mindnet/docs/03_Technical_References/03_tech_configuration.md

doc_type	audience	scope	status	version	context
technical_reference	developer, admin	configuration, env, registry, scoring	active	2.7.2	Umfassende Referenztabellen für Umgebungsvariablen, YAML-Konfigurationen und die Edge Registry Struktur.

Konfigurations-Referenz

Dieses Dokument beschreibt alle Steuerungsdateien von Mindnet. In der Version 2.7 wurde die Konfiguration professionalisiert, um die Edge Registry und dynamische Scoring-Parameter (Lifecycle & Intent) zu unterstützen.

1. Environment Variablen (.env)

Diese Variablen steuern die Infrastruktur, Pfade und globale Timeouts.

Variable	Default	Beschreibung
QDRANT_URL	http://localhost:6333	URL zur Vektor-DB API.
QDRANT_API_KEY	(leer)	Optionaler Key für Absicherung.
COLLECTION_PREFIX	mindnet	Namensraum für Collections (erzeugt {prefix}_notes etc).
VECTOR_DIM	768	Muss 768 sein (für Nomic Embeddings).
MINDNET_VOCAB_PATH	(Pfad)	Neu (WP-22): Absoluter Pfad zur 01_edge_vocabulary.md. Definiert den Ort des Dictionarys.
MINDNET_VAULT_ROOT	./vault	Basis-Pfad für Datei-Operationen. Dient als Fallback-Basis, falls MINDNET_VOCAB_PATH nicht gesetzt ist.
MINDNET_TYPES_FILE	config/types.yaml	Pfad zur Typ-Registry.
MINDNET_RETRIEVER_CONFIG	config/retriever.yaml	Pfad zur Scoring-Konfiguration.
MINDNET_DECISION_CONFIG	config/decision_engine.yaml	Pfad zur Router & Intent Config.
MINDNET_PROMPTS_PATH	config/prompts.yaml	Pfad zu LLM Prompts.
MINDNET_LLM_MODEL	phi3:mini	Name des Chat-Modells (Ollama).
MINDNET_EMBEDDING_MODEL	nomic-embed-text	Name des Embedding-Modells (Ollama).
MINDNET_OLLAMA_URL	http://127.0.0.1:11434	URL zum LLM-Server.
MINDNET_LLM_TIMEOUT	300.0	Timeout in Sekunden (Erhöht für CPU Cold-Starts).
MINDNET_API_TIMEOUT	300.0	Frontend Timeout (Erhöht für Smart Edge Wartezeiten).
MINDNET_LLM_BACKGROUND_LIMIT	2	Traffic Control: Max. parallele Hintergrund-Tasks (Semaphore).
MINDNET_CHANGE_DETECTION_MODE	full	full (Text + Meta) oder body (nur Text).

---

2. Typ-Registry (types.yaml)

Steuert das Import-Verhalten, Chunking und die Kanten-Logik pro Typ.

2.1 Konfigurations-Hierarchie (Override-Logik)

Seit Version 2.7.0 gilt für chunking_profile und retriever_weight folgende Priorität:

1. Frontmatter (Höchste Prio): Ein Wert direkt in der Markdown-Datei überschreibt alles.
2. Type Config: Der Standardwert für den type aus types.yaml.
3. Global Default: Fallback aus defaults in types.yaml.

2.2 Typ-Referenz & Stream-Logik (Vollständige Liste: 28 Typen)

Das System euriert Informationen in drei funktionalen Streams. Wähle den Typ danach aus, in welchem Bereich deines „Digitalen Zwillings“ die Information wirken soll.

2.2.1 Identity Stream (Der Kern / Das „Warum“)

Dieser Stream definiert deine stabilen Merkmale und inneren Kompasse.

