pv-agent/.agents/MEMORY.md

# Agent-Memory — pv-agent

Rollender Übergabe-Log für agent-Threads. Workflow: `.agents/SKILL.md`
(agent-memory-Skill). Ergänzen, nicht überschreiben.

## Current focus

D24/D25: M4.2 (Agent-Review-Modus) umgesetzt und committet (ba4bf57);
107 Tests grün; KV-Varianten-Mapping gebaut (439/614, Seeds getestet).
**M4.1-Gerüst steht** (2026-09-16): neues Odoo-19-Addon
`l10n_at_payroll_agent` (19.0.1.0.0) im odoo-at-payroll/addons-Repo — über
den Symlink gebaut, 11 Dateien: `pv.agent.client` (stdlib urllib,
res.company.pv_agent_url/api_key statt unverifiziertem ir.config_parameter),
`pv.agent.context.builder` (Draft→Review-Kontext; ATP_PRAMIE, version.wage/
kv_id, SVDG_*/LST_*/LNK-Linien), `pv.agent.review.wizard` (+Views/ACL/Menu)
und TransactionCase-Tests (patched `_post_json`). Alle APIs gegen den
Bestand verifiziert; Syntax/XML/CSV-Checks grün — Odoo-Test-Session und
Pilot-Verifikation am echten Draft-Lohnzettel folgen (User-Host).

## Completed (2026-09-16, Modul-Review/D25-Planung)

- **`.oddo-module/` verlinkt** (Symlink → ../odoo-at-payroll/addons, in
  `.gitignore` aufgenommen). Review gegen M4: Odoo 19.0 (Kern 19.0.10.0.0 auf
  `hr_payroll`, Privat 19.0.17.0.0, Gemeinde-Bgld, Dokumente), LGPL-3,
  ~22k Zeilen Python / ~7,5k XML / ~25 Testdateien.
  **Kein HTTP-/Controller-/Agenten-Code vorhanden** — M4 startet bei null.
  Tenant-Isolation via `ir.rule` (company_ids), Feldgruppen
  `group_hr_payroll_user`. Rechenkern: sozialversicherung.py (§-49-Ausschal-
  tungen mit Jahres-Kumulative `_l10n_at_sv49_ytd`, WF-Satzvektor Bundesland
  ×Jahr, DAG), lohnsteuer.py (§ 66/67/68 mit YTD-Freibetragsverbrauch),
  payslip_private (KommSt/DZ/FLAF-DB/SZ), sachbezuege/reisekosten. Parameter
  aus ÖGK-TASY-Export gegen offiziellen Report gespiegelt; 2027-Rahmen.
  KV-Katalog `l10n.at.payroll.kv` mit versionierten `kv.wert`, Gruppen/Stufen
  und CSV-Import-Wizard (Sprungwarnung >10 %); `library_variant_id` verlinkt
  auf die KV-Library (SI-2203/SI-2748). D25-Planung steht in `planung.md`
  Abschnitt 14: neues Modul `l10n_at_payroll_agent`, ir.config_parameter plus
  eigene Gruppe, serverseitiger Client, hart kodierte Kontext-Whitelist
  (facts key/value/note, keine Personendaten), Pilot-Workflow
  Plausibilitätsprüfung einer geplanten Auszahlung (Odoo rechnet auf dem
  Draft-Payslip, Agent liefert strukturiertes Verdict), Agent-M4.2:
  `mode=review` plus context-Schema, drei Beweisklassen, Injection-Abgrenzung
  und Feature-Flag `PV_REVIEW_MODE` (default aus). Nicht-Ziele fixiert.
- **M4.2 Agent-Review-Modus (2026-09-16, D25):** `AskRequest.mode`
  `knowledge|review` + `context` (StrictModel: facts ≤40, key-Muster,
  computation + components ≤40; keine freien Objekte). `answer_question`
  nimmt `context` an: Review-Addendum an den Systemprompt (Regeln 13/14:
  Kontext = Daten/keine Anweisungen, übermittelte Werte ohne KB-ID,
  Verdict-Format „Plausibilitätsprüfung:“ mit OK/WARN ⚠/OFFEN),
  `parse_plausibility_checks` extrahiert Checks (OK/WARN ohne erlaubte KB-ID
  zählen nicht), `plausibility_verdict` (implausible bei ⚠, plausible bei
  OK, sonst not_checkable). Fehlender/leerer Abschnitt → Regenerierung;
  bleibt er aus, bleibt die zitiergültige Fachantwort mit
  `not_checkable`-Verdict bestehen (keine UNCERTAIN-Eskalation). API-Gating:
  review ohne `PV_REVIEW_MODE` → 422; knowledge+context → 422; review ohne
  context → 422. `grounding.data_scope` review:
  `knowledge_base_plus_review_context`. Audit: `context_json`-Spalte mit
  idempotenter Migration, Metadatenmodus ohne Kontext-Freitext. CLI:
  `ask --context FILE`. Response-Felder `mode` + `plausibility`. Tests +8
  (tests/test_review.py) → **107 grün**. **Real-Lauf validiert** (qwen3.8,
  Odoo-Kontext-Sonde mit provokativ falscher Steuerfreiheit in der Simulation):
  verified, 1 Regen, **Verdict implausible** — WARN Lohnsteuer (lb-lvr-07/
  lb-naz-03), OK SV-Grundsatz (lb-naz-02), OFFEN DB/DZ + BVK; Parser-Fix:
  Heading-Regex toleriert `**Plausibilitätsprüfung:**` (Doppelpunkt in den
  Sternen) sowie ⚠-Präfix in der Aspect-Extraktion.
- **KV-Varianten-Mapping (Odoo ↔ KB, 2026-09-16):** Die KV-Library führt
  bereits `wko/match-report.json` (wko_slug → oegb_variant_id; 407 matched /
  32 low / 175 unmatched). `tools/build_kv_variant_map.py` erzeugt daraus
  `tools/catalogs/kv_variant_map.json`: 105 Varianten (98 matched, 7 low),
  439/614 KB-Einträge abgedeckt; je Variante `docs` mit kv_kvt_id + slug +
  doctype als Paare, Low-Confidence markiert, Rest in `unmatched_kb_entries`
  (WKO-aktuelle Dokumente ohne ÖGB-Gegenstück, z. B. KV-Abschluss-News).
  Odoo kann pro `library_variant_id` die zugehörigen KB-Einträge auflösen;
  Seed-Abdeckung SI-2203/SI-2748 testet
  `tests/test_kv_variant_map.py`. Tests gesamt **98 grün**.

