Files
HiveGrid-Wireframes/hivegrid-cloud/docs/improvement-plan/04-search-rag/VERIFICATION.md
T

22 KiB
Raw Blame History

Phase 04 — Search + RAG — Verifikation

Verifier: Claude (Opus 4.7, read-only) Datum: 2026-05-16 Scope: README.md, meilisearch.md, vector-store.md, embedding-pipeline.md Referenzen: ../README.md, ../AGENT-INSTRUCTIONS.md, ../00-execution-order.md, ../DETAIL-MD-TEMPLATE.md

Verdikt auf einen Blick

File Template-Konformität Dependencies Implementation Tests Staging Security Gesamt
README.md n/a (kein Detail-MD) OK OK OK OK OK PASS
meilisearch.md PASS PASS PASS PASS PASS PASS (Hinweis #1) PASS
vector-store.md PASS PASS PASS (Hinweis #2) PASS PASS PASS PASS mit Hinweisen
embedding-pipeline.md PASS PASS PASS (Hinweise #3, #4) PASS PASS PASS (Hinweis #5) PASS mit Hinweisen

Keine Blocker. Vier inhaltliche Hinweise (siehe unten), zwei Fehlende-Aspekte-Empfehlungen, ein kleines optionales Nit.


1. Template-Konformität (DETAIL-MD-TEMPLATE.md)

Alle drei Detail-MDs (meilisearch / vector-store / embedding-pipeline) enthalten alle 15 Sections in der vorgeschriebenen Reihenfolge:

  1. Frontmatter (Status, Task-ID, Phase, Estimated Effort, Owner) ✔
  2. Problem ✔
  3. Depends on ✔
  4. Blocks ✔
  5. Approach ✔
  6. Implementation Steps ✔
  7. Test Requirements ✔
  8. Acceptance Criteria ✔
  9. Rollback Strategy ✔
  10. Security Notes ✔
  11. Subagent Recommendations ✔
  12. Staging-Deployment-Steps ✔
  13. Deviations from Plan ✔ (leer, korrekt)
  14. Progress Log ✔ (leer, korrekt)
  15. Lessons Learned ✔ (Platzhalter)

Task-IDs #48, #49, #50 matchen die Reihenfolge aus 00-execution-order.md Tabelle Reihe 4. Phasen-Felder = 04. Estimated-Effort-Summe (1 + 1.5 + 1 = 3.5 Wochen) matcht README-Header und Plan-README ("3.5 Wochen").

README.md (Phase-Übersicht): kein Detail-MD-Template anwendbar; struktur folgt dem Muster der Phase-03-README. Done-Definition ist konkret, mess- und prüfbar, Dependency-Graph enthält Inputs (Phase 03) und Outputs (Phase 07).

2. Dependencies-Konsistenz

Cross-Phase:

  • meilisearch.md Depends on → Phase 03 outbox-pattern.md (#42), worker-queues.md (#43) ✔ matched mit 00-execution-order.md "Phase 04 depends on Phase 03 (insbesondere Outbox + Worker-Queues)".
  • vector-store.md Depends on → Phase 03 outbox-pattern.md (#42), read-write-split.md (#41) ✔ — die prismaWrite-Nutzung wird in Approach + Security-Notes konsistent referenziert.
  • embedding-pipeline.md Depends on → Phase 03 outbox-pattern.md, worker-queues.md plus die zwei Phase-04-Tasks ✔.

Intra-Phase:

  • meilisearch.md Blocks listet embedding-pipeline.md (Pattern-Quelle) ✔
  • vector-store.md Blocks listet embedding-pipeline.md ✔
  • embedding-pipeline.md Depends on listet beide ✔ — Dreieck schließt sich.

Blocks-Ausgang:

  • Alle drei Files referenzieren korrekt 07-chatbot/chatbot-v2.md als blockierten Konsumenten ✔ — matched 00-execution-order.md Phase 07 Sub-Dep "chatbot-v2: Phase 04 komplett (RAG)".

