Lars/mindnet
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases 21 Wiki Activity
1eee189a49
mindnet/Programmmanagement/Programmplan_V2.2.md
Lars faaa3ef55f dokumentation WP15
2025-12-12 22:54:59 +01:00

26 KiB
Raw Blame History

mindnet v2.4 — Programmplan

Version: 2.6.0 (Inkl. WP-15 Smart Edge Allocation) Stand: 2025-12-12 Status: Aktiv

1. Programmauftrag

mindnet v2.4 entwickelt ein persönliches, wachsendes KI-Gedächtnis, das:

  • Wissen, Erfahrungen, Werte und Entscheidungen speichert,
  • diese Informationen semantisch verknüpft und rekonstruierbar macht,
  • einen KI-Zwilling aufbaut, der ähnlich argumentiert, entscheidet und reflektiert wie du,
  • über mehrere Kanäle gefüttert wird:
    • Obsidian-Markdown (primäre Quelle),
    • Chat-basierter Agent (Decision Engine & RAG-Chat aktiv),
    • Interview-Assistent (One-Shot Extraction aktiv),
    • Draft Editor (Active Intelligence aktiv),
  • automatisch neue Zusammenhänge erkennt und vernetzt (Edges, Typen, Hinweise),
  • sich durch Rückmeldungen (Feedback) selbst verbessert (Self-Tuning).

Langfristig soll mindnet als digitales Gegenüber funktionieren, das:

  • dich versteht,
  • deine Denkweise reflektiert,
  • deine Werte kennt und verwendet,
  • Entscheidungen begründen kann („Warum?“),
  • Erinnerungen einordnet,
  • und für deine Nachkommen als dialogfähiger Gesprächspartner zur Verfügung steht.

mindnet ist kein statisches Wissensarchiv, sondern ein lebendes, lernendes Gedächtnismodell mit Fokus auf:

  • persönliche Perspektive,
  • erklärbare Begründungspfade (Why-Layer),
  • kontinuierliche Erweiterbarkeit,
  • robuste technische Basis (lokal, nachvollziehbar, versioniert).

2. Vision

„Ein persönliches semantisches Gedächtnis, das mit mir wächst, meine Persönlichkeit spiegelt und mir als intelligenter, erklärbarer, lernender Begleiter dient.“

Kernprinzipien der Vision:

  • Erklärbarkeit: Jede Antwort muss über Edges, Scores, Werte-Bezüge und Herkunftsnotizen begründbar sein. Das System kann Entscheidungen auf zugrundeliegende [DECISION]-Notizen zurückführen.

  • Wachstum: Das System arbeitet von Anfang an mit unvollständigen Daten, kann aber schrittweise dichter werden, ohne dass alte Notizen massenhaft manuell angepasst werden müssen.

  • Flexibilität (Late Binding): Semantik wird überwiegend in Konfiguration (z. B. types.yaml, prompts.yaml, decision_engine.yaml) festgelegt. Die Persönlichkeit entsteht durch das Config-Design, nicht durch Hardcoding.

  • Autonomie & Self-Healing: mindnet schlägt fehlende Typen, Relationen und Edges vor (z. B. aus Inline-Relationen, Edge-Defaults, Ähnlichkeitsbeziehungen) und baut damit einen „self-healing graph“ auf.

  • Lernen & Self-Tuning: Feedback zu Antworten (gut/schlecht, relevant/nicht relevant) fließt in Score-Gewichte, Policies und ggf. Edge-Struktur ein.

  • Persönlichkeit: Entscheidungen werden wert- und erfahrungsbasiert begründet; das System agiert als KI-Zwilling durch Nutzung lokaler LLMs (z.B. Phi-3/Mistral) und eines Intent-Routers.

  • Incremental Growth: Das System muss mit wenigen, heterogenen Notizen starten und sich fortlaufend verdichten können – ohne Retro-Massenmigrationen im Vault.

