server/docs/features/kunnskaps_bridge.md

Feature: Kunnskaps-Bridge (Cross-Workspace Discovery)

Filsti: docs/features/kunnskaps_bridge.md

1. Konsept

En valgfri, opt-in feature som lar brukere oppdage semantisk beslektet kunnskap på tvers av workspaces de har tilgang til. Bryter ikke workspace-isolasjonen — resultatet er en peker ("dette finnes i Podcast B"), ikke selve innholdet. Brukeren må ha tilgang til begge workspaces for å se treffet.

2. Avgrensning: Hva dette IKKE er

• Ikke datadeling. Ingen data kopieres mellom workspaces. Bridge viser kun at en relevant node finnes.
• Ikke automatisk. Begge workspaces må ha Bridge eksplisitt aktivert av en admin.
• Ikke synlig for gjester. Kun for workspace-medlemmer med tilgang til begge sider.
• Ikke et søk i andres data. Du ser bare treff i workspaces du allerede er medlem av.

3. Teknisk arkitektur

3.1 Vector Embeddings (pgvector)

Krever pgvector-extension i PostgreSQL:

CREATE EXTENSION IF NOT EXISTS vector;

ALTER TABLE actors ADD COLUMN embedding vector(768);
ALTER TABLE topics ADD COLUMN embedding vector(768);
ALTER TABLE factoids ADD COLUMN embedding vector(768);

CREATE INDEX idx_actors_embedding ON actors USING ivfflat (embedding vector_cosine_ops);
CREATE INDEX idx_topics_embedding ON topics USING ivfflat (embedding vector_cosine_ops);
CREATE INDEX idx_factoids_embedding ON factoids USING ivfflat (embedding vector_cosine_ops);

3.2 Embedding-generering (generate_embeddings)

En jobbkø-jobb som genererer embeddings for nye/endrede noder:

1. Rust-worker plukker opp jobben fra jobbkøen.
2. Bygger en tekst-representasjon av noden (navn, body, tilknyttede faktoider).
3. Sender til AI Gateway (sidelinja/rutine) for embedding-generering.
4. Lagrer vektoren i pgvector-kolonnen.
5. Re-genereres ved vesentlige endringer av noden.

3.3 Cross-workspace søk

Når en bruker utforsker en node (f.eks. Tema "Skolepolitikk"):

1. SvelteKit server-side henter brukerens tilgjengelige workspaces fra workspace_members.
2. Kjører et similarity-søk med <=> (cosine distance) som superuser (bypasser RLS) — men filtrerer eksplisitt mot brukerens workspace-liste:

   SELECT n.workspace_id, t.name, t.embedding <=> $target_embedding AS distance
   FROM topics t
   JOIN nodes n ON t.id = n.id
   WHERE n.workspace_id = ANY($user_workspace_ids)
     AND n.workspace_id != $current_workspace_id
     AND t.embedding <=> $target_embedding < 0.3
   ORDER BY distance
   LIMIT 10;
   

3. Resultatet vises som en diskret "Finnes også i..."-seksjon i UI-et.

3.4 Workspace-config

Bridge aktiveres per workspace i workspaces.settings:

{
  "bridge_enabled": true,
  "bridge_discoverable": true
}

• bridge_enabled — workspace kan søke i andre workspaces
• bridge_discoverable — andre workspaces kan finne noder i dette workspace-et

Begge må være true for at en kobling skal vises.

4. Dataklassifisering

Data	Kategori	Detaljer
Embedding-vektorer	Avledet (PG)	Kan regenereres fra nodeinnhold

5. Instruks for Claude Code

• pgvector er en ny avhengighet — dokumenter i docker-compose og setup-guides.
• Cross-workspace søk er det eneste stedet i systemet der bruker-initierte handlinger bypasser RLS. Isolér denne koden grundig — egen funksjon med eksplisitt workspace-filtrering, aldri gjenbruk i andre kontekster.
• Embedding-dimensjon (768) bør matche modellen som brukes. Konfigurér som konstant, ikke hardkod overalt.
• Jobbtype generate_embeddings bruker sidelinja/rutine som modellalias.
• Bridge er Lag 4+ — krever fylt kunnskapsgraf i minst to workspaces.