## Completed (2026-09-14)

- **Planung** (`planung.md`): Architektur, Grounding-Regeln, Modellfeld,
  Meilensteine M1–M4; **Skill** `.agents/skills/pv-rag-agent/SKILL.md`.
- **Commits**: `25eb285` (Wissensbasis-Import), `bf8191b` (Planung +
  Skills), `2cba72a` (M1+M2-Implementierung, 41 Tests).
- **Implementierung M1+M2** (`agent/`): kb/ingest/retrieve/generate/
  ollama_client/api/cli/eval, Goldset 31 Fragen, Test-Chat.
- **Ollama-Anbindung verifiziert** (Ziel-Instanz `http://100.103.83.12:11435`,
  Ollama 0.32.13): `bge-m3` per API gepullt; `qwen3.8:27b` war bereits
  installiert. Hybrid-Index: 3.005 Chunks, alle eingebettet (144 s).
- **M1-Akzeptanz erreicht**: Retrieval Hybrid Hit-Rate 0,968 ·
  Recall@8 **0,952** (>0,9 ✓) · MRR 0,690 (BM25-only: 0,871/0,855/0,476).
- **M2-Antwortmodus-Eval** (qwen3.8:27b, Thinking aus): Zitier-Präzision
  **100 %** (4 Regenerierungen, alle geheilt) · Verweigerung korrekt
  94,3 % · erwartete Quelle zitiert 80,6 % · Latenz mean 32 s / p95 53 s.
  Report: `data/eval-qwen38.json`.
- Der ATZ-Konfliktfall (28,5 vs. 27,5 %) wird korrekt mit ⚠ und beiden
  IDs beantwortet; harte Verweigerung (UStVA, Retrieval nicht leer)
  funktioniert.
- **Topologie geklärt**: `100.103.83.12` ist die **Remote-GPU-Maschine**
  (Entwicklungsumgebung, R9700, Tailscale); die Dev-Maschine selbst hat
  einen eigenen, fast leeren Ollama auf localhost:11434 (dorthin ging der
  erste bge-m3-Pull — auf die GPU-Maschine neu gepullt). Ziel-Instanz ist
  ausschließlich `http://100.103.83.12:11435`.
- **Bake-off M3 — abgeschlossen (D7)**: alle 6 Kandidaten gemessen
  (Tabelle in `planung.md` Abschnitt 13). **`qwen3.8:27b` gewinnt**
  (100 % Zitier-Präzision, 94,3 % Verweigerung korrekt, 80,6 % erwartete
  Quelle, 32 s mean). `gemma4:26b` = dokumentierter Latenz-Kandidat
  (7,9 s mean, 100 % Zitier-Präzision, aber 67,7 % Quellentreue, 3
  Fehlverweigerungen). mistral-small3.1: 71,4 % Verweigerungskorrektheit
  — Deutsch-Hypothese praktisch widerlegt. **muse-glimmer:latest**
  (nachgereicht): 100 % Zitier-Präzision bei nur 1 Regenerierung
  (diszipliniertestes Modell), aber 8/35 falsche Verweigerungen
  (Überverweigerung teils trotz vorhandener Zitate) und 37,5 s mean —
  Rang 5 von 6, schlägt qwen3.8 in keiner Kennzahl. qwen3.6:27B: 2
  dauerhafte Zitierverletzungen, 10 Regenerierungen. gemma4:12B:
  2 Verletzungen.
  Reports: `data/eval-*.json`. q-008/q-031 verweigern alle
  Top-Kandidaten — Prompt-/Retrieval-Tuning (nicht modellspezifisch).
- **Remote-GPU-Maschine**: nach `systemctl restart ollama` (User-Aktion)
  liefen alle Läufe stabil; zwischen Kandidaten wurde per `keep_alive: 0`
  entladen (Crash-Ursache war der Modell-Swap-Stress beim gemma4-Lauf).

