# SEARCH ARCHITECTURE PROPOSAL — Tolaria Second Brain v1 (Mission 002)

Datum: 2026-08-25 · Red Queen · Status: **NUR VORBEREITUNG — NICHT IMPLEMENTIERT**

> Langfristig gewünscht: **HYBRID SEARCH** für Tolaria. Dieses Dokument analysiert
> die Architektur für die spätere **B5-Phase**. **Noch nichts bauen.**

---

## Ziel: HYBRID SEARCH

```
KEYWORD / FULL TEXT  +  SEMANTIC / VECTOR  +  METADATA  +  RELATIONSHIPS
```

## Ist-Zustand (EVIDENCE, Mission 001)
- Aktuelle Suche = **Substring/Keyword** (~1 ms), `exact`/`semantic`/`vector` Modi identisch → **keine echte semantische Suche**.
- Kein Embedding-Modell, kein Vector-Store, keine ADR für Vektoren.

## Architektur-Optionen (INFERENCE / RECOMMENDATION)

| Aspekt | Empfehlung |
|---|---|
| **Embedding-Modell** | Lokal, klein (z.B. `all-MiniLM-L6-v2` / `bge-small`) — datenschutzfreundlich, kein externer Call |
| **Vector Storage** | Lokal embedded (SQLite-VSS / LanceDB / Qdrant lokal); **kein externer Service** |
| **Rebuildbarkeit** | **Vector Index = DERIVED DATA** — vollständig aus kanonischem Wissensstand rebuildbar |
| **Incremental Updates** | Bei Änderung nur betroffene Chunks neu embedden (Diff-basiert) |
| **Chunking** | Markdown-aware: nach Heading/Paragraph, nicht blind nach Zeichen |
| **Markdown Awareness** | Frontmatter, Code-Blöcke, Wikilinks, Header-Struktur verstehen |
| **Metadata Filtering** | Über Frontmatter (type, tags, created) filtern |
| **Ranking** | Hybrid-Scoring: Keyword-Exaktheit + semantische Ähnlichkeit + Metadaten-Boost |
| **Hybrid Scoring** | Gewichtete Kombination (z.B. 60% semantic + 30% keyword + 10% metadata) |
| **Lokale vs externe Modelle** | **Lokal** bevorzugt (Datenschutz, kein Vendor-Lock) |
| **Ressourcenbedarf** | Gering (84 Dateien); ein Mini-Embedding-Modell reicht |
| **Datenschutz** | Lokale Inferenz → kein Datenabfluss |
| **Latenz** | Lokal <100 ms für kleine Korpus; gut |

## Kernregel
> **Vector Index = DERIVED DATA.** Er muss **vollständig aus dem kanonischen
> Wissensbestand rebuildbar** sein. Er ist **nie** die Source of Truth.

## Voraussetzungen (für B5)
- Kanonischer Wissensbestand (B3-Bereinigung) als stabile Basis.
- Pfad-Stabilität + Frontmatter-Konsistenz.
- Human-in-the-Loop vor produktiver Einführung (Schema-/Index-Freigabe).

## Nicht jetzt
- **Kein** Embedding erzeugen, **kein** Vector-Store produktiv einführen,
  **keine** Suche ersetzen — bis B5 und ausdrückliche Freigabe.