Architektur-Update: KRITIS-konformes Wissensmanagement via Qdrant & MCP

In der Entwicklung autonomer A²MDM-Agenten (Automated Asset Master Data Management) stoßen wir immer wieder auf dieselbe zentrale Herausforderung: Wie stellen wir sicher, dass KI-Modelle hochsensibles Fachwissen aus dem Netzbetrieb nutzen können, ohne unsere KRITIS-Compliance (Kritische Infrastrukturen) zu gefährden?

Heute haben wir die Indizierung unseres Cernion Wissensmanagements weiter optimiert und unsere Architektur für die Anbindung der Qdrant Vektor-Datenbank finalisiert.

🛡️ Die Architektur: Isolation durch MCP-Wrapper

KI-Agenten erhalten bei Cernion niemals direkten Zugriff auf unsere internen Datenbanken. Um externe LLM-Aufrufe strikt von der internen Datenhaltung (Qdrant) zu trennen, nutzen wir das Model Context Protocol (MCP) als isolierende Zwischenschicht.

Der Datenfluss ist klar definiert:

Agent: Stellt eine semantische Suchanfrage.
MCP Client Wrapper: Kapselt die Anfrage und sendet sie an unser Backend.
Cernion Energy Tools (Backend): Prüft die Berechtigung und übersetzt die Suchanfrage.
Qdrant Service (Intern): Führt die Vektorsuche auf der geschützten Collection (cernion_knowledge_v1) durch.

Das bedeutet: Das Cernion Backend fungiert als Gatekeeper. Es gibt nur einen definierten Einsprungpunkt für öffentliche Daten/Anfragen, der nach innen zu Qdrant geroutet wird. So bleibt die Vektor-Datenbank im komplett geschützten Netzwerkbereich.

🧠 Intelligente Vektor-Payloads (v2 Prompting)

Eine Vektor-Datenbank ist nur so schlau wie die Daten, die wir ihr geben. Wir haben unseren Ingestion-Prozess (aktuell betrieben durch Qwen2.5:7b) massiv aufgerüstet. Anstelle von reinem Text enthalten unsere Vektoren nun stark strukturierte Metadaten für das RAG-System (Retrieval-Augmented Generation):

Open Energy Ontology (OEO): Explizites Tagging (z. B. ceo:OperatingExpenditure), um das Wissen domänenspezifisch greifbar zu machen.
Juristische Verankerung: Extrahierte Paragrafen (z. B. §21a EnWG) hängen direkt am Vektor.
Kognitive Extraktionslevel: Wir speichern nicht nur Rohtext (L0), sondern generieren synthetische Wenn-Dann-Regeln (L1_Rule) und hypothetische Fragestellungen (L2_HyDE).

Wenn das BNetzA beispielsweise die Festlegung zur OPEX-Anpassung veröffentlicht, generiert die Pipeline automatisch die Regel: "Wenn die OPEX-Anpassung in der fünften Regulierungsperiode erfolgt, dann wird sie direkt über den eigenen Summanden in der Regulierungsformel ermittelt (vgl. §21a EnWG)."

Mit dieser Architektur sind unsere Cernion Agenten nicht nur sicher vom Kernnetz getrennt, sondern greifen im Millisekundentakt auf extrem dichtes, regelbasiertes Branchenwissen zu.