length-Retry: abgeschnittene Antworten sind die q-024-Ursache, kein Thinking (D14)

- Diagnose: q-024-Flakiness war KEIN Think-Ghost (thinking-Feld leer,
  keine Tags), sondern num_predict=1024 — lange belegte Antworten
  brachen bei done_reason=length ab (3/3 Sondenlaeufe), Zitationen
  wurden unvollstaendig, CITE_RE matchte partielle IDs -> Verletzung ->
  Regenerierungs-Eskalation -> UNCERTAIN.
- Fix: num_predict 1024 -> 2048; OllamaClient.chat_full() liefert
  (content, done_reason); chat_with_length_retry() wiederholt bei
  length einmal mit 2x Budget (technischer Retry, kein Regel-
  Regenerierungszaehler) - im Antwort-, Map- und Regenerierungspfad.
- Voll-Eval (46 Fragen): Zitier-Praezision 100 %, Verweigerung korrekt
  100 % (46/46) - erstmals alle M3-Gates erfuellt; erwartete Quelle
  92,7 %; Latenz mean 39,6 s / p95 78 s (vollstaendige statt
  abgeschnittener Antworten). q-024: 4/4 stabil.
- Tests 59 -> 60. Report lokal data/eval-qwen38-lengthfix.json.

.agents/MEMORY.md

@@ -241,6 +241,21 @@ zu planen).
   erwartete Quelle 90,2 %, Latenz mean 34,2 s. Tests 57 -> 59.
   Report `data/eval-qwen38-stage2.json`. Verbleibend: q-024 transiente
   Flakiness (Think-Ghost-Verdacht, 2/3 Laeufe sauber).
+- **D14 (Output-Budget + length-Retry, 2026-09-15):** q-024-Flakiness
+  Ursache gefunden — NICHT Thinking (Hypothese widerlegt: thinking-Feld
+  leer, keine Tags), sondern `num_predict=1024`: lange belegte Antworten
+  wurden bei `done_reason=length` abgschnitten (q-024: 3/3 Sondenlaeufe)
+  → unvollstaendige Zitationen → CITE_RE matcht partielle IDs →
+  Verletzung → Regen-Eskalation → UNCERTAIN. Fix: (a) num_predict
+  1024 → 2048; (b) `OllamaClient.chat_full()` liefert (content,
+  done_reason); (c) `chat_with_length_retry`: ein technischer Retry
+  mit 2× num_predict bei length (zaehlt nicht als Regel-Regenerierung,
+  laeuft auch im Map- und im Regenerierungspfad).
+  **Voll-Eval: Zitier-Praezision 100 %, Verweigerung korrekt 100 %**
+  (46/46 — alle M3-Gates erfuellt, erstmals ueber Basislinie),
+  erwartete Quelle 92,7 %, Latenz mean 39,6 s / p95 78 s (+5 s:
+  vollstaendige statt abgeschnittener Antworten). q-024: 4/4 stabil.
+  Tests 59 → 60. Report `data/eval-qwen38-lengthfix.json`.
 - **Bake-off-Protokoll** (Skill): Modellwechsel nur über dokumentierten
   Goldset-Vergleich; Kriterium: Zitier-Präzision > Verweigerungs-
   korrektheit > Latenz.