Typ	Gewicht	Chunking Profil	Zweck & Inhalt
value	1.00	structured_strict	Fundamentale Werte und moralische Maßstäbe.
principle	0.95	structured_strict_L3	Handlungsleitlinien mit tiefer Hierarchie (H3-Split).
trait	1.10	structured_strict	Charakterliche Stärken und Talente.
belief	0.90	sliding_short	Tiefe Überzeugungen über dich und die Gesellschaft.
profile	0.70	structured_strict	Rollenidentitäten (z. B. Vater, Mentor, Unternehmer).
need	1.05	sliding_smart_edges	Psychologische Grundbedürfnisse (z. B. Autonomie, Bindung).
motivation	0.95	sliding_smart_edges	Innere Antreiber und Quellen deiner Energie.
boundary	0.90	sliding_smart_edges	Deine persönlichen Grenzen und Integritäts-Leitplanken.
bias	0.80	sliding_short	Bekannte kognitive Verzerrungen und Denkfallen.

2.2.2 Action Stream (Die Dynamik / Das „Was“)

Dieser Stream umfasst alles, was auf Umsetzung, Planung und aktuelle Zustände zielt.

Typ	Gewicht	Chunking Profil	Zweck & Inhalt
project	0.97	sliding_smart_edges	Aktive Vorhaben mit Mission und Zielsetzung.
goal	0.95	sliding_smart_edges	Strategische Nordsterne und Zielzustände.
decision	1.00	structured_strict	Getroffene Entscheidungen (ADR-Logik).
risk	0.85	sliding_short	Potenzielle Gefahren und Bedrohungsszenarien.
obstacle	1.00	structured_strict	Aktuelle Hürden, Ängste und Blockaden.
task	0.80	sliding_short	Operative Aufgaben und Definition of Done.
skill	0.90	sliding_smart_edges	Fertigkeiten, Lernpfade und Meisterschaft.
habit	0.85	sliding_short	Routinen, Automatismen und Verhaltensmuster.
idea	0.70	sliding_short	Flüchtige Einfälle und Rohmaterial für Projekte.
state	0.60	sliding_short	Momentane Verfassung, Stimmung und Energielevel.

2.2.3 History & Basis Stream (Die Evidenz / Das „Wann“)

Dieser Stream speichert deine Erlebnisse, Fakten und externes Wissen als Belege.

Typ	Gewicht	Chunking Profil	Zweck & Inhalt
insight	1.20	sliding_smart_edges	Hochrelevante Erkenntnisse und Verhaltensmuster.
experience	1.10	sliding_smart_edges	Biografische Lektionen und prägende Erlebnisse.
event	0.60	sliding_standard	Chronologische Protokolle und Ereignisse.
journal	0.80	sliding_standard	Tägliche Logs und ungefilterte Gedanken.
person	0.50	sliding_standard	Kontaktprofile und soziale Vernetzung.
source	0.50	sliding_standard	Externe Quellen wie Bücher, Videos oder Artikel.
concept	0.60	sliding_smart_edges	Fachbegriffe, Theorien und zeitloses Wissen.
glossary	0.40	sliding_short	Kurze Begriffsdefinitionen.
default	1.00	sliding_standard	Fallback für alle nicht klassifizierten Notizen.

Richtwert für W_{type}: 0.1 (minimale Relevanz/Filter) bis 1.0 (maximale Relevanz).

---

3. Retriever Config (retriever.yaml)

Steuert die Gewichtung der Scoring-Formel und die neuen Lifecycle-Modifier.

version: 1.2

scoring:
  # W_sem: skaliert den Term (semantic_score * retriever_weight)
  # Empfehlung Startwert: 1.0  → Semantik bleibt Hauptsignal
  semantic_weight: 1.0

  # W_edge: skaliert edge_bonus aus dem Subgraph
  # Empfehlung: 0.8  → Graph ist deutlich spürbar, aber überstimmt Semantik nicht komplett
  edge_weight: 0.8

  # W_cent: skaliert centrality_bonus (Knoten-Zentralität im Subgraph)
  # Empfehlung: 0.5  → zentrale Knoten werden bevorzugt, aber moderat
  centrality_weight: 0.5