Parallelisierbarkeit:

  • README + execution-order ("meilisearch + vector-store parallel") + meilisearch.md ("Parallelisierbar mit #49") + vector-store.md (Subagent-Recs) konsistent ✔.

Keine zirkulären Dependencies. Topologische Reihenfolge stimmt.

3. Implementation-Steps-Qualität

3.1 Meilisearch Tenant-Isolation via filterableAttributes + Filter-Wrap

createSearchIndex validiert dass tenantId in filterableAttributes enthalten ist (Step 4); searchInIndex injiziert immer den Filter tenantId = "${tenantId}" (Step 5). Raw-Client wird nicht exportiert. Custom-ESLint-Rule blockiert Direktimport der SDK außerhalb des Packages (Security-Notes).

Bewertung: korrekt und sicher. Drei Verteidigungslinien (Index-Schema-Guard + Wrapper-Pflicht-Filter + ESLint-Rule) ist gut layered. Klein: das escape Special-Characters in TenantID-Detail in Unit-Tests (Step Test Reqs) ist wichtig — Meilisearch-Filter-DSL erlaubt sonst Injection, wenn tenantId user-controlled wäre (im Boilerplate ist es UUID-format, aber Defense-in-Depth ist richtig). ✔

3.2 pgvector mit HNSW-Index in Postgres 16+

Step 2: CREATE EXTENSION IF NOT EXISTS vector; Migration. Step 3: HNSW-Index USING hnsw (vector vector_cosine_ops) plus GIN auf payload + B-Tree auf tenant_id (tenant_id TEXT GENERATED ALWAYS AS (payload->>'tenantId') STORED).

Bewertung: technisch realistisch. HNSW ist ab pgvector 0.5 (Q3 2023) verfügbar; Boilerplate-Stack ist auf Postgres 15+/16+ — Migration-User-Rechte werden in Security-Notes adressiert (Superuser für CREATE EXTENSION — relevant für Scaleway-Managed-Postgres, dort muss Extension out-of-band durch Provider freigegeben werden). Generated-Column für tenant_id ist eine elegante Lösung — sorgt dafür, dass Tenant-Filter ohne JSONB-Path-Lookup b-tree-served läuft.

Hinweis #2 (minor): Die Doku in Step 8 erwähnt "pgvector HNSW-Tuning-Parameter" (Lessons-Learned-Platzhalter), aber die Implementation Step 3 setzt die HNSW-Parameter (m, ef_construction) nicht explizit. Empfehlung: in Step 3 Default-Parameter explizit als ausdokumentierten SQL-Schnipsel hinterlegen (m=16, ef_construction=64) damit der ausführende Subagent nicht selber raten muss. Das ist Polishing, kein Blocker.

3.3 Qdrant-Adapter parallel — Adapter-Pattern-Konsistenz

Interface VectorStoreAdapter (vector-store.md Approach, Zeilen 33-49) ist gleich für pgvector und Qdrant. Conformance-Test-Suite (Step 7) läuft identisch gegen beide via testcontainers. Filter-Übersetzung in jeweiligem Adapter-File, payload-Schema (Record<string, unknown> & { tenantId: string }) TS-erzwungen.

Bewertung: konsistent. Das Pattern ist sauber: ein Interface, zwei Adapter, eine Conformance-Suite die beide austauschbar beweist. Migration pgvector→Qdrant explizit als "Re-Embed aus Source-of-Truth" dokumentiert — kein riskanter direkter Datentransfer.

3.4 Chunking via tiktoken für Multi-Provider

splitForEmbedding (embedding-pipeline Step 7) nutzt tiktoken für OpenAI-kompatible Modelle, fallback auf model-spezifisch. Default 512/50.

