feat(agent): tune retrieval for decision support

agent/retrieve.py

@@ -13,7 +13,7 @@ import numpy as np
 from .config import Config
 from .normalize import fts_query
 from .ollama_client import OllamaClient
-from .query_planner import SubQuery
+from .query_planner import SubQuery, decision_support_plan
 
 
 @dataclass
@@ -386,8 +386,18 @@ class Retriever:
         return main + extra
 
     def search(self, question: str, n_entries: int | None = None) -> list[ChunkResult]:
-        """Liefert die Top-Kontextblöcke (Hauptretrieval + cross_ref-Erweiterung)."""
+        """Liefert die Top-Kontextblöcke (Hauptretrieval + cross_ref-Erweiterung).
+
+        Gestaltungsfragen zu zusätzlichen Arbeitnehmerleistungen werden
+        deterministisch in Direktzahlung und Alternativen zerlegt. Das gilt
+        auch für den Offline-Retrieval-Eval, der keinen LLM-Planer aufruft.
+        """
         n = n_entries or self.cfg.context_blocks
+        latest_year = str(self._stand_max)[:4]
+        deterministic = decision_support_plan(question, default_year=latest_year)
+        if deterministic:
+            sub_queries, _qtype = deterministic
+            return self.search_multi(sub_queries, n_entries=n)
         fused, bm_all, dn_all = self._fuse_queries(
             [SubQuery(text=question)], self.cfg.candidate_pool
         )
@@ -403,7 +413,11 @@ class Retriever:
         mehreren Sub-Queries mittelgut matchen). Temporal-Intent: kv-
         Einträge im gefragten Geltungsjahr erhalten temporal_boost."""
         n = n_entries or self.cfg.context_blocks
-        if len(sub_queries) == 1:
+        if (
+            len(sub_queries) == 1
+            and sub_queries[0].scope is None
+            and sub_queries[0].stand_year is None
+        ):
             return self.search(sub_queries[0].text, n_entries=n)
         pool = self.cfg.candidate_pool
         fused_total: dict[int, float] = {}