docs/novaberg-node-salience.md

Rama master · réplica de lectura del repositorio original.

# Novaberg — Node: Salienz

**Projekt:** Novaberg — The Nova Anima Resonance System
**Dokument:** Pipeline-Node Salienz (Bewertung & Gedächtnisbildung)
**Stand:** 15. Oktober 2026, 01:33 UTC (`date -u`; Intentionstabelle: `bestaetigung` in der Schreibweise des Kanons). Davor 9. September 2026, 18:45 UTC (**der HumanGraph-Boost fuellt auf statt zu addieren** — `neu = basis + term x (1 - basis)`; die Bewertung des Modells wird verschoben statt ausgeloescht, gerechnet 5 statt 307 exakte Einsen. `GRAVITATIONSTERM-OHNE-OBERGRENZE` behoben). Davor 1. September 2026, 16:50 UTC (`zielsog_roh` als Eingang, §6: Novas eigener Zielsog zieht die Salienz ihrer Aeusserung, statt im `max()` zu konkurrieren). Davor 23. August 2026 (`salienz.rules` und `salienz_segment.rules` haben einen Override; er lud bis zum 23.08.2026 nicht, weil nach Connector statt nach Modell geschluesselt wurde). Davor: 27. Juli 2026, Chat 112 (Salienz-Formel, Rollen-Switch am System-Prompt)
**Pfad:** novaberg/docs/novaberg-node-salience.md
**Quellen:** nova-01-m-g.md (Node-Beschreibung), nova-02-t-b.md (Salienz-Technik)

---

## 1. Aufgabe

Salienz ist Novas Aufmerksamkeitsfilter — das Äquivalent zur menschlichen Amygdala. Sie bewertet: Was ist speicherwürdig? Sie extrahiert Themen, Emotionen und Intentionen. Sie schreibt `pending_writes` mit `ziel: "kzg"`, die der Dispatcher an den KZG-Agent verteilt.

> **Kognitionswissenschaftliche Analogie:** Die Amygdala im menschlichen Gehirn filtert eingehende Reize nach emotionaler Bedeutsamkeit. Hochsaliente Reize (Gefahr, Freude, Überraschung) werden bevorzugt verarbeitet und besser enkodiert. Novas Salienz-Score bildet diesen Filtermechanismus als numerischen Wert (0.0–1.0) nach.

**Reiner Entscheider.** Die Salienz schreibt nichts in die Datenbank. Alle Ergebnisse fließen über `pending_writes` → Dispatcher → KZG-Agent. Das ist das Entscheider/Arbeiter-Prinzip (A1.1). Die Salienz bewertet OB — der KZG-Agent entscheidet WAS (kern-Erzeugung, Embedding, Store).

**Datei:** `graph/nodes/salience.py`

---

## 2. Position im Graph

```
HumanGraph (Pfad 1, 5 Nodes):
perzeption → enricher → ei_calc → ▶ salience ◀ → dispatcher

CharacterGraph (Pfad 2, 17 Nodes):
db_zugriff → ei_calc → enricher → reducer → router → planner → agent_dispatch
          → gv_node → responder → thinker → tribunal → evaluate → corrector
          → perzeption_assistant → ei_calc_persist → ▶ salience ◀ → dispatcher
```

Seit Chat 60 wieder Teil beider Graphen (HumanGraph und CharacterGraph). Nicht mehr asynchron.

**Nach dem Tribunal (CharacterGraph):** Nur geprüfte und freigegebene Antworten werden für die Gedächtnisbildung bewertet — der State, mit dem die Salienz arbeitet, ist der State nach dem ok-Verdikt. Verhindert, dass fehlerhafte oder ethisch fragwürdige Inhalte im Gedächtnis landen.

**GPU-LLM-Call (`graph_run_lock`):** Wird pro Call erworben, nicht pro Graph-Durchlauf.

> **Umbenannt am 25.08.2026: `llm_lock` heisst jetzt `graph_run_lock`.** Der Name sagte *Sperre vor dem Sprachmodell* und meinte *ein Graphenlauf zur Zeit*; seit dem Vormittag desselben Tages traegt `services/llm_riegel.py` den echten Modell-Riegel, und die Verwechslung waere teuer geworden.