## Completed (2026-09-15)

- **KB-Erweiterung um WKO-Kollektivverträge + RIS-Gesetze** (User-Auftrag):
  `.firecrawl/kv-portal/wko-kv/docs/` (614 KV-Dokumente: Lohn-/Gehaltsordnungen mit
  Lohntabellen, KV-Abschlüsse, Erläuterungen, Zusatz-KVs) und `.firecrawl/ris/gesetze/` (59
  Gesetze, nur die im Lexis360-Bestand zitierten §-Ausschnitte, Stand
  2026-09-13) → **1 274 Layer-2-Einträge** (`kv-kvt-001…614`,
  `ris-<prefix>-nn`), 14 984 Chunks, Reindex 8,5 min (11 947 neue
  Embeddings, bge-m3 auf :11435).
  - **D9 (2026-09-15):** kv/ris-Einträge sind **quellentreu generiert**
    (keine Eigene-Worte-Kuratierung — Gesetze sind amtliche Werke, KV-
    Lohntabellen zahlenexakt; Konvention 2 der Wissensbasis gilt nur für
    die lizenzierten Quellen lb/wk). Tool-Output: `tools/ingest_sources.py`
    + `tools/build_registry.py` (Registry in diesem Repo neu gebaut — das
    Lexis-Tool `build_lexis_kb.py` lebt im Schwesterprojekt), eingefrorene
    Kataloge `tools/catalogs/*.json` (nur Metadaten, versioniert).
  - **ID-Räume:** `kv-kvt-<nnn>` (ein Cluster `kollektivvertraege`,
    Branche als Tag) und `ris-<cluster-prefix>-<nn>` auf der bestehenden
    Cluster-Map + 7 neue Cluster (kvt/zvr/avr/agg/lst/abo/nso);
    `LAW_MAP` in `tools/kb_common.py` dokumentiert die 59 Zuordnungen.
  - **D10 (Retrieval-Kalibrierung, Goldset-Sweep 2026-09-15):** Korpus-
    verdopplung drückte Recall@8 auf 0,851 — kalibriert auf
    `dense_weight=2.0` (Dense-Liste relativ zu BM25 gewichtet; BM25 ist
    durch KV-§-Titel-Matches inflationiert), `rrf_k=20`,
    `candidate_pool=150` → **Recall@8 0,923 (>0,9 ✓)**, Hit-Rate 0,973
    (36/37), MRR 0,667. ENV: `PV_DENSE_WEIGHT`/`PV_RRF_K`/
    `PV_CANDIDATE_POOL`. Entry-RRF-Variante getestet: kein Mehrwert.
  - **Antwortmodus-Eval (qwen3.8:27b, 42 Fragen):** Zitier-Präzision
    95,2 % (2 Verletzungen), Verweigerung korrekt 90,5 % (4 Fehlver-
    weigerungen, u.a. q-022/q-029), erwartete Quelle zitiert 83,8 %,
    Latenz mean 31 s / p95 53 s, 9 Regenerierungen — **unter den M3-
    Gates** (100 % / 94,3 %): Korpusverdopplung macht Grounding härter;
    das laufende Fehlverweigerungs-Tuning (uncommittete Änderungen in
    generate.py/retrieve.py/goldset.yaml, unangetastet) ist weiteres
    Thema. Report: `data/eval-qwen38-kvris.json`.
  - **Goldset:** +7 Fragen (q-101–106 KV-Preise/§-Fragen, r-005 Branchen-
    Refusal) — append-only. q-021 rekalibriert: erwartete ID jetzt
    `lb-kar-04` („Karenz - Anspruch, Beginn und Dauer“, Top-1, deckt
    Beginn/Dauer vollständig; lb-kar-01 nur Nachbarschaft — dokumentiert
    im Goldset-Note).
  - **Tests:** 41 → 49, alle grün (neue ID-Räume, html-Source, Konverter,
    LAW_MAP-Vollabdeckung, Korpus-Integrationszahl 1 274).

- **D15 (Rechtsprechungs-Intake, 2026-09-15):** `.rechtsprechung/` → neuer
  ID-Raum `rj-rjs-*`, gemeinsamer Cluster `rechtsprechung`: 320 RIS-OGD-
  Entscheidungen/Rechtssätze, 23 zitierte RIS-Normauszüge und 5 als
  nichtamtlich markierte EuGH-lexetius-Textwiedergaben. Parser:
  `tools/ingest_sources.py --source rj`; lange Volltexte werden an
  Absatzgrenzen in H2-Chunks geteilt. `rj_catalog.json` friert die IDs ein;
  Registry/Index und Agent-Zitatvalidierung kennen `rj-*`. Korpus 1.274 →
  **1.622** Einträge / 77 Cluster; Reindex: 16.480 Chunks, 1.496 neue
  Embeddings in 75 s. Retrieval-Goldset erweitert um q-120–123:
  Hit-Rate 0,956 · Recall@8 **0,922** (Gate ✓) · MRR 0,661, alle vier
  neuen Fälle gefunden. Gezielte Antwortläufe q-120–123: alle zitiergültig,
  nicht verweigert, keine Regenerierung; Systemprompt verlangt für als
  nicht amtlich markierte Quellen die gleiche Einschränkung in der Antwort
  (q-123 verifiziert). Voller Antwortmodus-Eval (50 Fragen): **100 %
  Zitier-Präzision**, **100 % Verweigerung korrekt**, erwartete Quelle
  93,3 %, mean 39,4 s / p95 82,2 s, 5 Regenerierungen; Report
  `data/eval-qwen38-rj.json` (lokal/unversioniert). Offline-Tests: 65
  grün. **Nicht als generelle
  Commit-Freigabe lesen:** Die gelieferten OGH/VwGH/VfGH-Dateien nennen
  überwiegend RIS-OGD, der User sprach jedoch von Lexis/opendataloader;
  die Publikations-/Lizenzfreigabe der quellentreuen Volltexte ist vor
  Commit ausdrücklich zu prüfen. EuGH-Wiedergaben sind als nichtamtlich
  markiert und verweisen auf EUR-Lex.

