Ollama

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-20

Lokale LLM-Runtime für KI-Modelle. Nutzt die NVIDIA GPU für schnelle Inferenz ohne Cloud-Abhängigkeit. Ermöglicht datenschutzkonforme KI-Nutzung.

Installierte Modelle

Modell herunterladen

ollama pull mxbai-embed-large
ollama pull mistral
ollama pull llama3.2
ollama list

Modell ausführen

ollama run llama3.2

API - Chat

curl http://localhost:11434/api/generate -d '{
  "model": "llama3.2",
  "prompt": "Hallo!"
}'

API - Embeddings

curl http://localhost:11434/api/embeddings -d '{
  "model": "mxbai-embed-large",
  "prompt": "Text zum Embedden"
}'

Befehle

systemctl status ollama
ollama --version
ollama list

Qdrant Vektor-Datenbank

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-20

Speichert Embeddings für semantische Suche und RAG (Retrieval Augmented Generation). Ermöglicht KI-gestützte Ähnlichkeitssuche in Dokumenten.

Konfiguration

Datei: /opt/qdrant/config/config.yaml

storage:
  storage_path: /opt/qdrant/storage
  snapshots_path: /opt/qdrant/snapshots
service:
  http_port: 6333
  grpc_port: 6334
  host: 127.0.0.1
log_level: INFO

Collection erstellen

curl -X PUT 'http://127.0.0.1:6333/collections/my_collection' \
  -H 'Content-Type: application/json' \
  -d '{"vectors": {"size": 384, "distance": "Cosine"}}'

Befehle

systemctl status qdrant
curl http://127.0.0.1:6333

NVIDIA CUDA

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

GPU-Treiber und CUDA-Toolkit für Hardware-beschleunigte KI-Berechnungen. Die RTX 4000 mit 20GB VRAM ermöglicht lokales LLM-Hosting ohne Cloud.

Installation

apt-get install -y nvidia-driver nvidia-cuda-toolkit
reboot

Status prüfen

nvidia-smi

Zeigt GPU-Status, Treiber-Version und CUDA-Version an. Der nvcc-Compiler ist nicht installiert (nur für CUDA-Entwicklung benötigt).

Document Pipeline

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

Automatischer Import und Verarbeitung von Dokumenten aus Nextcloud.

Pipeline-Schritte

1. DETECT    → Neue/geänderte Dateien erkennen
2. EXTRACT   → Text extrahieren (OCR, Vision)
3. CHUNK     → Semantisches Chunking
4. ENRICH    → Metadaten anreichern
5. STORE     → In MariaDB speichern
6. EMBED     → Vektoren erzeugen
7. INDEX     → In Qdrant speichern
8. ANALYZE   → Semantische Analyse

Text-Extraktion

Bild-Handling

Bilder in Dokumenten werden via Vision-API beschrieben und als Text-Chunk gespeichert.

Chunking

Chunk-Metadaten

{
  "document_id": 123,
  "chunk_index": 0,
  "heading_path": ["Kapitel 1", "Abschnitt 1.2"],
  "source_folder": "/Documents/Therapie",
  "entities": ["Carl Rogers"],
  "taxonomy_terms": ["Methoden"]
}

Queue-System

Pipeline-Scripts

/var/www/scripts/pipeline/
├── pipeline.py          → Haupt-Orchestrierung
├── detect.py            → Datei-Monitoring
├── extract.py           → Text-Extraktion
├── chunk.py             → Semantisches Chunking
├── embed.py             → Embedding-Erzeugung
├── analyze.py           → Semantische Analyse
├── generate_semantics.py → Semantik-Generierung (Entities, Relations)
├── db.py                → Datenbank-Operationen
├── config.py            → Konfiguration
├── run.sh               → Ausführungs-Wrapper
│
├── generate.py          → Content-Generierung (RAG + Kritiker)
├── web_generate.py      → Web-API für Content-Generierung
├── chat.py              → RAG-Chat (interaktiv + CLI)
├── web_chat.py          → Web-API für RAG-Chat
│
└── venv/                → Python Virtual Environment

Script-Kategorien

Ausführung

cd /var/www/scripts/pipeline

# Neue Dokumente scannen
./run.sh scan

# Queue verarbeiten
./run.sh process

# Pending Embeddings
./run.sh embed

# Volle Pipeline
./run.sh all

# Einzelne Datei
./run.sh file /pfad/zur/datei.pdf

# Status anzeigen
./run.sh status

Embedding

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-20

Vektorerzeugung für semantische Suche und RAG.

