mindnet/docs/chunking_strategy.md

# WP-02 Chunking & Embedding-Strategie
**Projekt:** mindnet Wissensnetzwerk  
**Bezug:** `knowledge_design.md` (IDs, Dateinamen, Tags, Edge-Typen, Abschnitts-Konventionen)

---

## 1) Ziel & Rahmen
Entwickle eine robuste, parser-freundliche **Chunking-Strategie** für Markdown-Notizen, die:
- die **Frontmatter** (YAML) als Meta nutzt, aber nicht (standardmäßig) embedden lässt,  
- den **Body** in semantisch sinnvolle Chunks zerlegt (Überschriften/Absätze/Listen),  
- **Edges** zwischen Chunks und Notizen/Links erzeugt (u. a. `belongs_to`, `references`, `backlink`).

---

## 2) Annahmen aus `knowledge_design.md`
- **IDs**: deterministische, stabile `id` pro Note (Slug / semantischer Identifier), ggf. `aliases`.
- **Dateinamen**: entweder `YYYY-MM-DD_title.md` oder `slug.md`; Pfade sind **relativ** zum Vault.
- **Frontmatter-Pflichtfelder**: `id`, `title`, `type`, `created`, `updated` (Details in `knowledge_design.md`).
- **Backlink-/Link-Regeln**: Wikilinks `[[id]]` im Body; am Ende optional redaktionelle Sektion „Mögliche Verbindungen“ (erzeugt **keine** Kanten).

---

## 3) Chunking-Prinzipien
- **Semantische Schnitte**: Chunks enden an Absätzen, Überschriften, Listenpunkten, Codeblöcken, Zitaten.
- **Frontmatter**: YAML **nicht** embedden; stattdessen komplett im Note-Payload speichern.
- **Verlustfreiheit**: 
  - Note-Payload: `fulltext` (gesamter Body).  
  - Chunk-Payload: `text` (Originalchunk).  
  Damit kann der Export den Body **verlustfrei** rekonstruieren (erst `fulltext`, sonst Chunks).

---

## 4) Optimale Chunkgrößen & Overlaps
- **Zielgröße**: 250–400 Tokens (Richtwert, abhängig vom `type`).
- **Maxgröße**: 600–800 Tokens (nur in Ausnahmen).
- **Mingröße**: 80–120 Tokens (sonst mit Nachbar verschmelzen).
- **Overlap**: 40–60 Tokens, um Kontextverlust zu vermeiden.
- **Kontextabhängig**:
  - `concept`, `thought`, `experience`: 250–350 Tokens
  - `task`, `project`: eher 200–300 Tokens (mehr Bullet-Struktur)
  - `journal`: 300–400 Tokens (tagesabschnittsweise)

---

## 4.1 Overlap-Regeln
- Overlap betrifft **nur den Body**; die YAML-Frontmatter bleibt **außerhalb**.
- Keine Overlaps, die Codeblöcke oder Tabellen „aufreißen“. Falls nötig: Chunk-Grenze an Blockgrenze ziehen.
- Bei reinen Listen: zusammenhängende Bullets gruppieren, ggf. kleinere Overlaps.

---

## 5) Semantische Regeln je Strukturelement
- **Überschriften**: vorzugsweise an H2/H3 trennen; H1 meist Dokumenttitel → Teil der Frontmatter.
- **Absätze**: primäre Trennkandidaten.
- **Listen**: zusammenhängende Gruppe als ein Chunk, wenn sie einen semantischen Block bilden.
- **Codeblöcke**: niemals splitten; Code bleibt in einem Chunk.
- **Zitate**: ab 2+ Zeilen als eigener Chunk.
- **Bilder/Anhänge**: Referenzen im Text belassen; Pfade relativ halten.

---

## 6) Normalisierung & Preprocessing
- **Zeilenenden**: `\r\n` → `\n`, trailing spaces trimmen (nur für Hashing, nicht für Anzeige).
- **Whitespace**: mehrfach-Blankzeilen reduzieren (optional, Hash-Modus beachten).
- **Links**: `[[Titel|id]]` zu `(display="Titel", target_id="id")` normalisieren.
- **Pfade**: `path` im Payload **zwingend relativ** (Backslashes → Slashes).

---

## 7) Edge-Modell (Graph)
- **Chunk → Note:** `belongs_to(note_id)` (obligatorisch; Edge-Payload enthält zusätzlich `note_id` als Owner-Note).
- **Chunk → Chunk (gleiche Note):** `prev`, `next` (symmetrisch für lineare Navigation; beide Richtungen werden erzeugt).
- **Chunk → Note:** `references(target_id)` aus `[[Wikilinks]]` oder Markdown-Links im Chunk-Text (Standard; *Chunk-Scope*).
- **Note → Note:** `backlink(target_id)` automatisch generiert, dedupliziert pro Note (*Note-Scope*).
- **Optional:** `references:note` (Note-Scope-References) per Flag/ENV aktivierbar; **Default = aus**, um Doppelzählungen zu vermeiden.
- **Unresolved:** Wenn `target_id` nicht existiert, wird eine Kante mit `status: "unresolved"` angelegt (später durch Resolver/Agent heilbar).

