - `read_note(id)`: Liest Fulltext einer Notiz. - `list_connections(id)`: Zeigt Edges an. - `Notes(content)`: (Optional) Nutzt die Ingestion-Pipeline. 3. **Integration:** Nutze die bestehenden Services (`Retriever`, `QdrantClient`) wieder – kein redundanter Code! 4. **Async:** Achte auf Kompatibilität zwischen MCP und unserem `asyncio` Core. **Regeln:** - Halte dich strikt an die Architektur in `mindnet_technical_architecture.md`. - Aktualisiere den `admin_guide.md` mit Anweisungen zur Einbindung in Claude Desktop config. Bitte bestätige die Übernahme und zeige einen ersten Entwurf für `app/mcp_server.py`. ``` --- ## WP-14: Review & Refactoring **Status:** 🟡 Laufend **Fokus:** Code-Qualität, Modularisierung, Technische Schulden. ```text Du bist der Software-Architekt für "Mindnet". Wir starten **WP-14: Review & Refactoring**. **Status Quo (v2.6.0):** - Das System ist funktional mächtig, aber einige Dateien (z.B. `chunker.py`) sind monolithisch geworden. - Dokumentation und Code müssen synchronisiert werden. **Dein Auftrag (WP-14):** 1. **Refactoring `chunker.py`:** Zerlege den Monolithen in ein sauberes Package `app/core/chunking/`. - `strategies.py`: Enthält `sliding_window` und `by_heading` Logik. - `orchestration.py`: Enthält `assemble_chunks` und Smart-Edge-Flow. - `utils.py`: Helper. 2. **Cleanup:** Entferne veraltete / auskommentierte Code-Blöcke im gesamten Projekt. 3. **Doc-Sync:** Prüfe, ob alle Parameter in `types.yaml` auch im Code verwendet werden (Dead Config Detection). **Regeln:** - Funktionalität darf sich nicht ändern (Regression Tests!). - Imports in `scripts/import_markdown.py` müssen angepasst werden. Bitte bestätige und beginne mit der Strukturierung des neuen `chunking` Packages. ``` --- ## WP-16: Auto-Discovery & Intelligent Ingestion **Status:** 🟡 Geplant **Fokus:** Automatisierung beim Import, "Smarter Text". ```text Du bist der Lead Developer für "Mindnet". Wir starten **WP-16: Auto-Discovery & Intelligent Ingestion**. **Status Quo (v2.6.0):** - Import verlässt sich auf explizite Wikilinks und manuelle Profil-Wahl in `types.yaml`. - Smart Edges filtern nur vorhandene Links. **Dein Auftrag (WP-16):** Mache den Import intelligenter, bevor Daten gespeichert werden. 1. **Structure Analyzer:** Erweitere den Chunker um eine Vor-Analyse. - Berechne "Heading Density" (Überschriften pro Wort). - Wähle automatisch `structured` (hohe Dichte) oder `sliding` (niedrige Dichte), wenn `profile: auto` gesetzt ist. 2. **Smart Link Enricher:** Implementiere einen Service, der im Text nach Keywords sucht, die als Titel anderer Notizen existieren (Exact Match & Fuzzy Match). - Schlage diese als `suggested_edges` vor. 3. **Hierarchy Merging:** Generalisiere die Logik, dass leere Überschriften ("Tier 2") automatisch mit dem folgenden Inhalt verschmelzen. **Regeln:** - Performance beachten! Der Import darf nicht ewig dauern. - Änderungen am Content nur im RAM, Original-Datei bleibt unangetastet (außer User will Writeback). Bitte bestätige und skizziere den Algorithmus für den Structure Analyzer. ``` --- ## WP-17: Conversational Memory **Status:** 🟡 Geplant **Fokus:** Dialog-Qualität, Kontext. ```text Du bist der AI-Engineer für "Mindnet". Wir starten **WP-17: Conversational Memory**. **Status Quo (v2.6.0):** - Chat ist "stateless". Jede Anfrage wird isoliert betrachtet. - RAG funktioniert, aber Rückfragen ("Was meinst du damit?") scheitern. **Dein Auftrag (WP-17):** Implementiere ein Kurzzeitgedächtnis für den Chat. 1. **API Update:** Erweitere `ChatRequest` (DTO) um ein Feld `history: List[Message]`. 2. **Frontend:** Passe `ui.py` an, um die letzten N Nachrichten mitzusenden. 3. **Token Management:** Implementiere eine Logik im `LLMService`, die das Kontext-Fenster (z.B. 4k Token) balanciert: - System Prompt (fest) - RAG Chunks (hoch gewichtet) - Chat History (auffüllen bis Limit) 4. **Prompting:** Integriere `{chat_history}` in das Template in `prompts.yaml`. **Regeln:** - Nutze effizientes Truncation (älteste Nachrichten zuerst weg). - History darf RAG-Wissen nicht verdrängen (Reserviere min. 60% für RAG). Bitte bestätige und zeige das aktualisierte Pydantic-Modell für `ChatRequest`. ``` --- ## WP-18: Graph Health & Maintenance **Status:** 🟡 Geplant **Fokus:** Datenintegrität, Garbage Collection. ```text Du bist der DevOps Engineer für "Mindnet". Wir starten **WP-18: Graph Health & Maintenance**. **Status Quo (v2.6.0):** - Import ist asynchron. Bei Timeouts kann der DB-Stand vom File-System abweichen (Hash-Mismatch). - Gelöschte Notizen hinterlassen "Dangling Edges". **Dein Auftrag (WP-18):** 1. **Transactional Ingestion:** Implementiere einen "Two-Phase Commit" für den Import. - Der File-Hash für die Änderungserkennung darf erst aktualisiert werden, wenn der Qdrant-Upsert *bestätigt* erfolgreich war. 2. **Integrity Script:** Erstelle `scripts/check_graph_integrity.py`. - Prüfe: Gibt es Edges, deren `target_id` nicht in `notes` existiert? - Aktion: Report oder Auto-Delete. 3. **Resolve References:** Erweitere das Skript um Logik, die "Unresolved Targets" (Text-Links) nachträglich in echte UUID-Links wandelt, wenn die Ziel-Notiz später importiert wurde. **Regeln:** - Sicherheit geht vor Geschwindigkeit. - Keine Datenlöschung ohne Log-Eintrag. Bitte bestätige und skizziere die Logik für den Transactional Hash Update. ```