Lars
c5198a80d8
All checks were successful
Deploy mindnet to llm-node / deploy (push) Successful in 3s
252 lines
12 KiB
Markdown
252 lines
12 KiB
Markdown
---
|
||
doc_type: user_manual
|
||
audience: user, author
|
||
scope: vault, markdown, schema
|
||
status: active
|
||
version: 2.8.0
|
||
context: "Regelwerk für das Erstellen von Notizen im Vault. Die 'Source of Truth' für Autoren."
|
||
---
|
||
|
||
# Knowledge Design Manual
|
||
|
||
**Quellen:** `knowledge_design.md`, `types.yaml`
|
||
|
||
## ⚡ Die 5 Goldenen Regeln (TL;DR)
|
||
|
||
Damit Mindnet als dein Digitaler Zwilling funktioniert, beachte beim Schreiben diese Grundsätze:
|
||
|
||
1. **Atomare Gedanken:** Eine Notiz = Ein Thema. Wenn du über zwei Projekte schreibst, mach zwei Notizen draus.
|
||
2. **Explizite Typen:** Setze immer den `type` im Frontmatter. Mindnet behandelt eine `decision` ("Wir machen X") völlig anders als ein `concept` ("Was ist X").
|
||
3. **Semantische Links:** Schreibe nicht nur `[[Link]]`, sondern `[[rel:depends_on Link]]`. Sag dem System *wie* Dinge zusammenhängen.
|
||
4. **Werte & Ziele definieren:** Damit die **Decision Engine** dich beraten kann, musst du deine Kriterien (`type: value`, `type: goal`) explizit als Notizen anlegen.
|
||
5. **Emotionales Bridging:** Damit die **Empathie** funktioniert, nutze in Erfahrungsberichten (`type: experience`) emotionale Schlüsselwörter ("Krise", "Freude", "Angst").
|
||
6. **[NEU] Narrative Tiefe (Fleisch am Knochen):** Fakten allein reichen für Sessions und Biografien nicht aus. Erhalte die "Warum"-Ebene und Coach-Interpretationen. Die Erzählebene sichert, dass die KI die *Intention* versteht und der Mensch die *Bedeutung* nachvollziehen kann.
|
||
---
|
||
|
||
## 1. Zweck & Scope
|
||
|
||
Mindnet ist mehr als eine Dokumentablage. Es ist ein vernetztes System, das deine Persönlichkeit abbildet. Die Markdown-Dateien in deinem Vault sind die **einzige Quelle der Wahrheit** ("Source of Truth"). Was nicht im Markdown steht, existiert für das System nicht.
|
||
|
||
---
|
||
|
||
## 2. Note-Struktur & Frontmatter
|
||
|
||
Jede Notiz benötigt einen YAML-Header (Frontmatter).
|
||
|
||
**Pflichtfelder:**
|
||
|
||
```yaml
|
||
---
|
||
id: 20251212-projekt-alpha # Eindeutige Kennung (YYYYMMDD-slug empfohlen)
|
||
title: Projekt Alpha # Sprechender Titel
|
||
type: project # Steuert Chunking & Wichtigkeit
|
||
status: active # active, archived, draft
|
||
created: 2025-12-12 # ISO 8601
|
||
tags: [ki, entwicklung] # Taxonomie
|
||
---
|
||
```
|
||
|
||
### **2.1 [NEU] Naming Convention: Intuitiv vs. Technisch**
|
||
Für die Benutzerfreundlichkeit und die intuitive Navigation in Obsidian wird die Nutzung von **menschenlesbaren Titeln** bevorzugt (z. B. `Mein Persönliches Leitbild 2025` statt `leitbild_identity`).
|
||
- Die technische Eindeutigkeit wird primär über die `id` im Frontmatter sichergestellt.
|
||
- Die KI nutzt die Semantik des Dateinamens als zusätzlichen Kontext-Vektor.
|
||
|
||
### 2.2 Advanced Overrides: Die KI-Steuerung übernehmen
|
||
|
||
In 95% der Fälle setzt der `type` (z.B. "concept") automatisch die richtigen Einstellungen. In Spezialfällen kannst du diese manuell im Frontmatter überschreiben, um das Verhalten der KI zu erzwingen.
|
||
|
||
#### A. `retriever_weight`: Die Sichtbarkeit steuern
|
||
Dieser Faktor (Default: 1.0) ist ein Multiplikator für das Ranking in der Vektorsuche. Er entscheidet, welche Notiz "gewinnt", wenn zwei Texte inhaltlich ähnlich sind.
