2025-12-19 09:02:49 +01:00

6.3 KiB

Raw Blame History

doc_type	audience	scope	status	version	context
concept	architect, product_owner	graph, logic, provenance	active	2.7.0	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:

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.
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. 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 erkannt. Die "stärkere" Provenance gewinnt.

6.3 KiB Raw Blame History