### Salienz als Gedächtnis-Weiche

Der Salienz-Score bestimmt, welchen Weg eine Information durch das Gedächtnis nimmt:

```
User-Eingabe
    │
    ▼
Salienz-Bewertung (0.0 – 1.0)
    │
    ├── < 0.5 ──────────── Ignoriert. Kein KZG-Eintrag.
    │
    ├── 0.5 – 0.7 ──────── KZG mit TTL 7 Tage.
    │                       Kein Shadow-Queue-Eintrag.
    │                       Verblasst in einer Woche wenn nicht verstärkt.
    │
    └── ≥ 0.7 ─────────── KZG mit TTL 30 Tage.
                            + Promotion-Queue (→ LZG via Pixie)
                            + Shadow-Queue (→ Recherche/Vertiefen/Nachfragen)
                            + hash_dirty Flag (→ Charakter-Hash-Destillation)
```

**Drei Konsequenzen eines hohen Scores (≥ 0.7):**
1. **Langfristiges Gedächtnis:** Der Eintrag wird ins LZG promoviert, wo er über Monate und Jahre bestehen kann.
2. **Proaktives Denken:** Pixie bekommt einen Auftrag — recherchieren, vertiefen oder einfühlsam nachfragen.
3. **Persönlichkeitsbildung:** Der Charakter-Hash wird als „dirty" markiert und bei nächster Gelegenheit neu destilliert.

---

## 3. Dimensionen & Bewertung

### 3.1 Extrahierte Dimensionen

Pro Segment extrahiert die Salienz 10 Dimensionen — nicht nur den Score (verifiziert gegen `prompts/default/salienz.task.txt`):

| # | Dimension | Beschreibung |
|---|-----------|-------------|
| 1 | **Themen** | Sachliche Themen als Stichwort-Liste |
| 2 | **Emotionen** | Explizite + implizite Signale, Valenz (positiv/negativ/neutral) |
| 3 | **Salienz-Score** | Float 0.0–1.0 (siehe Skala unten) |
| 4 | **Gedächtnistyp** | `kurz` (einmalig, situativ) oder `lang` (wiederkehrend, Persönlichkeit) |
| 5 | **Dimension** | kognition / emotion / werte / interessen / kommunikation / kontext |
| 6 | **Intentionen** | 1–3 aus 16 Kategorien (primäre zuerst) |
| 7 | **Emotion** | Einzelne Emotion für diesen Turn |
| 8 | **Modus** | Gesprächsrahmen (fachgespraech, alltag, emotional, ...) |
| 9 | **entitaeten_roh** | Liste von Eigennamen (Synapsen P3) — Roh-Strings, Pronomen ausgeschlossen. Die Resolution zu `entitaet_ids` geschieht nicht hier, sondern im `magnete_aufloesen`-Node des KzgAgent. |
| 10 | **zeitausdruck_roh** | Ein Zeitausdruck pro Segment (Synapsen P3) — Roh-String. Die Resolution zu `timeline_id` (ggf. mit Anlage eines `erinnerungs_anker`) geschieht im `magnete_aufloesen`-Node. |

**Entfernte Dimensionen (historischer Kontext, warum nur 10 statt 12+):**

- „Zusammenfassung" (jetzt `kern` im KZG-Agent — `agents/kzg/verdichtung.py`, Chat 29)
- „Fakten-Tripel" (vorübergehend deaktiviert, kommt über WissensAgent, Chat 28)
- „Temporaler Fakt" (läuft über TimelineAgent, Chat 28)

### 3.2 Bewertungsskala

**Seit Chat 112 gibt es drei Skalen, eine je Lage** — sie stehen in den drei Aufgaben-Blöcken (§4.0). Die Skala einer Nutzeräußerung passt nicht auf Novas eigene: Ganz oben steht dort die Krise, hier die Einsicht, die ihr selbst aufgeht.

**Nutzeräußerung** (`salienz.task`) — die Bestandsskala:

| Bereich | Bedeutung | Beispiele | Aktion |
|---------|-----------|-----------|--------|
| 0.0–0.2 | Beiläufig | „Hallo", „Okay", „Danke" | Nichts (unter Schwellwert) |
| 0.3–0.4 | Informativ | „Was ist Photosynthese?", „Wie wird das Wetter?" | KZG (7 Tage) |
| 0.5–0.6 | Moderates Interesse | „Ich war gestern wandern", „Gutes Buch gelesen" | KZG (14 Tage) |
| 0.7–0.8 | Starke Relevanz | „Ich liebe Astronomie!", „Anna wohnt in München" | KZG (30 Tage) + Promotion + Shadow |
| 0.9–1.0 | Maximale Dringlichkeit | „Ich kann nicht mehr!", Notfall, akute Krise | KZG (30 Tage) + Promotion + Shadow |

