Retrieval-Kalibrierung nach Korpusverdopplung (D10) + Goldset-Erweiterung

- Hybrid-Fusion um dense_weight erweitert; kalibriert per Goldset-Sweep:
  dense_weight=2.0 (BM25 durch KV-S-Titel-Matches inflationiert),
  rrf_k=20, candidate_pool=150 -> Recall@8 0,851 -> 0,923 (>0,9),
  Hit-Rate 0,973, MRR 0,667. ENV: PV_DENSE_WEIGHT/PV_RRF_K/
  PV_CANDIDATE_POOL.
- CITE_RE um kv|ris erweitert (Post-Validierung deckt neue ID-Raeume).
- Goldset: +6 KV/RIS-Fragen (q-101-106) + Branchen-Refusal r-005;
  q-021 auf lb-kar-04 rekalibriert (Top-1, deckt Beginn/Dauer voll -
  dokumentiert im Note).
- Antwortmodus-Eval (qwen3.8:27b, 42 Fragen): Zitier-Praezision 95,2 %,
  Verweigerung 90,5 % - unter den M3-Gates, Tuning folgt
  (Report data/eval-qwen38-kvris.json, lokal).
- Docs: agent/README.md Baseline, planung.md Umsetzungsstand,
  .agents/MEMORY.md (D9/D10, offene Punkte).

agent/retrieve.py

@@ -250,10 +250,10 @@ class Retriever:
         except Exception:
             dn = {}
         fused: dict[int, float] = {}
-        for ranking in (bm, dn):
+        for ranking, weight in ((bm, 1.0), (dn, self.cfg.dense_weight)):
             ordered = sorted(ranking.items(), key=lambda kv: -kv[1])
             for rank, (cid, _) in enumerate(ordered):
-                fused[cid] = fused.get(cid, 0.0) + 1.0 / (self.cfg.rrf_k + rank)
+                fused[cid] = fused.get(cid, 0.0) + weight / (self.cfg.rrf_k + rank)
         if not fused:
             return []