{
"tool_response": [
{
"type": "text",
"text": "{\n \"success\": true,\n \"tasks\": [\n {\n \"id\": 308,\n \"uuid\": \"a7abf040-4162-4edf-b3ab-3cc46ee3edc4\",\n \"title\": \"RAG: Doc 100 Abweichungsanalyse aktualisieren nach Implementierung\",\n \"description\": \"# Auftrag\\n\\nAktualisiere die Abweichungsanalyse (Teil 3) in Doc 100 nach Abschluss der Implementierungstasks.\\n\\n## Voraussetzungen\\n\\n**ERSTE AKTION:** `docs_get(path=\\\"\/\\\")` → Lese CLAUDE.md vollständig\\n\\n**Abhängigkeiten:** Dieser Task sollte NACH den anderen Tasks (#301-#306) ausgeführt werden.\\n\\n**Paradigmen (ZWINGEND):**\\n- Faktizität: Nur verifizierte Änderungen dokumentieren\\n- KISS: Klare Tabellen, keine Prosa\\n\\n## Kontext\\n\\n**Referenz-Dokumentation:** `docs_get(id=100)` (RAG-Prozess)\\n\\n**Bereits umgesetzte Änderungen (24.12.2025):**\\n- entities.status ENUM hinzugefügt\\n- chunks.status ENUM hinzugefügt\\n- statements Tabelle erstellt\\n- Qdrant entities Collection erstellt\\n- canonical_name für alle 251 Entities befüllt\\n\\n## Aufgabe\\n\\n### 1. Fakten sammeln\\n\\nPrüfe jeden Punkt der Abweichungsanalyse:\\n\\n```bash\\n# Entity-Status\\ndb_describe(table=\\\"entities\\\", database=\\\"ki_content\\\")\\n\\n# Chunk-Status\\ndb_describe(table=\\\"chunks\\\", database=\\\"ki_content\\\")\\n\\n# Statements\\ndb_describe(table=\\\"statements\\\", database=\\\"ki_content\\\")\\ndb_select(query=\\\"SELECT COUNT(*) FROM statements\\\", database=\\\"ki_content\\\")\\n\\n# Provenienz\\ndb_describe(table=\\\"provenance\\\", database=\\\"ki_content\\\")\\n\\n# Prompt-Versionierung\\ndb_select(query=\\\"SELECT id, name, version, use_case FROM prompts LIMIT 10\\\", database=\\\"ki_content\\\")\\n\\n# Entity-Synonyme\\ndb_select(query=\\\"SELECT COUNT(*) FROM entity_synonyms\\\", database=\\\"ki_content\\\")\\n\\n# Scoring\\n# Code-Review: src\/Infrastructure\/AI\/ScoringService.php existiert?\\n```\\n\\n### 2. Dokumentation aktualisieren\\n\\n```bash\\ndocs_update(id=100, content=\\\"...\\\")\\n```\\n\\nÄndere in Sektion \\\"Implementierungslücken\\\":\\n- Status von ❌ auf ✅ wo implementiert\\n- Datum der Umsetzung hinzufügen\\n- Ggf. neue Lücken dokumentieren\\n\\n### 3. TODO-Liste aktualisieren\\n\\n```html\\n<section>\\n <h2>TODO-Liste für Implementierung<\/h2>\\n <pre>\\nPRIORITÄT HOCH:\\n[x] Entity-Status-Feld (2025-12-24)\\n[x] Chunk-Status-Feld (2025-12-24)\\n[x] Aussagen-Tabelle statements (2025-12-24)\\n[ ] Prompt-Versionierung implementieren\\n...\\n <\/pre>\\n<\/section>\\n```\\n\\n## Validierung\\n\\n```bash\\n# Dokument abrufen\\ndocs_get(id=100)\\n\\n# Contract-Validierung\\ncontracts_validate(name=\\\"betriebsdokumentation-pruefung_v1.1\\\")\\n```\\n\\n## Qualitätskriterien\\n\\n- [ ] Alle umgesetzten Punkte als ✅ markiert\\n- [ ] Datum der Umsetzung dokumentiert\\n- [ ] Neue Lücken (falls vorhanden) dokumentiert\\n- [ ] TODO-Liste aktualisiert\\n- [ ] Keine falschen Behauptungen (alles verifiziert)\",\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\": \"2025-12-24T15:02:55.732699\",\n \"updated_at\": \"2025-12-24T15:02:55.732702\",\n \"completed_at\": null,\n \"metadata\": {}\n },\n {\n \"id\": 307,\n \"uuid\": \"da1f3cca-08d1-4551-9f12-f74b961ba13c\",\n \"title\": \"RAG: document_sections für Abschnitts-Hierarchie aktivieren\",\n \"description\": \"# Auftrag\\n\\nAktiviere die `document_sections` Tabelle für strukturierte Dokument-Hierarchie.