**Novas Antwort** (`salienz.assistant_task`) — bewertet wird, was von *ihrem* Satz bei ihr hängenbleiben soll, nicht wie wichtig dem Nutzer sein Anliegen war:

| Bereich | Bedeutung |
|---|---|
| 0.8–1.0 | Eine Einsicht, die ihr selbst aufgeht; ein Zusammenhang, den sie zum ersten Mal sieht |
| 0.8–0.9 | Eine Zusage, ein Vorsatz, eine Festlegung |
| 0.7–0.9 | Eine Aussage über sich selbst: Zustand, Wollen, Haltung, Zuwendung |
| 0.5–0.7 | Substanzieller Sachgehalt, den sie beigetragen hat |
| 0.4–0.6 | Eine Rückfrage, die das Gespräch weitertreibt |
| 0.2–0.3 | Wiedergabe dessen, was der Nutzer sagte, ohne eigenen Beitrag |
| 0.1–0.2 | Bloße Bestätigung, Höflichkeit, Meta-Bemerkung über das Gespräch |

**Novas eigener Gedanke** (`salienz.impuls_task`) — ein Impuls, den sie niemandem gesagt hat:

| Bereich | Bedeutung |
|---|---|
| 0.8–1.0 | Eine Erkenntnis, die ihr Bild von etwas verändert |
| 0.7–0.9 | Eine offene Frage, die sie weiterverfolgen will; eine neue Verbindung zwischen zwei Dingen |
| 0.5–0.7 | Ein neuer Sachgehalt: Zahl, Mechanismus, belegter Zusammenhang |
| 0.1–0.3 | Wiederholung von Bekanntem; Formulierungsvariante ohne neuen Gehalt |

**Diese Skala ist nur noch der eine von vier Antrieben des Eigen-Pfads.** Was am Ende im KZG steht, entscheidet die Formel `max(salienz_human × nutzer_gewichtung, salienz_charakter)` — siehe `novaberg-salienz-berechnung_k.md`. **Seit dem 01.09.2026 zieht Novas eigener Zielsog zusätzlich daran** (§4a dort): Er konkurriert nicht mehr im `max()`, wo er in 4 von 2786 Zeilen entschied, sondern schließt einen Teil der Lücke nach oben.

### 3.3 Emotionale Verstärker

Das LLM wird angewiesen, auf explizite emotionale Signale zu achten:

| Signal | Boost |
|--------|-------|
| Ausrufezeichen (!) | +0.1 |
| Großbuchstaben (WIRKLICH, TOTAL) | +0.1 |
| Intensivierer („total", „absolut", „unbedingt") | +0.1 |

### 3.4 Fakten-Mindest-Salienz (O2)

Neue Informationen über konkrete Personen (Namen!), Orte, Beziehungen, Wohnorte, Arbeitsplätze oder Familienmitglieder → **mindestens 0.70**, auch wenn sachlich und ohne Emotion formuliert. „Anna wohnt in Nürnberg" = 0.70, nicht 0.30.

> **Verankert im Prompt, nicht als Python-Fallback:** Die Regel steht explizit als Bewertungsanweisung — seit Chat 112 in ~~`salienz.rules.txt`~~ **[`prompts/default/salienz.task.txt`](novaberg/server/prompts/default/salienz.task.txt)**, weil die Skala mit dem Rollen-Switch aus den Regeln in den Lage-Block gewandert ist („… -> mindestens 0.70, auch wenn sachlich und ohne Emotion formuliert"). Es gibt keine nachgelagerte Python-Korrektur — wenn das LLM trotz Prompt-Regel unter 0.70 bewertet, bleibt dieser Score bestehen. → `novaberg-node-salience_l.md`
>
> **Gilt nur für die Nutzerlage.** Die beiden Nova-Blöcke tragen diese Regel nicht: Ein Name in *ihrer* Antwort ist meist einer, den er gerade genannt hat, und der steht dann schon auf seiner Seite im Gedächtnis.

### 3.5 Intention → Shadow-Aufgabe

Die Salienz extrahiert nicht nur den Score, sondern auch Intentionen. Die primäre Intention bestimmt, welchen Auftrag Pixie bekommt:

| Intention | Shadow-Aufgabe | Beschreibung |
|-----------|---------------|-------------|
| `recherche_vertiefen`, `reflexion`, `gemeinsam_eruieren` | `recherche` | Breite Wissenssammlung |
| `information_teilen` | `vertiefen` | Gezielt tief, Lücken füllen |
| `information_erfragen` | `recherche` | Antwort vorbereiten |
| `emotionaler_ausdruck`, `hilferuf` | `nachfragen` | Einfühlsame Rückfrage |
| `smalltalk`, ~~`bestätigung`~~ `bestaetigung` (Schreibweise des Kanons, in `memory/kzg.py` berichtigt am 15.10.2026), `abschluss`, `humor`, ... | — | Keine Shadow-Aufgabe |