# WP-22 Stellschraube: Lifecycle (Status-basiertes Scoring)
# Bonus für verifiziertes Wissen, Malus für Entwürfe
lifecycle_weights:
  stable: 1.2   # +20% Bonus
  active: 1.0   # Standardwert
  draft: 0.5    # -50% Malus
  system: 0.0   # Hard Skip via Ingestion

# Die nachfolgenden Werte überschreiben die Defaults aus app/core/retriever_config.
# Wenn neue Kantentypen, z.B. durch Referenzierung innerhalb einer md-Datei im vault anders gewichtet werden sollen, dann muss hier die Konfiguration erfolgen
edge_types:
  # --- KATEGORIE 1: LOGIK-BOOSTS (Relevanz-Treiber) ---
  # Diese Kanten haben die Kraft, das semantische Ranking aktiv umzugestalten.
  blocks: 1.6        # Kritisch: Risiken/Blocker müssen sofort sichtbar sein.
  solves: 1.5        # Zielführend: Lösungen sind primäre Suchziele.
  depends_on: 1.4    # Logisch: Harte fachliche Abhängigkeit.
  resulted_in: 1.4   # Kausal: Ergebnisse und unmittelbare Konsequenzen.
  followed_by: 1.3   # Sequenziell (User): Bewusst gesteuerte Wissenspfade.
  caused_by: 1.2     # Kausal: Ursachen-Bezug (Basis für Intent-Boost).
  preceded_by: 1.1   # Sequenziell (User): Rückwärts-Bezug in Logik-Ketten.

  # --- KATEGORIE 2: QUALITATIVER KONTEXT (Stabilitäts-Stützen) ---
  # Diese Kanten liefern wichtigen Kontext, ohne das Ergebnis zu verfälschen.
  guides: 1.1        # Qualitativ: Prinzipien oder Werte leiten das Thema.
  part_of: 1.1       # Strukturell: Zieht übergeordnete Kontexte (Parents) mit hoch.
  based_on: 0.8      # Fundament: Bezug auf Basis-Werte (kalibriert auf Safe-Retrieval).
  derived_from: 0.6  # Historisch: Dokumentiert die Herkunft von Wissen.
  uses: 0.6          # Instrumentell: Genutzte Werkzeuge, Methoden oder Ressourcen.

  # --- KATEGORIE 3: THEMATISCHE NÄHE (Ähnlichkeits-Signal) ---
  # Diese Werte verhindern den "Drift" in fachfremde Bereiche.
  similar_to: 0.4    # Analytisch: Thematische Nähe (oft KI-generiert).

  # --- KATEGORIE 4: SYSTEM-NUDGES (Technische Struktur) ---
  # Reine Orientierungshilfen für das System; fast kein Einfluss auf das Ranking.
  belongs_to: 0.2    # System: Verknüpft Chunks mit der Note (Metadaten-Träger).
  next: 0.1          # System: Technische Lesereihenfolge der Absätze.
  prev: 0.1          # System: Technische Lesereihenfolge der Absätze.

  # --- KATEGORIE 5: WEICHE ASSOZIATIONEN (Rausch-Unterdrückung) ---
  # Verhindert, dass lose Verknüpfungen das Ergebnis "verwässern".
  references: 0.1    # Assoziativ: Einfacher Querverweis oder Erwähnung.
  related_to: 0.05   # Minimal: Schwächste thematische Verbindung.

---

4. Edge Typen & Registry Referenz

Die EdgeRegistry ist die Single Source of Truth für das Vokabular.

4.1 Dateistruktur & Speicherort

Die Registry erwartet eine Markdown-Datei an folgendem Ort:

• Standard-Pfad: <MINDNET_VAULT_ROOT>/01_User_Manual/01_edge_vocabulary.md.
• Custom-Pfad: Kann via .env Variable MINDNET_VOCAB_PATH überschrieben werden.