Hinweis #3: tiktoken-Token-Counts sind nur für OpenAI-Modelle (cl100k_base, o200k_base) exakt. Bei Scaleway-Inference (OpenAI-kompatibles Endpoint, gleicher Tokenizer für ihre kompatiblen Modelle) ist es fast immer OK; bei Aleph-Alpha (eigener BPE-Tokenizer, andere Vokabular-Größe) und für Anthropic (eigener Tokenizer, kein offizieller Public-Tokenizer in 2026) ist tiktoken-Count nur eine Heuristik — Token-Counts können um 10-30% abweichen. Realistisch ist es trotzdem nutzbar (mit Safety-Margin auf maxTokens), aber:

  • Empfehlung: splitForEmbedding sollte die per-Provider maxTokensPerInput aus dem Provider-Interface lesen und einen konservativen Safety-Faktor (z.B. 0.8) anwenden, statt einen statischen Default. Aktuell maxTokens?: number in der Signatur — vom Aufrufer übergebbar, aber kein automatischer Provider-Sync.
  • Step 7 sollte expliziter erwähnen: "encoding optional override, default basierend auf konfiguriertem Provider, mit 20% Safety-Margin auf provider.maxTokensPerInput".

Das ist eine Verbesserung, kein Blocker — der Code ist baubar wie spezifiziert.

3.5 retrieveRelevantContext Multi-Collection-Fan-Out

Step 10 in embedding-pipeline.md: retrieveRelevantContext embedded Query → sucht parallel in allen aktiven RAG-Collections des Tenants → ranked Score-merged → topK.

Bewertung: sinnvoll. Für Chatbot V2 ist das genau richtig — der Bot weiß nicht vorab ob die Antwort aus KB, CRM-Notes oder Rows kommt; Multi-Collection-Fan-Out + Score-Merge ist Standard-RAG-Pattern.

Hinweis #4: Score-Merge über Collections hinweg ist nicht trivial — verschiedene Collections können unterschiedliche Score-Verteilungen haben (z.B. wenn ein KB-Korpus klein und specific ist, sind alle Scores hoch; ein CRM-Notes-Korpus breit und vielfältig hat alle Scores niedriger). Reines sort by score desc kann eine Collection systematisch unterrepräsentieren. Optionen:

  • Per-Collection topK/N statt globalem topK
  • Score-Normalisierung pro Collection (z.B. z-score)
  • Reciprocal Rank Fusion (RRF) — wenig Code, robust gegen Score-Skalen

Empfehlung: Step 10 sollte einen Satz zur Score-Merge-Strategie ergänzen ("RRF" oder "per-collection cap of topK/collections.length, dann global topK") damit der Implementer das nicht ad-hoc entscheidet.

4. Test-Requirements

Container-basierte Integration-Tests:

  • meilisearch.md: @testcontainers/meilisearch (oder generic-container + Health-Wait) für E2E-Indizierung, Bulk-Reindex, Tenant-Isolation ✔
  • vector-store.md: testcontainers für pgvector/pgvector:pg16 und qdrant/qdrant ✔ — Conformance-Suite läuft parameterisiert gegen beide
  • embedding-pipeline.md: Postgres-mit-pgvector + Redis (für BullMQ), E2E-Flow KB-Article → Outbox → Worker → Vector-Store → retrieveRelevantContext ✔

Conformance-Test-Suite gegen beide Vector-Adapter: vector-store.md Step 7 + Test Requirements explizit — beide Adapter durchlaufen identische Test-Cases (Lifecycle, Tenant-Isolation, Recall-Smoke, Filter-Kombination, Edge-Cases). Das ist die genau richtige Garantie für Austauschbarkeit.

Coverage-Targets: 85% packages, 80% worker — konsistent mit AGENT-INSTRUCTIONS.md Regel 3 (Per-Module-Gates für neuen Code).

Provider-Smoke-Tests gated by env (embedding-pipeline): vitest --grep=@live-provider — gute Practice (kein CI-Cost-Blow-Up durch echte API-Calls).

