Lars/mindnet
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases 21 Wiki Activity

21 Releases 37 Tags

RSS Feed
  • v.2.9.1-WP14_WP19b 23b1cb2966
    Compare

    2.9.1 – "The Modular Leap"
    All checks were successful
    Deploy mindnet to llm-node / deploy (push) Successful in 4s
    Details
    Stable

    Lars released this 2025-12-27 22:17:29 +01:00 | 176 commits to main since this release

    Release Note v2.9.1 – "The Modular Leap"

    Release-Datum: 2025-12-27
    Status: Stable
    Workpackages: WP-14, WP-15b

    Zusammenfassung

    Mindnet v2.9.1 stellt einen Meilenstein in der Wartbarkeit und Intelligenz des Systems dar. Durch die vollständige Modularisierung der Kern-Komponenten wurde das Fundament für zukünftige agentische Features gelegt. Die neue Two-Pass Ingestion garantiert eine bisher unerreichte Präzision bei der automatischen Vernetzung von Wissen.

    Highlights

    1. Architektur-Modularisierung (WP-14)

    • Domain-Driven Design: Die Geschäftslogik wurde in vier Pakete (database, ingestion, retrieval, graph) separiert, was die Testbarkeit und Entkopplung massiv erhöht.
    • Registry-Pattern: Eine zentrale registry.py fungiert als Single Source of Truth für Typen und Textbereinigungen, wodurch kritische Import-Schleifen beseitigt wurden.
    • Legacy-Support: Dank neu eingeführter Proxy-Bridges bleiben bestehende Integrationen und API-Endpunkte voll funktionsfähig.

    2. Two-Pass Ingestion & Smart Edges (WP-15b)

    • Globaler Kontext-Cache: In einem initialen Pre-Scan (Pass 1) erfasst das System Metadaten und Summaries des gesamten Vaults.
    • Präzisions-Validierung: Chunks werden nun nicht mehr "blind" analysiert, sondern die KI validiert Link-Kandidaten semantisch gegen den globalen LocalBatchCache.
    • Integrität: Halluzinationen bei Kanten-Typen werden durch striktes Registry-Enforcement unterbunden.

    3. Mathematisches Scoring (WP-22 Integration)

    • Die Scoring-Engine wurde isoliert und berechnet die Relevanz nun präzise basierend auf dem Lifecycle-Status (stable/draft) und dynamischen Intent-Boosts.

    Technische Details

    • Datenmodell: Unterstützung für Multi-Hashes (Body/Full) für hocheffiziente Change-Detection.
    • Datenbank: Einführung von Named Vectors Support via MINDNET_VECTOR_NAME Konfiguration.
    • Dokumentation: Vollständiges Update des Developer Guides und der technischen Referenzen auf v2.9.1 Stand.

    Hinweis: Ein Full Rebuild des Index mit python3 -m scripts.import_markdown --apply --force wird empfohlen, um von der neuen Kanten-Validierung zu profitieren.

    Downloads