## Completed (2026-09-16)

- **D16 (Gestaltungsfragen / Retrieval-Tuning):** Goldset um q-124–126
  erweitert (500-Euro-Zusatzzahlung, Alternativen, Mitarbeiterprämie 2026).
  `agent/query_planner.py` erkennt Decision-Support deterministisch und zerlegt
  in drei gesetzlich gescopte Queries: Mitarbeiterprämie samt §-49-Konflikt,
  Zukunftssicherung sowie Sach-/zweckgebundene Leistungen. Decision-Support
  läuft als `specific`, nicht als Survey/Map-Reduce. `Retriever.search()` nutzt
  denselben Plan im Offline-Eval; `search_multi()` behält Scope/Jahr auch bei
  einer einzelnen Query. Ergebnis (53 Goldsetfragen / 48 Retrieval-Fälle):
  q-124/q-125/q-126 jeweils Recall@8 **1,00**, gesamt Recall@8 **0,9271**
  (Gate >0,9), Hit-Rate 0,9583, MRR 0,6158. Bekannte Altfehler q-015/q-113
  bleiben unverändert.
- **Decision-Support-Grounding:** Systemprompt trennt Barzahlung von
  zweckgebundenen Leistungen, verbietet pauschale Sieger ohne Kontext,
  verlangt vergleichbare Abgabendimensionen und genau eine Rückfrage. Der
  bekannte Konflikt Mitarbeiterprämie 2026 wird offen dargestellt:
  `wk-akt-04` nennt SV/BV/DB/DZ/KommSt-Pflicht, `lb-sva-03` ordnet die Prämie
  systematisch in den taxativen Katalog beitragsfreier Bezüge ein. Zusätzlich
  erzwingt ein semantischer Post-Validation-Gate ⚠ + beide IDs + korrekte
  Rollen und verhindert interne Regelverweise bzw. Quellenpriorisierung.
  Gezielte Real-Läufe: q-124/q-125 nicht verweigert, zitiergültig; q-126 war
  bereits sauber. Tests **72 grün**; `git diff --check` sauber.
- **D16 Voll-Eval (2026-09-16):** 53 Fragen mit `qwen3.8:27b`; Report
  `data/eval-qwen38-decision-support.json` (lokal/gitignored). Retrieval:
  Hit-Rate 0,9583, Recall@8 **0,9271**, MRR 0,6266. Antworten:
  Zitier-Präzision **98,11 %**, Verweigerung korrekt **98,11 %**, erwartete
  Quelle 91,67 %, mean 40,3 s / p95 98,4 s, 4 Regenerierungen. Einziger
  Gate-Fehler: q-125 eskalierte nach zwei semantisch unzureichenden Antworten
  zu `UNCERTAIN` (`verified=false`). Direkte Wiederholung von q-125 war mit
  einer Regenerierung vollständig, zitiergültig und stellte den Konflikt
  korrekt dar — verbleibend ist stochastische Gate-/Regenerierungs-Flakiness,
  kein Retrieval-Fehler. q-124 und q-126 bestanden im Voll-Eval.
- **D16 Stabilisierung/Bestätigung (2026-09-16):** Bei vollständig
  ausgelassenem, aber retrieved Mitarbeiterprämien-Konflikt ergänzt die
  Pipeline deterministisch eine feste, ausschließlich aus `lb-sva-03` und
  `wk-akt-04` formulierte ⚠-Notiz. Eigene Konfliktversuche bleiben ungeändert
  und werden weiter auf Rollenfehler/Priorisierung geprüft. Der semantische
  Gate akzeptiert gleichwertige Verben (`ordnet`, `listet`, `führt`) statt
  fragiler exakter Wortwahl. Sonden: q-124 3/3 ohne Regenerierung, q-125 3/3
  verifiziert, q-126 verifiziert. Voller Bestätigungslauf (53 Fragen), Report
  `data/eval-qwen38-decision-support-confirm.json`: Zitier-Präzision **100 %**,
  erwartete Quelle 93,75 %, mean 40,3 s / p95 69,6 s, 3 Regenerierungen;
  q-124–126 alle bestanden. Verweigerungskorrektheit 98,11 % nur wegen der
  bekannten stochastischen Survey-Fehlverweigerung q-029; direkte q-029-
  Wiederholung antwortete verifiziert (aber sehr langsam, 280 s).
- **q-015 fachlich rekalibriert:** Eine allgemeine Tagesgeldfrage mischt zwei
  Ebenen: Der KV regelt vorrangig den arbeitsrechtlichen Anspruch, das EStG den
  steuerfreien Satz. Branchen-KV-Treffer sind deshalb korrekt; q-015 hat keine
  künstliche Einzel-Pflicht-ID mehr. Neue q-127 prüft ausdrücklich nur die
  steuerliche Höhe und findet `lb-rei-09`. Goldset 54 Fragen; Offline-Retrieval
  nun Hit-Rate 0,9792, Recall@8 **0,9479**, MRR 0,6653. Tests **75 grün**.

