synops/docs/features/kunnskaps_bridge.md

Feature: Kunnskaps-Bridge (Cross-Context Discovery)

Filsti: docs/features/kunnskaps_bridge.md

NB: Dette dokumentet er en skisse fra v1 og må oppdateres til node/edge-modellen ved implementering.

1. Konsept

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

2. Avgrensning: Hva dette IKKE er

• Ikke datadeling. Ingen data kopieres mellom samlings-noder. Bridge viser kun at en relevant node finnes.
• Ikke automatisk. Begge samlings-noder må ha Bridge eksplisitt aktivert av en admin.
• Ikke synlig for gjester. Kun for brukere med tilgang til begge samlings-nodene.
• Ikke et søk i andres data. Du ser bare treff i samlings-noder du allerede har tilgang til.

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-context søk

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

1. SvelteKit server-side henter brukerens tilgjengelige samlings-noder fra node_access-matrisen.
2. Kjører et similarity-søk med <=> (cosine distance), filtrert mot brukerens tilgjengelige noder:

   SELECT na.node_id, e.name, e.embedding <=> $target_embedding AS distance
   FROM entities e
   JOIN nodes n ON e.id = n.id
   JOIN node_access na ON n.id = na.node_id
   WHERE na.user_id = $current_user
     AND n.id != $current_node_id
     AND e.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 Samlings-node config

Bridge aktiveres per samlings-node i nodens metadata (JSONB):

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

• bridge_enabled — samlings-noden kan søke i andre samlings-noder
• bridge_discoverable — andre samlings-noder kan finne noder under denne

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-context søk bruker node_access-matrisen for tilgangsstyring. Isolér denne koden grundig — egen funksjon, 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 samlings-noder.