Bewertung: vollständig. Alle drei Tasks haben Unit, Integration, Worker, E2E (wo sinnvoll), Coverage-Targets und Test-File-Locations. Acceptance-Criteria-Bullets matchen die Test-Requirements.

5. Staging-Deployment-Steps

Coolify-Setup:

  • meilisearch.md Step 2 verweist auf docs/deploy/meilisearch.md (zu erstellen) mit Coolify-Snippet + Volume-Backup-Cron + Master-Key-Rotation ✔
  • vector-store.md: Qdrant als optional-Service in docker-compose mit Profile qdrant, Staging-Steps inkl. QDRANT_API_KEY-Secret + Snapshot-Skript ✔
  • embedding-pipeline.md Staging-Steps verlangen Provider-Secrets in Coolify (OPENAI_API_KEY/SCALEWAY_INFERENCE_TOKEN) ✔

Backup-Strategy pro Adapter:

  • pgvector: über Postgres-Backup (verweist korrekt auf Phase 03 backup-cli.md) ✔
  • Qdrant: Snapshot-API + Cron + S3-Push, Skript scripts/qdrant-snapshot.sh, Doku docs/deploy/vector-store-backup.md ✔ — sogar SSE-Encryption-Check (Security-Notes) erwähnt
  • Meilisearch: Volume-Backup-Cron ✔ (kein Snapshot-API erwähnt — aktuell OK, Meilisearch hat ab v1.6 ein Snapshot-Feature; Empfehlung als Phase-11-Backlog-Item siehe Abschnitt 7)

Performance-Erwartungen explizit:

  • Meilisearch P95 <50ms bei 1M Docs ✔
  • pgvector <30ms / Qdrant <15ms bei topK=10 ✔
  • Search-Hit innerhalb 2s nach Save (Phase-README Done-Definition) ✔
  • Vector-Hit innerhalb 5s nach Save ✔

Bewertung: detailliert und realistisch. Smoke-Tests pro Task sind konkret (CLI-Commands, Dashboard-Checks, Failure-Tests wie "Meilisearch-Container stoppen → SQL-Fallback").

6. Konsistenz mit User-Wünschen

User-Wunsch Status in Phase 04 Beleg
"17a/A1 Meilisearch" ✔ umgesetzt meilisearch.md ist eigener Task, Image-Pinning getmeili/meilisearch:v1.8, Approach explizit "Meilisearch als richtige Wahl vs Elasticsearch/Typesense"
"pgvector als Default + Qdrant als optional" ✔ Adapter-Pattern korrekt vector-store.md Factory-Logik: explicit > QDRANT_URL > pgvector. README "Default ist pgvector (zero-ops), Qdrant wird optional aktiviert wenn QDRANT_URL gesetzt"
"Indexer async via Outbox" ✔ durchgängig Alle drei Tasks haben in Depends on outbox-pattern.md; Approach-Sections sagen explizit "async via Outbox-Events"; sync Pfade in Alternativen explizit verworfen ("Synchrones Embedding bei Save: blockiert Save-Latenz")
"Scaleway Managed Postgres + pgvector als Default-Pfad" ⚠ teilweise dokumentiert pgvector als Default ist klar; Scaleway-Managed-Postgres-Spezifika werden in Security-Notes von vector-store.md angeschnitten (CREATE EXTENSION braucht Superuser → out-of-band via DBA bei Managed-Postgres), aber nicht prominent in der README oder einer Deploy-Doku. Empfehlung: README sollte einen Bullet ergänzen wie "Scaleway-Managed-Postgres als Default-Deploy-Target: pgvector-Extension muss einmalig im Scaleway-Console aktiviert werden bevor die Migration durchläuft." Aktuell stehts versteckt in vector-store.md Security-Notes. Kein Blocker, aber Sichtbarkeit verbessern.

7. Security-Notes — Tenant-Isolation Tiefe

Embedding-Leak-Schutz: embedding-pipeline.md Security-Notes adressiert es explizit — "Embeddings können theoretisch Source-Text rekonstruieren — kein Cross-Tenant-Read, kein Logging von Vektoren in Cleartext". Vector-store.md macht das gleiche Statement.

