147 lines
7.5 KiB
Markdown
147 lines
7.5 KiB
Markdown
---
|
||
doc_type: concept
|
||
audience: architect, product_owner
|
||
scope: graph, logic, provenance
|
||
status: active
|
||
version: 2.9.1
|
||
context: "Fachliche Beschreibung des Wissensgraphen: Knoten, Kanten, Provenance, Matrix-Logik und WP-22 Scoring-Prinzipien."
|
||
---
|
||
|
||
# Konzept: Die Graph-Logik
|
||
|
||
**Quellen:** `mindnet_functional_architecture.md`, `chunking_strategy.md`, `01_edge_vocabulary.md`, `retriever_scoring.py`, `03_tech_retrieval_scoring.md`
|
||
|
||
Mindnet ist keine reine Dokumentablage, sondern ein **semantischer Graph**. Dieses Dokument beschreibt, wie aus statischen Textdateien ein vernetztes Wissensobjekt wird.
|
||
|
||
## 1. Die Knoten (Nodes)
|
||
|
||
Der Graph besteht aus zwei Ebenen von Knoten.
|
||
|
||
### 1.1 Die Note (Das Fachobjekt)
|
||
Eine Note repräsentiert ein atomares Konzept (z.B. "Projekt Alpha").
|
||
* **Eigenschaften:** Titel, Typ, Tags, Erstellungsdatum sowie der **Status** (Lifecycle).
|
||
* **Rolle:** Sie ist der Container für Metadaten und steuert via `type`, wie der Inhalt verarbeitet wird (siehe `types.yaml`).
|
||
* **Identität:** Definiert durch eine deterministische UUIDv5.
|
||
|
||
### 1.2 Der Chunk (Das Suchobjekt)
|
||
Da LLMs (Large Language Models) nicht unendlich viel Text auf einmal lesen können, werden Notes in kleinere Segmente (**Chunks**) zerlegt.
|
||
* **Eigenschaften:** Vektor (Embedding 768d), Textfenster, Link zum Vorgänger/Nachfolger.
|
||
* **Rolle:** Dies sind die eigentlichen Treffer bei einer Suche.
|
||
* **Hierarchie:** Jeder Chunk gehört streng zu einer Note (`belongs_to`).
|
||
|
||
### 1.3 Content Lifecycle & Status (WP-22)
|
||
Seit v2.7 beeinflusst der `status` einer Note direkt deren Gewichtung im Retrieval (Lifecycle Scoring).
|
||
* **Stable:** Notizen mit `status: stable` erhalten einen positiven Modifier (Standard: 1.0), da sie geprüftes Wissen repräsentieren.
|
||
* **Draft:** Notizen mit `status: draft` werden durch einen Malus (Standard: 0.5 - 0.8) herabgestuft, um "Rauschen" durch unfertige Gedanken zu reduzieren.
|
||
* **System/Template:** Diese Status-Typen führen zu einem vollständigen Ausschluss aus dem Index.
|
||
|
||
---
|
||
|
||
## 2. Die Kanten (Edges)
|
||
|
||
Kanten machen aus isolierten Informationen Wissen. Mindnet nutzt gerichtete Kanten mit semantischer Bedeutung, die durch die **Edge Registry** validiert werden.
|
||
|
||
### 2.1 Kanonische Typen & Aliase
|
||
Um eine konsistente mathematische Gewichtung zu garantieren, werden alle Kanten auf **kanonische Typen** normalisiert.
|
||
|
||
| Kanonischer Typ | Aliase (Beispiele) | Bedeutung |
|
||
| :--- | :--- | :--- |
|
||
| `caused_by` | `ausgelöst_durch`, `wegen` | Kausalität: A löst B aus. |
|
||
| `derived_from` | `abgeleitet_von`, `quelle` | Herkunft: A stammt von B. |
|
||
| `based_on` | `basiert_auf`, `fundament` | Fundament: B baut auf A auf. |
|
||
| `solves` | `löst`, `fix_für` | Lösung: A ist Lösung für Problem B. |
|
||
| `part_of` | `teil_von`, `cluster` | Hierarchie: Kind -> Eltern. |
|
||
| `depends_on` | `braucht`, `requires` | Abhängigkeit: A braucht B. |
|
||
| `blocks` | `blockiert`, `risiko_für` | Blocker: A verhindert B. |
|
||
| `related_to` | `siehe_auch`, `kontext` | Lose Assoziation. |
|
||
|
||
|
||
|
||
### 2.2 Provenance (Herkunft & Vertrauen)
|
||
|
||
Nicht alle Kanten sind gleich viel wert. Mindnet unterscheidet drei Qualitätsstufen (**Provenance**), um bei der Berechnung des Edge-Bonus Prioritäten zu setzen.
|
||
|
||
**1. Explicit (Der Mensch hat es gesagt)**
|
||
* *Quelle:* Inline-Links (`[[rel:...]]`) oder Wikilinks im Text.
|
||
* *Vertrauen:* **Hoch (1.0)**.
|
||
* *Bedeutung:* Hartes Faktenwissen. Die explizite menschliche Intention wird im Scoring am stärksten gewichtet.
|
||
|
||
**2. Smart (Die KI hat es bestätigt)**
|
||
* *Quelle:* Smart Edge Allocation (WP15).
|
||
* *Vertrauen:* **Mittel (0.9)**.
|
||
* *Bedeutung:* Ein LLM hat die Relevanz des Links im Kontext geprüft. Dies filtert irrelevante Links (z.B. aus Navigationsleisten) heraus.
|
||
|
||
**3. Rule (Die Regel hat es vermutet)**
|
||
* *Quelle:* `types.yaml` Defaults oder Matrix-Logik.
