Protokoll #12793

{
    "event": "PreToolUse",
    "tool_name": "mcp__mcp-tasks__tasks_create",
    "tool_input": {
        "title": "Query-Profile Konzept: Online-Abfrage für Chat\/Content Studio",
        "description": "# Auftrag\n\nEntwerfe und implementiere ein **Query-Profile System** für die Online-Abfrage (RAG Phase A0-A8), das unterschiedliche Abfragestrategien für Chat und Content Studio ermöglicht.\n\n## Kontext\n\n**Architektur-Grundlage:** RAG-Prozess-Dokument `docs_get(path=\"\/prozesse\/rag-prozess\")` (Doc-ID: 100)\n\n**Kernprinzip der Online-Pipeline:**\n- Abfrage **erzeugt kein Wissen** - nur Kombination, Filterung, Formulierung\n- Graph wird **nicht verändert**\n- SQL bleibt **kanonisch**\n- Vektor nur zur **Vorselektion**\n\n**Warum Query-Profile statt Pipeline?**\n- Online = synchron, pro Request → kein Batch-Prozess\n- Unterschiedliche Anwendungen brauchen unterschiedliche Strategien\n- Profile sind konfigurierbar ohne Code-Änderung\n\n**Datenbank:** `ki_content` (Abfrage), `ki_dev` (Konfiguration)\n\n---\n\n## Online-Pipeline Phasen (A0-A8)\n\n```\nA0: Query-Analyse      → Anfrage verstehen, Intent erkennen\nA1: Query-Embedding    → Vektor für Ähnlichkeitssuche\nA2: Vector-Search      → Qdrant: Top-N Chunks nach Similarity\nA3: SQL-Enrichment     → Kanonische Daten aus SQL nachladen\nA4: Context-Selection  → Chunks filtern, sortieren, limitieren\nA5: Prompt-Composition → System-Prompt + Context + User-Query\nA6: LLM-Generation     → Claude API \/ Ollama\nA7: Source-Attribution → Quellennachweis hinzufügen\nA8: Response-Return    → Ausgabe an User\n```\n\n---\n\n## Query-Profile Konzept\n\n### Neue Tabelle: `query_profiles` (ki_dev)\n\n```sql\nCREATE TABLE query_profiles (\n  id INT AUTO_INCREMENT PRIMARY KEY,\n  name VARCHAR(100) UNIQUE NOT NULL,\n  description TEXT,\n  application ENUM('chat', 'content_studio', 'api', 'all') DEFAULT 'all',\n  is_default BOOLEAN DEFAULT FALSE,\n  \n  -- Phase A2: Vector Search\n  vector_collection VARCHAR(100) DEFAULT 'documents',\n  vector_top_k INT DEFAULT 20,\n  vector_min_score FLOAT DEFAULT 0.5,\n  \n  -- Phase A4: Context Selection\n  max_chunks INT DEFAULT 10,\n  max_tokens INT DEFAULT 4000,\n  scoring_weights JSON,  -- {\"similarity\": 0.6, \"recency\": 0.2, \"authority\": 0.2}\n  \n  -- Phase A5: Prompt Composition\n  system_prompt_template TEXT,\n  include_metadata BOOLEAN DEFAULT TRUE,\n  include_sources BOOLEAN DEFAULT TRUE,\n  \n  -- Phase A6: LLM\n  llm_provider ENUM('claude', 'ollama') DEFAULT 'claude',\n  llm_model VARCHAR(100) DEFAULT 'claude-sonnet-4-20250514',\n  llm_temperature FLOAT DEFAULT 0.7,\n  llm_max_tokens INT DEFAULT 2000,\n  \n  -- Erweiterte Optionen\n  include_entities BOOLEAN DEFAULT FALSE,\n  include_relations BOOLEAN DEFAULT FALSE,\n  filter_by_taxonomy JSON,  -- [\"Methoden\", \"Konzepte\"]\n  \n  created_at DATETIME DEFAULT CURRENT_TIMESTAMP,\n  updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP\n);\n```\n\n### Vordefinierte Profile\n\n```sql\n-- Profil 1: Chat (schnell, fokussiert)\nINSERT INTO query_profiles (name, description, application, is_default,\n  vector_top_k, max_chunks, max_tokens, scoring_weights,\n  llm_provider, llm_model, llm_temperature)\nVALUES (\n  'Chat-Standard',\n  'Schnelle, fokussierte Antworten für Chat-Interface',\n  'chat',\n  TRUE,\n  20,\n  10,\n  4000,\n  '{\"similarity\": 0.7, \"recency\": 0.2, \"authority\": 0.1}',\n  'claude',\n  'claude-sonnet-4-20250514',\n  0.7\n);\n\n-- Profil 2: Content Studio (umfassend, mit Entitäten)\nINSERT INTO query_profiles (name, description, application, is_default,\n  vector_top_k, max_chunks, max_tokens, scoring_weights,\n  include_entities, include_relations,\n  llm_provider, llm_model, llm_temperature)\nVALUES (\n  'Content-Studio-Standard',\n  'Umfassende Recherche mit Entitäten und Relationen',\n  'content_studio',\n  TRUE,\n  50,\n  20,\n  8000,\n  '{\"similarity\": 0.5, \"recency\": 0.1, \"authority\": 0.4}',\n  TRUE,\n  TRUE,\n  'claude',\n  'claude-sonnet-4-20250514',\n  0.5\n);\n\n-- Profil 3: API (minimal, schnell)\nINSERT INTO query_profiles (name, description, application,\n  vector_top_k, max_chunks, max_tokens,\n  include_metadata, include_sources,\n  llm_provider, llm_model)\nVALUES (\n  'API-Minimal',\n  'Minimaler Kontext für schnelle API-Antworten',\n  'api',\n  10,\n  5,\n  2000,\n  FALSE,\n  TRUE,\n  'ollama',\n  'mistral'\n);\n```\n\n---\n\n## Aufgaben\n\n### 1. Datenbank-Schema erstellen\n\n```bash\n# Nutze MCP-DB\ndb_execute(statement=\"CREATE TABLE query_profiles (...)\", database=\"ki_dev\")\n```\n\n### 2. Profile-Repository implementieren\n\n**Datei:** `src\/Domain\/Repository\/QueryProfileRepositoryInterface.php`\n\n```php\ninterface QueryProfileRepositoryInterface\n{\n    public function findById(int $id): ?QueryProfile;\n    public function findByName(string $name): ?QueryProfile;\n    public function findDefaultForApplication(string $application): ?QueryProfile;\n    public function findAll(): array;\n}\n```\n\n**Datei:** `src\/Infrastructure\/Persistence\/QueryProfileRepository.php`\n\n### 3. Query-Service erweitern\n\n**Datei:** `src\/Infrastructure\/QueryService.php` (oder neu erstellen)\n\n```php\nclass QueryService\n{\n    public function executeQuery(string $query, QueryProfile $profile): QueryResult\n    {\n        \/\/ A0: Query analysieren\n        $intent = $this->analyzeQuery($query);\n        \n        \/\/ A1: Embedding erstellen\n        $embedding = $this->embedQuery($query);\n        \n        \/\/ A2: Vector Search\n        $candidates = $this->vectorSearch($embedding, $profile);\n        \n        \/\/ A3: SQL Enrichment\n        $enriched = $this->enrichFromSql($candidates);\n        \n        \/\/ A4: Context Selection\n        $context = $this->selectContext($enriched, $profile);\n        \n        \/\/ A5: Prompt Composition\n        $prompt = $this->composePrompt($query, $context, $profile);\n        \n        \/\/ A6: LLM Generation\n        $response = $this->generateResponse($prompt, $profile);\n        \n        \/\/ A7: Source Attribution\n        $attributed = $this->addSources($response, $context);\n        \n        \/\/ A8: Return\n        return new QueryResult($attributed, $context->getSources());\n    }\n}\n```\n\n### 4. Chat-Controller anpassen\n\n**Datei:** `src\/Controller\/ChatController.php`\n\n```php\npublic function sendMessage(Request $request): Response\n{\n    $profile = $this->queryProfileRepository->findDefaultForApplication('chat');\n    \/\/ ... Query mit Profil ausführen\n}\n```\n\n### 5. Content-Studio anpassen\n\n**Datei:** `src\/Controller\/ContentController.php`\n\n```php\npublic function generate(Request $request): Response\n{\n    $profile = $this->queryProfileRepository->findDefaultForApplication('content_studio');\n    \/\/ ... Query mit Profil ausführen\n}\n```\n\n### 6. Admin-UI für Profile (optional)\n\n**URL:** `\/config\/query-profiles`\n- Liste aller Profile\n- Erstellen\/Bearbeiten\/Löschen\n- Default pro Application setzen\n\n---\n\n## Scoring-Algorithmus (Phase A4)\n\n```php\nfunction calculateScore(Chunk $chunk, QueryProfile $profile, float $vectorScore): float\n{\n    $weights = $profile->getScoringWeights();\n    \n    $similarity = $vectorScore * ($weights['similarity'] ?? 0.6);\n    \n    $recency = $this->calculateRecencyScore($chunk->getCreatedAt()) \n               * ($weights['recency'] ?? 0.2);\n    \n    $authority = $this->calculateAuthorityScore($chunk->getDocument())\n                 * ($weights['authority'] ?? 0.2);\n    \n    return $similarity + $recency + $authority;\n}\n\nfunction calculateRecencyScore(DateTime $date): float\n{\n    $daysOld = (new DateTime())->diff($date)->days;\n    return max(0, 1 - ($daysOld \/ 365)); \/\/ Linear decay über 1 Jahr\n}\n\nfunction calculateAuthorityScore(Document $doc): float\n{\n    \/\/ Basierend auf Quelle, Typ, manuellem Ranking\n    return $doc->getAuthorityScore() ?? 0.5;\n}\n```\n\n---\n\n## Dokumentation\n\nNach Implementierung RAG-Prozess-Dokument erweitern:\n\n```bash\ndocs_update(id=100, content=\"... + Query-Profile Sektion ...\")\n```\n\nNeue Sektion:\n```html\n<section>\n    <h2>Query-Profile (Online-Abfrage)<\/h2>\n    <p>Die Online-Pipeline nutzt konfigurierbare Profile...<\/p>\n    <!-- Profil-Tabelle, Scoring-Erklärung, etc. -->\n<\/section>\n```\n\n---\n\n## Qualitätskriterien\n\n- [ ] Tabelle `query_profiles` in ki_dev erstellt\n- [ ] 3 Standard-Profile angelegt (Chat, Content Studio, API)\n- [ ] QueryProfileRepository implementiert\n- [ ] QueryService nutzt Profile\n- [ ] Chat verwendet Chat-Profil\n- [ ] Content Studio verwendet Content-Studio-Profil\n- [ ] Scoring-Algorithmus dokumentiert\n- [ ] RAG-Prozess-Doku aktualisiert",
        "type": "ai_task"
    }
}

{
    "tool_response": [
        {
            "type": "text",