3. Programmziele

3.1 Kurzfristig (Abgeschlossen / Laufend)

  • Automatische Sammlung von Wissen aus Markdown-Vault.
  • Aufbau eines stabilen Graph-Speichers in Qdrant (*_notes, *_chunks, *_edges).
  • Semantischer und graphbasierter Retriever (WP-04a abgeschlossen).
  • Erklärbarkeit: Why-Layer liefert Begründungen zu Treffern (WP-04b abgeschlossen).
  • Feedback-Loop: Systematisches Logging von Suche und Bewertung (WP-04c abgeschlossen).
  • RAG-Chat: KI antwortet in natürlicher Sprache auf Basis von Wissen und Persönlichkeit (WP-05 abgeschlossen).
  • Decision Engine: System erkennt Intent (Fakt vs. Entscheidung) und wägt Werte ab (WP-06 abgeschlossen).
  • Multi-Persona: System wechselt den Tonfall (Empathisch vs. Analytisch) situativ (WP-06 abgeschlossen).
  • Chat Interface: Web-basiertes Frontend (Streamlit) für einfache Interaktion und Feedback-Gabe (WP-10 abgeschlossen).
  • Interview-Assistent (WP-07): One-Shot Extraction von Notizen ("Neues Projekt anlegen") ist live.
  • Active Intelligence (WP-11): Automatische Link-Vorschläge (Matrix-Logik) während des Schreibens.
  • Technische Basis: FastAPI (Async), Qdrant (768 Dim), Ollama (Phi-3/Nomic), Streamlit.
  • Automatisierte Erkennung von Beziehungen:
    • Wikilinks, Inline-Relationen, Callout-Edges, Typ-Defaults.
  • „Mitwachsendes“ Schema ohne Obsidian-Umstrukturierungen:
    • Neues Wissen kann sofort erfasst werden,
    • bestehende Notizen bleiben gültig (Virtual Schema Layer).

3.2 Mittelfristig (Nächste Schritte)

  • Self-Tuning (WP-08): Optimierung der Gewichte in retriever.yaml basierend auf dem gesammelten Feedback.
  • Agenten können über MCP-Tools (mindnet_query, mindnet_chat) auf mindnet zugreifen (WP-13).

3.3 Langfristig

  • KI-Zwilling, der deinen Stil, deine Werte und deine typische Denkweise repräsentiert.
  • Weitgehend autonomes Self-Tuning der Wissensstruktur (auf Basis gespeicherter Feedback-Daten & Policies).
  • Lebenslanges Gedächtnis, das
    • konsistent bleibt,
    • wächst,
    • sich weiterentwickelt,
    • und deine Geschichte für deine Nachkommen erzählbar und erlebbar macht.

4. Architekturprinzipien

Die folgenden Prinzipien steuern alle Workpackages und Entscheidungen:

  1. Late Binding (späte Semantik)

    • Struktur und Interpretation werden in Konfigurationen (z. B. types.yaml, prompts.yaml, decision_engine.yaml) definiert, nicht direkt in den Vault-Dateien.
    • Die "Persönlichkeit" des Chats ist ein Prompt-Template, kein Code.

  2. Virtual Schema Layer

    • Typen, Regeln, Policies, Edge-Defaults werden im Schema-Layer beschrieben.
    • Markdown-Dateien benötigen nur minimale, robuste Angaben (Titel, Typ, optionale Properties).

  3. Self-Healing Graph

    • Der Graph wird regelmäßig analysiert (Edges, Centrality, fehlende Links).
    • Automatisierte Jobs ergänzen fehlende Kanten.

  4. Deterministische IDs

    • Notes, Chunks und Edges erhalten stabile IDs (z. B. UUIDv5).
    • Der Graph ist jederzeit wiederaufbaubar (Import-Pipeline idempotent).

  5. Full Explainability & Context Enrichment

    • Jeder Score, jede Beziehung muss nachvollziehbar sein.
    • Dem LLM werden Metadaten ([DECISION], [PROJECT]) injiziert, um Halluzinationen zu vermeiden und logische Schlüsse zu ermöglichen.

  6. Persistence First

    • Obsidian bleibt die primäre Quelle der Wahrheit.
    • mindnet ergänzt, schlägt Änderungen vor, schreibt aber nur kontrolliert.

  7. Minimalinvasives Schreiben

    • Automatische Veränderungen an Markdown-Dateien erfolgen ausschließlich nach expliziter Zustimmung.

  8. Incremental Growth & Early Value

    • Das System muss bereits mit wenigen Notizen und einem kleinen Vault sinnvolle Antworten liefern.
    • Feedback-Mechanismen werden früh eingeführt.

  9. Observability & Testbarkeit

    • Jeder Importlauf, jede Retriever-Anfrage und jede Policy-Änderung soll prüfbar sein.

  10. Local First & Privacy

    • Nutzung lokaler LLMs (Ollama) für Inference. Keine Daten verlassen den Server.