|
||
* *Vertrauen:* **Niedrig (0.7)**.
|
||
* *Bedeutung:* Systemseitige Heuristik. Diese Verbindungen dienen der Entdeckung neuer Pfade, haben aber weniger Gewicht als explizite Links.
|
||
|
||
---
|
||
|
||
## 3. Matrix-Logik (Kontext-Sensitivität)
|
||
|
||
Die Matrix-Logik bestimmt Kanten-Typen dynamisch anhand der Quell- und Ziel-Typen der verknüpften Notizen.
|
||
|
||
**Logik-Beispiele:**
|
||
* **Quelle `experience` → Ziel `value`**: Wird zu `based_on` (Erfahrungen fußen auf Werten).
|
||
* **Quelle `principle` → Ziel `source`**: Wird zu `derived_from` (Prinzipien stammen aus Quellen).
|
||
|
||
---
|
||
|
||
## 4. Semantisch bezogene Booster & Scoring-Logik
|
||
|
||
Das Scoring in Mindnet v2.7 folgt einer hybriden Logik, bei der semantische Ähnlichkeit durch kontextuelle Faktoren modifiziert wird.
|
||
|
||
### 4.1 Semantische Modifikatoren (Type & Status)
|
||
Bevor der Graph-Bonus berechnet wird, durchläuft die semantische Ähnlichkeit (Cosine Similarity) zwei Filter:
|
||
1. **Type-Weight ($W_{type}$):** Bestimmt die "Wichtigkeit" einer Notizklasse. Ein Wert von 1.0 (z. B. für `decision`) lässt die volle semantische Stärke durch. Ein Wert von 0.4 (z. B. für `glossary`) dämpft den Treffer massiv ab, es sei denn, die Frage passt exakt auf den Text.
|
||
2. **Status-Modifier:** Agiert als Qualitätsfilter. `draft` markierte Inhalte werden herabgestuft, damit `stable` Inhalte bei gleicher semantischer Passung immer oben stehen.
|
||
|
||
### 4.2 Graph-Boosting (Additive Boni)
|
||
Der Graph-Bonus wird auf den modifizierten semantischen Score addiert. Dies ermöglicht es Inhalten, im Ranking nach oben zu steigen, wenn sie stark mit anderen relevanten Treffern vernetzt sind.
|
||
|
||
| Parameter-Gruppe | Wertebereich | Logik |
|
||
| :--- | :--- | :--- |
|
||
| **Notiz-Gewichte** | 0.1 - 1.0 | Multiplikativ. Dient als Relevanz-Filter für Informationstypen. |
|
||
| **Kanten-Boosts** | 0.1 - 3.0+ | Additiv. Hebt vernetztes Wissen über isolierte Texttreffer. |
|
||
| **Status-Malus** | 0.5 - 0.9 | Multiplikativ. Bestraft unfertiges Wissen (Drafts). |
|
||
|
||
---
|
||
|
||
## 5. Dynamic Intent Boosting (WP-22)
|
||
|
||
In v2.7 ist die Graph-Gewichtung nicht mehr statisch, sondern hängt vom **Intent** der Nutzerfrage ab (Query-Time Boosting).
|
||
|
||
Der Intent-Router injiziert spezifische Multiplikatoren für kanonische Typen:
|
||
* **Intent `EMPATHY`**: Boostet `based_on` (Fokus auf Werte).
|
||
* **Intent `WHY`**: Boostet `caused_by` (Fokus auf Ursachenforschung).
|
||
|
||
---
|
||
|
||
## 6. Section-basierte Links & Multigraph-Support
|
||
|
||
Seit v2.9.1 unterstützt Mindnet **Deep-Links** zu spezifischen Abschnitten innerhalb einer Note.
|
||
|
||
### 6.1 Link-Parsing
|
||
Links wie `[[Note#Section]]` werden in zwei Komponenten aufgeteilt:
|
||
* **`target_id`:** Enthält nur den Note-Namen (z.B. "Mein Leitbild")
|
||
* **`target_section`:** Enthält den Abschnitts-Namen (z.B. "P3 – Disziplin")
|
||
|
||
**Vorteil:** Verhindert "Phantom-Knoten", die durch das Einbeziehen des Anchors in die `target_id` entstanden wären.
|
||
|
||
### 6.2 Multigraph-Support
|
||
Die Edge-ID enthält nun einen `variant`-Parameter (die Section), sodass mehrere Kanten zwischen denselben Knoten existieren können, wenn sie auf verschiedene Sections zeigen:
|
||
* `[[Note#Section1]]` → Edge-ID: `src->tgt:kind@Section1`
|
||
* `[[Note#Section2]]` → Edge-ID: `src->tgt:kind@Section2`
|
||
|
||
### 6.3 Semantische Deduplizierung
|
||
Die Deduplizierung basiert auf dem `src->tgt:kind@sec` Key, um sicherzustellen, dass identische Links (gleiche Quelle, Ziel, Typ und Section) nicht mehrfach erstellt werden.
|
||
|
||
---
|
||
|
||
## 7. Idempotenz & Konsistenz
|
||
|
||
Das System garantiert fachliche Konsistenz auch bei mehrfachen Importen.
|
||
* **Stabile IDs:** Deterministische IDs verhindern Duplikate bei Re-Imports.
|
||
* **Deduplizierung:** Kanten werden anhand ihrer Identität (inkl. Section) erkannt. Die "stärkere" Provenance gewinnt.
|
||
* **Format-agnostische Erkennung:** Kanten werden unabhängig vom Format (Inline, Callout, Wikilink) erkannt, um Dopplungen zu vermeiden. |