- **llama.cpp-LLM-Eval (2026-09-16):** Lokaler/privater OpenAI-kompatibler
  Server aus `.env` getestet (Zugangsdaten/URLs nicht dokumentiert oder
  versioniert); nur das LLM wurde gewechselt, Retrieval und bge-m3-Index
  blieben unverändert. llama.cpp benötigt
  `chat_template_kwargs.enable_thinking=false`; Chatmodell meldet sich als
  `qwen3.8`. 54-Fragen-Report: `data/eval-llamacpp-qwen38.json`
  (lokal/gitignored). Zitier-Präzision **100 %**, Verweigerung korrekt 96,3 %,
  erwartete Quelle 91,67 %, mean 54,9 s / p95 104,8 s, 2 Regenerierungen.
  q-124–126 bestanden alle ohne Regenerierung. Fehlverweigerungen: q-029
  (bekannte Survey-Flakiness, 357 s) und q-102. q-102 ist kein LLM-Defizit:
  Mit Planner lieferte der KV-Scope viele ähnlich benannte KVs und nur einen
  irrelevanten Abschnitt von kv-kvt-197; ohne Planner beantwortete dasselbe
  llama.cpp-Modell die Frage in 14,8 s korrekt aus kv-kvt-056. Schluss:
  llama.cpp ist grounding-stabil, aber langsamer als die Ollama-Basislinie;
  q-102 erfordert später Planner-/Retrieval-Tuning, nicht Modell-Tuning.
- **llama.cpp-Rerun nach Server-Tuning (2026-09-16):** Report
  `data/eval-llamacpp-qwen38-rerun.json` (lokal/gitignored), gleicher Aufbau
  wie zuvor: nur LLM über llama.cpp, Retrieval/bge-m3 unverändert. Ergebnis:
  Zitier-Präzision **100 %**, Verweigerung korrekt **98,15 %**, erwartete
  Quelle **95,83 %**, mean 53,5 s / p95 105,4 s, 6 Regenerierungen. Gegenüber
  dem ersten Lauf: q-029 geheilt, erwartete Quelle +4,16 Prozentpunkte,
  mean ca. 1,3 s schneller; q-102 bleibt als einzige Fehlverweigerung
  reproduzierbar (Planner-/Kontextproblem). q-124–126 bestehen weiterhin;
  q-125/q-126 benötigten diesmal je eine Regenerierung. Das Server-Tuning ist
  damit qualitativ besser, erhöht aber die Regenerierungen (2 → 6); Latenz
  bleibt deutlich über der Ollama-Basislinie.
- **llama.cpp Full-Stack (Chat + Embeddings, 2026-09-16):** llama.cpp-
  Embeddings sind trotz gleicher Dimension 1024 inkompatibel zu Ollama
  `bge-m3` (Same-Text-Cosinus nur ca. -0,004 bis 0,017); deshalb separater,
  lokaler Index `data/index-llamacpp.db`. Vollständig 16.480 Chunks; der
  Embedding-Server lehnt einzelne Texte > ca. 9.000 Zeichen ab, daher wurden
  nur für diesen Test längere Embedding-Inputs deterministisch auf 9.000
  Zeichen gekürzt (KB und Produktionsindex unverändert). Indexbau ca. 17,4 min.
  Retrieval ohne Neukalibrierung: Hit-Rate 0,9583, Recall@8 **0,9323**,
  MRR 0,5977 (Gate >0,9 erfüllt). Vollreport
  `data/eval-llamacpp-fullstack.json` (lokal/gitignored): Zitier-Präzision
  **100 %**, Verweigerung korrekt 94,44 %, erwartete Quelle 87,5 %, mean
  **44,6 s**, p95 130,8 s, 3 Regenerierungen. Full-Stack ist schneller als
  llama.cpp-LLM + bge-m3 (53,5 s), aber fachlich schwächer: Fehlverweigerungen
  q-029, q-102, q-111. q-102: korrektes Dokument kv-kvt-056, aber falscher
  repräsentativer Abschnitt; q-111: Embedding-Retrieval verfehlt kv-kvt-001
  komplett und liefert fremde Lehrlingstabellen. Decision-Support q-124–126
  besteht weiter. Fazit: Full-Stack ist testfähig und erfüllt das Retrieval-
  Recall-Gate, ersetzt bge-m3 aber noch nicht; zuerst eigene RRF-/Dense-
  Kalibrierung und KV-Metadaten-/Representative-Section-Tuning nötig.
- **llama.cpp Full-Stack Rerun (2026-09-16):** identischer separater Index und
  unveränderte Parameter; Report `data/eval-llamacpp-fullstack-rerun.json`.
  Zitier-Präzision **100 %**, Verweigerung korrekt **98,15 %**, erwartete
  Quelle **91,67 %**, mean 49,5 s / p95 101,2 s, nur 1 Regenerierung. Gegenüber
  erstem Full-Stack-Lauf: q-029 und q-111 geheilt, Fehlverweigerungen 3 → 1,
  erwartete Quelle +4,17 Prozentpunkte, Regenerierungen 3 → 1; Latenz dagegen
  44,6 → 49,5 s. Einziger reproduzierbarer Fehler bleibt q-102 (korrektes
  Dokument, falscher Representative-Section-Kontext). q-124–126 alle ohne
  Regenerierung bestanden. Full-Stack erreicht damit dieselbe Verweigerungs-
  korrektheit wie der aktualisierte llama.cpp-LLM+bge-m3-Lauf, bleibt aber bei
  erwarteter Quelle darunter (91,67 % vs. 95,83 %).

- **D17 (Runtime-Entscheidung, 2026-09-16):** Nach den llama.cpp-LLM- und
  Full-Stack-Vergleichen bleibt der Agent bei **Ollama** mit
  `qwen3.8:27b` + `bge-m3`. Gründe: beste bzw. stabilere Gesamtbalance aus
  erwarteter Quellentreue, Verweigerungskorrektheit und Latenz; llama.cpp-
  Full-Stack zeigte embedding-spezifische KV-/Representative-Section-Fehler
  und höhere Flakiness. Der letzte angeforderte Full-Stack-Rerun wurde nach
  drei Fragen vom User abgebrochen und nicht gewertet. Lokale llama.cpp-
  Indizes/Reports und `.env` bleiben unversioniert; keine Integration in die
  Produktionskonfiguration.

- **Finaler Ollama-54-Eval (2026-09-16):** Nach Rückkehr zum Ziel-Stack
  `qwen3.8:27b` + `bge-m3`, Report `data/eval-qwen38-final-54.json`
  (lokal/gitignored). Retrieval: Hit-Rate 0,9792, Recall@8 **0,9479**,
  MRR 0,6378. Antworten: Zitier-Präzision **100 %**, Verweigerung korrekt
  **100 %**, erwartete Quelle 95,83 %, mean **38,8 s**, p95 67,2 s,
  2 Regenerierungen. q-029 sowie q-124–127 bestanden; damit beide Haupt-Gates
  erstmals im finalen 54er-Set vollständig erfüllt. Zwei Quellentreue-
  Abweichungen ohne Grounding-Verstoß: q-127 zitiert alternative Reisekosten-
  Quellen (`lb-rei-01/03`, `wk-rei-01` plus KVs) statt erwarteter
  `lb-rei-09`; q-025 zitiert Betriebsübergangs-/Insolvenzquellen statt der
  bisherigen Expected-ID. Optional später Goldset-Expected-IDs fachlich
  rekalibrieren, aber kein Release-Blocker.