5. Programmstruktur (Phasenmodell)

Phase A – Fundament & Import (Fertig)
Phase B – Semantik, Graph & Lernen (Fertig)
Phase C – Persönlichkeitsmodell & KI-Zwilling (Fertig)
Phase D – Agenten, MCP & Interaktion (Aktiv)
Phase E – Review, Refactoring, Dokumentation

Alle Workpackages sind einer Phase zugeordnet. WP-01 bis WP-07 und WP-10/10a/11 sind erfolgreich abgeschlossen.

6. Workpackages – detaillierte Übersicht

Legende Aufwand / Komplexität

  • Aufwand: Niedrig / Mittel / Hoch
  • Komplexität: Niedrig / Mittel / Hoch

Die Status-Ampel zeigt den aktuellen Stand gemäß Programmfortschritt.

WP-01 – Wissensdesign (abgeschlossen)

Phase: A Status: 🟢 abgeschlossen

Ziel: Grundlegendes Schema für mindnet festlegen (knowledge_design.md), inkl.:

  • Note-Typen (z. B. concept, experience, project, decision, value).
  • Standard-Properties und Grundstruktur von Edges.
  • Abbildung zentraler Lebens-Bereiche.

Erreichte Ergebnisse:

  • knowledge_design.md und types.yaml definieren die Zielarchitektur.

WP-02 – Chunking & Hash-Strategie (abgeschlossen)

Phase: A Status: 🟢 abgeschlossen

Ziel: Festlegen und implementieren einer robusten Chunking-Strategie und einer Hash-Logik zur Änderungserkennung.

Erreichte Ergebnisse:

  • Implementierte Chunker-Logik mit Overlap.
  • Stabile Hash-Strategie zur sicheren Änderungserkennung.

WP-03 – Import-Pipeline & Edge-System v2 (abgeschlossen)

Phase: A/B Status: 🟢 abgeschlossen

Ziel: Durchgängige Import-Pipeline von Markdown → Notes/Chunks/Edges in Qdrant mit deterministischen IDs.

Erreichte Ergebnisse:

  • Vollständige E2E-Import-Pipeline.
  • Vollständiges Edge-Modell (Strukturkanten, Wikilinks, Inline-Relationen).

WP-04a – Retriever & Graph-Scoring (abgeschlossen)

Phase: B Status: 🟢 abgeschlossen

Ziel: Aufbau eines hybriden Retrievers, der Semantik, Typwissen und Graph-Informationen kombiniert.

Erreichte Ergebnisse:

  • Hybrides Scoring-Modell (Semantic + Edge + Centrality).
  • Konfiguration über retriever.yaml.
  • /query Endpoint aktiv.

WP-04b – Explanation Layer ("Why-Layer") (abgeschlossen)

Phase: B Status: 🟢 abgeschlossen

Ziel: Treffererklärungen liefern, die verständlich machen, warum ein Ergebnis gewählt wurde.

Erreichte Ergebnisse:

  • DTO-Erweiterung: QueryHit enthält explanation, breakdown und reason.
  • Logic: Graph-Adapter unterstützt incoming_edges (Reverse Lookup) für Authority-Erklärungen.
  • Output: /query Endpoint liefert auf Wunsch (explain: true) menschenlesbare Begründungen ("Verweist auf...").

WP-04c – Feedback Logging & Bewertungsdaten (abgeschlossen)

Phase: B Status: 🟢 abgeschlossen

Ziel: Grundlage für Self-Tuning schaffen durch systematisches Logging.

Erreichte Ergebnisse:

  • Data Flywheel: Logging von Queries und User-Feedback in lokalen JSONL-Dateien.
  • Search Log: Speichert Query + Score-Snapshot in data/logs/search_history.jsonl.
  • Feedback Log: Speichert User-Ratings in data/logs/feedback.jsonl.
  • Traceability: Durchgängige query_id von Request bis Feedback.

WP-05 – Persönlichkeitsmodell & RAG-Chat (abgeschlossen)

Phase: C Status: 🟢 abgeschlossen

Ziel: Aufbau eines RAG-Systems, das in natürlicher Sprache antwortet und Kontext versteht.