|
||
|
||
* **Standard (1.0):** Normale Wichtigkeit.
|
||
* **Boost (1.2 - 2.0):** "Das hier ist die Wahrheit."
|
||
* *Einsatz:* Finale Entscheidungen, Kernprinzipien, die "Single Source of Truth".
|
||
* *Effekt:* Verdrängt weniger wichtige Notizen (z.B. Meeting-Protokolle) aus dem Kontext-Fenster der KI.
|
||
* **Deboost (0.5 - 0.8):** "Nur Kontext, keine Fakten."
|
||
* *Einsatz:* Glossare, externe Quellen (`source`), reine Datensammlungen.
|
||
* *Effekt:* Die Notiz wird nur gefunden, wenn man sehr spezifisch danach sucht.
|
||
|
||
#### B. `chunking_profile`: Die Zerstückelung steuern
|
||
Das Profil bestimmt, wie der Text für die Datenbank zerschnitten wird. Falsches Chunking zerreißt den Kontext. Wähle das Profil basierend auf der **Struktur** deines Textes.
|
||
|
||
| Profil-Name | Strategie | Einsatzzweck & Wirkung |
|
||
| :--- | :--- | :--- |
|
||
| **`sliding_standard`** | Sliding Window | **Der Allrounder.** Für Fließtexte (Tagebuch, Artikel). Der Text wird in überlappende Fenster geschnitten. Gut, wenn der Inhalt von oben nach unten fließt. |
|
||
| **`sliding_short`** | Sliding Window (Klein) | **Für Dichte.** Für Texte mit sehr hoher Informationsdichte (Glossare, Task-Listen), wo jeder Satz wichtig ist. Erzeugt viele kleine Chunks. |
|
||
| **`sliding_smart_edges`** | Sliding + AI | **Der Intelligente.** Wie Standard, aber das LLM analysiert jeden Chunk zusätzlich auf implizite Querverweise. Standard für `concept` und `project`. |
|
||
| **`structured_smart_edges`** | Heading Split (Soft) | **Für Strukturierte Texte.** Trennt an Überschriften (H2). *Besonderheit:* Wenn ein Abschnitt sehr kurz ist, wird er mit dem nächsten verschmolzen ("Soft Mode"), um den Kontext zu wahren. |
|
||
| **`structured_smart_edges_strict`** | Heading Split (Hard) | **Für Listen & Kataloge.** Trennt *zwingend* an jeder H2-Überschrift. Verhindert das Verschmelzen. <br>**Wichtig für:** `decision` (Option A darf nicht mit Option B verschmelzen), `value`, `profile`. |
|
||
|
||
**Beispiel für ein Override:**
|
||
|
||
```yaml
|
||
---
|
||
title: Sammlung meiner Passwörter-Regeln
|
||
type: list
|
||
# Wir erzwingen eine strikte Trennung, damit Regel 1 nicht mit Regel 2 vermischt wird.
|
||
chunking_profile: structured_smart_edges_strict
|
||
# Extrem wichtig, soll immer beachtet werden.
|
||
retriever_weight: 1.5
|
||
---
|
||
```
|
||
|
||
---
|
||
|
||
## 3. Typ-Referenz & Verhalten
|
||
|
||
Wähle den Typ, der die **Rolle** der Notiz am besten beschreibt. Der Typ setzt die Defaults für die oben genannten Parameter.
|
||
|
||
| Typ | Default Profil | Default Gewicht | Einsatzzweck |
|
||
| :--- | :--- | :--- | :--- |
|
||
| **`concept`** | `sliding_smart_edges` | 0.60 | Fachbegriffe, Theorien. Zeitloses Wissen. |
|
||
| **`project`** | `sliding_smart_edges` | 0.97 | Aktive Vorhaben mit Ziel und Status. |
|
||
| **`experience`**| `sliding_smart_edges` | **1.10 [NEU]** | Biografische Lektionen & Prägungen. |
|
||
| **`insight` [NEU]** | `sliding_smart_edges` | **1.20** | Konkrete Beobachtungen/Erkenntnisse (z.B. Erziehung). |
|
||
| **`trait` [NEU]** | `structured_..._strict`| **1.10** | Persönliche Eigenschaften & Potenziale. |
|
||
| **`obstacle` [NEU]**| `structured_..._strict`| **1.00** | Ängste, Blockaden & Hindernisse. |
|
||
| **`decision`** | **`structured_..._strict`** | **1.00** | Entscheidungen. Muss atomar getrennt sein (Optionen vs. Ergebnis). |
|
||
| **`value`** | **`structured_..._strict`** | **1.00** | Werte/Prinzipien. |
|
||
| **`principle`**| `structured_..._strict_L3`| 0.95 | Handlungsleitlinien (Trennt bis Ebene H3). |
|
||
| **`goal`** | `sliding_smart_edges` | 0.95 | Strategische Ziele (Nordsterne). |
|
||
| **`risk`** | `sliding_short` | 0.85 | Risiken (kurz und prägnant). |
|
||
| **`journal`** | `sliding_standard` | 0.80 | Zeitbezogene Logs. |
|
||
| **`source`** | `sliding_standard` | 0.50 | Externe Quellen (niedrig gewichtet). |
|
||
|
||
---
|
||
|
||
## 4. Edges & Verlinkung
|
||
|
||
Mindnet versteht Zusammenhänge durch Kanten.
