M1+M2: RAG-Pipeline mit verbindlichem Grounding

agent/-Paket: Ingest (601 Layer-2-Eintraege -> 3005 Chunks, FTS5-BM25 +
Vektoren-Cache), Hybrid-Retrieval (RRF, Stand-Boost, cross_ref-Erweiterung),
Ollama-Client (embed/chat, think-Flag-Fallback, kurzes Connect-Budget),
Systemprompt mit Zitierpflicht, Post-Validierung (zitierte IDs gemaess
Retrieved-Set, 1x Regenerierung, dann Verweigerung), FastAPI (/ask, /health,
/reindex), CLI, Goldset (31 Fragen, IDs gegen kb.json verifiziert, inkl.
ATZ-Konfliktfall + 4 Verweigerungsfaelle), Eval-Suite, Test-Chat.

41 Offline-Tests gruen. Baseline BM25-only: Hit-Rate 0,871 / Recall@8 0,855 /
MRR 0,476. Hybrid-Messung, Antwortmodus-Eval und Modell-Bake-off (M3) auf
dem Host ausstaendig (Ollama aus der Zed-Sandbox nicht erreichbar).

MEMORY.md und planung.md Umsetzungsstand aktualisiert.

tests/test_normalize.py

@@ -0,0 +1,29 @@
+"""Tests: Textnormalisierung und FTS-Query-Bau."""
+from agent.normalize import fts_query, normalize_text, tokenize
+
+
+def test_normalize_folds_german_diacritics():
+    assert normalize_text("Gehälter Ärger Größe Übung Ökonomie") == (
+        "gehalter arger grosse ubung okonomie"
+    )
+
+
+def test_normalize_keeps_digits_and_section_sign():
+    assert normalize_text("AZG § 19e (Stand 2026-01)") == "azg § 19e (stand 2026-01)"
+
+
+def test_tokenize_splits_alphanumeric():
+    assert tokenize("Lohnausgleich, AZG §19e") == ["lohnausgleich", "azg", "19e"]
+
+
+def test_fts_query_drops_stopwords_and_quotes_terms():
+    q = fts_query("Wie hoch ist die SV-Beitragsgrundlage?")
+    assert '"beitragsgrundlage"' in q
+    assert '"sv"' in q
+    assert '"wie"' not in q
+    assert '"ist"' not in q
+
+
+def test_fts_query_empty_and_stopword_only():
+    assert fts_query("") == ""
+    assert fts_query("Wie ist der die das?") == ""