            "text": "{\n  \"success\": true,\n  \"task\": {\n    \"id\": 298,\n    \"uuid\": \"449ab513-f82c-486e-a7ee-7098221e9916\",\n    \"title\": \"Query-Profile Konzept: Online-Abfrage für Chat\/Content Studio\",\n    \"description\": \"# Auftrag\\n\\nEntwerfe und implementiere ein **Query-Profile System** für die Online-Abfrage (RAG Phase A0-A8), das unterschiedliche Abfragestrategien für Chat und Content Studio ermöglicht.\\n\\n## Kontext\\n\\n**Architektur-Grundlage:** RAG-Prozess-Dokument `docs_get(path=\\\"\/prozesse\/rag-prozess\\\")` (Doc-ID: 100)\\n\\n**Kernprinzip der Online-Pipeline:**\\n- Abfrage **erzeugt kein Wissen** - nur Kombination, Filterung, Formulierung\\n- Graph wird **nicht verändert**\\n- SQL bleibt **kanonisch**\\n- Vektor nur zur **Vorselektion**\\n\\n**Warum Query-Profile statt Pipeline?**\\n- Online = synchron, pro Request → kein Batch-Prozess\\n- Unterschiedliche Anwendungen brauchen unterschiedliche Strategien\\n- Profile sind konfigurierbar ohne Code-Änderung\\n\\n**Datenbank:** `ki_content` (Abfrage), `ki_dev` (Konfiguration)\\n\\n---\\n\\n## Online-Pipeline Phasen (A0-A8)\\n\\n```\\nA0: Query-Analyse      → Anfrage verstehen, Intent erkennen\\nA1: Query-Embedding    → Vektor für Ähnlichkeitssuche\\nA2: Vector-Search      → Qdrant: Top-N Chunks nach Similarity\\nA3: SQL-Enrichment     → Kanonische Daten aus SQL nachladen\\nA4: Context-Selection  → Chunks filtern, sortieren, limitieren\\nA5: Prompt-Composition → System-Prompt + Context + User-Query\\nA6: LLM-Generation     → Claude API \/ Ollama\\nA7: Source-Attribution → Quellennachweis hinzufügen\\nA8: Response-Return    → Ausgabe an User\\n```\\n\\n---\\n\\n## Query-Profile Konzept\\n\\n### Neue Tabelle: `query_profiles` (ki_dev)\\n\\n```sql\\nCREATE TABLE query_profiles (\\n  id INT AUTO_INCREMENT PRIMARY KEY,\\n  name VARCHAR(100) UNIQUE NOT NULL,\\n  description TEXT,\\n  application ENUM('chat', 'content_studio', 'api', 'all') DEFAULT 'all',\\n  is_default BOOLEAN DEFAULT FALSE,\\n  \\n  -- Phase A2: Vector Search\\n  vector_collection VARCHAR(100) DEFAULT 'documents',\\n  vector_top_k INT DEFAULT 20,\\n  vector_min_score FLOAT DEFAULT 0.5,\\n  \\n  -- Phase A4: Context Selection\\n  max_chunks INT DEFAULT 10,\\n  max_tokens INT DEFAULT 4000,\\n  scoring_weights JSON,  -- {\\\"similarity\\\": 0.6, \\\"recency\\\": 0.2, \\\"authority\\\": 0.2}\\n  \\n  -- Phase A5: Prompt Composition\\n  system_prompt_template TEXT,\\n  include_metadata BOOLEAN DEFAULT TRUE,\\n  include_sources BOOLEAN DEFAULT TRUE,\\n  \\n  -- Phase A6: LLM\\n  llm_provider ENUM('claude', 'ollama') DEFAULT 'claude',\\n  llm_model VARCHAR(100) DEFAULT 'claude-sonnet-4-20250514',\\n  llm_temperature FLOAT DEFAULT 0.7,\\n  llm_max_tokens INT DEFAULT 2000,\\n  \\n  -- Erweiterte Optionen\\n  include_entities BOOLEAN DEFAULT FALSE,\\n  include_relations BOOLEAN DEFAULT FALSE,\\n  filter_by_taxonomy JSON,  -- [\\\"Methoden\\\", \\\"Konzepte\\\"]\\n  \\n  created_at DATETIME DEFAULT CURRENT_TIMESTAMP,\\n  updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP\\n);\\n```\\n\\n### Vordefinierte Profile\\n\\n```sql\\n-- Profil 1: Chat (schnell, fokussiert)\\nINSERT INTO query_profiles (name, description, application, is_default,\\n  vector_top_k, max_chunks, max_tokens, scoring_weights,\\n  llm_provider, llm_model, llm_temperature)\\nVALUES (\\n  'Chat-Standard',\\n  'Schnelle, fokussierte