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.

agent/generate.py

@@ -227,20 +227,41 @@ def answer_question(
             {"role": "user", "content": build_user_content(question, results)},
         ]
 
-    def chat(msgs):
-        return strip_think(
-            client.chat(
+    def chat(msgs, num_predict: int | None = None):
+        """Ein Chat-Zug; liefert (gestrippter Content, done_reason).
+        Bei done_reason='length' (Antwort bei num_predict abgeschnitten)
+        sind Zitationen ggf. unvollstaendig — der Aufrufer ruft einmal mit
+        doppeltem Budget neu (technischer Retry, kein Regel-Regeneration)."""
+        budget = num_predict or cfg.num_predict
+        if hasattr(client, "chat_full"):
+            raw, done_reason = client.chat_full(
                 cfg.answer_model,
                 msgs,
                 temperature=cfg.temperature,
                 num_ctx=cfg.num_ctx,
-                num_predict=cfg.num_predict,
+                num_predict=budget,
                 think=cfg.think,
             )
-        )
+        else:
+            raw = client.chat(
+                cfg.answer_model,
+                msgs,
+                temperature=cfg.temperature,
+                num_ctx=cfg.num_ctx,
+                num_predict=budget,
+                think=cfg.think,
+            )
+            done_reason = "stop"
+        return strip_think(raw), done_reason
+
+    def chat_with_length_retry(msgs):
+        final, done_reason = chat(msgs)
+        if done_reason == "length":
+            final, done_reason = chat(msgs, num_predict=cfg.num_predict * 2)
+        return final
 
     if map_messages is not None:
-        summary = chat(map_messages)
+        summary = chat_with_length_retry(map_messages)
         if summary:
             messages = [
                 {"role": "system", "content": SYSTEM_PROMPT},
@@ -255,7 +276,7 @@ def answer_question(
             ]
         # leerer Map-Output -> Fallback: messages bleibt die Einzelantwort
 
-    final = chat(messages)
+    final = chat_with_length_retry(messages)
     violations = validate_answer(final, allowed)
     regenerations = 0
     if violations:
@@ -267,7 +288,7 @@ def answer_question(
             "Beantworte die Frage erneut und zitiere nur diese IDs — oder verweigere "
             f"mit dem vorgesehenen Satz („{REFUSAL_MESSAGE}“)."
         )
-        retry = chat(
+        retry = chat_with_length_retry(
             messages
             + [{"role": "assistant", "content": final},
                {"role": "user", "content": warn}]