---

## 4. Prompt-Aufbau

**Zwei Switches, nicht einer.** Das wird leicht verwechselt:

| Switch | Betrifft | Seit |
|---|---|---|
| **System-Prompt** (§4.0) | Welche *Aufgabe und Skala* das Modell bekommt | Chat 112 |
| **Nutzer-Nachricht** (§4.1) | Welcher *Text* Bewertungsobjekt und welcher Lagebild ist | Chat 110 |

Bis Chat 112 gab es nur den zweiten. Der Text wurde korrekt getauscht, die Anweisung darüber nicht — der System-Prompt war durchgehend aus der Nutzerperspektive geschrieben und wies an, „ausschließlich anhand der EINGABE DES NUTZERS" zu bewerten. Im CharacterGraph steht die Nutzereingabe im Lagebild: **Die Anweisung war exakt invertiert** (`SALIENZ-PROMPT-NUTZER-SCHABLONE`).

### 4.0 Rollen-Switch am System-Prompt (Chat 112)

`_build_salienz_prompt(graph_rolle)` setzt vier Blöcke zusammen und gibt **Prompt und Blocknamen als Paar** zurück:

```
[IDENTITAET]  — rollenneutral
<Aufgaben-Block>  — einer von drei, siehe Tabelle
[DIMENSIONEN] — rollenneutral: die zehn Felder und das Antwortformat
[REGELN]      — rollenneutral: Ausgabeformat + „bewerte ausschließlich das [BEWERTUNGSOBJEKT]"

> **`salienz.rules` und `salienz_segment.rules` haben einen Override.** Unter dem antwortenden GPU-Modell laedt `prompts/gemma4-gpu/` ueber den Default und traegt dort **nur** die verschaerften Ausgaberegeln. Bis zum 23.08.2026 lud er gar nicht — das Override-System schluesselte nach Connector, der Gespraechspfad haengt aber am Modell (`OVERRIDE-NACH-CONNECTOR-STATT-MODELL`). Der Befund von Chat 112, dass die nutzerkalibrierte Skala **zweimal** auf der Platte lag, betraf genau dieses Verhaeltnis.
```

| `graph_rolle` | Aufgaben-Block | Lage |
|---|---|---|
| `human` | `salienz.task` | Der Nutzer hat gerade etwas gesagt |
| `character` | `salienz.assistant_task` | Nova hat eben geantwortet |
| `agent` | `salienz.impuls_task` | Ein Gedanke ist ihr gekommen, gesagt hat sie ihn niemandem |

Vorbild ist `_build_verdichtung_prompt`, wo Chat 110 dieselbe Klasse eine Ebene tiefer behoben hat: **Ein Beispiel schlägt eine Anweisung**, also müssen die Beispiele in der Person und der Situation stehen, die sie meinen.

**Warum drei Blöcke und nicht zwei.** Der Assistenten-Block rahmt den Text als „sie hat gerade geantwortet" und verweist auf ein Lagebild. Für einen Impuls stimmt beides nicht. Das Subjekt ist in beiden Fällen Nova, die Lage nicht.

**Warum die Dimensionen geteilt bleiben.** Sie sind eine Checkliste, keine Beispiele. Drei Kopien von hundert Zeilen liefen beim nächsten Feld auseinander; nur Lage und Skala hängen an der Rolle.

**Die Regeln nennen den Block, nicht die Person.** *„Bewerte ausschließlich das [BEWERTUNGSOBJEKT]"* ist rollenneutral formulierbar — damit ist die Inversion strukturell nicht mehr aussprechbar. Der alte Satz lag zweimal auf der Platte, auch im `gemma4`-Override, der wegen des Ausgabeformats existiert und die ganze Nutzer-Skala mitgeschleppt hatte.

**Das Paar aus Rückgabewert ist kein Zierat.** Der Blockname wird in die `switch`-Zeile des `pipeline_log` geschrieben. Würde der Aufrufer ihn erneut aus der Rolle ableiten, hingen Protokoll und Prompt an zwei getrennten Ableitungen — und das Log könnte eine Schablone melden, die nie gezogen wurde. Genau das ist in der ersten Fassung passiert und hat eine Gegenprobe grün bleiben lassen (`novaberg-lesson_l_log-behauptet-was-es-weiss.md`).

### 4.1 Lagebild / Bewertungsobjekt ([BLOCKNAME]-Schema)

Der Prompt-Aufbau folgt der Kontaminations-Trennung ([BLOCKNAME]-Schema seit Chat 27) und ist gespiegelt je nach ~~`ei_calc_rolle`~~ **`graph_rolle`** *(korrigiert Chat 110)*:

**Drei Lagen, nicht zwei.** Nur der CharacterGraph bewertet eine **Reaktion** — er ist der einzige Graph mit Responder. HumanGraph und AgentGraph bewerten beide einen **Reiz**; sie unterscheiden sich darin, von wem er stammt. Hing der Switch an `ei_calc_rolle`, landete der AgentGraph im Reaktions-Zweig, weil er `"character"` traegt (fuer `beobachter="assistant"`) — und bewertete eine `response`, die er nie erzeugt. Gemessen 26.07.2026: `bewertungs_laenge=0` in jedem AgentGraph-Lauf, das Wissensstueck lag ungelesen im Lagebild; ein Fachtext ueber Quark-Gluon-Plasma wurde als „Soziale Interaktion, Begruessung" abgelegt.

