# Relation Thinking und Knowledge Synthesis

Das Brain trennt Relationserkennung, Recherche, Artikelautor und Qualitätskontrolle voneinander. Ein positiver Relationsentscheid erzeugt zunächst nur eine Graph-Edge. Erst wenn ein sinnvoller Quellenverbund vorliegt, kann die Artikelpipeline starten.

## Quellenverbund und Planung

Der Quellenverbund besteht überwiegend aus produktivem Wissen und darf nur begrenzt AI-generierte Vorstufen enthalten. Intern wird zwischen `create`, `update`, `merge` und `skip` geplant. Diese Planung wird niemals als sichtbarer Artikeltext gespeichert.

Die interne `KnowledgeBrief`-Struktur ordnet vorhandenes Wissen und hilft bei der Formulierung von Recherchefragen. Sie ist seit der Generate-then-Review-Umstellung **kein hartes Article-Readiness-Gate mehr**.

## Research → Generate → Review

Die aktive Artikelpipeline ist:

```text
interne KB-Volltexte
+ offene SearXNG-Volltextrecherche
        ↓
Research-Materialpool
        ↓
Autor-Modell (z. B. Gemma)
        ↓
vollständiger KB-Artikel
        ↓
Reviewer-Modell (z. B. Qwen)
        ↓
Claim-by-Claim-Prüfung
        ↓
Staging oder gezielte Nachrecherche + Revision
```

Details: [`GENERATE-THEN-REVIEW.md`](GENERATE-THEN-REVIEW.md).

## Modelltrennung und Sprache

```env
BRAIN_ARTICLE_LANGUAGE=de-DE
BRAIN_ARTICLE_SYNTHESIS_MODEL=gemma3:12b
BRAIN_ARTICLE_REVIEW_MODEL=qwen3:8b
BRAIN_ARTICLE_REVIEW_REPAIR_ROUNDS=1
```

`BRAIN_ARTICLE_SYNTHESIS_MODEL` schreibt den Artikel. `BRAIN_ARTICLE_REVIEW_MODEL` bewertet ausschließlich den bereits erzeugten Text gegen die Quellen. Wenn möglich sollten unterschiedliche Modelle eingesetzt werden.

## Recherche

SearXNG arbeitet ohne `site:`-Filter. Für die Artikelsynthese werden Treffer deterministisch vorgerankt und passende Seiten als Volltext gesammelt. Im Synthese-Pfad gibt es vor dem Schreiben kein zusätzliches LLM-Gate, das jede Webquelle einzeln als „ausreichenden Beleg“ akzeptieren muss.

Deutsch- und englischsprachiges Material darf gemeinsam verwendet werden. Die Artikelausgabe folgt unabhängig davon `BRAIN_ARTICLE_LANGUAGE`.

```env
BRAIN_RESEARCH_ENABLED=true
SEARXNG_URL=http://searxng:8080
BRAIN_ARTICLE_MAX_RESEARCH_QUERIES=6
BRAIN_ARTICLE_RESEARCH_RESULTS=12
BRAIN_ARTICLE_RESEARCH_FETCH_RESULTS=6
```

## Review und Reparatur

Der Reviewer erzeugt für wesentliche Aussagen `claim_reviews` mit:

- `supported`
- `partially_supported`
- `unsupported`
- `contradicted`

Nicht belegte oder widersprochene Aussagen verhindern die Freigabe. Der Reviewer kann präzise `missing_evidence_queries` erzeugen. Diese lösen eine gezielte Nachrecherche aus; danach überarbeitet das Autor-Modell den Artikel und der Reviewer prüft erneut.

## Sichtbares KB-Dokument und Audit

Die Staging-Datei enthält ausschließlich das normale KB-Schema (`id`, `title`, `text`, `answer`, Kategorien, Keywords, Sprache usw.). Planung, Quellenpool und Review werden separat unter

```text
BRAIN_DATA_DIR/article-metadata/<artikel-id>.json
```

gespeichert.

Dort wird zwischen `research_material` (alles, was der Autor gesehen hat) und `grounded_research_evidence` (nur vom Reviewer tatsächlich referenzierte Webquellen) unterschieden. Der Graph erzeugt `grounded_by` ebenfalls nur zu diesen tatsächlich verwendeten Belegen.

## Strukturelle Mindestgrenzen

Nach dem semantischen Review bleiben deterministische Schutzregeln aktiv, z. B. Mindestlängen, Mindestanteil produktiver Quellen und maximale Generierungstiefe. Diese Regeln sind artikeltypabhängig; `concept`/`reference` werden nicht wie `how_to`/`troubleshooting` bewertet.