Qdrant Collections

Qdrant-Konfiguration

{
  "vectors": {
    "size": 1024,
    "distance": "Cosine"
  },
  "hnsw_config": {
    "m": 16,
    "ef_construct": 100
  }
}

Model installieren

ollama pull mxbai-embed-large
ollama list

API-Aufruf

curl http://localhost:11434/api/embeddings -d '{
  "model": "mxbai-embed-large",
  "prompt": "Text zum Embedden"
}'

Python-Integration

import requests

def get_embedding(text: str) -> list[float]:
    response = requests.post(
        'http://localhost:11434/api/embeddings',
        json={
            'model': 'mxbai-embed-large',
            'prompt': text
        }
    )
    return response.json()['embedding']

Qdrant-Speicherung

from qdrant_client import QdrantClient
from qdrant_client.models import PointStruct

client = QdrantClient(host="localhost", port=6333)

client.upsert(
    collection_name="documents",
    points=[
        PointStruct(
            id=uuid4().hex,
            vector=embedding,
            payload={
                "document_id": 123,
                "chunk_id": 1,
                "content_preview": text[:200]
            }
        )
    ]
)

Entitäten

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-29

Automatische Extraktion und Verwaltung von Entitäten aus Dokumenten.

Entitätstypen

Semantik-Generierung

Das Script generate_semantics.py generiert semantische Definitionen für Entitäten mit Ollama.

Ablauf

1. Entitäten ohne Semantik laden
2. Dokument-Kontext aus chunks-Tabelle laden (Top 5)
3. Für jede Entity: LLM-Prompt mit Kontext generieren
4. JSON-Response parsen (definition, domain, context, attributes)
5. In chunk_semantics speichern (UPSERT)

Generiertes Schema

{
  "definition": "Bedeutung in 1-2 Sätzen",
  "domain": "Wissensdomäne",
  "context": "Verwendungskontext",
  "attributes": {},
  "usage_notes": "",
  "confidence": 0.8
}

Ausführung

cd /var/www/scripts/pipeline
source venv/bin/activate
python generate_semantics.py

Deduplizierung

Synonyme werden in einer Referenzierungs-Tabelle gespeichert:

entity_synonyms:
  entity_id: 42 (Carl Rogers)
  synonyms:
    - "Rogers"
    - "C. Rogers"
    - "Carl R. Rogers"

Extraktions-Prompt

Analysiere folgenden Text und extrahiere alle Entitäten.
Bestimme den Typ selbstständig basierend auf dem Kontext.

Text: {chunk_content}

Ausgabeformat JSON:
{
  "entities": [
    {
      "name": "Carl Rogers",
      "type": "PERSON",
      "context": "Begründer der klientenzentrierten Therapie",
      "confidence": 0.95
    }
  ]
}

Relationen

Datenbank-Schema (ki_content)

entities (
    id, name, canonical_name, type,
    description, created_at
)

entity_synonyms (
    entity_id, synonym
)

entity_relations (
    source_entity_id, target_entity_id,
    relation_type, confidence
)

chunk_entities (
    chunk_id, entity_id,
    mention_count, relevance_score
)

chunk_semantics (
    id, chunk_id,
    definition, domain, context,
    attributes (JSON), usage_notes,
    confidence, source,
    created_at, updated_at
)

Web-UI Features

• Entitätenliste mit Filtern
• Detailansicht mit allen Vorkommen
• Batch-Merge für Duplikate
• Manuelles Anlegen/Bearbeiten
• Graph-Visualisierung (Vanilla JS)

Taxonomie

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

Automatische hierarchische Klassifikation von Dokumenten.

