Protokoll #12862

{
    "event": "PreToolUse",
    "tool_name": "mcp__mcp-tasks__tasks_get",
    "tool_input": {
        "id": 298
    }
}

{
    "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\": \"in_progress\",\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\": \"2025-12-24T10:52:00.968993\",\n    \"completed_at\": null,\n    \"metadata\": {}\n  },\n  \"assignments\": [],\n  \"results\": []\n}"
        }
    ]
}