mindnet/docs/02_concepts/02_concept_ai_personality.md

doc_type	audience	scope	status	version	context
concept	architect, product_owner	ai, router, personas, resilience, agentic_rag, moe, lazy_prompts	active	3.1.1	Fachkonzept der hybriden KI-Persönlichkeit, Agentic Multi-Stream RAG, WP-25a Mixture of Experts (MoE), WP-25b Lazy-Prompt-Orchestration, Provider-Kaskade und kognitiven Resilienz (Deep Fallback).

Konzept: KI-Persönlichkeit & Router

Quellen: mindnet_functional_architecture.md, llm_service.py, config.py, ingestion.py

Mindnet soll nicht wie eine Suchmaschine wirken, sondern wie ein Digitaler Zwilling. Dazu muss das System erkennen, was der Nutzer will, und seine „Persönlichkeit“ sowie seine technische Infrastruktur dynamisch anpassen.

1. Der Hybrid Router & Agentic Multi-Stream RAG (Das Gehirn)

Jede Eingabe durchläuft den Hybrid Router. Seit WP-25 agiert das System als Agentic Orchestrator, der Nutzeranfragen analysiert, in parallele Wissens-Streams aufteilt und diese zu einer kontextreichen, wertebasierten Antwort synthetisiert.

Intent-basiertes Routing (WP-25)

Der Router nutzt einen Hybrid-Modus mit Keyword Fast-Path und LLM Slow-Path:

Keyword Fast-Path:

• Sofortige Erkennung von Triggern wie "Soll ich", "Wann", "Was ist"
• Reduziert Latenz durch schnelle Keyword-Erkennung ohne LLM-Call

LLM Slow-Path:

• Komplexe semantische Analyse für unklare Anfragen
• Nutzt intent_router_v1 Prompt zur Klassifizierung

Strategien:

• FACT_WHAT/FACT_WHEN: Wissensabfrage (Wissen/Listen, Zeitpunkte)
• DECISION: Beratung (Rat, Strategie, Abwägung)
• EMPATHY: Reflexion (Emotionale Resonanz)
• CODING: Technik (Programmierung, Syntax)
• INTERVIEW: Datenerfassung (Wissen speichern)

Modus A: Agentic Multi-Stream RAG (WP-25)

Anstelle einer einzelnen Suche führt das System parallele Abfragen in spezialisierten Wissens-Streams aus:

Stream-Library:

• Values Stream: Identität, Ethik und Prinzipien (value, principle, belief, trait, boundary, need, motivation)
• Facts Stream: Operative Daten (project, decision, task, goal, event, state)
• Biography Stream: Persönliche Erfahrungen (experience, journal, profile, person)
• Risk Stream: Hindernisse und Gefahren (risk, obstacle, bias)
• Tech Stream: Technisches Wissen (concept, source, glossary, idea, insight, skill, habit)

Wissens-Synthese: Die Zusammenführung erfolgt über spezialisierte Templates mit expliziten Stream-Variablen (z.B. {values_stream}, {risk_stream}). Dies ermöglicht dem LLM eine differenzierte Abwägung zwischen Fakten und persönlichen Werten.

Stream-Tracing: Jeder Treffer wird mit stream_origin markiert, um Feedback-Optimierung pro Wissensbereich zu ermöglichen.

Modus B: Interview (Knowledge Capture)

• Intent: Der Nutzer will Wissen speichern (INTERVIEW).
• Aktion: Das System sucht nicht, sondern fragt ab und erstellt einen Draft.

---

2. Mixture of Experts (MoE) Architektur (WP-25a)

Seit WP-25a nutzt MindNet eine profilbasierte Experten-Steuerung statt einer globalen Provider-Konfiguration. Jede Systemaufgabe wird einem dedizierten Profil zugewiesen, das Modell, Provider und Parameter unabhängig definiert.

2.1 Experten-Profile

Zentrale Registry (llm_profiles.yaml):

• synthesis_pro: Hochwertige Synthese für Chat-Antworten (Cloud)
• 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

Vorteile:

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

2.2 Rekursive Fallback-Kaskade

Die Profile implementieren eine automatische Fallback-Logik:

1. Primäres Profil: System versucht das angeforderte Profil (z.B. synthesis_pro)
2. Fallback-Level 1: Bei Fehler → fallback_profile (z.B. synthesis_backup)
3. Fallback-Level 2: Bei weiterem Fehler → nächster Fallback (z.B. identity_safe)
4. Terminaler Endpunkt: identity_safe hat keinen Fallback (lokales Modell als letzte Instanz)

Schutzmechanismen:

• Zirkuläre Referenzen: visited_profiles-Tracking verhindert Endlosschleifen
• Background-Semaphore: Parallele Tasks werden gedrosselt