Query-Filter-Pflicht:

  • Meilisearch: TS-Signatur erzwingt tenantId als required Param in searchInIndex + Wrapper injiziert in Filter (3 Verteidigungslinien)
  • Vector-Store: VectorItem.payload ist Record<string, unknown> & { tenantId: string } (TS-erzwungen), semanticSearch verlangt tenantId-Param, Adapter injiziert als must-Filter
  • Embedding-Pipeline: retrieveRelevantContext verlangt tenantId-Pflicht-Param

Bewertung: stark. Defense-in-depth auf jeder Ebene. Drei Hinweise:

Hinweis #1 (Meilisearch Master-Key): Security-Notes erwähnt "Master-Key + Application-side-Filter (einfacher); in Phase 11 evaluieren ob tenant-tokens echten Mehrwert geben". Das ist eine bewusste Trade-off-Entscheidung. Für Production-Härtung würde ich stärker formulieren: Meilisearch-Tenant-Tokens sind ein cheap-extra-defense-layer (sie escapen das Application-side-Filter-Risiko komplett — selbst bei Wrapper-Bug greift Meilisearch's eigene Tenant-Trennung). Empfehlung: für Phase 04 OK, aber Phase 11 Backlog-Item sollte priorisiert sein, nicht "vielleicht".

Hinweis #5 (Provider-Datenabfluss): embedding-pipeline.md adressiert es vorbildlich:

  • DSGVO-relevant: EU-Region-Provider-Liste (Scaleway, Aleph-Alpha) explizit
  • CRM-Notes-Indexing default-off mit explizitem Opt-In ✔
  • No-Log-Policy für Input-Text (nur Hashes) ✔
  • Per-Tenant-Provider-Override als Phase-11-Backlog markiert ✔

Sehr gut. Keine Lücke.

Code-Review-Hook (Vector-Store): Vector-store.md Security-Notes sagt "Direkter Adapter-Zugriff ohne Helper ist nicht abgeschnitten (für Power-User), aber Code-Review-Guideline: Adapter-Direct-Use nur in packages/vector-store/ und in embedding-pipeline-Worker." Das ist schwächer als Meilisearchs ESLint-Rule-Approach. Empfehlung: konsistent machen — entweder beides via ESLint-Rule abblocken, oder beim Meilisearch-Package gleiche Guideline statt Rule. Aktuell asymmetrisch.

8. Fehlende Aspekte (vom Verifier identifiziert)

8.1 SearchIndex-Versioning für Schema-Changes (fehlt)

Was fehlt: Wenn das Schema eines Meilisearch-Index sich ändert (neuer searchableAttribute, anderes Ranking-Rule), gibt es keinen dokumentierten Migration-Pfad. Meilisearch erlaubt manche Schema-Updates online (filterableAttributes hinzufügen), andere nicht (primaryKey-Wechsel).

Empfehlung: meilisearch.md Step 10 (Doku) sollte einen Abschnitt "Schema-Versioning + Migration" enthalten mit:

  • Online-fähige Updates (filterable/sortable Attributes hinzufügen)
  • Re-Index-pflichtige Updates (primaryKey, fundamentale Tokenizer-Änderungen)
  • Convention: bei breaking-Schema-Change → neuer Index kb-articles-v2, parallel-betreiben, swap-via-feature-flag, dann alten löschen
  • Aktuell nicht in der Detail-MD — Implementer würde ad-hoc entscheiden.

Kein Phase-04-Blocker — kann nachgereicht werden, aber sollte vor Phase-07-Chatbot-V2 stehen.

8.2 Reindex-Strategy bei Embedding-Model-Wechsel (teilweise vorhanden)

Was vorhanden: embedding-pipeline.md Rollback-Strategy adressiert Dimension-Mismatch-Recovery: "alte Collection löschen, neue mit korrekter Dimension anlegen, rag:reindex triggern".