|
||
|
||
### 4.1 Inline-Relationen (Semantische Verknüpfung)
|
||
Dies ist die **mächtigste** Methode. Du sagst dem System explizit, **wie** Dinge zusammenhängen.
|
||
|
||
> "Daher [[rel:depends_on Qdrant]]."
|
||
> "Dieses Konzept ist [[rel:similar_to Pinecone]]."
|
||
|
||
**Gültige Relationen:**
|
||
* `depends_on`: Hängt ab von / Benötigt.
|
||
* `blocks`: Blockiert oder gefährdet (z.B. Risiko -> Projekt).
|
||
* `caused_by`: Wurde verursacht durch (Kausalität).
|
||
* `similar_to`: Ähnelt / Ist vergleichbar mit.
|
||
* `solves`: Löst (Problem).
|
||
* `based_on`: Basiert auf (Fundament).
|
||
* **`prev` / `next` [NEU]**: Markiert chronologische oder evolutionäre Abfolgen (z.B. Leitbild-Evolution).
|
||
|
||
### 4.2 Callout-Edges
|
||
Für Zusammenfassungen am Ende einer Notiz:
|
||
|
||
```markdown
|
||
> [!edge] related_to: [[Vector Embeddings]] [[AI Agents]]
|
||
```
|
||
|
||
### 4.3 [NEU] Die Logik der Edge-Paare (Bidirektionalität)
|
||
Um sicherzustellen, dass die KI Zusammenhänge aus jeder Perspektive versteht, nutzen wir immer Paare aus Rückwärts- und Vorwärtskanten. Eine Kante hat nie nur eine Richtung.
|
||
|
||
| Beziehungstyp | Rückwärtskante (Blick zurück) | Vorwärtskante (Blick voraus) |
|
||
| :--- | :--- | :--- |
|
||
| **Chronologie** | `prev` (Vorgänger) | `next` (Nachfolger) |
|
||
| **Abstammung** | `derived_from` (Basiert inhaltlich auf) | `resulted_in` (Führte inhaltlich zu) |
|
||
| **Fundament** | `based_on` (Hat als Grundlage) | `supports` (Unterstützt / Ermöglicht) |
|
||
| **Hierarchie** | `part_of` (Ist Teil von) | `contains` (Beinhaltet / Umfasst) |
|
||
| **Abhängigkeit** | `depends_on` (Benötigt) | `enables` (Ermöglicht / Erlaubt) |
|
||
|
||
**Anwendungsbeispiel Evolution:**
|
||
- Das **[[Mein Persönliches Leitbild 2025]]** hat die Kante `prev: [[Quelle – Persönliches Leitbild (Vollständige Fassung 2012)]]`.
|
||
- Die **[[Quelle – Persönliches Leitbild (Vollständige Fassung 2012)]]** hat die Kante `next: [[Mein Persönliches Leitbild 2025]]`.
|
||
|
||
**Anwendungsbeispiel Genese:**
|
||
- Ein **Protokoll** hat die Kante `resulted_in: [[Das Ergebnis]]`.
|
||
- **Das Ergebnis** hat die Kante `derived_from: [[Das Protokoll]]`.
|
||
---
|
||
|
||
## 5. Schreiben für den KI-Zwilling (Szenarien)
|
||
|
||
Damit der **RAG-Chat** dich berät, musst du "Futter" für die Decision Engine liefern.
|
||
|
||
### Szenario A: Decision Engine (`DECISION`)
|
||
* **Ziel:** Das System soll abwägen: "Passt Tool X zu mir?"
|
||
* **Vorgehen:** Erstelle Notizen mit `type: value` oder `type: goal`.