Beispiel-Taxonomie

Systemische Therapie
├── Grundlagen
│   ├── Systemtheorie
│   ├── Konstruktivismus
│   └── Kybernetik
├── Methoden
│   ├── Zirkuläres Fragen
│   ├── Genogramm
│   └── Aufstellung
├── Anwendungsfelder
│   ├── Familientherapie
│   ├── Paartherapie
│   └── Organisationsberatung
└── Personen
    ├── Begründer
    └── Zeitgenössisch

Automatische Ableitung

1. LLM analysiert Dokument-Inhalte
2. Extrahiert Themen-Cluster
3. Erstellt hierarchische Struktur
4. Ordnet Dokumente zu
5. Benutzer kann anpassen

Datenbank-Schema (ki_content)

taxonomy_terms (
    id INT PK AUTO,
    name VARCHAR(255),
    slug VARCHAR(255) UNIQUE,
    parent_id INT FK (self-ref),
    description TEXT,
    depth INT DEFAULT 0,
    path VARCHAR(1000),
    created_at DATETIME
)

document_taxonomy (
    document_id INT PK FK,
    taxonomy_term_id INT PK FK,
    confidence DECIMAL(5,4),
    assigned_by ENUM('llm','rule','manual') DEFAULT 'llm',
    created_at DATETIME
)

LLM-Klassifikation

Ordne das folgende Dokument in die Taxonomie ein.
Mehrfachzuordnung ist erlaubt.

Dokument: {document_summary}

Taxonomie:
{taxonomy_tree}

Ausgabeformat JSON:
{
  "assignments": [
    {"term_id": 42, "confidence": 0.85},
    {"term_id": 17, "confidence": 0.72}
  ]
}

Confidence-Schwellwert

Minimum: 0.5 für automatische Zuordnung

Web-UI Features

• Hierarchie bearbeiten (Drag & Drop)
• Terme hinzufügen/umbenennen
• Dokumente zuordnen/entfernen
• Statistiken pro Term

Ontologie

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

Formale Wissensstruktur mit Klassen, Eigenschaften und Relationen.

Klassen-Struktur

Person
├── Eigenschaften: name, wirkungsbereich
└── Relationen:
    ├── verfasste → Werk
    └── beeinflusste → Person

Konzept
├── Eigenschaften: name, definition
└── Relationen:
    ├── gehört_zu → Konzept
    └── nutzt → Methode

Werk
├── Eigenschaften: titel, jahr, typ
└── Relationen:
    ├── behandelt → Konzept
    └── verfasst_von → Person

Relationstypen

Datenbank-Schema (ki_content)

ontology_classes (
    id INT PK AUTO,
    name VARCHAR(255) UNIQUE,
    parent_class_id INT FK (self-ref),
    description TEXT,
    properties LONGTEXT (JSON),
    created_at DATETIME
)

entity_classifications (
    id INT PK AUTO,
    entity_id INT FK,
    ontology_class_id INT FK,
    confidence FLOAT DEFAULT 1
)

entity_relations (
    source_entity_id INT FK,
    target_entity_id INT FK,
    relation_type VARCHAR(100),
    confidence FLOAT,
    chunk_id INT FK (Herkunft)
)

LLM-Relationsextraktion

Analysiere den Text und identifiziere Relationen.

Text: {chunk_content}
Bekannte Entitäten: {entities}

Ausgabeformat JSON:
{
  "relations": [
    {
      "source": "Carl Rogers",
      "target": "Klientenzentrierte Therapie",
      "type": "AUTHORED_BY",
      "confidence": 0.92
    }
  ]
}

Graph-Visualisierung

Interaktiver Graph mit Vanilla JS:

• Knoten = Entitäten (farbcodiert nach Typ)
• Kanten = Relationen (beschriftet)
• Zoom, Pan, Filter
• Click = Details anzeigen

RAG-Chat

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

Retrieval-Augmented Generation Chat mit semantischer Suche und Session-Persistenz.