**Leeres Bewertungsobjekt bricht laut ab** *(Chat 110)*. Kein LLM-Call, kein `pending_write`, ein `logger.error`. Vorher klassifizierte das Modell in diesem Fall das Lagebild oder erfand Themen.

#### AgentGraph (`graph_rolle="agent"`, seit Chat 110)

Novas entstehender Gedanke wird bewertet, **kein Lagebild** — es gibt kein Gegenueber, auf das er antwortet, und die leere `response` als Hintergrund waere eine Behauptung ueber etwas, das nicht stattgefunden hat. Label: „Eigener Gedanke der Assistentin".

#### HumanGraph (`rolle="user"`)

User-Turn wird bewertet, Nova-Antwort (falls vorhanden) als Lagebild.

```
[LAGEBILD]
Hintergrund — nicht bewerten. Dies ist die Antwort des Assistenten.
{response}

[BEWERTUNGSOBJEKT]
Analysiere und bewerte NUR den folgenden Teil.
Eingabe des Nutzers: {segment}
```

Im HG ist `state["response"]` typischerweise leer — der Lagebild-Block entfällt dann komplett, nicht nur das Label wechselt.

#### CharacterGraph (`rolle="character"`)

Nova-Antwort wird bewertet, User-Prompt als Lagebild.

```
[LAGEBILD]
Hintergrund — nicht bewerten. Dies ist die Eingabe des Nutzers.
{user_prompt}

[BEWERTUNGSOBJEKT]
Analysiere und bewerte NUR den folgenden Teil.
Antwort der Assistentin: {segment}
```

**Bewertungsobjekt zuletzt:** Das zu bewertende Segment steht am Ende des Prompts — nutzt den Recency Bias des LLM. Der gegenüberliegende Akteur steht im Lagebild oben: kontextgebend, aber nicht dominant.

> **Lesson gelernt (Chat 3):** Ohne Trennung mittelte die Salienz über den gesamten Turn. „Ich bin total überfordert!" (kurz, emotional) + Novas Antwort (200 Wörter, sachlich) = Salienz 0.40 statt 0.70. Die Trennung + ~~die explizite Anweisung „bewerte nur die Eingabe des Nutzers"~~ löste das Problem. → `novaberg-node-salience_l.md`
>
> **Nachtrag Chat 112 — die zweite Hälfte hat sich gegen sich selbst gewendet.** Die Trennung gilt weiter und war nie das Problem. Die Anweisung dagegen wurde **nie an die Rolle angepasst**: Sie stand auch dann noch im Prompt, als der CharacterGraph längst Novas Antwort bewertete — und wies dort auf das Lagebild. Was in Chat 3 eine Lösung war, ist zwei Graphen später der Defekt geworden. Sie heißt jetzt rollenneutral „bewerte ausschließlich das [BEWERTUNGSOBJEKT]" und kann damit nicht mehr auf den falschen Text zeigen.
>
> Die Klasse dahinter ist eigenständig: **Eine Anweisung, die eine Rolle voraussetzt, ohne sie zu nennen, überlebt die Einführung der zweiten Rolle unbemerkt.** Sie war weiterhin wahr für den Graphen, für den sie geschrieben wurde.

### 4.2 Plugin-Erweiterungen via salienz_prompt

Der Salienz-Prompt kann durch Plugin-Konfiguration (`salienz_prompt`) um zusätzliche Dimensionen oder Bewertungsregeln erweitert werden. Die Basis-Dimensionen bleiben stabil; Erweiterungen werden additiv eingefügt.

---

## 5. Multi-Intent-Segmentierung (I11)

Multi-Intent-Prompts werden vor der Analyse in semantische Einheiten zerlegt. Jedes Segment bekommt eine eigene Salienz-Analyse mit eigenen Intentionen, Emotionen und Fakten-Extraktionen. Der Responder beantwortet weiterhin den ganzen Prompt.

**Beispiel:** „Meine Schwester Anna hat einen Birnenbaum. Weißt du, was Birnen kosten?"

→ Segment 1: „Meine Schwester Anna hat einen Birnenbaum" → Salienz 0.75 (Person + Besitz)
→ Segment 2: „Weißt du, was Birnen kosten?" → Salienz 0.35 (Wissensfrage, keine Emotion)

Ohne Segmentierung würde der Durchschnitt bei ~0.55 liegen — Segment 1 zu niedrig bewertet, Segment 2 zu hoch.

