Stufe 1: komplexe Fragen via Query-Planer, Per-Query-Slots, Scope-Filter (D12, M6)

- Query-Planer (agent/query_planner.py): Heuristik-Gate (Jahr, Vergleichs-/
  Aggregationsmarker, Laenge) entscheidet ueber einen kleinen LLM-Call,
  der komplexe Fragen in 1-3 Sub-Queries zerlegt (JSON, temp 0; Fehler ->
  Original als Einzel-Query). Je Sub-Query optional stand_year und scope.
- Multi-Query-Retrieval: je Sub-Query BM25+Dense mit RRF-Summe;
  Per-Query-Slots (2 je Sub-Query) sichern jeden Frageaspekt im Kontext
  (sonst dominieren Eintraege, die in mehreren Sub-Queries mittelgut
  matchen — q-113-Befund). Scope-Filter: 'gesetz' (nur Lexis/WIKU/RIS)
  und 'kv' (nur Branchen-KV) mit Fallback auf unscoped bei leerem
  Ergebnis. Temporal-Intent: stand_year + temporal_boost (default 0,
  FTS-jahr-Tag-Signal reichte).
- Grounding unveraendert: eine Retrieved-Menge (Union), eine Antwort,
  Post-Validierung ueber die Union, Verweigerungspflicht unveraendert.
- Goldset 42 -> 46: q-110 (Temporal 2023; 2024er-Lohnordnung existiert
  im Korpus nicht - Mantelvertrag ohne Lohntabelle, korrekt verweigert),
  q-111 (2025), q-112 (Abfertigung-Vergleich), q-113 (Gesetz+KV).
- Eval (46 Fragen): Zitier-Praezision 97,8 %, Verweigerung 97,8 %
  (Gate >94,3 % erfuellt), erwartete Quelle 90,2 %, Latenz mean 33,5 s.
- Tests 50 -> 57. Reports lokal: data/eval-qwen38-stage1*.json.
  API-first festgehalten (D13-Vorbereitung): Odoo bleibt duenner Client;
  Lohndaten-Zugriff in M4 erfordert Privacy-Neubewertung.

planung.md

@@ -298,4 +298,12 @@ tests/            # pytest: Ingest-, Retrieval-, Grounding-Unit-Tests
   Präzision 97,6 %, Verweigerung 97,6 % (Gate ✓), erwartete Quelle
   91,9 %, Latenz mean 33 s. Offen: q-015 Branchen-Noise, q-024
   transiente Flakiness (leerer Draft).
+- **Komplexe-Fragen Stufe 1 (2026-09-15, M6/D12):** Query-Planer
+  (Heuristik-Gate → 1-3 Sub-Queries mit Stand-Jahr und Scope), Multi-
+  Query-Retrieval mit Per-Query-Slots und Scope-Filtern („gesetz“/„kv“).
+  Eval (46 Fragen): Zitier-Präzision 97,8 %, Verweigerung 97,8 %
+  (Gate ✓), erwartete Quelle 90,2 %, Latenz mean 33,5 s. Goldset 42 →
+  46 Fragen (q-110–113). Offen für Stufe 2: Aggregation → Map-Reduce
+  (q-029), Rückfragen statt Verweigerung (API-first), danach
+  Rechtsprechung-Intake (`rj-*`, Lexis-md/json).
 - Betrieb: `agent/README.md`.