Antworten für Chat-Interface',\\n  'chat',\\n  TRUE,\\n  20,\\n  10,\\n  4000,\\n  '{\\\"similarity\\\": 0.7, \\\"recency\\\": 0.2, \\\"authority\\\": 0.1}',\\n  'claude',\\n  'claude-sonnet-4-20250514',\\n  0.7\\n);\\n\\n-- Profil 2: Content Studio (umfassend, mit Entitäten)\\nINSERT INTO query_profiles (name, description, application, is_default,\\n  vector_top_k, max_chunks, max_tokens, scoring_weights,\\n  include_entities, include_relations,\\n  llm_provider, llm_model, llm_temperature)\\nVALUES (\\n  'Content-Studio-Standard',\\n  'Umfassende Recherche mit Entitäten und Relationen',\\n  'content_studio',\\n  TRUE,\\n  50,\\n  20,\\n  8000,\\n  '{\\\"similarity\\\": 0.5, \\\"recency\\\": 0.1, \\\"authority\\\": 0.4}',\\n  TRUE,\\n  TRUE,\\n  'claude',\\n  'claude-sonnet-4-20250514',\\n  0.5\\n);\\n\\n-- Profil 3: API (minimal, schnell)\\nINSERT INTO query_profiles (name, description, application,\\n  vector_top_k, max_chunks, max_tokens,\\n  include_metadata, include_sources,\\n  llm_provider, llm_model)\\nVALUES (\\n  'API-Minimal',\\n  'Minimaler Kontext für schnelle API-Antworten',\\n  'api',\\n  10,\\n  5,\\n  2000,\\n  FALSE,\\n  TRUE,\\n  'ollama',\\n  'mistral'\\n);\\n```\\n\\n---\\n\\n## Aufgaben\\n\\n### 1. Datenbank-Schema erstellen\\n\\n```bash\\n# Nutze MCP-DB\\ndb_execute(statement=\\\"CREATE TABLE query_profiles (...)\\\", database=\\\"ki_dev\\\")\\n```\\n\\n### 2. Profile-Repository implementieren\\n\\n**Datei:** `src\/Domain\/Repository\/QueryProfileRepositoryInterface.php`\\n\\n```php\\ninterface QueryProfileRepositoryInterface\\n{\\n    public function findById(int $id): ?QueryProfile;\\n    public function findByName(string $name): ?QueryProfile;\\n    public function findDefaultForApplication(string $application): ?QueryProfile;\\n    public function findAll(): array;\\n}\\n```\\n\\n**Datei:** `src\/Infrastructure\/Persistence\/QueryProfileRepository.php`\\n\\n### 3. Query-Service erweitern\\n\\n**Datei:** `src\/Infrastructure\/QueryService.php` (oder neu erstellen)\\n\\n```php\\nclass QueryService\\n{\\n    public function executeQuery(string $query, QueryProfile $profile): QueryResult\\n    {\\n        \/\/ A0: Query analysieren\\n        $intent = $this->analyzeQuery($query);\\n        \\n        \/\/ A1: Embedding erstellen\\n        $embedding = $this->embedQuery($query);\\n        \\n        \/\/ A2: Vector Search\\n        $candidates = $this->vectorSearch($embedding, $profile);\\n        \\n        \/\/ A3: SQL Enrichment\\n        $enriched = $this->enrichFromSql($candidates);\\n        \\n        \/\/ A4: Context Selection\\n        $context = $this->selectContext($enriched, $profile);\\n        \\n        \/\/ A5: Prompt Composition\\n        $prompt = $this->composePrompt($query, $context, $profile);\\n        \\n        \/\/ A6: LLM Generation\\n        $response = $this->generateResponse($prompt, $profile);\\n        \\n        \/\/ A7: Source Attribution\\n        $attributed = $this->addSources($response, $context);\\n        \\n        \/\/ A8: Return\\n        