**Schutz gegen Cross-Contamination:** `segment_hinweis` im Analyse-Prompt verhindert, dass Segment 1 auf Inhalte aus Segment 2 referenziert.

**Optimierung:** Kurze Prompts (< 60 Zeichen oder kein Punkt) werden nicht segmentiert.

---

## 6. Output: pending_writes

### 6.1 Entscheider/Arbeiter-Trennung

Die Salienz entscheidet *was* gespeichert wird. Sie führt *nichts* aus. Alle Ergebnisse fließen als `pending_writes` an den Dispatcher, der sie an die Manager verteilt. Kein Node hat gleichzeitig Bewertungs- und Schreibverantwortung.

### 6.2 Geschriebene State-Felder

| State-Ziel | Typ | Bewusst flach? | Beschreibung |
|---|---|---|---|
| `pending_writes` | list[PendingWrite] | n.a. (Brücken-Datenstruktur) | Ergänzt um KZG-Writes (`ziel: "kzg"`). Keine Fakten- oder Timeline-Writes mehr. |
| `token_total` | int | n.a. (Counter, kein Personality-Wert) | Aufaddiert |
| `salienz_human` | float \| None | ja (Einzelwert ohne Verbund) | **Nur im HumanGraph** *(Chat 112)*. Maximum über die Segmentwerte der Nutzeräußerung, **vor** dem Gravitationsboost. Reist über das Event-Payload in den CharacterGraph. `None` heißt „keine Nutzeräußerung" (AgentGraph, eigener Impuls) und ist von einer echten `0.0` zu unterscheiden. Gesetzt wird es hier und nicht vom Aufrufer aus den `pending_writes` — der Dispatcher läuft als letzter Node und leert sie |

### 6.3 Gelesene State-Felder

| State-Quelle | Typ | Beschreibung |
|---|---|---|
| `graph_rolle` | str | Input-Switch *(seit Chat 110)*: `"character"` → Nova-Antwort bewerten, `"human"` und `"agent"` → Reiz bewerten. Default `"human"` |
| ~~`ei_calc_rolle`~~ | str | ~~Input-Switch~~ — steuert die Salienz **nicht** mehr; bleibt fuer EI-Calc, `beobachter` und den Pixie-Sonderfall in `db_zugriff` |
| `user_prompt` | str | Bewertungsobjekt (HG) bzw. Lagebild (CG) |
| `response` | str | Bewertungsobjekt (CG) bzw. (leeres) Lagebild (HG). Im AgentGraph nie gesetzt — er hat keinen Responder |
| `gravitationsterm` | float | Im HumanGraph weiterhin Salienz-Boost. Für `character`/`agent` seit Chat 112 **einer der Antriebe des Eigen-Pfads**, kein Zuschlag mehr — sonst zählte er zweimal. ~~**⚠ Ohne Obergrenze, gemessen am 09.09.2026:**~~ → **normiert am selben Tag.** Er war die Summe über alle aktivierten Ziele und erreichte **5,9955**; im Boost trugen **277 von 498** Zeilen einen Term ≥ 1,0 (die Salienz stand danach immer auf 1,0, während die Bewertung des Modells im Mittel bei 0,327 lag), im Eigen-Pfad gewann er das `max()` in 214 von 721 Fällen. **Seither liefert `gravitationsterm_berechnen` einen Wert in [0, 1]** (`sin^0.5`, Cap 6,0 aus der gemessenen Spanne), und der HumanGraph-Boost **füllt auf statt zu addieren**: `neu = basis + term × (1 − basis)`. `GRAVITATIONSTERM-OHNE-OBERGRENZE` |
| `zielsog_roh` | float | Die stärkste **ungetorte** Zielstärke des Turns, seit 01.09.2026. Sie steht **nicht** im `max()` der Antriebe, sondern zieht das Ergebnis auf die Lücke nach oben: `gezogen = antrieb + β(sog) × sog × (1 − antrieb)`. Der Knoten liest sie über `_formel_aus_dem_state` — eine eigene Naht, damit die Verdrahtung bezeugbar ist. Herleitung in `novaberg-salienz-berechnung_k.md` §4a |
| `salienz_human` | float \| None | *(Chat 112)* Im CharacterGraph aus dem Event-Payload; Operand des Pflicht-Pfads. Im HumanGraph selbst geschrieben, nicht gelesen |
| `internal` | InternalPersonality | *(Chat 112)* `internal.emotion.arousal` speist den Erregungs-Zuschlag `(1 + z)`. Fehlt die Klasse, ist der Zuschlag **0.0** und nicht etwa 0.5 — ein erfundener Mittelwert trüge 15 % auf jedes Segment |
| `pending_writes` | list[PendingWrite] | Akkumulator (read-modify-write) |
| `token_total` | int | Token-Counter (read-modify-write) |