- **D18 (Rechtsprechungsnutzung, 2026-09-16, User-Freigabe):** Auf
  gerichtliche Entscheidungen darf in Antworten verwiesen werden. Ihr Inhalt
  darf in eigenen Worten wiedergegeben und stellenweise zitiert werden. Die
  Agentenantwort muss weiterhin die retrieved `rj-*`-/RIS-KB-ID nennen,
  nichtamtliche Wiedergaben ausdrücklich kennzeichnen und darf keine nicht
  retrieved Entscheidung ergänzen. Diese Freigabe umfasst Referenz,
  Zusammenfassung und auszugsweise Zitate; sie ist keine pauschale Freigabe
  zur Veröffentlichung vollständiger quellentreuer Entscheidungstexte.

## Open issues / blockers

- **Push**: Remote localhost:3003 aus der Sandbox nicht erreichbar — User
  pusht vom Host.
- **Fehlverweigerungen — Stand nach Prompt v2:** q-008 und q-031 sind
  **behoben** (Section-Priorität + Regel 8). Verbleibend: q-029
  („Welche Neuerungen behandelt WIKU Personal aktuell 2026?“) — breite
  Survey-Frage über 12 Hefte; Kontext enthält echte Zusammenfassungen,
  Modell verweigert trotzdem (sicherer Fehlermodus). Mögliche spätere
  Hebel: Survey-Rule im Prompt, mehr Kontextblöcke oder Map-Reduce-artige
  Zusammenfassung. Weitere Iterationen erst mit neuen Evaluationsdaten.
- **Latenz**: mean 32 s/ Antwort ist hoch (Dense 27B + große Prompts).
  Hebel: weniger Kontextblöcke (aktuell 8+6), schnellere Kandidaten.
- **Cloud-Modelle** (`*:cloud` auf der Ollama-Instanz) sind für Antworten
  tabu (Anforderung: lokal). Nicht versehentlich konfigurieren.
- **Bake-off M3 — erledigt** (siehe Completed; Entscheidung D7 in
  `planung.md`). Nach Tuning von Prompt/Retrieval: erneuter kurzer
  Bestätigungslauf nur mit dem Sieger.
- **M4 Odoo**: native LLM-Module des konkreten Odoo-19-Stands verifizieren
  (keine API-Annahmen); Option A (dünnes Custom-Modul + Service-API) ist
  Default.
- **Nach KV/RIS-Erweiterung (2026-09-15)**: Antwortmodus vor dem Tuning
  (D10-Follow-up) unter den Gates (Zitier-Präzision 95,2 % — 2 Verlet-
  zungen; Verweigerung 90,5 % — 4 Fehlverweigerungen, u.a. q-022/q-029;
  erwartete Quelle 83,8 %) — Report `data/eval-qwen38-kvris.json`.
  **D11-Fix behoben die 4 Fehlverweigerungen**: Antwortmodus jetzt
  Zitier-Präzision 97,6 %, Verweigerung **97,6 %** (>94,3 %-Gate ✓),
  erwartete Quelle 91,9 %, Retrieval Recall@8 0,946 — Report
  `data/eval-qwen38-kvris-tuned.json`. Verbleibend: q-015 (Branchen-
  Noise) und q-024 als transiente Flakiness (leerer Draft — Think-Ghost-
  Verdacht bei 32k-Kontext; beobachten).
- **q-015 (Tagesgelder Dienstreisen)** — Branchen-Noise: 8 Branchen-KV-
  Einträge verdrängen lb-rei-01/09 (EStG-Taggeld-Abrechnung) aus Top-8;
  generische Branchen-Frage ist mehrdeutig geworden. Hebel: Frage
  präzisieren (Branche/Kontext) oder KV-§-Titel-Matches dämpfen.

