Lars
4d6fce2d93
All checks were successful
Deploy mindnet to llm-node / deploy (push) Successful in 3s
229 lines
9.7 KiB
Markdown
229 lines
9.7 KiB
Markdown
# mindnet v2.2 – Pipeline Playbook
|
||
**Datei:** `docs/mindnet_pipeline_playbook_v2.2.md`
|
||
**Stand:** 2025-12-08
|
||
**Status:** **FINAL** (Inkl. WP05 RAG Pipeline)
|
||
**Quellen:** `mindnet_v2_implementation_playbook.md`, `Handbuch.md`, `chunking_strategy.md`, `docs_mindnet_retriever.md`, `mindnet_admin_guide_v2.2.md`.
|
||
|
||
---
|
||
<details>
|
||
<summary>📖 <b>Inhaltsverzeichnis (Klicken zum Öffnen)</b></summary>
|
||
|
||
- [mindnet v2.2 – Pipeline Playbook](#mindnet-v22--pipeline-playbook)
|
||
- [1. Zweck \& Einordnung](#1-zweck--einordnung)
|
||
- [2. Die Import-Pipeline (Runbook)](#2-die-import-pipeline-runbook)
|
||
- [2.1 Der 12-Schritte-Prozess](#21-der-12-schritte-prozess)
|
||
- [2.2 Standard-Betrieb (Inkrementell)](#22-standard-betrieb-inkrementell)
|
||
- [2.3 Deployment \& Restart (Systemd)](#23-deployment--restart-systemd)
|
||
- [2.4 Full Rebuild (Clean Slate)](#24-full-rebuild-clean-slate)
|
||
- [3. Chunking \& Payload-Aufbau](#3-chunking--payload-aufbau)
|
||
- [3.1 Chunk-Profile](#31-chunk-profile)
|
||
- [3.2 Payload-Felder](#32-payload-felder)
|
||
- [4. Edge-Erzeugung (Die V2-Logik)](#4-edge-erzeugung-die-v2-logik)
|
||
- [4.1 Prioritäten \& Provenance](#41-prioritäten--provenance)
|
||
- [4.2 Typ-Defaults](#42-typ-defaults)
|
||
- [5. Retriever, Chat \& Generation (RAG Pipeline)](#5-retriever-chat--generation-rag-pipeline)
|
||
- [5.1 Retrieval (Hybrid)](#51-retrieval-hybrid)
|
||
- [5.2 Context Enrichment (Das "Context Intelligence" Pattern)](#52-context-enrichment-das-context-intelligence-pattern)
|
||
- [5.3 Generation (LLM)](#53-generation-llm)
|
||
- [5.4 Explanation Mode (WP04b)](#54-explanation-mode-wp04b)
|
||
- [6. Feedback \& Lernen (WP04c)](#6-feedback--lernen-wp04c)
|
||
- [7. Quality Gates \& Tests](#7-quality-gates--tests)
|
||
- [7.1 Pflicht-Tests vor Commit](#71-pflicht-tests-vor-commit)
|
||
- [7.2 Smoke-Test (E2E)](#72-smoke-test-e2e)
|
||
- [8. Ausblick \& Roadmap (Technische Skizzen)](#8-ausblick--roadmap-technische-skizzen)
|
||
- [8.1 WP-06: Decision Engine (Skizze)](#81-wp-06-decision-engine-skizze)
|
||
- [8.2 WP-08: Self-Tuning (Skizze)](#82-wp-08-self-tuning-skizze)
|
||
|
||
|
||
---
|
||
|
||
## 1. Zweck & Einordnung
|
||
|
||
Dieses Playbook ist das zentrale operative Handbuch für die **mindnet-Pipeline**. Es beschreibt, wie Daten vom Markdown-Vault in den Wissensgraphen (Qdrant) gelangen, wie der Retriever betrieben wird und wie die **RAG-Generierung** funktioniert.
|
||
|
||
**Zielgruppe:** Dev/Ops, Tech-Leads.
|
||
**Scope:**
|
||
* **Ist-Stand (WP01–WP05):** Import, Chunking, Edge-Erzeugung, Hybrider Retriever, RAG-Chat, Feedback Loop.
|
||
* **Roadmap (Ausblick):** Technische Skizzen für Self-Healing (WP06) und Self-Tuning (WP08).
|
||
|
||
---
|
||
|
||
## 2. Die Import-Pipeline (Runbook)
|
||
|
||
Der Import ist der kritischste Prozess ("Data Ingestion"). Er muss **deterministisch** und **idempotent** sein. Wir nutzen `scripts/import_markdown.py` als zentralen Entrypoint.
|
||
|
||
### 2.1 Der 12-Schritte-Prozess
|
||
Gemäß WP03-Spezifikation läuft der Import intern wie folgt ab:
|
||
|
||
1. **Markdown lesen:** Rekursives Scannen des Vaults.
|
||
2. **Frontmatter extrahieren:** Validierung von Pflichtfeldern (`id`, `type`, `title`).
|
||
3. **Typauflösung:** Bestimmung des `type` via `types.yaml` (Prio: Frontmatter > Pfad > Default).
