All checks were successful
Deploy mindnet to llm-node / deploy (push) Successful in 4s
1.5 KiB
1.5 KiB
Architecture Snapshot v2.2.1
Stand: Nach Abschluss von WP-04c Kontext: Wichtig für WP-05 Entwicklung.
1. Neue Komponenten (Seit v2.2.0)
A. Feedback Service (app/services/feedback_service.py)
- Zweck: Logging von Trainingsdaten für späteres Self-Tuning (WP-08).
- Storage: Lokale JSONL-Dateien in
data/logs/(Append-Only).search_history.jsonl: Query + Snapshot der Ergebnisse (Scores).feedback.jsonl: User-Rating zu spezifischernode_id.
B. Explanation Layer (app/core/retriever.py)
- Logik: Der Retriever berechnet nicht nur Scores, sondern generiert
Explanation-Objekte. - Graph:
Subgraph(ingraph_adapter.py) führt jetzt auchreverse_adj(Incoming Edges), um zu erklären, warum ein Knoten wichtig ist ("Referenziert von...").
C. DTOs (app/models/dto.py)
Das Datenmodell wurde massiv erweitert. Wichtige Klassen für WP-05:
QueryResponse: Enthält jetztquery_id(UUID).QueryHit: Enthält optionalexplanation(TypExplanation).FeedbackRequest: Für den Feedback-Loop.
2. Implikationen für WP-05 (Chat)
- Logging: Auch der neue
/chatEndpoint sollte idealerweise diequery_idloggen oder nutzen, um Konsistenz zu wahren. - DTO-Nutzung: Der Chat-Service wird intern den Retriever aufrufen. Er muss mit den
QueryHit-Objekten arbeiten, um den Kontext für das LLM zu bauen. - Config: Die Persönlichkeit wird in
config/prompts.yamldefiniert (Late Binding), nicht im Python-Code hardcodiert.