Web-UI Routen

Features

Session-Verwaltung

• Session-Persistenz mit UUID-basierten URLs
• Session-Liste in Sidebar mit Auto-Refresh (HTMX)
• Auto-Titel aus erster Nachricht
• Manueller Titel-Edit via Inline-Input
• Session löschen (CASCADE auf Nachrichten)

Konfiguration

• Modell-Auswahl (Claude / Ollama)
• Collection-Auswahl (Multi-Select aus rag_collections)
• Kontext-Limit (3/5/10/15 Quellen)
• Temperature (0.0-1.0)
• Max Tokens (bis 8192)
• Autorenprofil-Auswahl für Schreibstil

Token & Kosten

• Pro Nachricht: Input-Tokens, Output-Tokens, Kosten
• Pro Session: Token-Summe und Gesamtkosten in Sidebar
• Kosten-Berechnung: Opus 4.5 Pricing ($15/1M input, $75/1M output)
• Ollama: "lokal" Label statt Token-Zahlen

Datenbank-Schema (ki_content)

chat_sessions

id INT PK AUTO
uuid VARCHAR(36) UNIQUE
session_token VARCHAR(64) UNIQUE
user_id INT NULL
persona_id INT FK NULL
created_at DATETIME DEFAULT CURRENT_TIMESTAMP
last_activity DATETIME DEFAULT CURRENT_TIMESTAMP
model VARCHAR(100) DEFAULT 'claude-opus-4-5-20251101'
context_limit INT DEFAULT 5
temperature DECIMAL(3,2) DEFAULT 0.50
max_tokens INT DEFAULT 4096
title VARCHAR(255) DEFAULT 'Neuer Chat'
author_profile_id INT FK NULL
system_prompt_id INT NULL
updated_at DATETIME ON UPDATE CURRENT_TIMESTAMP
collections TEXT DEFAULT '["documents"]' (JSON-Array)

chat_messages

id INT PK AUTO
session_id INT FK NOT NULL (CASCADE DELETE)
role ENUM('user','assistant','system')
model VARCHAR(100)
content TEXT NOT NULL
start_microtime DECIMAL(16,6)
end_microtime DECIMAL(16,6)
tokens_input INT
tokens_output INT
sources LONGTEXT (JSON)
author_profile_id INT
system_prompt_id INT
collections TEXT (JSON-Array)
context_limit INT
chunks_used LONGTEXT (JSON)
llm_request_id INT FK
created_at DATETIME DEFAULT CURRENT_TIMESTAMP

RAG-Pipeline

User Query (Text)
    ↓
Embedding erzeugen (mxbai-embed-large)
    ↓
Qdrant: Ähnliche Chunks finden (Top-K)
    ↓
Kontext zusammenstellen
    ↓
LLM (Claude/Ollama): Antwort generieren
    ↓
Response + Quellenangaben + Tokens speichern

Siehe auch

• Chat-API Dokumentation
• Qdrant Vektordatenbank
• RAG Collections

Content-Studio Architektur

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

Strukturierte Content-Erstellung mit Autorenprofilen, Contracts und Kritikersystem.

Web-UI (RESTful)

Workflow

1. BRIEFING → Thema, Zielgruppe, Umfang
2. KONFIGURATION → Autorenprofil, Contract, Struktur, Quellen
3. GENERIERUNG → Kapitel-für-Kapitel mit Fortschrittsanzeige
4. CRITIQUE (max 3x) → Kritiker analysieren, automatische Revision
5. VALIDATE → Contract-Prüfung
6. APPROVE → Menschliches OK
7. PUBLISH → Export, Archivierung

Datenbank-Schemata (ki_content)

content_config

Unified Config für Autorenprofile, Contracts, Strukturen, Critics etc.