Was fehlt: Online-Migration ohne Downtime. Wenn ein Tenant von text-embedding-3-small (1536d) auf text-embedding-3-large (3072d) umsteigt, ist die obige Strategie destructive (Search liefert während Reindex 0 Hits oder veraltete Hits).

Empfehlung: Doku-File docs/features/rag.md (Step 12) sollte einen "Embedding-Model-Migration-Guide" enthalten:

  • Parallele Collection mit neuem Suffix anlegen
  • rag:reindex --collection=<new> befüllen
  • Atomic-Swap via Config-Flag
  • Alte Collection nach Verifikation löschen

Auch kein Phase-04-Blocker, aber für Chatbot-V2-Production wichtig.

8.3 Cost-Estimation pro Embedding-Operation (teilweise vorhanden)

Was vorhanden: embedding-pipeline.md Security-Notes "Cost-Guard (vorläufig): Worker hartcoded auf max 10k Embed-Calls pro Tenant pro Stunde, sonst Job-Stop mit Alert. Wird abgelöst sobald Quota-Enforcement aus Phase 05 verfügbar ist."

Was fehlt: Ex-ante Cost-Estimation. Wenn rag:reindex --tenant=all läuft, sollte das CLI vorab Token-Schätzung + Cost-Schätzung loggen ("Geschätzt: 12.4M Tokens × $0.02/M = $0.25 für OpenAI text-embedding-3-small. Continue? [y/N]"). Ist ein UX-Sicherheitsnetz gegen versehentliche Mega-Backfills.

Empfehlung: Step 11 (CLI-Backfill) sollte einen --dry-run und ein --confirm-Pattern enthalten, plus eine estimateBackfillCost-Funktion. Provider-Pricing pro 1M Tokens in einem pricing.ts-File (auch wenn nur Snapshot — wird durch AI-Cost-Tracking-Phase-05 ersetzt).

Kein Blocker, aber wäre ein günstiges Add-On.

8.4 Embedding-Cache (optional, nice-to-have)

Was fehlt: Idempotenz-Cache — bei rag.index-Event mit unverändertem text (gleicher SHA-256-Hash) re-embed unnötig. Spart Provider-Cost bei Webhook-Storms oder Update-Loops.

Empfehlung: embedding-pipeline.md Step 8 könnte einen Bullet ergänzen: "Vor Embed: Hash(text) gegen embedding_cache-Tabelle prüfen; bei Cache-Hit nur Vector-Store-Upsert mit gecached'tem Vector, kein Provider-Call". Optional, kann auch als Phase-05-Optimierung kommen.

9. Konsistenz mit Phase-03-Outputs

Phase 03 liefert (laut 00-execution-order.md):

  • prismaWrite-Client aus read-write-split.md → von vector-store.md (pgvector-Adapter) konsumiert ✔
  • Outbox aus outbox-pattern.md → von allen 3 Phase-04-Tasks konsumiert ✔
  • Worker-Queues aus worker-queues.md → worker-general-Service registriert Phase-04-Jobs ✔
  • Backup-CLI aus backup-cli.md → wird von vector-store.md Backup-Doku referenziert ✔

Keine Lücke. Keine Forward-Reference auf Phase-03-Items, die in Phase 03 noch nicht definiert sind (geprüft gegen execution-order Listings).

10. Konsistenz mit Phase-07-Konsument (Chatbot V2)

Alle drei Files erwähnen 07-chatbot/chatbot-v2.md als blockierten Konsumenten. Public-APIs die Chatbot V2 brauchen wird:

  • searchInIndex (Meilisearch, für strukturierte Filter-Searches) ✔
  • semanticSearch (Vector-Store, für Vektor-Retrieval) ✔ — oder besser direkt
  • retrieveRelevantContext (Embedding-Pipeline, RAG-Hauptpfad) ✔

Phase 04 liefert genau diese drei Endpoints. Konsistent.

