mindnet/docs/99_Archive/WP25a_release_notes.md

MindNet v3.0.0 - Release Notes: WP-25a

Release Date: 2026-01-02 Type: Feature Release - Mixture of Experts (MoE) & Fallback-Kaskade
Version: 3.1.0 (WP-25a)

---

🎯 Überblick

Mit WP-25a wurde MindNet von einer provider-basierten Steuerung auf eine profilbasierte Experten-Architektur (Mixture of Experts) umgestellt. Jede Systemaufgabe (Synthese, Ingestion-Validierung, Routing, Kompression) wird nun einem dedizierten Profil zugewiesen, das Modell, Provider und Parameter unabhängig von der globalen Konfiguration definiert.

Diese Version markiert einen fundamentalen Architektur-Sprung: Von einer monolithischen LLM-Konfiguration hin zu einer modularen, aufgabenspezifischen Experten-Steuerung mit automatischer Resilienz.

---

✨ Neue Features

1. Mixture of Experts (MoE) Architektur

Zentrale Experten-Steuerung (llm_profiles.yaml v1.3.0):

• Einführung von Experten-Profilen für spezifische Aufgaben:
  • synthesis_pro: Hochwertige Synthese für Chat-Antworten
  • tech_expert: Fachspezialist für Code & Technik (Claude 3.5 Sonnet)
  • compression_fast: Schnelle Kompression & Routing (Mistral 7B)
  • ingest_validator: Deterministische Validierung (Temperature 0.0)
  • identity_safe: Lokaler Anker (Ollama/Phi-3) für maximale Privacy
  • embedding_expert: Zentrale Steuerung des Embedding-Modells

Vorteile:

• Aufgabenspezifische Optimierung: Jede Aufgabe nutzt das optimale Modell
• Hardware-Optimierung: Lokaler Anker für kleine Hardware-Umgebungen
• Wartbarkeit: Zentrale Konfiguration statt verstreuter ENV-Variablen

2. Rekursive Fallback-Kaskade

Implementierung (app/services/llm_service.py v3.5.2):

• Automatische Fallback-Logik bei Provider-Fehlern:
  1. Versucht primäres Profil (z.B. synthesis_pro)
  2. Bei Fehler → fallback_profile (z.B. synthesis_backup)
  3. Bei weiterem Fehler → nächster Fallback (z.B. identity_safe)
  4. Terminaler Endpunkt: identity_safe hat keinen Fallback (lokales Modell)

Schutzmechanismen:

• Zirkuläre Referenzen: visited_profiles-Tracking verhindert Endlosschleifen
• Background-Semaphore: Parallele Tasks werden gedrosselt (konfigurierbar via BACKGROUND_LIMIT)

3. Pre-Synthesis Kompression (Module A)

Implementierung (app/core/retrieval/decision_engine.py v1.2.1):

• Wissens-Streams, die den Schwellenwert (compression_threshold) überschreiten, werden asynchron verdichtet, bevor sie die Synthese erreichen
• Konfigurierbar pro Stream: Z.B. 2500 Zeichen für Values Stream, 3500 für Facts Stream
• Profil-gesteuert: Nutzt compression_profile (z.B. compression_fast für schnelle Zusammenfassung)
• Parallelisierung: Mehrere Streams können gleichzeitig komprimiert werden

Vorteile:

• Reduziert Token-Verbrauch bei langen Streams
• Beschleunigt Synthese durch kürzere Kontexte
• Erhält Relevanz durch intelligente Zusammenfassung

4. Profilgesteuerte Ingestion (Wissens-Gatekeeper)

Implementierung:

• app/core/ingestion/ingestion_processor.py v2.14.0
• app/core/ingestion/ingestion_validation.py v2.13.0

Features:

• Semantische Kanten-Validierung erfolgt zwingend über das MoE-Profil ingest_validator (Temperature 0.0 für Determinismus)
• Embedding-Konsolidierung: Der EmbeddingsClient (v2.6.0) bezieht Modellvorgaben und Dimensionen direkt aus dem Profil embedding_expert
• Entfernung der Embedding-Konfiguration aus der .env zugunsten zentraler Profil-Registry

5. Startup-Schutz & Audit-Fixes

Implementierung (app/main.py v1.1.0):

• Verifiziert beim Booten die Existenz und Validität von llm_profiles.yaml und decision_engine.yaml
• Audit-Fix: Behebung einer Sicherheitslücke in der DecisionEngine, durch die Fallback-Aufrufe bei Template-Fehlern die Profilsteuerung umgangen hätten
• Circular Import Fix: Ingestion-Module nutzen nun die neutrale app.core.registry für Text-Bereinigung und Registry-Lookups