\\n\\n## Voraussetzungen\\n\\n**ERSTE AKTION:** `docs_get(path=\\\"\/\\\")` → Lese CLAUDE.md vollständig\\n\\n**Relevante Contracts:**\\n- `contracts_get(name=\\\"python-pipeline-contract_v1.0\\\")` - Python-Standards\\n\\n**Paradigmen (ZWINGEND):**\\n- KISS: Einfache Heading-Hierarchie\\n- DRY: Nutze bestehende extract.py Logik\\n- YAGNI: Nur H1-H6 Hierarchie, keine komplexen Strukturen\\n\\n## Kontext\\n\\n**Referenz-Dokumentation:** `docs_get(id=100)` (RAG-Prozess)\\n\\n**IST-Zustand:**\\n- Tabelle `document_sections` existiert mit 0 Rows\\n- `chunks.heading_path` enthält bereits JSON-Array mit Headings\\n\\n## Aufgabe\\n\\n### 1. Schema prüfen\\n\\n```bash\\ndb_describe(table=\\\"document_sections\\\", database=\\\"ki_content\\\")\\n```\\n\\n### 2. Section-Extraktion in extract.py\\n\\nErweitere `\/var\/www\/scripts\/pipeline\/extract.py`:\\n\\n```python\\ndef extract_sections(document_id: int, text: str) -> list[dict]:\\n \\\"\\\"\\\"Extract document structure as section hierarchy.\\n \\n Returns list of:\\n {\\n 'document_id': int,\\n 'title': str,\\n 'level': int (1-6),\\n 'parent_id': int or None,\\n 'start_pos': int,\\n 'end_pos': int,\\n 'sort_order': int\\n }\\n \\\"\\\"\\\"\\n sections = []\\n # Parse Markdown\/HTML headings\\n # Build parent-child relationships\\n return sections\\n\\ndef save_sections(document_id: int, sections: list[dict]):\\n \\\"\\\"\\\"Save sections to database.\\\"\\\"\\\"\\n # Clear existing sections for document\\n db.delete_sections(document_id)\\n \\n # Insert new sections\\n for section in sections:\\n db.insert_section(section)\\n```\\n\\n### 3. Pipeline-Integration\\n\\nIn `pipeline.py:process_file()` nach extract:\\n```python\\n# Extract document structure\\nsections = extract_sections(document_id, full_text)\\nsave_sections(document_id, sections)\\n```\\n\\n### 4. Chunk-Section Mapping\\n\\n```sql\\ndb_execute(statement=\\\"\\\"\\\"\\nALTER TABLE chunks\\n ADD COLUMN IF NOT EXISTS section_id INT,\\n ADD FOREIGN KEY (section_id) REFERENCES document_sections(id)\\n\\\"\\\"\\\", database=\\\"ki_content\\\")\\n```\\n\\n## Validierung\\n\\n```bash\\n# Schema prüfen\\ndb_describe(table=\\\"document_sections\\\", database=\\\"ki_content\\\")\\n\\n# Python Check\\n\/opt\/scripts\/python-check.sh\\n\\n# Funktionstest\\ndb_select(query=\\\"SELECT COUNT(*) FROM document_sections\\\", database=\\\"ki_content\\\")\\n```\\n\\n## Qualitätskriterien\\n\\n- [ ] extract_sections() implementiert\\n- [ ] save_sections() implementiert\\n- [ ] Pipeline-Integration\\n- [ ] Mindestens 1 Dokument mit Sections\\n- [ ] Type Hints und Docstrings\",\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\": \"2025-12-24T15:02:55.490607\",\n \"updated_at\": \"2025-12-24T15:02:55.490609\",\n \"completed_at\": null,\n \"metadata\": {}\n },\n {\n \"id\": 306,\n \"uuid\": \"216b4323-c1ad-4f97-b28f-d8de655bf43e\",\n \"title\": \"RAG: Prompt-Versionierung für deterministische Reproduzierbarkeit\",\n \"description\": \"# Auftrag\\n\\nImplementiere Prompt-Versionierung für nachvollziehbare LLM-Aufrufe.