id INT PK AUTO
type ENUM('author_profile','structure','organization','contract','rule','system_prompt','critic')
name VARCHAR(100) NOT NULL
slug VARCHAR(100) NOT NULL
description TEXT
content LONGTEXT NOT NULL (JSON/YAML)
version VARCHAR(20) DEFAULT '1.0'
status ENUM('draft','active','deprecated') DEFAULT 'draft'
parent_id INT FK NULL
prompt_id INT FK NULL
sort_order INT DEFAULT 0
created_at DATETIME DEFAULT CURRENT_TIMESTAMP
updated_at DATETIME ON UPDATE CURRENT_TIMESTAMP

Hinweis: Kritiker-Definitionen werden in dieser Tabelle mit type='critic' gespeichert.

content_orders

Content-Aufträge mit Briefing, Status und Verknüpfungen.

id INT PK AUTO
title VARCHAR(255) NOT NULL
briefing TEXT
author_profile_id INT FK → content_config
contract_id INT FK → content_config
structure_id INT FK → content_config
model VARCHAR(100) DEFAULT 'claude-sonnet-4-20250514'
collections LONGTEXT (JSON-Array)
context_limit INT DEFAULT 5
status ENUM('draft','generating','critique','revision','validate','approve','published')
generation_status ENUM('idle','queued','generating','completed','failed')
generation_started_at DATETIME
generation_error TEXT
generation_log TEXT
generation_step VARCHAR(50)
critique_status ENUM('idle','critiquing','completed','failed')
critique_started_at DATETIME
critique_error TEXT
critique_log TEXT
critique_step VARCHAR(50)
current_critique_round INT DEFAULT 0
created_by INT
temperature DECIMAL(3,2) DEFAULT 0.50
max_tokens INT DEFAULT 4096
system_prompt_id INT FK → content_config
selected_critics LONGTEXT (JSON-Array)
quality_check TINYINT(1) DEFAULT 0
created_at DATETIME DEFAULT CURRENT_TIMESTAMP
updated_at DATETIME ON UPDATE CURRENT_TIMESTAMP

content_versions

Versionierte Content-Texte.

id INT PK AUTO
order_id INT FK NOT NULL → content_orders
version_number INT NOT NULL
content LONGTEXT
created_at DATETIME DEFAULT CURRENT_TIMESTAMP

content_sources

RAG-Quellen pro Order (Chunk-Referenzen mit Relevanz-Score).

order_id INT PK FK → content_orders
chunk_id INT PK FK → chunks
relevance_score DECIMAL(5,4) NULL

content_critiques

Kritiker-Feedback pro Version und Runde.

id INT PK AUTO
version_id INT FK NOT NULL → content_versions
critic_id INT FK NOT NULL → content_config (type='critic')
round INT NOT NULL
feedback LONGTEXT NULL
created_at DATETIME DEFAULT CURRENT_TIMESTAMP

content_config_history

Config-Änderungshistorie für Versionierung.

id INT PK AUTO
config_id INT FK NOT NULL → content_config
content LONGTEXT NOT NULL
version VARCHAR(20) NOT NULL
changed_by VARCHAR(100) NULL
change_description TEXT NULL
created_at DATETIME DEFAULT CURRENT_TIMESTAMP

Pipeline-Scripts

/var/www/scripts/pipeline/
├── generate.py       → Content-Generierung Kernlogik
└── web_generate.py   → Web-API Wrapper

CLI-Verwendung

# Content generieren
python /var/www/scripts/pipeline/generate.py generate <order_id> [model]

# Kritik-Runde starten
python /var/www/scripts/pipeline/generate.py critique <version_id> [model]

# Revision erstellen
python /var/www/scripts/pipeline/generate.py revise <version_id> [model]

KI-System Datenbank

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

MariaDB-Schema für Dokumentenverarbeitung, Semantik und Content-Erstellung.

Datenbank-Architektur

ki_dev (23 Tabellen)

Contracts (3 Tabellen)

Dokumentation (3 Tabellen)

Tasks (4 Tabellen)

Code-Analyse (4 Tabellen)

LLM & RAG (3 Tabellen)

AI & Modelle (1 Tabelle)

Logging & Audit (5 Tabellen)

ki_content (35 Tabellen)

Chat (3 Tabellen)

Content Studio (6 Tabellen)

Hinweis: Kritiker-Personas werden in content_config mit type='critic' gespeichert.