---

🔧 Technische Änderungen

Konfigurationsdateien

Neue Datei:

• config/llm_profiles.yaml v1.3.0: Zentrale Experten-Registry

Aktualisierte Dateien:

• config/decision_engine.yaml v3.2.2: Decoupled MoE Logic, Integration von compression_thresholds

Code-Komponenten

Komponente	Version	Änderungen
app/services/llm_service.py	v3.5.2	Rekursive Fallback-Kaskade, Profil-Auflösung
app/core/retrieval/decision_engine.py	v1.2.1	Profile-Driven Orchestration, Pre-Synthesis Kompression
app/core/ingestion/ingestion_processor.py	v2.14.0	Profilgesteuerte Validierung
app/core/ingestion/ingestion_validation.py	v2.13.0	MoE-Profil ingest_validator
app/services/embeddings_client.py	v2.6.0	Profil-basierte Modell-Auflösung
app/main.py	v1.1.0	Startup-Validierung der YAML-Dateien

Environment-Variablen

Neue Variable:

• MINDNET_LLM_PROFILES_PATH: Pfad zur Profil-Registry (Default: config/llm_profiles.yaml)

Legacy (nur noch Fallback):

• MINDNET_LLM_PROVIDER, MINDNET_LLM_MODEL, etc. dienen nur noch als Fallback, wenn kein Profil angegeben wird

---

🐛 Behobene Probleme

• ✅ Behoben: Sicherheitslücke in der DecisionEngine - Fallback-Aufrufe nutzen nun korrekt profile_name
• ✅ Behoben: Circular Import zwischen Ingestion-Modulen und Registry
• ✅ Behoben: Fehlende Startup-Validierung der YAML-Konfigurationen

---

📚 Dokumentation

Aktualisierte Dokumente:

• ✅ 03_tech_configuration.md: llm_profiles.yaml Dokumentation
• ✅ 03_tech_chat_backend.md: MoE Architektur und Fallback-Kaskade
• ✅ 02_concept_ai_personality.md: Mixture of Experts Konzept
• ✅ 03_tech_ingestion_pipeline.md: Profilgesteuerte Validierung
• ✅ 00_glossary.md: Neue Begriffe (MoE, Profile, Fallback-Kaskade)
• ✅ 05_developer_guide.md: Teach-the-AI mit Profilen
• ✅ 04_admin_operations.md: Konfigurations-Updates
• ✅ 06_active_roadmap.md: WP25a als abgeschlossen markiert

---

🚀 Migration & Upgrade

Für Administratoren

1. Neue Konfigurationsdatei erstellen:

   cp config/llm_profiles.yaml.example config/llm_profiles.yaml
   # Anpassen nach Bedarf
   

2. Startup-Validierung prüfen:

   # System startet nicht, wenn llm_profiles.yaml fehlt oder ungültig ist
   python3 -m app.main
   

3. ENV-Variablen (optional): Die .env Variablen MINDNET_LLM_PROVIDER, MINDNET_LLM_MODEL etc. dienen nur noch als Fallback. Die primäre Steuerung erfolgt über llm_profiles.yaml.

Für Entwickler

API-Änderungen:

• LLMService.generate_raw_response() unterstützt nun profile_name Parameter
• Fallback-Kaskade erfolgt automatisch bei Fehlern
• visited_profiles-Tracking verhindert Zirkel-Referenzen

Konfiguration:

• Neue Profile können in llm_profiles.yaml definiert werden
• decision_engine.yaml referenziert Profile über router_profile, llm_profile, compression_profile

---

🔮 Ausblick (WP-25b: Prompt-Orchestration & Model-Specific Tuning)

• Pre-Synthesis: LLM-basierte Komprimierung überlanger Streams (✅ bereits implementiert)
• Kontext-Budgeting: Intelligente Token-Verteilung
• Stream-specific Provider: Unterschiedliche KI-Modelle pro Wissensbereich
• Prompt-Orchestration: Dynamische Prompt-Anpassung basierend auf Profil und Kontext

---

📊 Metriken & Performance

Erwartete Verbesserungen:

• Resilienz: Automatische Fallback-Kaskade reduziert Ausfallzeiten
• Token-Effizienz: Pre-Synthesis Kompression reduziert Token-Verbrauch bei langen Streams
• Determinismus: Profilgesteuerte Validierung (Temperature 0.0) erhöht Konsistenz
• Wartbarkeit: Zentrale Profil-Registry vereinfacht Konfigurations-Management

---

Status: ✅ WP-25a ist zu 100% implementiert und audit-geprüft.
Nächster Schritt: WP-25b (Prompt-Orchestration & Model-Specific Tuning).