~~**Was Salience bewusst NICHT liest:** Memory-Daten, Charakter-Daten, Personality-Klassen-Felder. Salience bewertet ausschließlich den Text plus den Drive-Term. Das ist Designprinzip — Bewertung soll text-immanent erfolgen, nicht durch Charakter-Kontext gefärbt werden.~~

**Überholt seit Chat 112 — und zwar als Entscheidung, nicht als Drift.** Der Node liest jetzt beides: `internal.emotion.arousal` aus der Personality-Klasse und `nutzer_gewichtung` aus `charakter_hash` (über `memory/charakter.py`, einmal je Turn vor der Segmentschleife). Das Prinzip „text-immanent, nicht durch Charakter-Kontext gefärbt" ist genau das, was die Salienz-Formel aufhebt: Wie stark Nova aufnimmt, was der Nutzer sagt, **soll** aus ihrem Charakter folgen und nicht aus einer Einstellung.

Der zutreffende Kern des alten Satzes bleibt: **Memory-Daten liest die Salienz weiterhin nicht.** Kein KZG-, kein LZG-Zugriff, keine Erinnerungen. Gelesen wird der Charakter des Paares — eine Eigenschaft, kein Inhalt.

Gelesen wird die Zeile `(ASSISTANT_USER_ID, user_id)`: **Novas** Zuwendung zum Nutzer. Die Gegenzeile trägt dieselben Spaltennamen und ist seine Zuwendung zu ihr; wer sie läse, bekäme die Gewichtung auf dem Kopf.

### 6.4 Session-Turn-Annotation

Die Salienz löst keine Session-Turn-Annotation mehr aus. ~~Diese Aufgabe übernimmt der KZG-Agent (`agents/kzg/dispatch.py`).~~ **Überholt:** Sie ist vom KZG-Agent **weiter zum Dispatcher** gewandert — der Agent liefert nur noch den Kern, geschrieben wird der Session-Turn im Dispatcher.

**Ablauf:** Die Salienz schreibt `pending_writes` mit `ziel: "kzg"`. Der Dispatcher ruft `dispatch_kzg()` auf. ~~Der KZG-Agent annotiert den Session-Turn mit dem verdichteten kern und den EI-Feldern des Segments mit der höchsten Salienz.~~ **Überholt — der KZG-Agent annotiert nichts.** Er legt den Kern des Segments mit der höchsten Salienz in `state["session_turn_kern"]` ab (`agents/kzg/dispatch.py:175`); der **Dispatcher** liest ihn dort ab und schreibt den Session-Turn vollständig, mitsamt der EI-Felder (`graph/nodes/dispatcher.py:244-261`, `session_turn_store(… kern = state.get("session_turn_kern", "") …)`). Eine Funktion `session_turn_annotate()` existiert im gesamten Server **nicht** — der State-Kanal `session_turn_kern` ist an vier Stellen belegt (Deklaration `graph/state.py:78`, Initialisierung `graph/base.py:123`, Schreiber `agents/kzg/dispatch.py:175`, Leser `graph/nodes/dispatcher.py:254`), eine Annotations-Funktion an keiner.

**Grund der ersten Verschiebung (Chat 29):** ~~Die Annotation gehört zum KZG-Agent, weil~~ Die Zuständigkeit wanderte von der Salienz weg, weil erst nach der Verdichtung (kern-Erzeugung) klar ist, was annotiert werden soll. Salienz bewertet OB — KZG-Agent entscheidet WAS. **Dieser Teil gilt weiter.**

**Grund der zweiten Verschiebung:** Das Schreiben selbst liegt seither beim Dispatcher — er ist der Persistenz-Node und hält alle Turn-Größen gleichzeitig, während der KZG-Agent pro Salienz-Segment einmal läuft und den Turn deshalb mehrfach schreiben würde. Die Arbeitsteilung ist damit: **Salienz bewertet OB, KZG-Agent entscheidet WAS, Dispatcher schreibt.**

---

## 7. Salienz-Guard (P5/P6) — historisch, nicht mehr aktiv

Der ursprüngliche P5/P6-Guard unterdrückte bei aktivem Planner die Fakten- und Timeline-Writes der Salienz. **Obsolet seit Chat 28/29:** Die Salienz schreibt überhaupt keine Fakten- oder Timeline-Writes mehr — nur noch `ziel: "kzg"`. Fakten sind Sache des WissensAgenten (Epic 11 Phase 2), Timeline läuft über den TimelineAgent. Damit kann die Doppelspeicherung strukturell nicht mehr auftreten.