Erreichte Ergebnisse:

  • Infrastruktur: Integration von Ollama (Phi-3 Mini) in den Service-Layer.
  • Router: /chat Endpoint mit "Hybrid Retrieval Enforcement".
  • Context Enrichment: Injection von Metadaten ([TYPE], [SCORE]) in den Prompt, damit kleine Modelle (SLMs) komplexe Zusammenhänge ("Warum?") verstehen.
  • Config: prompts.yaml steuert System-Prompt und RAG-Template.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Mittel

WP-05b – Advanced Chat (Optional)

Phase: C Status: ⚪ optional

Ziel: Erweiterung des Chats um Gedächtnis (History) und einfache Tools.

Umfang:

  • Implementierung von ChatHistory (vergangene Nachrichten in den Kontext).
  • Einfache Tool-Nutzung (z.B. "Suche in Web").

WP-06 – Decision Engine & Hybrid Router (abgeschlossen)

Phase: C Status: 🟢 abgeschlossen

Ziel: Transformation vom reinen Wissens-Abrufer zum strategischen Entscheidungspartner durch Intent-Erkennung.

Erreichte Ergebnisse:

  • Hybrid Intent Router: Kombination aus schnellem Keyword-Matching und intelligentem LLM-Fallback zur Erkennung der Absicht (DECISION, EMPATHY, FACT, CODING).
  • Strategic Retrieval: Gezieltes Nachladen von Werten (value), Zielen (goal) oder Erfahrungen (experience) basierend auf dem Intent.
  • Multi-Persona: Dynamische Anpassung des Tonfalls (Berater vs. Spiegel vs. Techniker) durch prompts.yaml.
  • Late Binding: Vollständige Konfiguration via decision_engine.yaml.
  • Robustheit: Konfigurierbare Timeouts für CPU-Inference.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Hoch

WP-07 – Interview-Assistent (abgeschlossen)

Phase: C/D Status: 🟢 abgeschlossen

Ziel: Dialogbasierter Erfassungs-Assistent, der strukturierte Interviews führt und daraus konsistente Markdown-Notizen generiert.

Erreichte Ergebnisse:

  • One-Shot Extractor: Extrahiert Notiz-Inhalte aus einem Prompt.
  • Schema Injection: Typspezifische Pflichtfelder (Late Binding).
  • Draft Generator: Liefert validen Markdown-Codeblock mit status: draft.

Aufwand / Komplexität:

  • Aufwand: Niedrig/Mittel
  • Komplexität: Mittel

WP-08 – Self-Tuning v1/v2 (geplant)

Phase: B/C Status: 🟡 geplant (Nächster Fokus)

Ziel: Aufbau eines Self-Tuning-Mechanismus, der auf Basis von Feedback-Daten (WP-04c) Vorschläge für Retriever- und Policy-Anpassungen macht.

Umfang:

  • Auswertung der JSONL-Feedback-Daten.
  • Regel-basierte Anpassungs-Vorschläge für retriever.yaml und Typ-Prioritäten.

Aufwand / Komplexität:

  • Aufwand: Hoch
  • Komplexität: Hoch

WP-09 – Vault-Onboarding & Migration (geplant)

Phase: B Status: 🟡 geplant

Ziel: Sicherstellen, dass bestehende und neue Obsidian-Vaults schrittweise in mindnet integriert werden können – ohne Massenumbau.

Umfang:

  • Tools zur Analyse des Vault-Status.
  • Empfehlungen für minimale Anpassungen.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Niedrig/Mittel

WP-10 – Chat-Interface & Writeback (abgeschlossen)

Phase: D Status: 🟢 abgeschlossen

Ziel: Ablösung der Terminal-Interaktion durch ein grafisches Interface.

Erreichte Ergebnisse:

  • Tech-Stack: Streamlit Frontend (app/frontend/ui.py).
  • Funktionen: Chat-Verlauf, Visualisierung von Intents und Quellen (Expander).
  • Feedback: Globales Rating (Sterne) und granulare Quellen-Bewertung (Faces).
  • Writeback: Mockup-Interface für neue Einträge (Vorbereitung WP-07).
  • Deployment: Systemd-Services für Prod (8501) und Dev (8502).

Aufwand / Komplexität:

  • Aufwand: Hoch
  • Komplexität: Hoch

WP-10a – GUI Evolution: Draft Editor (abgeschlossen)

Phase: D Status: 🟢 abgeschlossen

Ziel: Anpassung der GUI an komplexe Interaktionsmuster, die durch den Interview-Assistenten und Knowledge-Builder entstehen.