Dokumente & Chunks (4 Tabellen)

Chunk-Zuordnungen (3 Tabellen)

Entitäten (7 Tabellen)

Dokument-Zuordnungen (2 Tabellen)

Semantik (4 Tabellen)

Pipeline (4 Tabellen)

Sonstige (2 Tabellen)

Datenbankzugriff

Wichtig: Verwende MCP-DB für sichere Datenbankzugriffe statt direkter SQL-Befehle.

# MCP-DB (empfohlen)
db_tables(database="ki_dev")
db_tables(database="ki_content")
db_select("SELECT * FROM documents LIMIT 5", database="ki_content")
db_describe(table="chat_sessions", database="ki_content")

# Direkter Zugriff (nur für Admin-Tasks)
mysql -u root -p ki_dev
mysql -u root -p ki_content

Siehe MCP-DB Dokumentation für Details.

Änderungshistorie

KI-Protokoll

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-31

Automatisches Logging-System für Claude Code Sessions. Erfasst alle Requests, Responses und Tool-Aufrufe in einer MariaDB-Datenbank via Hook-System.

Erfasste Events

Hook-Scripts

Datenbank-Schema

CREATE TABLE protokoll (
  id bigint(20) NOT NULL AUTO_INCREMENT,
  timestamp datetime(6) DEFAULT current_timestamp(6),
  request_ip varchar(45) NOT NULL,
  client_name varchar(255) NOT NULL,
  request text NOT NULL,
  request_timestamp datetime(6) NOT NULL,
  response text DEFAULT NULL,
  response_timestamp datetime(6) DEFAULT NULL,
  duration_ms int(10) unsigned DEFAULT NULL,
  tokens_input int(10) unsigned DEFAULT NULL,
  tokens_output int(10) unsigned DEFAULT NULL,
  tokens_total int(10) unsigned DEFAULT NULL,
  model_name varchar(255) DEFAULT NULL,
  status enum('pending','completed','error') DEFAULT 'pending',
  error_message text DEFAULT NULL,
  PRIMARY KEY (id),
  KEY idx_timestamp (timestamp),
  KEY idx_client_name (client_name),
  KEY idx_status (status)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Hook-Konfiguration

Die Hooks werden in zwei Konfigurationsdateien definiert:

• User-Scope: /root/.claude/settings.json - gilt für alle Projekte
• Projekt-Scope: .claude/settings.local.json - projektspezifisch

Beispiel: PreToolUse mit Matchern

"PreToolUse": [
  {
    "matcher": "Bash",
    "hooks": [
      {"type": "command", "command": "/var/www/scripts/hooks/block_direct_db.py"},
      {"type": "command", "command": "/var/www/scripts/hooks/block_password_exposure.py"}
    ]
  },
  {
    "matcher": "Edit|Write",
    "hooks": [
      {"type": "command", "command": "/var/www/tools/ki-protokoll/claude-hook/file_backup_hook.py", "timeout": 10}
    ]
  },
  {
    "matcher": "",
    "hooks": [
      {"type": "command", "command": "/var/www/tools/ki-protokoll/claude-hook/log_to_db.py", "timeout": 5}
    ]
  }
]

Abfragen

# Via MCP-DB (empfohlen)
db_select("SELECT id, timestamp, client_name, status FROM protokoll ORDER BY id DESC LIMIT 10", database="ki_dev")

# Requests pro Tag
db_select("SELECT DATE(timestamp) as tag, COUNT(*) as anzahl FROM protokoll GROUP BY DATE(timestamp) ORDER BY tag DESC", database="ki_dev")

Sicherheit

• Sensible Daten (Passwörter, API-Keys, Tokens) werden automatisch mit [REDACTED] maskiert
• Lange Inhalte werden auf 10.000 Zeichen gekürzt
• DB-User hat entsprechende Rechte
• Blocking-Hooks verhindern unsichere Operationen

Verwandte Themen

• DB Hooks - Blocking-Hook Details
• MCP-DB - Sichere Datenbankzugriffe

Erstellt: 2025-12-20 | Aktualisiert: 2025-12-27

Dropdown-Navigation mit Mobile-Support für die Campus-Anwendung.