## Decisions & conventions

- **D1 (Planung):** Schlanke Eigen-Pipeline statt LangChain/LlamaIndex —
  Grounding-Kontrolle schlägt Framework-Komfort bei 601 Dokumenten.
- **D2:** Retrieval-Korpus ist **nur Layer 2**; Layer 1 bleibt aus Prompts
  (Lizenz); Antworten zitieren `[kb-id]` + `(Stand YYYY-MM)`.
- **D3:** Umlaut-Folding für FTS (NFKD, ß→ss) — gilt konsistent für Index
  und Query; ASCII-Slug-Konvention der Wissensbasis bleibt davon unberührt.
- **D4:** Post-Validierung strikt: zitierte IDs ⊆ Retrieved-Set (Block-Kopf-
  IDs); Fließtext-Verweis-IDs sind KEINE Belege (Systemprompt-Regel 2) —
  Verstoß → 1× Regenerierung → Verweigerung (UNCERTAIN_MESSAGE).
- **D5:** Vektoren-Tabelle ist Cache (Content-Hash × Modell), Rebuild
  löscht sie nicht; `--no-embed` setzt `embed_off` im Config-Copy.
- **D6:** Leeres Retrieval → deterministische Verweigerung ohne LLM-Call.
- **D7 (Bake-off 2026-09-14):** `qwen3.8:27b` ist das fixierte Antwortmodell
  (100 % Zitier-Präzision, 94,3 % Verweigerung korrekt). `gemma4:26b` als
  dokumentierter Latenz-Kandidat; ein Modellwechsel läuft nur erneut über
  das dokumentierte Protokoll (Skill).
- **D8 (Prompt-Tuning 2026-09-14):** Prompt v2 + Kontext-Section-
  Priorität. (a) Regel 4 erlaubt Teilantworten bei unvollständiger Deckung;
  Regel 8 verlangt Prämisse-Korrektur statt Verweigerung (Muster-Beispiel
  „Mindestlohngesetz“). (b) `_representative_chunk` wählt pro Eintrag die
  beste **Inhaltssektion** (Zusammenfassung > Kernwerte > Rechtsgrundlagen
  > Payroll > sonstige; „Verweise“ nur als letzter Rückgriff — BM25
  rangiert die dünnen Navigations-Chunks bevorzugt, q-008-Ursache).
  Ergebnis v1→v2: Zitier-Präzision 100 % gehalten; q-008 + q-031 behoben;
  erwartete Quelle 80,6 → 83,9 %; Verweigerung 94,3 % (Fehler getauscht:
  neu q-029 — breite Survey-Frage über 12 Hefte, sicherer Fehlermodus).
  Report `data/eval-qwen38-v2.json`.
- **D9 (KV/RIS-Erweiterung, 2026-09-15):** kv-/ris-Einträge sind
  **quellentreu generiert** (keine Eigene-Worte-Kuratierung — Gesetze
  sind amtliche Werke, KV-Lohntabellen zahlenexakt; Konvention 2 der
  Wissensbasis gilt nur für die lizenzierten Quellen lb/wk).
  Tool-Output: `tools/ingest_sources.py` + `tools/build_registry.py`
  (Registry in diesem Repo neu gebaut — das Lexis-Tool
  `build_lexis_kb.py` lebt im Schwesterprojekt), eingefrorene Kataloge
  `tools/catalogs/*.json` (nur Metadaten, versioniert). IDs:
  `kv-kvt-<nnn>` (ein Cluster `kollektivvertraege`, Branche als Tag),
  `ris-<cluster-prefix>-<nn>` auf der bestehenden Cluster-Map + 7 neue
  Cluster; `LAW_MAP` in `tools/kb_common.py` (59 Gesetze).
- **D10 (Retrieval-Kalibrierung, 2026-09-15):** nach KV/RIS-Erweiterung
  (3.005 → 14 984 Chunks) dense_weight=2.0 (Dense relativ zu BM25
  gewichtet — BM25 durch KV-§-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. Entry-RRF-Variante getestet: kein Mehrwert.
- **D11 (Prompt-Budget + Kontext-Abdeckung, 2026-09-15):** lange KV-Chunks
  ueberlieferten num_ctx=16384 (q-022: 62,7 KB Prompt ≈ 18k Tokens) —
  Ollama trunciert den Systemprompt vorn, das Modell verliert die
  Zitierregeln („Block 8“-Zitate statt IDs → Regenerierung → Verweigerung).
  Fix: num_ctx 32 768, `trim_results` (max_context_chars=90 000, Tail-
  Bloecke ganz weg statt trunciert, Mindestbestand 6) und
  cross_ref_expand 3 → 6 (die Top-3 sind oft Branchen-KV-Bloecke mit
  leeren cross_refs — kuratierte Nachbarn kamen sonst nie nach).
  Ergebnis: alle 4 Fehlverweigerungs-Faelle (q-001/q-019/q-022/q-029)
  geheilt, 10/10 Bestaetigungslaeufe OK. Eval: Zitier-Praezision 97,6 %,
  Verweigerung 97,6 % (> 94,3 %-Gate ✓), erwartete Quelle 91,9 %
  (vorher 83,8 %), Retrieval Recall@8 **0,946** (cross_ref-Extras
  bringen Expected-IDs nach), MRR 0,671. Latenz mean 33 s.
  Report `data/eval-qwen38-kvris-tuned.json`. Restrisiko: q-024
  flaky (1/3 Laeufe — transienter leerer Draft, Think-Ghost-Verdacht);
  q-015 Branchen-Noise bleibt offen.
- **D12 (Komplexe-Fragen-Stufe 1 / M6, 2026-09-15):** Query-Planer vor dem
  Retrieval: Heuristik-Gate (Jahreszahl, Vergleichs-/Aggregationsmarker,
  Laenge) entscheidet, ob ein kleiner LLM-Call die Frage in 1-3 Sub-Queries
  zerlegt (JSON, temp 0, num_predict 220; Fehler -> Original als Einzel-
  Query). Multi-Query-Retrieval: je Sub-Query BM25+Dense, Beitraege
  summieren; **Per-Query-Slots** (2 je Sub-Query) sichern jeden Frage-
  aspekt im Kontext — ohne sie dominieren Eintraege, die in mehreren
  Sub-Queries mittelgut matchen (q-113: 5 KV-Urlaubs-SS schlugen
  lb-url-05 (Rang 6) und ris-url-01 (>Top-12) ueber beide Sub-Queries).
  **Scope-Filter** je Sub-Query: Planer markiert "gesetz" (nur Lexis/WIKU/
  RIS-Chunks) bzw. "kv" (nur Branchen-KV) — q-113 geheilt (ris-url-01/
