Release Notes

v2.0.0 (2026-07) — Große Architekturüberarbeitung

info

Die nachfolgenden v1.x-Einträge sind historische Aufzeichnungen auf Basis der Architektur vor der Überarbeitung. Für die aktuelle Architektur beachten Sie den Eintrag v2.0.0.

Chat-Orchestrierung intern realisiert (Langflow entfernt)

• Chat-/Agentenausführung wurde auf den in AI Chat Web integrierten Agenten (AgentOrchestrator + ToolRegistry) vereinheitlicht.
• Die Langflow-Engine samt 15 Custom-Komponenten sowie Arize Phoenix und Jupyter wurden aus dem Stack entfernt.
• Die LLM-Inferenz läuft über das LiteLLM-Gateway (:4000, gpt-4o). Den Ablauf der Agentenausführung sehen Sie im Chat-Fenster unter „Aufgaben anzeigen".

MCP-/Ontologie-Integration

• Die früheren eigenständigen Dienste plantpulse-mcp-server (:50000) und plantpulse-ontology (:8888) wurden archiviert und durch das in server-web integrierte MCP der Plattform (/api/v5/mcp, api_key-Authentifizierung) ersetzt. Die Ontologie-Werkzeuge wurden in das integrierte MCP übernommen.
• Das ToolRegistry des integrierten Agenten erkennt Werkzeuge dynamisch über tools/list.

RAG → Umstellung auf LightRAG

• Der eigenentwickelte RAG-Server (früher plantpulse-rag) wurde durch den offiziellen LightRAG 1.5.4 Server ersetzt. Die Dokumentenverwaltung erfolgt über die LightRAG WebUI (/webui).

Gemeinsame Nutzung der Infrastruktur

• PostgreSQL, Cassandra, Redis und MinIO werden gemeinsam aus der PlantPulse-Plattforminstallation genutzt (der stackinterne Betrieb im AI-Stack entfällt).

---

v1.4.0 (2026-03-29)

Dokumentation

• Erweiterung auf 178 Beispielfragen (feinere Gliederung des Feature Store, mehr zusammengesetzte Fragen, zusätzliche Geschäftsszenarien)
• Troubleshooting-Leitfaden ergänzt
• Leitfaden zur API-Anbindung ergänzt
• Seite mit Release Notes ergänzt
• GitBook-URL des Online-Handbuchs in der README ergänzt

---

v1.3.0 (2026-03-29)

Dokumentation

• Erweiterung auf 170 Beispielfragen (Gliederung nach Domänen)
• Drei Algorithmus-Leitfäden im Anhang ergänzt:
  • RAG-Algorithmen verstehen (Chunking, Embedding, hybride Suche, Reranking)
  • KI-Modellalgorithmen verstehen (TSPulse-Anomalieerkennung, TTM-Prognose, Feature Store)
  • Ontologie (Wissensgraph) verstehen (Graph-DB, Subgraph-Exploration)
• Troubleshooting-Leitfaden ergänzt
• Leitfaden zur API-Anbindung ergänzt
• Seite mit Release Notes ergänzt

---

v1.2.0 (2026-03-29)

Dokumentation

• Drei Algorithmus-Leitfäden im Anhang ergänzt

---

v1.1.0 (2026-03-29)

Dokumentation

• Seite mit Beispielfragen ergänzt (130 Fragen)

---

v1.0.0 (2026-03-29)

Erstes Release

Erstaufbau des GitBook-Produkthandbuchs für PlantPulse AI.

Plattformaufbau

• Integration von 151 MCP-Werkzeugen
  • PlantPulse MCP Server: 116 Read-only-APIs
  • TimeSeries-Insight: 27 KI-Analysewerkzeuge
  • Ontology: 5 Graph-Werkzeuge
  • RAG: 3 Suchwerkzeuge
• 15 Custom-Komponenten für Langflow
• AURA LLM — industriespezifisches Eigenmodell (LLM + Embedding + Reranker)

KI-Modelle

Modell	Verwendung
AURA LLM	Dialog/Analyse/Berichtserstellung
AURA Embedding	Vektor-Embedding (2560 Dimensionen)
AURA Reranker	Neuordnung der Suchergebnisse
IBM Granite TSPulse	Anomalieerkennung in Zeitreihen
TinyTimeMixer (TTM)	Zeitreihenprognose

Infrastruktur

Komponente	Technologie
Backend	Java 21 / Spring Boot 3.4, Python / FastAPI
Graph-DB	Neo4j
Vektor-DB	Qdrant
Relationale DB	PostgreSQL 18
Zeitreihen-DB	Apache Cassandra
Cache	Valkey (Redis-kompatibel)
Objektspeicher	MinIO (S3-kompatibel)
LLM-Proxy	LiteLLM
KI-Workflow	Langflow
KI-Observability	Arize Phoenix
Experimentierumgebung	Jupyter Notebook

Wesentliche Funktionen je Modul

AI Chat Web

• Abfrage von Werksdaten in natürlicher Sprache
• Echtzeit-Streaming-Antworten per SSE
• Reichhaltige Visualisierung mit ECharts/Mermaid
• Verwaltung mehrerer AI Flows

MCP Server

• 116 Read-only-APIs auf Basis von OPC-UA/ISA-95
• 10 Datendomänen: Anlage, OPC, Arbeitsauftrag, Standort, Tag, OEE, Kalender, System, RAM, EMS, Alarm, Punkte usw.
• Native Zeitverarbeitung in KST

TimeSeries-Insight

• Anomalieerkennung in 7 Domänen (IBM Granite TSPulse)
• Prognose in 7 Domänen (TinyTimeMixer TTM)
• Tiefenanalyse von Alarmen (Statistik, Dauer, Korrelation)
• Feature Store (automatische stündliche/tägliche Berechnung, Vektor-Embedding, LLM-Kontext)
• Anlagen-Gesundheitswert (0–100)

Ontology

• Werks-Wissensgraph mit 14 Knotentypen
• Subgraph-Exploration (mit Tiefenangabe)
• Automatische Synchronisation PlantPulse DB ↔ Neo4j alle 60 Sekunden

RAG

• 4 Suchmodi (hybrid, naive, local, global)
• Hybride Suche (Dense + Sparse)
• Multimodale Unterstützung (Text + Bild + Tabelle)
• Docling-Dokumentenparser, Reranker

AI Studio

• Visuelle Flow-Programmierung mit Langflow
• 15 PlantPulse-spezifische Komponenten
• LiteLLM als LLM-Proxy
• KI-Bewertung/-Monitoring mit Arize Phoenix
• Experimentierumgebung Jupyter Notebook