Erreichte Ergebnisse:

  • Draft Editor: Interaktive st.text_area für generierte Entwürfe.
  • Sanitizer: normalize_meta_and_body zur Korrektur von LLM-Fehlern.
  • Download/Copy: Export-Funktionen für Markdown.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Mittel

WP-11 – Backend Intelligence & Persistence (abgeschlossen)

Phase: D Status: 🟢 abgeschlossen

Ziel: Ermöglichung von "Active Intelligence" durch asynchrone Verarbeitung und semantische Analyse im Hintergrund.

Erreichte Ergebnisse:

  • Async Core: Umstellung der Pipeline auf asyncio und httpx (Vermeidung von Blockaden).
  • Nomic Embeddings: Integration von nomic-embed-text (768 Dim) für State-of-the-Art Semantik.
  • Matrix Logic: Regelwerk für kontextsensitive Kanten (experience + value -> based_on).
  • Sliding Window: Analyse langer Texte für Link-Vorschläge.
  • Persistence API: Neuer Endpunkt /ingest/save für atomares Speichern & Indizieren.

Aufwand / Komplexität:

  • Aufwand: Hoch
  • Komplexität: Hoch

WP-12 – Knowledge Rewriter (Soft Mode, geplant)

Phase: C/D Status: 🟡 geplant

Ziel: Optionaler Assistent, der vorhandene Notes „aufräumt“, zusammenfasst oder reorganisiert – ausschließlich mit expliziter Freigabe.

Aufwand / Komplexität:

  • Aufwand: Niedrig/Mittel
  • Komplexität: Mittel

WP-13 – MCP-Integration & Agenten-Layer (geplant)

Phase: D Status: 🟡 geplant

Ziel: mindnet als MCP-Server bereitstellen, damit Agenten/LLMs standardisierte Tools nutzen können.

Umfang:

  • MCP-Server mit Tools (mindnet_query, mindnet_explain, etc.).

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Mittel

WP-14 – Review / Refactoring / Dokumentation (geplant)

Phase: E Status: 🟡 geplant

Ziel: Aufräumen, dokumentieren, stabilisieren – insbesondere für Onboarding Dritter und Langfrist-Betrieb.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Niedrig/Mittel

WP-15 – Smart Edge Allocation & Chunking Strategies (abgeschlossen)

Phase: D Status: 🟢 abgeschlossen

Ziel: Einführung einer intelligenten Verteilung von Wissenskanten an spezifische Text-Chunks, um die Präzision des Retrievals zu erhöhen, ohne die Stabilität des Systems durch lange LLM-Verarbeitungszeiten zu gefährden.

Erreichte Ergebnisse:

  • 5-Stufen-Workflow: Implementierung von "Smart Edge Allocation" (Global Scan -> Deterministic Split -> LLM Filter -> Injection -> Fallback).
  • Neue Chunking-Strategien: Einführung von by_heading (für strukturierte Daten) und verbessertem sliding_window als deterministische Basis.
  • Robustheit: Trennung von Zerlegung (Code) und Analyse (LLM). Bei LLM-Fehlern oder Timeouts greift ein Fallback-Mechanismus (Datenverlust ausgeschlossen).
  • Architektur: Trennung der Orchestrierung (chunker.py) von der KI-Logik (semantic_analyzer.py).
  • Konfiguration: Steuerung über types.yaml (enable_smart_edge_allocation) ermöglicht granulare Anpassung pro Notiztyp.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Hoch

WP-16 – Auto-Discovery & Enrichment (geplant)

Phase: D Status: 🟡 geplant

Ziel: Automatisches Erkennen und Vorschlagen von fehlenden Kanten in "dummem" Text (ohne explizite Wikilinks) vor der Speicherung. Umwandlung von Text in "smarten Text" durch Nutzung des DiscoveryService.

Umfang:

  • Integration eines "Enrichers" in die Ingestion-Pipeline (Schritt 0).
  • Unterscheidung zwischen "Hard Candidates" (explizite Links) und "Soft Candidates" (Vektor-basierte Vorschläge).
  • LLM-basierte Verifikation der Vorschläge zur Vermeidung von Halluzinationen.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Hoch

WP-17 – Conversational Memory (Dialog-Gedächtnis) (geplant)

Phase: D Status: 🟡 geplant

Ziel: Erweiterung des Chat-Backends von einem statischen Request-Response-Modell zu einem zustandsbehafteten Dialogsystem ("Multi-Turn Conversation"). Das System soll sich an vorherige Aussagen im aktuellen Gesprächsverlauf erinnern, um Rückfragen ("Was meinst du damit?") korrekt zu interpretieren.