|
||
4. **Note-Payload generieren:** Erstellen des JSON-Objekts für `mindnet_notes`.
|
||
5. **Chunking anwenden:** Zerlegung des Textes basierend auf dem `chunk_profile` des Typs.
|
||
6. **Inline-Kanten finden:** Parsing von `[[rel:...]]` im Fließtext.
|
||
7. **Callout-Kanten finden:** Parsing von `> [!edge]` Blöcken.
|
||
8. **Default-Edges erzeugen:** Anwendung der `edge_defaults` aus der Typ-Registry.
|
||
9. **Strukturkanten erzeugen:** `belongs_to` (Chunk->Note), `next`/`prev` (Sequenz).
|
||
10. **Chunks upserten:** Schreiben in Qdrant (`mindnet_chunks`).
|
||
11. **Edges upserten:** Schreiben in Qdrant (`mindnet_edges`).
|
||
12. **Diagnose:** Automatischer Check der Integrität nach dem Lauf.
|
||
|
||
### 2.2 Standard-Betrieb (Inkrementell)
|
||
Für regelmäßige Updates (z.B. Cronjob). Erkennt Änderungen via Hash.
|
||
|
||
export QDRANT_URL="http://localhost:6333"
|
||
export COLLECTION_PREFIX="mindnet"
|
||
|
||
# Import starten (Apply = Schreiben, Purge = Sauberer Upsert)
|
||
# Nutzt das Venv der Produktionsumgebung
|
||
/home/llmadmin/mindnet/.venv/bin/python3 -m scripts.import_markdown \
|
||
--vault ./vault \
|
||
--prefix "$COLLECTION_PREFIX" \
|
||
--apply \
|
||
--purge-before-upsert \
|
||
--sync-deletes
|
||
|
||
* `--apply`: Ohne dieses Flag läuft ein Dry-Run (nur Simulation).
|
||
* `--purge-before-upsert`: Löscht vor dem Schreiben einer Note ihre alten Chunks/Edges. Essentiell, um "Geister-Chunks" zu vermeiden, wenn Text gekürzt wurde.
|
||
* `--sync-deletes`: Entfernt Notizen aus Qdrant, die im Vault gelöscht wurden.
|
||
|
||
### 2.3 Deployment & Restart (Systemd)
|
||
Nach einem Import oder Code-Update muss der API-Prozess neu gestartet werden.
|
||
|
||
# Neustart des Produktions-Services
|
||
sudo systemctl restart mindnet-prod
|
||
|
||
# Prüfung
|
||
sudo systemctl status mindnet-prod
|
||
|
||
### 2.4 Full Rebuild (Clean Slate)
|
||
Notwendig bei Änderungen an `types.yaml` (z.B. neue Chunk-Größen) oder Embedding-Modellen.
|
||
|
||
# 1. Qdrant Collections löschen und neu anlegen (Wipe inkl. Schema)
|
||
python3 -m scripts.reset_qdrant --mode wipe --prefix "mindnet" --yes
|
||
|
||
# 2. Vollständiger Import aller Dateien
|
||
python3 -m scripts.import_markdown --vault ./vault --prefix "mindnet" --apply
|
||
|
||
---
|
||
|
||
## 3. Chunking & Payload-Aufbau
|
||
|
||
Das Chunking ist profilbasiert und typgesteuert.
|
||
|
||
### 3.1 Chunk-Profile
|
||
In `types.yaml` definiert. Standard-Profile (in `chunk_config.py` implementiert):
|
||
* `short`: Max 128 Tokens (z.B. für Logs, Chats).
|
||
* `medium`: Max 256 Tokens (z.B. für Konzepte).
|
||
* `long`: Max 512 Tokens (z.B. für Essays, Projekte).
|
||
* `by_heading`: Trennt strikt an Überschriften.
|
||
|
||
### 3.2 Payload-Felder
|
||
Jeder Chunk erhält zwei Text-Felder:
|
||
* `text`: Der reine Inhalt des Chunks (ohne Overlap). Wird dem Nutzer angezeigt.
|
||
* `window`: Der Inhalt plus Overlap zu Vorgänger/Nachfolger. Wird für das Embedding genutzt (besserer Kontext).
|
||
|
||
---
|
||
|
||
## 4. Edge-Erzeugung (Die V2-Logik)
|
||
|
||
In v2.2 entstehen Kanten nach strenger Priorität.
|
||
|
||
### 4.1 Prioritäten & Provenance
|
||
Der Importer setzt `provenance`, `rule_id` und `confidence` automatisch:
|
||
|
||
| Priorität | Quelle | Syntax (Bsp.) | Rule ID | Confidence |
|
||
| :--- | :--- | :--- | :--- | :--- |
|
||
| **1** | Inline | `[[rel:depends_on X]]` | `inline:rel` | ~0.95 |
|
||
| **2** | Callout | `> [!edge] related_to: [[X]]` | `callout:edge` | ~0.90 |
|
||
| **3** | Wikilink | `[[X]]` | `explicit:wikilink` | 1.00 |
|
||
| **4** | Default | *(via types.yaml)* | `edge_defaults:...` | ~0.70 |
|
||
| **5** | Struktur | *(automatisch)* | `structure:...` | 1.00 |
|
||
|
||
### 4.2 Typ-Defaults
|
||
Wenn in `types.yaml` für einen Typ `edge_defaults` definiert sind, werden diese **additiv** zu expliziten Links erzeugt.