→ Historie: `novaberg-node-dispatcher_l.md — Lesson: Doppelspeicherung`

---

## 8. Konfiguration

### Schwellwerte und TTL

| Schwellwert | Wert | Wirkung |
|-------------|------|---------|
| Ignoriert | < 0.3 | Kein KZG-Eintrag (`KZG_SALIENZ_MINIMUM`) |
| KZG kurz | 0.3–0.5 | TTL 7 Tage |
| KZG mittel | 0.5–0.7 | TTL 14 Tage |
| KZG lang + Promotion | ≥ 0.7 | TTL 30 Tage, Promotion-Queue, Shadow-Queue, hash_dirty |
| Fakten-Mindest-Salienz (O2) | 0.70 | Personen, Orte, Beziehungen → Floor |

### Emotionale Boosts

| Signal | Boost |
|--------|-------|
| Ausrufezeichen | +0.1 |
| Großbuchstaben | +0.1 |
| Intensivierer | +0.1 |

Diese drei sind **Prompt-Anweisungen**, keine Konstanten — sie stehen in den drei Aufgaben-Blöcken, seit Chat 112 je einmal pro Lage. Additiv und nicht multiplikativ: Ein Verstärker darf heben, aber nie auslöschen.

### Konstanten der Salienz-Formel *(Chat 112)*

| Konstante | Wert | Wirkung |
|---|---|---|
| `RAD_NABE` | 0.9 | Nullpunkt des Charakter-Rads |
| `RAD_MIN` / `RAD_MAX` | 0.5 / 1.5 | Grenzen von `nutzer_gewichtung`. **Enthalten die Null nicht** — der Faktor kann dämpfen, aber den Pflicht-Pfad nie umlegen |
| `SALIENZ_EREGUNG_MAX_ZUSCHLAG` | 0.3 | Obergrenze des Erregungs-Zuschlags; wirkt als `(1 + z)` |

Nabe und Grenzen liegen in `config.py` und nicht bei der Destillation, weil sie seit Chat 112 zwei Verbraucher haben: die Destillation, die den Faktor schreibt, und die Formel, die ihn liest und prüft. Zwei Kopien liefen beim nächsten Nachkalibrieren auseinander, und die Fehlerbedingung wäre Schweigen.

Alle übrigen Schwellwerte und Gewichte sind ebenfalls in `config.py` konfiguriert.

### Geplante Erweiterungen

**Curiosity-Enhanced Memory (Epic 8):**
Salienz-Boost basierend auf Themen-Resonanz:
```
effektive_salienz = basis_salienz + (entitaet_naehe × resonanz × CEM_BOOST_FAKTOR)
```
Reine Embedding-Arithmetik, kein zusätzlicher LLM-Call.

**Von-Restorff-Effekt (Epic 8):**
Salienz-Bonus wenn ein Eintrag thematisch stark vom bisherigen Gesprächskontext abweicht:
```
abweichung = 1.0 - cosine_similarity(neuer_eintrag, kontext_durchschnitt)
if abweichung > VRE_SCHWELLWERT: salienz_boost = abweichung × VRE_BOOST_FAKTOR
```

**Verhaltens-Direktiven (VER1):**
Neue Dimension `direktive` in der Salienz-Klassifikation. An Nova gerichtete Imperative, die nicht auf externe Daten zielen, werden als Verhaltens-Anweisung erkannt und separat verarbeitet.

---

→ Dispatcher (führt aus): `novaberg-node-dispatcher.md`
→ EI-Calc-Persist (CG-Vorgänger, konsolidiert `internal.emotion` vor der Salience-Bewertung): `novaberg-node-ei-calc-persist.md`
→ Personality-Klassen (Schicht-Konvention — Salience liest sie bewusst nicht): `novaberg-personality.md`
→ KZG-Agent (verdichtet + speichert): novaberg-mem-kzg.md / novaberg-pixie-kzg.md
→ LZG (Promotion-Ziel): novaberg-mem-lzg.md
→ Pixie (Shadow-Queue): `novaberg-pixie.md`
→ Architektur: `novaberg-architecture.md §4`
→ Gedächtnis-Konzept: `novaberg-memory.md`
→ Graph-Übersicht: `novaberg-graph.md`
→ Lesson Salienz-Mittlung: `novaberg-node-salience_l.md`
→ Lesson Doppelspeicherung: novaberg-node-dispatcher_l.md
→ Lesson Kontamination: `novaberg-graph_l_kontextualisierung.md`
→ Ebbinghaus-Decay: `novaberg-pattern-ebbinghaus-decay.md`