4.2 Aufbau des Dictionaries (Markdown-Schema)

Die Datei muss eine Markdown-Tabelle enthalten, die vom Regex-Parser gelesen wird.

Erwartetes Format:

| System-Typ (Canonical) | Erlaubte Aliasse (User) | Beschreibung |
| :--- | :--- | :--- |
| **`based_on`** | `basiert_auf`, `fundament` | Fundament: B baut auf A auf. |
| **`caused_by`** | `ausgelöst_durch`, `wegen` | Kausalität: A löst B aus. |

Regeln für die Spalten:

1. Canonical: Muss fett gedruckt sein (**type** oder **type**). Dies ist der Wert, der in der DB landet.
2. Aliasse: Kommagetrennte Liste von Synonymen. Diese werden beim Import automatisch zum Canonical aufgelöst.
3. Beschreibung: Rein informativ für den Nutzer.

4.3 Verfügbare Kanten-Typen (System-Standard)

System-Typ (Canonical)	Erlaubte Aliasse (User)	Beschreibung
caused_by	ausgelöst_durch, wegen, ursache_ist	Kausalität: A löst B aus.
derived_from	abgeleitet_von, quelle, inspiriert_durch	Herkunft: A stammt von B.
based_on	basiert_auf, fundament, grundlage	Fundament: B baut auf A auf.
solves	löst, beantwortet, fix_für	Lösung: A ist Lösung für Problem B.
part_of	teil_von, gehört_zu, cluster	Hierarchie: Kind -> Eltern.
depends_on	hängt_ab_von, braucht, requires, enforced_by	Abhängigkeit: A braucht B.
blocks	blockiert, verhindert, risiko_für	Blocker: A verhindert B.
uses	nutzt, verwendet, tool	Werkzeug: A nutzt B.
guides	steuert, leitet, orientierung	Soft-Dependency: A gibt Richtung für B.
followed_by	danach, folgt, nachfolger, followed_by	Prozess: A -> B.
preceeded_by	davor, vorgänger, preceded_by	Prozess: B <- A.
related_to	siehe_auch, kontext, thematisch	Lose Assoziation.
similar_to	ähnlich_wie, vergleichbar	Synonym / Ähnlichkeit.
references	(Kein Alias)	Standard-Verweis (Fallback).
resulted_in	ergebnis, resultat, erzeugt	Herkunft: A erzeugt Ergebnis B

ACHTUNG! Die Kantentypen belongs_to, next und prev dürfen nicht vom Nutzer gesetzt werden

---

5. Decision Engine (decision_engine.yaml)

Die Decision Engine fungiert als zentraler Orchestrator für die Intent-Erkennung und das dynamische Retrieval-Routing. Sie bestimmt, wie das System auf eine Nutzeranfrage reagiert, welche Informationstypen bevorzugt werden und wie der Wissensgraph für die spezifische Situation verformt wird.

5.1 Intent Recognition: Dual-Path Routing

Das System nutzt ein zweistufiges Verfahren, um die Absicht des Nutzers zu identifizieren:

1. Fast Path (Keyword Trigger): Das System scannt die Anfrage nach definierten trigger_keywords. Wird ein Treffer gefunden, wird die entsprechende Strategie sofort ohne LLM-Einsatz gewählt.
2. Slow Path (LLM Router): Wenn kein Keyword matcht und llm_fallback_enabled: true gesetzt ist, analysiert ein LLM die Nachricht mittels Few-Shot Prompting.

LLM Router Konfiguration

Der Router nutzt den llm_router_prompt, um Anfragen in eine der fünf Kern-Strategien (FACT, DECISION, EMPATHY, CODING, INTERVIEW) zu klassifizieren.

Einstellung	Wert	Beschreibung
llm_fallback_enabled	true	Aktiviert die KI-basierte Klassifizierung, falls Keywords fehlen.
llm_router_prompt	(Template)	Enthält die Strategie-Definitionen und Few-Shot Beispiele für den LLM-Entscheidungsweg.