|
||
* *Beispiel:* Note Typ `project` verlinkt `[[Tool A]]`.
|
||
* *Ergebnis:* Kante `references` (explizit) UND Kante `depends_on` (Default).
|
||
|
||
---
|
||
|
||
## 5. Retriever, Chat & Generation (RAG Pipeline)
|
||
|
||
Der Datenfluss endet nicht beim Finden. Er geht weiter bis zur Antwort.
|
||
|
||
### 5.1 Retrieval (Hybrid)
|
||
total_score =
|
||
semantic_weight * semantic_score
|
||
+ edge_weight * edge_bonus
|
||
+ centrality_weight * centrality_bonus
|
||
+ type_weight * retriever_weight
|
||
|
||
Der `/chat` Endpunkt nutzt **Hybrid Retrieval** (Semantic + Graph), um auch logisch verbundene, aber textlich unterschiedliche Notizen zu finden (z.B. Decisions zu einem Projekt).
|
||
|
||
### 5.2 Context Enrichment (Das "Context Intelligence" Pattern)
|
||
Bevor der Text an das LLM geht, reichert der Router (`chat.py`) ihn an.
|
||
* **Metadaten-Injection:** `[DECISION]`, `[PROJECT]`, `[SCORE: 0.9]`.
|
||
* **Zweck:** Ermöglicht kleinen Modellen (Phi-3) das Erkennen von logischen Rollen ("Warum?" vs "Was?").
|
||
|
||
### 5.3 Generation (LLM)
|
||
* **Engine:** Ollama (lokal).
|
||
* **Modell:** `phi3:mini` (Standard).
|
||
* **Prompting:** Gesteuert über `config/prompts.yaml`.
|
||
|
||
### 5.4 Explanation Mode (WP04b)
|
||
Wird `/query` mit `explain=True` aufgerufen, führt der Retriever eine Post-Processing-Analyse durch und liefert `reasons` ("Verweist auf...", "Hoher Typ-Bonus").
|
||
|
||
---
|
||
|
||
## 6. Feedback & Lernen (WP04c)
|
||
|
||
Das System schreibt kontinuierlich Logs ("Data Flywheel"):
|
||
* `data/logs/search_history.jsonl`: Trainingsdaten (Query + Ergebnisse + Breakdown).
|
||
* `data/logs/feedback.jsonl`: Labels (User-Rating zur `query_id`).
|
||
|
||
---
|
||
|
||
## 7. Quality Gates & Tests
|
||
|
||
Diese Tests garantieren die Stabilität der Pipeline.
|
||
|
||
### 7.1 Pflicht-Tests vor Commit
|
||
|
||
1. **Payload Dryrun (Schema-Check):**
|
||
Simuliert Import, prüft JSON-Schema Konformität.
|
||
|
||
python3 -m scripts.payload_dryrun --vault ./test_vault
|
||
|
||
2. **Full Edge Check (Graph-Integrität):**
|
||
Prüft Invarianten (z.B. `next` muss reziprok zu `prev` sein).
|
||
|
||
python3 -m scripts.edges_full_check
|
||
|
||
### 7.2 Smoke-Test (E2E)
|
||
Prüft am laufenden System (Prod oder Dev), ob Semantik, Graph und Feedback funktionieren.
|
||
|
||
# Retriever Test
|
||
python scripts/test_retriever_smoke.py --mode hybrid --top-k 5
|
||
|
||
# Chat Test (Neu WP05)
|
||
python tests/test_chat_wp05.py
|
||
|
||
# Feedback Test
|
||
python tests/test_feedback_smoke.py --url http://localhost:8001/query
|
||
|
||
---
|
||
|
||
## 8. Ausblick & Roadmap (Technische Skizzen)
|
||
|
||
Wie entwickeln wir die Pipeline weiter?
|
||
|
||
### 8.1 WP-06: Decision Engine (Skizze)
|
||
**Ziel:** Aktive Entscheidungsberatung.
|
||
**Erweiterung:** Der Chat-Router lädt bei Entscheidungfragen gezielt `type: value` Notizen nach, um Optionen gegen Werte abzuwägen.
|
||
|
||
### 8.2 WP-08: Self-Tuning (Skizze)
|
||
**Ziel:** Die Gewichte in `retriever.yaml` basierend auf `feedback.jsonl` optimieren.
|
||
**Ansatz:** Ein Offline-Learning-Skript `scripts/optimize_weights.py`.
|
||
1. **Load:** Liest `search_history.jsonl` und joint mit `feedback.jsonl` via `query_id`.
|
||
2. **Analyze:** Korrelation Scores vs. User-Rating.
|
||
3. **Optimize:** Vorschlag neuer Gewichte für `retriever.yaml`. |