\\n\\n## Voraussetzungen\\n\\n**ERSTE AKTION:** `docs_get(path=\\\"\/\\\")` → Lese CLAUDE.md vollständig\\n\\n**Relevante Contracts:**\\n- `contracts_get(name=\\\"python-pipeline-contract_v1.0\\\")` - Python-Standards\\n- `contracts_get(name=\\\"db-access-security-protocol\\\")` - MCP-DB nutzen\\n\\n**Paradigmen (ZWINGEND):**\\n- DRY: Prompts zentral in DB, nicht im Code\\n- KISS: Einfache Versionsnummer\\n- YAGNI: Nur für Analyse-Prompts, nicht für Chat\\n\\n## Kontext\\n\\n**Referenz-Dokumentation:** `docs_get(id=100)` (RAG-Prozess, §6 Determinismus)\\n\\n**Problem:** Nicht-deterministische Schritte (Entity-Extraktion, Semantik-Analyse) sind nicht reproduzierbar, weil Prompts nicht versioniert sind.\\n\\n**Bestehendes:** `ki_content.prompts` Tabelle existiert\\n\\n## Aufgabe\\n\\n### 1. Schema erweitern\\n\\n```sql\\ndb_execute(statement=\\\"\\\"\\\"\\nALTER TABLE prompts\\n ADD COLUMN IF NOT EXISTS version VARCHAR(20) DEFAULT '1.0',\\n ADD COLUMN IF NOT EXISTS is_active BOOLEAN DEFAULT TRUE,\\n ADD COLUMN IF NOT EXISTS use_case ENUM('entity_extraction', 'relation_extraction', \\n 'semantic_analysis', 'statement_extraction', 'chat', 'content') DEFAULT 'chat'\\n\\\"\\\"\\\", database=\\\"ki_content\\\")\\n```\\n\\n### 2. chunk_semantics erweitern\\n\\n```sql\\ndb_execute(statement=\\\"\\\"\\\"\\nALTER TABLE chunk_semantics\\n ADD COLUMN IF NOT EXISTS prompt_id INT,\\n ADD COLUMN IF NOT EXISTS prompt_version VARCHAR(20),\\n ADD FOREIGN KEY (prompt_id) REFERENCES prompts(id)\\n\\\"\\\"\\\", database=\\\"ki_content\\\")\\n```\\n\\n### 3. Python-Integration\\n\\nIn `\/var\/www\/scripts\/pipeline\/analyze.py`:\\n\\n```python\\ndef get_active_prompt(use_case: str) -> dict:\\n \\\"\\\"\\\"Get active prompt for use case from database.\\\"\\\"\\\"\\n return db.get_prompt_by_use_case(use_case)\\n\\ndef analyze_chunk_semantics(chunk_id: int, text: str):\\n prompt_data = get_active_prompt('semantic_analysis')\\n \\n # LLM-Aufruf mit Prompt\\n result = call_llm(prompt_data['content'], text)\\n \\n # Speichern mit Prompt-Referenz\\n db.save_chunk_semantics(\\n chunk_id=chunk_id,\\n summary=result['summary'],\\n # ...\\n prompt_id=prompt_data['id'],\\n prompt_version=prompt_data['version']\\n )\\n```\\n\\n### 4. Initiale Prompts anlegen\\n\\n```sql\\nINSERT INTO prompts (name, content, version, use_case, is_active) VALUES\\n('Entity Extraction v1', 'Extrahiere Entitäten...', '1.0', 'entity_extraction', 1),\\n('Semantic Analysis v1', 'Analysiere den Text...', '1.0', 'semantic_analysis', 1),\\n('Statement Extraction v1', 'Extrahiere SPO-Tripel...', '1.0', 'statement_extraction', 1);\\n```\\n\\n## Validierung\\n\\n```bash\\n# Schema prüfen\\ndb_describe(table=\\\"prompts\\\", database=\\\"ki_content\\\")\\ndb_describe(table=\\\"chunk_semantics\\\", database=\\\"ki_content\\\")\\n\\n# Python Check\\n\/opt\/scripts\/python-check.sh\\n\\n# Prompt-Liste\\ndb_select(query=\\\"SELECT id, name, version, use_case, is_active FROM prompts\\\", database=\\\"ki_content\\\")\\n```\\n\\n## Qualitätskriterien\\n\\n- [ ] prompts.version Feld existiert\\n- [ ] chunk_semantics.prompt_id Feld existiert\\n- [ ] get_active_prompt() implementiert\\n- [ ] Mindestens 3 Prompts für use_cases angelegt\\n- [ ] analyze.py nutzt Prompt-Versionierung\",\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\": \"2025-12-24T15:02:55.247455\",\n \"updated_at\": \"2025-12-24T15:02:55.247457\",\n \"completed_at\": null,\n \"metadata\": {}\n },\n {\n \"id\": 305,\n \"uuid\": \"7a2ad299-ad88-41ad-8638-... [TRUNCATED-b3ef986625265891]"
}
]
}