Umfang:

  • API-Erweiterung: ChatRequest DTO erhält ein history-Feld (Liste von Nachrichten).
  • Context Management: Implementierung einer Token-Budget-Logik, die dynamisch zwischen RAG-Kontext (Dokumente) und Dialog-Verlauf (History) balanciert, um das Kontextfenster (8k) optimal zu nutzen.
  • Prompt Engineering: Integration eines {chat_history} Platzhalters in den System-Prompt.
  • Frontend-Update: Die ui.py muss die letzten N Nachrichtenpaare (User/AI) bei jedem Request mitsenden.

Aufwand / Komplexität:

  • Aufwand: Mittel
  • Komplexität: Mittel

7. Abhängigkeiten (vereinfacht, aktualisiert)

WP01 → WP02 → WP03 → WP04a
WP04a → WP04b → WP04c → WP08
WP03 → WP05 → WP06 → WP07
WP07 → WP10a
WP03 → WP09
WP01/WP03 → WP10 → WP11 → WP12
WP10 → WP17
WP11 → WP15 → WP16
WP03/WP04 → WP13
Alles → WP14

8. Laufzeit- & Komplexitätsindikatoren (aktualisiert)

WP Aufwand Komplexität
WP04b Mittel Hoch
WP04c Mittel Mittel/Hoch
WP05 Mittel Mittel
WP06 Mittel Hoch
WP07 Niedrig/Mittel Mittel
WP08 Hoch Hoch
WP09 Mittel Niedrig/Mittel
WP10 Hoch Hoch
WP10a Mittel Mittel
WP11 Hoch Hoch
WP12 Niedrig/Mittel Mittel
WP13 Mittel Mittel
WP14 Mittel Niedrig/Mittel
WP15 Mittel Hoch
WP16 Mittel Hoch
WP17 Mittel Mittel

9. Programmfortschritt (Ampel, aktualisiert)

WP Status
WP01 🟢
WP02 🟢
WP03 🟢
WP04a 🟢
WP04b 🟢
WP04c 🟢
WP05 🟢
WP05b ⚪
WP06 🟢
WP07 🟢
WP08 🟡
WP09 🟡
WP10 🟢
WP10a 🟢
WP11 🟢
WP12 🟡
WP13 🟡
WP14 🟡
WP15 🟢
WP16 🟡
WP17 🟡

10. Governance & Versionierung

  • Versionierung über Gitea (Branches, Tags, Releases).
  • Feature-Branch Workflow mit "Sync First" Strategie.
  • Jede wesentliche Änderung an Architektur/Schema erhält einen eigenen Commit.
  • Jedes Workpackage erhält ein eigenes Chat-Fenster mit dediziertem Prompt (WP-Hand-Over).
  • Programmleitung verantwortet Konsistenz und Priorisierung.
  • Modell-Governance: Das verwendete LLM (z.B. phi3:mini) wird in der .env und config.py festgeschrieben. Updates erfordern Tests gegen die "Why-Layer" Referenzfragen.

11. Executive Summary

mindnet v2.4 ist so aufgesetzt, dass:

  • du schrittweise Wissen erfassen kannst (Obsidian + Chat + Interview-Drafts),
  • die Struktur mitwächst, ohne Retro-Massenarbeit im Vault,
  • ein hybrider Retriever qualitativ hochwertige, erklärbare Antworten liefert,
  • ein Self-Healing- und Self-Tuning-Mechanismus vorbereitet ist (durch WP-04c Feedback-Daten),
  • ein Persönlichkeitsmodell (Decision Engine, Empathie) existiert und den Tonfall situativ anpasst,
  • eine grafische Oberfläche (WP-10/10a) existiert, die komplexe Zusammenhänge visualisiert und Co-Creation ermöglicht,
  • Active Intelligence (WP-11) dich beim Schreiben unterstützt, indem es automatisch Verknüpfungen vorschlägt,
  • langfristig ein KI-Zwilling aufgebaut wird, der deine Werte, Erfahrungen und Denkweise spiegelt,
  • die technische Architektur (AsyncIO, Qdrant 768d, YAML-Policies) lokal, nachvollziehbar und performant bleibt.

Dieser Programmplan bildet die konsolidierte Grundlage (v2.4.0) für alle weiteren Arbeiten.