mindnet/docs/06_Roadmap/06_Sprintplanung_01.md

🏃 Sprint-Planung: Sprint 1 (V3.1)

Fokus: Intelligenz & Gedächtnis

🎯 Sprint-Ziel

Mindnet kann sich an den Kontext des aktuellen Gesprächs erinnern und seine Retrieval-Logik basierend auf historischen Feedback-Daten anpassen.

🛠️ Aufgaben & Lösungsskizzen

Aufgabe 1: SQLite Session Management (Backend)

• Datei: app/core/retrieval/session_manager.py (Neu)
• Details: Erstelle eine DB-Struktur für sessions und messages.
• Logik: Jede Anfrage im chat.py Endpunkt muss eine session_id verarbeiten.

Aufgabe 2: Context Injection in DecisionEngine

• Datei: app/core/retrieval/decision_engine.py
• Details: 1. Abruf der letzten 5 Nachrichten aus dem SessionManager. 2. Verdichtung der Historie auf max. 500 Token via llm_service.generate_raw_response(prompt_key="compression_template", ...). 3. Injection in _generate_final_answer als Variable history.

Aufgabe 3: Das Tuning-Modul (Self-Calibration)

• Datei: app/services/tuning_service.py (Neu)
• Details: 1. Parser für logs/feedback.jsonl. 2. Logik: Wenn negative_feedback + intent == 'CODING', erhöhe tech_stream boost um 0.5. 3. Persistenz in config/tuning_registry.yaml.

📦 Definition of Done (DoD)

• Test A: Rückfrage "Was meinst du damit?" bezieht sich auf das vorherige Ergebnis.
• Test B: Tuning-Werte werden nach manuellem Feedback in den Logs berücksichtigt.
• Test C: [PROMPT-TRACE] zeigt korrekte Level-1/2 Matches für Memory-Prompts.