---

5.2 Strategie-Mechaniken (Graph Shaping)

Jede Strategie definiert drei Hebel, um das Ergebnis des Retrievers zu beeinflussen:

• inject_types: Erzwingt die Einbindung bestimmter Notiz-Typen (z. B. value bei Entscheidungen), auch wenn diese semantisch eine geringere Ähnlichkeit aufweisen.
• edge_boosts: Erhöht die Gewichtung spezifischer Kanten-Typen in der Scoring-Formel. Dies ermöglicht es dem Graphen, die Textsuche situativ zu "überstimmen".
• prepend_instruction: Injiziert eine spezifische Systemanweisung in das LLM-Prompt, um den Antwortstil anzupassen (z. B. "Wäge Fakten gegen Werte ab").

---

5.3 Übersicht der Strategien

Strategie	Fokus	Bevorzugte Kanten (edge_boosts)	Injektionstypen
FACT	Wissensabfrage & Definitionen	part_of (2.0), composed_of (2.0), similar_to (1.5)	(Keine)
DECISION	Rat, Strategie & Abwägung	blocks (2.5), solves (2.0), risk_of (2.5)	value, principle, goal, risk
EMPATHY	Emotionale Resonanz	based_on (2.0), experienced_in (2.5), related_to (2.0)	experience, belief, profile
CODING	Programmierung & Syntax	implemented_in (3.0), uses (2.5), depends_on (2.0)	snippet, reference, source
INTERVIEW	Erfassung neuer Daten	(Keine)	(Keine)

---

5.4 Der Interview-Modus & Schemas

Die Strategie INTERVIEW dient der strukturierten Datenerfassung.

• Trigger: Aktiviert durch Phrasen wie "neue notiz", "festhalten" oder "dokumentieren".
• Schema-Logik: Nutzt das default-Schema mit den Feldern Titel, Thema/Inhalt und Tags, sofern kein spezifisches Typ-Schema aus der types.yaml greift.
• Dynamik: In diesem Modus wird der Fokus vom Retrieval (Wissen finden) auf die Extraktion (Wissen speichern) verschoben.

Hinweis: Da spezifische Schemas für Projekte oder Erfahrungen direkt in der types.yaml definiert werden, dient die decision_engine.yaml hier primär als Fallback für generische Datenaufnahmen.

Auszug aus der decision_engine.yaml

strategies:
  # 1. Fakten-Abfrage (Fallback & Default)
  FACT:
    description: "Reine Wissensabfrage."
    trigger_keywords: [] 
    inject_types: []
    # WP-22: Definitionen & Hierarchien bevorzugen
    edge_boosts:
      part_of: 2.0
      composed_of: 2.0
      similar_to: 1.5
      caused_by: 0.5
    prompt_template: "rag_template"
    prepend_instruction: null

  # 2. Entscheidungs-Frage
  DECISION:
    description: "Der User sucht Rat, Strategie oder Abwägung."
    trigger_keywords: 
      - "soll ich"
      - "meinung"
      - "besser"
      - "empfehlung"
      - "strategie"
      - "entscheidung"
      - "abwägung"
      - "vergleich"
    inject_types: ["value", "principle", "goal", "risk"]
    # WP-22: Risiken und Konsequenzen hervorheben
    edge_boosts:
      blocks: 2.5
      solves: 2.0
      depends_on: 1.5
      risk_of: 2.5
    prompt_template: "decision_template"
    prepend_instruction: |
      !!! ENTSCHEIDUNGS-MODUS !!!
      BITTE WÄGE FAKTEN GEGEN FOLGENDE WERTE, PRINZIPIEN UND ZIELE AB:      

  # 3. Empathie / "Ich"-Modus

Richtwert für Kanten-Boosts: 0.1 (Abwertung) bis 3.0+ (Dominanz gegenüber Text-Match).