11. Kleinere Nits

  • meilisearch.md Step 8 listet "Hot-Paths: KB-Article-Public-Search, CRM-Contacts-Filter, Rows-Search in Entities". Acceptance-Criteria-Liste enthält die gleichen drei. Outbox-Producer-Hooks in Step 7 listen aber fünf Services (KB-Articles, CRM-Contacts, Rows, Entities, Users). Done-Definition der Phase-README listet auch "Users". Frage: warum wird Users indexiert wenn es keinen User-Search-Hot-Path im Migrations-Step gibt? Vermutlich für Admin-Suche / Tenant-Member-Liste. Empfehlung: Step 8 ergänzen mit "User-Search in Admin-UI" oder klären dass User-Index nur indexiert wird ohne aktiven Read-Path-Switch (für Phase-08-CLI?).
  • vector-store.md Approach sagt "Eine Tabelle pro Collection: vec_<collection_name>". Implikation: bei vielen Collections viele Tabellen. Empfehlung: in docs/features/vector-store.md einen Hinweis ergänzen "Bei >50 Collections pro DB Performance prüfen (pg_catalog-Last)". Optional.
  • embedding-pipeline.md Step 5 Anthropic-Adapter als Placeholder mit clear-error-throw — sehr saubere Lösung. Empfehlung: Throw-Message sollte explizit auf Scaleway oder Aleph-Alpha als EU-Alternative verweisen, nicht nur "use other providers".
  • Phase-04-README Done-Definition Bullet "Tenant-Isolation-Test (positiv und negativ)": gut, dass beide Polaritäten verlangt werden — wird gerne in Reviews vergessen.

Fazit

Phase 04 ist solide spezifiziert und ausführungsreif. Drei Detail-MDs sind template-konform, intern + extern dependency-konsistent, technisch realistisch (HNSW/pgvector 0.5+, Meilisearch v1.8, Adapter-Pattern für Vector-Store), und mit ausreichender Test-Tiefe (Conformance-Suite gegen beide Vector-Adapter via testcontainers ist ein Highlight). Tenant-Isolation ist als Defense-in-depth implementiert (TS-Signatur + Wrapper-Pflicht + ESLint-Rule bei Meilisearch).

Hinweise (alle non-blocking):

  1. Meilisearch-Tenant-Tokens als Phase-11-Hardening explizit priorisieren
  2. pgvector HNSW-Default-Parameter (m=16, ef_construction=64) in Step 3 ausdokumentieren
  3. splitForEmbedding Provider-Aware-MaxTokens mit Safety-Margin in Step 7 ergänzen
  4. retrieveRelevantContext Score-Merge-Strategie (RRF empfohlen) in Step 10 explizit machen
  5. Code-Review-Guideline für Vector-Store-Adapter-Direct-Use auf ESLint-Rule-Niveau heben (Konsistenz mit Meilisearch)

Fehlende-Aspekte-Empfehlungen:

  1. SearchIndex-Versioning-Pattern (online vs reindex-required) in docs/features/search.md
  2. Embedding-Model-Migration-Guide (parallele Collection, atomic-swap) in docs/features/rag.md
  3. Cost-Estimation für rag:reindex --dry-run (UX-Sicherheitsnetz)
  4. (optional) Embedding-Cache via Text-Hash zur Idempotenz-Optimierung

Scaleway-Managed-Postgres + pgvector als Default-Pfad ist umgesetzt, aber Sichtbarkeit der Scaleway-Spezifika (Extension-Aktivierung out-of-band) ist im Detail vergraben — Empfehlung: in Phase-04-README einen Bullet hinzufügen.

Verdikt: APPROVE für Ausführungsstart. Hinweise und Fehlende-Aspekte können als Sub-Issues während der Implementation adressiert oder im Phase-Summary nachgereicht werden. Kein Re-Plan nötig.