2.3 Die hybride LLM-Landschaft (Legacy & MoE)

Ein intelligenter Zwilling muss jederzeit verfügbar sein. Seit WP-25a wird die Resilienz durch die MoE Fallback-Kaskade gewährleistet:

1. Stufe 1: Cloud-Experten: Spezialisierte Profile für verschiedene Aufgaben (z.B. synthesis_pro, tech_expert)
2. Stufe 2: Quoten-Resilienz: Erkennt das System eine Drosselung durch Cloud-Provider (HTTP 429), pausiert es kontrolliert (LLM_RATE_LIMIT_WAIT), führt automatisierte Retries durch und schützt so den laufenden Prozess.
3. Stufe 3: Lokale Souveränität (Ollama):
   • Technischer Fallback: Schlagen alle Cloud-Versuche fehl, übernimmt das lokale Modell (Phi-3) via identity_safe Profil.
   • Kognitiver Fallback (v2.11.14): Liefert die Cloud zwar technisch eine Antwort, verweigert aber inhaltlich die Verarbeitung (Silent Refusal/Policy Violation), wird ein Deep Fallback erzwungen, um die Datenintegrität lokal zu retten.

---

3. Die Personas (Strategien)

Mindnet wechselt den Hut, je nach Situation.

3.1 Der Berater (Strategy: DECISION)

• Auslöser: Fragen wie „Soll ich...?", „Was ist besser?", „Empfehlung...".
• Multi-Stream Retrieval (WP-25): Führt parallele Abfragen in Values Stream, Facts Stream und Risk Stream aus.
• Wissens-Synthese: Wägt Fakten gegen Werte ab, evaluiert Risiken und prüft Kompatibilität mit langfristiger Identität.
• Reasoning: „Wäge die Fakten gegen meine Werte ab. Sei strikt bei Risiken."

3.2 Der Spiegel (Strategy: EMPATHY)

• Auslöser: Emotionale Aussagen („Ich bin frustriert", „Ich fühle...", „Stress...").
• Multi-Stream Retrieval (WP-25): Führt parallele Abfragen in Biography Stream und Values Stream aus.
• Wissens-Synthese: Greift auf persönliche Erfahrungen und Werte zurück, um emotionale Resonanz zu schaffen.
• Reasoning: „Nutze meine eigenen Erfahrungen, um die Situation einzuordnen."

3.3 Der Bibliothekar (Strategy: FACT_WHAT / FACT_WHEN)

• Auslöser: Sachfragen („Was ist...?", „Welche sind...?", „Wann...?", „Datum...").
• Multi-Stream Retrieval (WP-25): Führt parallele Abfragen in Facts Stream, Tech Stream und Biography Stream aus.
• Wissens-Synthese: Kombiniert harte Fakten mit persönlichen Erfahrungen, falls vorhanden.
• Behavior: Präzise, neutral, strukturiert.

---

4. Future Concepts: The Empathic Digital Twin

4.1 Antizipation durch Erfahrung

• Konzept: Das System soll Konsequenzen vorhersagen („Was passiert, wenn...?“).
• Logik: „In einer ähnlichen Situation (Projekt A) hat Entscheidung X zu Ergebnis Y geführt.“ (Analogie-Schluss).

4.2 Empathie & „Ich“-Modus

• Konzept: Das System antwortet im Tonfall des Nutzers.
• Umsetzung: Few-Shot Prompting mit eigenen E-Mails/Texten als Stilvorlage.

4.3 Resilienz als Charakterzug

Durch die WP-20 Implementierung zeigt das System „Geduld“: Bei Quoten-Engpässen bricht es nicht ab, sondern wartet auf freie Kapazitäten. Durch das Deep Fallback (v2.11.14) besitzt Mindnet eine kognitive Ausdauer, die inhaltliche Zensur oder Blockaden der Cloud erkennt und durch lokale Rechenpower auflöst.

---

5. Erweiterbarkeit: Das „Teach-the-AI“ Paradigma

Mindnet lernt durch Konfiguration und Vernetzung.

Beispiel: Du willst den Typ risk einführen.

1. Daten-Ebene (Physik) In types.yaml: Definiere Gewicht und Verhalten.

risk:
  retriever_weight: 0.90    # Hohe Priorität
  edge_defaults: ["blocks"] # Automatische Kante zu Projekten

2. Strategie-Ebene (Router) In decision_engine.yaml: Wann soll das geladen werden?

DECISION:
  inject_types: ["value", "risk"] # Füge 'risk' hinzu

3. Kognitive Ebene (Verständnis) In prompts.yaml: Erkläre dem LLM (provider-spezifisch mittels der Prompt-Kaskade), was ein Risiko ist.

Fazit: Nur wenn Daten (Vault), Infrastruktur (Resiliente Kaskade) und Semantik (Prompt) zusammenspielen, entsteht ein intelligenter Zwilling.