return new QueryResult($attributed, $context->getSources());\\n    }\\n}\\n```\\n\\n### 4. Chat-Controller anpassen\\n\\n**Datei:** `src\/Controller\/ChatController.php`\\n\\n```php\\npublic function sendMessage(Request $request): Response\\n{\\n    $profile = $this->queryProfileRepository->findDefaultForApplication('chat');\\n    \/\/ ... Query mit Profil ausführen\\n}\\n```\\n\\n### 5. Content-Studio anpassen\\n\\n**Datei:** `src\/Controller\/ContentController.php`\\n\\n```php\\npublic function generate(Request $request): Response\\n{\\n    $profile = $this->queryProfileRepository->findDefaultForApplication('content_studio');\\n    \/\/ ... Query mit Profil ausführen\\n}\\n```\\n\\n### 6. Admin-UI für Profile (optional)\\n\\n**URL:** `\/config\/query-profiles`\\n- Liste aller Profile\\n- Erstellen\/Bearbeiten\/Löschen\\n- Default pro Application setzen\\n\\n---\\n\\n## Scoring-Algorithmus (Phase A4)\\n\\n```php\\nfunction calculateScore(Chunk $chunk, QueryProfile $profile, float $vectorScore): float\\n{\\n    $weights = $profile->getScoringWeights();\\n    \\n    $similarity = $vectorScore * ($weights['similarity'] ?? 0.6);\\n    \\n    $recency = $this->calculateRecencyScore($chunk->getCreatedAt()) \\n               * ($weights['recency'] ?? 0.2);\\n    \\n    $authority = $this->calculateAuthorityScore($chunk->getDocument())\\n                 * ($weights['authority'] ?? 0.2);\\n    \\n    return $similarity + $recency + $authority;\\n}\\n\\nfunction calculateRecencyScore(DateTime $date): float\\n{\\n    $daysOld = (new DateTime())->diff($date)->days;\\n    return max(0, 1 - ($daysOld \/ 365)); \/\/ Linear decay über 1 Jahr\\n}\\n\\nfunction calculateAuthorityScore(Document $doc): float\\n{\\n    \/\/ Basierend auf Quelle, Typ, manuellem Ranking\\n    return $doc->getAuthorityScore() ?? 0.5;\\n}\\n```\\n\\n---\\n\\n## Dokumentation\\n\\nNach Implementierung RAG-Prozess-Dokument erweitern:\\n\\n```bash\\ndocs_update(id=100, content=\\\"... + Query-Profile Sektion ...\\\")\\n```\\n\\nNeue Sektion:\\n```html\\n<section>\\n    <h2>Query-Profile (Online-Abfrage)<\/h2>\\n    <p>Die Online-Pipeline nutzt konfigurierbare Profile...<\/p>\\n    <!-- Profil-Tabelle, Scoring-Erklärung, etc. -->\\n<\/section>\\n```\\n\\n---\\n\\n## Qualitätskriterien\\n\\n- [ ] Tabelle `query_profiles` in ki_dev erstellt\\n- [ ] 3 Standard-Profile angelegt (Chat, Content Studio, API)\\n- [ ] QueryProfileRepository implementiert\\n- [ ] QueryService nutzt Profile\\n- [ ] Chat verwendet Chat-Profil\\n- [ ] Content Studio verwendet Content-Studio-Profil\\n- [ ] Scoring-Algorithmus dokumentiert\\n- [ ] RAG-Prozess-Doku aktualisiert\",\n    \"type\": \"ai_task\",\n    \"status\": \"pending\",\n    \"created_by\": \"mcp-tasks\",\n    \"created_by_type\": \"ai\",\n    \"parent_task_id\": null,\n    \"due_date\": null,\n    \"created_at\": \"2025-12-24T10:49:40.725500\",\n    \"updated_at\": \"2025-12-24T10:49:40.725501\",\n    \"completed_at\": null,\n    \"metadata\": {}\n  },\n  \"message\": \"Task #298 created\"\n}"
        }
    ]
}