---

## 8) Datenmodell (Qdrant-tauglich)

**Point (Chunk)**

    {
      "id": "20250902-1830-thought-yaml-recall#c02",
      "vector": [/* embedding */],
      "payload": {
        "note_id": "20250902-1830-thought-yaml-recall",
        "note_title": "Gedanke: Einheitliche YAML-Standards steigern Recall",
        "path": "10_thoughts/20250902-1830-thought-yaml-recall.md",
        "type": "thought",
        "area": "mindnet",
        "project": "project-mindnet",
        "tags": ["area/mindnet","type/thought","topic/yaml"],
        "chunk_index": 2,
        "char_start": 1024,
        "char_end": 1789,
        "section_title": "Begründung / Details",
        "section_path": "Begründung / Details",
        "neighbors": {"prev": "…#c01", "next": "…#c03"},
        "wikilinks": ["concept-yaml-styleguide"],
        "references": [{"kind":"wikilink", "target_id":"concept-yaml-styleguide"}],
        "text": "… ursprünglicher Chunk-Text …"
      }
    }

**Point (Note)**

    {
      "id": "20250902-1830-thought-yaml-recall",
      "vector": [/* optional Nullvektor oder Zentroid */],
      "payload": {
        "note_id": "20250902-1830-thought-yaml-recall",
        "title": "Gedanke: Einheitliche YAML-Standards steigern Recall",
        "type": "thought",
        "status": "draft",
        "created": "2025-09-02",
        "updated": "2025-09-02",
        "path": "10_thoughts/20250902-1830-thought-yaml-recall.md",
        "tags": ["area/mindnet","type/thought","topic/yaml"],
        "hash_fulltext": "sha256:…",
        "fulltext": "… gesamter Body für verlustfreie Rekonstruktion …",
        "references": ["concept-yaml-styleguide"]  // Fallback für Note-Level-Backlinks
      }
    }

**Edges (Payload; neues Schema)**

    {
      "kind": "references" | "backlink" | "belongs_to" | "prev" | "next",
      "source_id": "<chunk_id|note_id>",
      "target_id": "<note_id|chunk_id>",
      "scope": "chunk" | "note",
      "note_id": "<owner-note-id>",       // neu: für schnelles Filtern/Purge
      "status": "ok" | "unresolved"       // optional
    }

**Performance-Hinweis (Qdrant):** Für schnelle Filter/Deletes Payload-Indizes anlegen: **edges** → `kind`, `scope`, `source_id`, `target_id`, `note_id`; **chunks** → `note_id`, `chunk_index`; **notes** → `note_id`.

---

## 9) Algorithmus (Python-ready Outline)

    def chunk_markdown_note(md_text: str, file_path: str) -> list[Chunk]:
        fm, body = split_frontmatter(md_text)             # YAML -> dict
        meta = normalize_frontmatter(fm)                  # enforce schema defaults
        ast = parse_markdown_to_ast(body)                 # any mdast-compatible lib

        sections = split_by_headings(ast, levels=(2,3))   # H2/H3 primary
        raw_chunks = []
        for sec in sections:
            blocks = group_blocks(sec, keep_code=True, keep_lists=True)
            for group in soft_wrap(blocks, target_tokens=target_size(meta["type"]),
                                   max_tokens=max_size(meta["type"])):
                raw_chunks.append(render_md(group))

        chunks = apply_overlap(raw_chunks, overlap_tokens=overlap(meta["type"]))
        chunks = normalize_chunks(chunks)                 # trim, fix code fences, etc.

        # IDs & Nachbarn
        for i, ch in enumerate(chunks, start=1):
            ch.id = f"{meta['id']}#c{i:02d}"
            ch.index = i
            ch.neighbors_prev = chunks[i-2].id if i > 1 else None
            ch.neighbors_next = chunks[i].id if i < len(chunks) else None

        # Wikilinks je Chunk
        for ch in chunks:
            ch.wikilinks = extract_wikilinks(ch.text)

        return chunks

---

## 10) Einbettung (Embeddings)
- Modell: MiniLM/all-MiniLM-L6-v2 (384d) oder E5 (besseres Retrieval, ggf. multilingual).
- **Note-Embeddings** optional (Zentroid der Chunks).
- **Hashing für Change-Detection** (Importer):  
  - `MINDNET_HASH_MODE = body|frontmatter|body+frontmatter` (Default: `body`)  
  - `MINDNET_HASH_NORMALIZE = canonical|none` (Default: `canonical`)

---

## 11) Qualitätssicherung
- **Zähler**: `notes/chunks/edges` je Lauf prüfen.
- **Edge-Invarianten**:  
  - `belongs_to == #Chunks`  
  - `next == prev == Σ(max(chunks_in_note-1, 0))`  
  - `references (chunk) == Σ(Chunk-Wikilinks)`  
  - `backlink == Σ(eindeutige Wikilinks je Note)`  
- **Unresolved**: sollten durch Resolver-Jobs über Zeit abnehmen.
- **Roundtrip-Test**: Import → Export → Diff; exakt rekonstruierbare Bodies.

---

## 12) Deliverables
- Code: Parser, Chunker, Importer, Exporter, Edges.
- Schemas: `note.schema.json`, Payload-Layouts.
- Tests: Mini-Vault (`scripts/make_test_vault.py`), Audit/Validate.

---

## 13) Prompt für neues Chatfenster (kopieren & einfügen)
*(Unverändert)*