Struktur

Die Navigation ist in drei Hauptbereiche gegliedert:

CSS-Architektur

Die Navigation verwendet CSS-Variablen gemäß CSS Contract v1.0:

:root {
    --nav-bg: #2c3e50;
    --nav-text: #fff;
    --nav-hover-bg: rgba(255, 255, 255, 0.1);
    --nav-dropdown-bg: #fff;
    --nav-dropdown-text: #333;
    --nav-dropdown-hover-bg: #f8f9fa;
    --nav-dropdown-border: #eee;
    --nav-focus-color: #3498db;
}

Accessibility

Implementierte WCAG 2.1 AA Features:

Mobile Navigation

Bei Viewport ≤ 768px:

• Hamburger-Menü-Button erscheint
• Navigation-Items werden vertikal gestapelt
• Dropdowns öffnen per Click statt Hover
• Volle Breite für Touch-Targets

JavaScript

// Mobile Toggle
navToggle.addEventListener("click", function () {
    const isOpen = navItems.classList.toggle("open");
    navToggle.setAttribute("aria-expanded", isOpen);
});

// Dropdown Toggle (Mobile)
if (window.innerWidth <= 768) {
    dropdown.classList.toggle("active");
}

Dateien

HTML-Struktur

<nav class="main-nav">
    <a href="/" class="nav-brand">Campus</a>
    
    <button class="nav-toggle" aria-label="Navigation">
        <span class="nav-toggle-icon"></span>
    </button>
    
    <div class="nav-items">
        <!-- Anwendungen -->
        <div class="nav-dropdown">
            <button class="nav-dropdown-btn">Anwendungen</button>
            <div class="nav-dropdown-content">
                <a href="/chat">KI-Chat</a>
                <a href="/content">Content Studio</a>
                <a href="/semantic-explorer">Semantic Explorer</a>
            </div>
        </div>
        
        <!-- Entwicklung -->
        <div class="nav-dropdown">
            <button class="nav-dropdown-btn">Entwicklung</button>
            <div class="nav-dropdown-content">
                <a href="/tasks">Tasks</a>
                <a href="/protokoll">Protokoll</a>
                <a href="/contracts">Contracts</a>
            </div>
        </div>
        
        <!-- Ressourcen -->
        <div class="nav-dropdown">
            <button class="nav-dropdown-btn">Ressourcen</button>
            <div class="nav-dropdown-content">
                <a href="/docs">Dokumentation</a>
                <a href="/backup-restore">File Backup</a>
            </div>
        </div>
    </div>
</nav>

Änderungshistorie

RAG Collections

Erstellt: 2025-12-21 | Aktualisiert: 2025-12-31

Verwaltung der Qdrant-Collections für RAG-Suche in Chat und Content Studio.

Zweck

Die Tabelle rag_collections synchronisiert Metadaten von Qdrant-Collections mit der Anwendung:

• Collection-Auswahl in Chat und Content Studio
• Validierung der Embedding-Dimensionen
• Anzeige von Collection-Statistiken
• Steuerung der Suchbarkeit (is_searchable)

Schema

Aktuelle Collections (Qdrant)

Collections werden in /var/www/scripts/pipeline/config.py definiert:

Repository-Methoden

// Alle suchbaren Collections abrufen
$collections = $collectionRepository->getSearchable();

// Collection-Details
$collection = $collectionRepository->findById('documents');

// Statistiken aktualisieren (Qdrant-Sync)
$collectionRepository->syncFromQdrant();

Validierung

Bei Multi-Collection-Suche müssen alle Collections die gleiche Embedding-Dimension haben:

$validator = new CollectionValidator($collectionRepository);
$result = $validator->validateSelection(['documents', 'entities']);

if (!$result->isValid()) {
    throw new \InvalidArgumentException($result->getError());
}

UI-Integration

Collections werden als Checkbox-Gruppe in Chat und Content Studio angezeigt:

<?php
$selected = ['documents'];
$variant = 'checkbox';
include __DIR__ . '/../partials/form/collections-select.php';
?>

Siehe auch

• Qdrant Vektordatenbank
• RAG-Chat
• Datenbank-Schema

Änderungshistorie

Content Config

Erstellt: 2025-12-21 | Aktualisiert: 2025-12-31

Unified Configuration für Autorenprofile, Contracts, Strukturen und System-Konfigurationen im Content Studio.

Konzept

Die Tabelle content_config vereinheitlicht verschiedene Konfigurationstypen:

Schema: content_config

Config-Typen

author_profile

Definiert Schreibstil und Tonalität für Content-Generierung:

{
    "tone": "didaktisch",
    "style": "erklärend",
    "vocabulary": "fachlich",
    "target_audience": "Coaches und Berater",
    "examples": true
}

contract

Qualitätsanforderungen und Regeln:

{
    "min_words": 500,
    "max_words": 2000,
    "required_sections": ["Einleitung", "Hauptteil", "Fazit"],
    "forbidden_phrases": ["offensichtlich", "natürlich"],
    "citation_style": "Harvard"
}

structure

Gliederungs-Templates:

{
    "format": "blog_article",
    "sections": [
        {"name": "hook", "required": true},
        {"name": "problem", "required": true},
        {"name": "solution", "required": true},
        {"name": "cta", "required": false}
    ]
}

organization

Organisations- und Kundendaten für personalisierte Inhalte:

{
    "name": "Campus am See",
    "domain": "Systemische Beratung",
    "tone_preferences": ["professionell", "warmherzig"],
    "brand_keywords": ["Coaching", "Systemisch", "Entwicklung"]
}

rule

Einzelne Regeln, die in Contracts referenziert werden können:

{
    "rule_type": "forbidden_phrase",
    "pattern": "offensichtlich|natürlich|selbstverständlich",
    "severity": "warning",
    "message": "Vermeiden Sie Füllwörter"
}

system_prompt

System-Prompts für verschiedene LLM-Anwendungsfälle:

{
    "purpose": "rag_chat",
    "template": "Du bist ein hilfreicher Assistent...",
    "variables": ["context", "question"],
    "model_hints": {"temperature": 0.7}
}

critic

Kritiker-Konfigurationen für automatisierte Content-Prüfung:

{
    "focus": "clarity",
    "criteria": ["Verständlichkeit", "Struktur", "Zielgruppenpassung"],
    "severity_threshold": "medium",
    "auto_apply": false
}

Repository-Methoden

// Alle aktiven Profile
$profiles = $contentRepository->findAllProfiles();

// Alle aktiven Contracts
$contracts = $contentRepository->findAllContracts();

// Alle aktiven Strukturen
$structures = $contentRepository->findAllStructures();

// Nach Typ abrufen
$critics = $contentRepository->findByType('critic');

// SQL-Äquivalent
SELECT * FROM content_config 
WHERE type = 'author_profile' AND status = 'active'
ORDER BY name;

Verwendung in Content Orders

Content Orders referenzieren Config-Einträge via Foreign Keys:

content_orders.author_profile_id → content_config.id (type='author_profile')
content_orders.contract_id → content_config.id (type='contract')
content_orders.structure_id → content_config.id (type='structure')

Settings-Persistenz

Die zuletzt verwendeten Settings werden beim nächsten Auftrag als Default übernommen:

$lastSettings = $contentRepository->getLastOrderSettings();
// Returns: model, collections, context_limit, author_profile_id, contract_id, structure_id

Siehe auch

• Content Studio
• Datenbank-Schema
• Kritiker

Änderungshistorie