|
||
|
||
* **Effekt:** Wenn du fragst "Soll ich Notion nutzen?", lädt die Engine diese Notiz und antwortet: *"Nein, Notion ist SaaS ohne E2E. Das verletzt dein Prinzip der Datensparsamkeit."*
|
||
|
||
### Szenario B: Empathie (`EMPATHY`)
|
||
* **Ziel:** Das System soll dich verstehen.
|
||
* **Vorgehen:** Erstelle `type: experience` mit **emotionalen Brückenwörtern**.
|
||
|
||
**Beispiel Notiz:**
|
||
```yaml
|
||
---
|
||
type: experience
|
||
title: Erfahrung: Der Durchbruch nach der Krise
|
||
tags: [krise, hoffnung, grau, angst]
|
||
---
|
||
Es gibt Projektphasen, da wirkt alles **sinnlos** und **grau**.
|
||
Ich habe gelernt: Das ist oft das Zeichen kurz vor dem Durchbruch.
|
||
```
|
||
* **Effekt:** Bei "Alles ist grau" findet das System diese Notiz und spiegelt die Lektion zurück.
|
||
|
||
### **Szenario C: Forward-Mapping (Lücken-Analyse) [NEU]**
|
||
* **Ziel:** Strategische Wissenslücken füllen.
|
||
* **Vorgehen:** Erstelle Hub-Notizen mit Forward-Links auf noch nicht existierende Dateien (z. B. `[[Besten Version meiner Selbst]]`).
|
||
* **Effekt:** Das System erkennt die semantische Bedeutung des geplanten Wissens und kann proaktiv Fragen stellen, um diese Lücken zu schließen.
|
||
|
||
### **Szenario D: Narratives Gedächtnis (Intention) [NEU]**
|
||
* **Ziel:** Das System soll verstehen, *warum* eine Entscheidung getroffen wurde, um in ähnlichen künftigen Situationen konsistent zu beraten.
|
||
* **Vorgehen:** Nutze in `journal`- oder `experience`-Notizen Abschnitte für "Hintergrund" und "Interpretation".
|
||
* **Beispiel:** Statt "Wert: Disziplin" schreibe "Ich wähle Disziplin, weil ich in meiner Kindheit erlebt habe, wie Willkür schadet."
|
||
* **Effekt:** Die KI spiegelt nicht nur die Regel, sondern die Überzeugung dahinter.
|
||
---
|
||
|
||
## 6. Best Practices & Beispiele
|
||
|
||
### 6.1 Beispiel: Projekt-Notiz (Standard)
|
||
Projekte profitieren von `depends_on`, um Abhängigkeiten zu klären.
|
||
|
||
```markdown
|
||
---
|
||
id: 20251115-proj-mindnet
|
||
title: Mindnet Implementierung
|
||
type: project
|
||
status: active
|
||
---
|
||
|
||
# Mindnet Implementierung
|
||
|
||
Wir bauen ein persönliches Wissensnetz.
|
||
|
||
## Tech Stack
|
||
Wir nutzen [[rel:depends_on Qdrant]] für die Vektorsuche und [[rel:depends_on FastAPI]] für das Backend.
|
||
|
||
## Architektur
|
||
Das Konzept basiert auf [[RAG Architecture]].
|
||
```
|
||
|
||
### 6.2 Beispiel: Advanced Tuning (Manuelles Override)
|
||
Hier zwingen wir das System, eine Entscheidung extrem kleinteilig (`strict`) zu zerlegen und in der Suche maximal zu priorisieren.
|
||
|
||
```markdown
|
||
---
|
||
id: 20251120-adr-vektordb
|
||
title: ADR: Wahl von Qdrant
|
||
type: decision
|
||
status: final
|
||
tags: [architektur, db]
|
||
chunking_profile: structured_smart_edges_strict
|
||
retriever_weight: 1.5
|
||
---
|
||
|
||
# Entscheidung: Qdrant
|
||
|
||
Wir haben uns für Qdrant entschieden.
|
||
|
||
## Alternativen
|
||
Wir haben auch [[rel:similar_to Pinecone]] und [[rel:similar_to Weaviate]] betrachtet.
|
||
```
|
||
|
||
---
|
||
|
||
## 7. Virtual Schema Layer
|
||
|
||
Grundsätzlich gilt das Prinzip des **Virtual Schema Layers**. Die Logik (wie `chunk_size`) wird zentral in der `types.yaml` verwaltet.
|
||
**Aber:** Als Power-User hast du über die Overrides jederzeit die Möglichkeit, aus diesem Standard auszubrechen. |