Mindnet v2.2 – Overview & Einstieg

Datei: docs/mindnet_overview_v2.2.md Stand: 2025-12-10 Status: FINAL (Post-WP10 Release) Version: 2.3.1

1. Einführung: Was ist Mindnet?

Mindnet ist ein persönliches, lokales KI-Gedächtnis. Es ist der Versuch, einen Digitalen Zwilling deines Wissens und deiner Persönlichkeit zu erschaffen.

Anders als herkömmliche Notiz-Apps (wie Obsidian oder Evernote), die Texte nur passiv speichern, ist Mindnet ein aktives System:

Es versteht Zusammenhänge über einen Wissensgraphen.
Es begründet Antworten ("Warum ist das so?").
Es antwortet situativ angepasst: Mal als harter Strategieberater, mal als empathischer Spiegel.

Die Vision

„Ein System, das nicht nur speichert, was ich weiß, sondern auch wie ich denke und fühle.“

2. Die drei Ebenen des Systems

Mindnet arbeitet auf drei Schichten, die aufeinander aufbauen:

Ebene 1: Content (Das Gedächtnis)

Quelle: Dein lokaler Obsidian-Vault (Markdown).
Funktion: Speicherung von Fakten, Projekten und Logs.
Technik: Import-Pipeline, Chunking, Vektor-Datenbank (Qdrant).
Status: 🟢 Live (WP01–WP03).

Ebene 2: Semantik (Das Verstehen)

Funktion: Verknüpfung von isolierten Notizen zu einem Netzwerk.
Logik: "Projekt A hängt ab von Entscheidung B".
Technik: Hybrider Retriever (Graph + Vektor), Explanation Engine.
Status: 🟢 Live (WP04).

Ebene 3: Identität (Die Persönlichkeit)

Funktion: Interaktion und Bewertung. Das System nimmt eine Haltung ein.
Logik: "Ich empfehle Lösung X, weil sie unserem Wert 'Datensparsamkeit' entspricht."
Technik:
- Intent Router: Erkennt Absichten (Fakt vs. Gefühl vs. Entscheidung).
- Strategic Retrieval: Lädt gezielt Werte oder Erfahrungen nach.
- Multi-Persona: Passt den Tonfall an.
Status: 🟢 Live (WP05–WP06).

3. End-to-End Architektur

Der Datenfluss in Mindnet ist zyklisch ("Data Flywheel"):

Input: Du schreibst Notizen in Obsidian.
Ingest: Ein Python-Skript importiert, zerlegt (Chunking) und vernetzt (Edges) die Daten in Qdrant.
Intent Recognition: Der Router analysiert deine Frage: Willst du Fakten, Code oder Empathie?
Retrieval: Das System sucht Inhalte passend zum Intent (z.B. "Lade Erfahrungen bei Empathie").
Generation: Ein lokales LLM (Ollama) formuliert die Antwort.
Feedback: Du bewertest die Antwort. Das System lernt (langfristig) daraus.

Tech-Stack:

Backend: Python 3.12, FastAPI.
Datenbank: Qdrant (Vektor & Graph).
KI: Ollama (Phi-3 Mini / Mistral) – 100% lokal.
Frontend: Streamlit Web-UI (v2.3.1).

4. Dokumentations-Wegweiser

Wo findest du was?

Wenn du...	...lies dieses Dokument
...wissen willst, wie man Notizen schreibt.	`mindnet_knowledge_design_manual_v2.2.md`
...das System installieren oder betreiben musst.	`mindnet_admin_guide_v2.2.md`
...am Python-Code entwickeln willst.	`mindnet_developer_guide_v2.2.md`
...die Pipeline (Import -> RAG) verstehen willst.	`mindnet_pipeline_playbook_v2.2.md`
...die genaue JSON-Struktur oder APIs suchst.	`mindnet_technical_architecture.md`
...verstehen willst, was fachlich passiert.	`mindnet_functional_architecture.md`
...den aktuellen Projektstatus suchst.	`Programmplan_V2.2.md`

5. Rollen im System

Mindmaster (User/Owner): Du. Du erstellst Inhalte, stellst Fragen und gibst Feedback. Du definierst die Werte (type: value).
Mindnet (Der Agent): Der digitale Zwilling. Er agiert als pragmatischer, transparenter Assistent im Chat.
Administrator: Verantwortlich für Docker-Container, Backups und LLM-Ressourcen.

6. Aktueller Fokus

Wir haben Phase D (Interaktion) mit WP10 (Chat Interface) begonnen und die UI erfolgreich deployed. Das System ist nun für Endnutzer bedienbar. Als Nächstes folgt der Interview-Assistent (WP07), um Wissen dialogisch zu erfassen.

4.0 KiB Raw Blame History Unescape Escape