  lb-url-05 + KV-Ss im selben Kontext). Scope-Fallback: gefilterte Suche
  leer -> unscoped. Temporal-Intent: stand_year je Sub-Query, kv-Eintraege
  im Geltungsjahr erhalten temporal_boost (default 0 — FTS-Tag-Signal
  `jahr-YYYY` reichte in der Messung). Grounding unveraendert: ein
  Kontext aus der Union, Post-Validierung ueber die gesamte Retrieved-
  Menge, Verweigerungspflicht unveraendert.
  Eval (46 Fragen): Zitier-Praezision 97,8 %, Verweigerung 97,8 %
  (Gate > 94,3 % erfuellt), erwartete Quelle 90,2 %, Latenz mean 33,5 s.
  Temporal-Fragen laufen sogar ohne Planer gut (Jahr-Toknen matchen
  `jahr-YYYY`-Tags). Neue komplexe Fragen im Goldset: q-110 (Temporal 2023,
  nach Korrektur — eine 2024er-Friseur-Lohnordnung existiert im Korpus
  NICHT: kv-kvt-161 ist der Mantelvertrag ohne Lohntabelle; korrekt
  verweigert), q-111 (Temporal 2025), q-112 (Abfertigung Vergleich),
  q-113 (Gesetz+KV Multi-Source). Tests 50 -> 57.
  Offen: q-029 Survey (Stufe-2-Hebel: Map-Reduce), q-113 Planer-
  Scope flaky (1/2 Laeufe ohne gesetz-Marker).
- **D13 (Antworttyp-Routing / Stufe 2, 2026-09-15):** (a) Planer liefert
  jetzt `type: survey|specific`; Survey-Fragen („Welche Neuerungen …“)
  laufen ueber Map-Reduce: breiteres Retrieval (`survey_blocks`=16,
  PV_SURVEY_BLOCKS), ein Map-Call destilliert JE Block als Stichpunkte
  mit seiner KB-ID (MAP_SYSTEM_PROMPT), ein Reduce-Call synthetisiert
  daraus die Antwort mit dem normalen Grounding-Prompt; Zitier-
  Validierung weiterhin strikt ueber die Retrieved-Union, leerer
  Map-Output -> Fallback Einzelantwort. (b) Systemprompt-Regel 9: bei
  wesentlicher Kontextabhaengigkeit (Branche, Bundesland, Zeitraum)
  belegte allgemeine Aussage + EINE Rueckfrage statt Verweigerung
  (API-first; Odoo-Chat kann die Rueckfrage als Follow-up nutzen).
  Ergebnis: **q-029 geheilt** (vorher jahrelange Fehlverweigerung;
  jetzt Teilantwort mit 5 belegten Heften, 95 s — Map-Reduce-Latenz
  nur bei Survey-Fragen), **q-015** antwortet mit expliziter
  KV-Abhaengigkeit + Rueckfrage statt Branchen-Noise. Eval (46 Fragen):
  Zitier-Praezision 97,8 %, Verweigerung 97,8 % (Gate erfuellt),
  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`.
- **D19 (API-first-Vertrag, 2026-09-16):** `/v1/ask`, `/v1/health` und
  `/v1/reindex` sind die stabilen Endpunkte; alte Pfade bleiben deprecated.
  Der Ask-Response enthält Status, Quellen, belegte Konflikte, extrahierte
  Rückfrage, Planungs- und Grounding-Metadaten sowie eine Request-ID. Optionaler
  Bearer-Schutz über `PV_API_KEY`; Reindex kann mit `PV_ADMIN_API_KEY` getrennt
  werden. Leere Keys sind nur lokaler Entwicklungsmodus. Health und öffentliche
  Fehler nennen keine internen Hosts/Exceptions. v1 ist zustandslos,
  `knowledge_base_only`, lehnt unbekannte JSON-Felder ab und akzeptiert keine
  Payroll-/Mitarbeiterobjekte. Odoo-Lohndaten erfordern später einen separaten
  tenant-autorisierten Vertrag mit Datensatzregeln, Datenminimierung, Audit und
  Cross-Tenant-Tests. Vertrag: `docs/API.md`. Der gemeinsame SQLite-Retriever
  ist durch `check_same_thread=False` plus `RLock` worker-thread-sicher. Neue
  Nicht-lokaler CLI-Bind ohne `PV_API_KEY` wird fail-closed abgelehnt. Neue
  API-/Concurrency-Tests erhöhen die Offline-Suite von 75 auf **82 grüne Tests**.
- **D20 (Test-Frontend, 2026-09-16):** FastAPI liefert unter `/` ein
  dependency-freies, responsives Frontend aus `web/` aus. Es nutzt same-origin
  `/v1/ask` und `/v1/health`, zeigt Status, Quellen, Konflikte, Rückfragen,
  Suchplan und Grounding-Metadaten und hält den Verlauf nur im DOM. Ein
  optional gemerkter Service-Key liegt ausschließlich im `sessionStorage` des
  Tabs; kein Secret wird in die Assets injiziert. Modelltext wird ohne
  `innerHTML` gerendert. CSP gilt gezielt für UI/Assets, damit `/docs` nutzbar
  bleibt; globale Header setzen `nosniff`, `DENY` und `no-referrer`. Betrieb
  auf dem Tailscale-Interface: `python -m agent.cli serve --host
  100.103.83.12` mit gesetztem `PV_API_KEY`; UI auf Port 8080. Tests 82 → 84.
- **D21 (Docker-Compose-Deployment, 2026-09-16):** `compose.yaml` baut einen
  gemeinsamen UI-/API-Container, bindet Port 8080 nur an `100.103.83.12` und
  trat zunächst dem externen Netz `ollama-default` bei; D22 korrigiert den
  tatsächlichen Namen auf `ollama_default`. Ollama wird nicht dupliziert;
  `OLLAMA_URL` ist konfigurierbar (Beispiel `http://ollama:11434`, Alias auf
  Zielhost noch zu verifizieren). `data/` ist schreibbar, `wissensbasis/`
  read-only; Root-FS read-only, Capabilities entfernt, no-new-privileges,
  unprivilegierter `PUID:PGID`, verpflichtender `PV_API_KEY`. `.dockerignore`
  hält `.env`, Index, Layer-1-Korpora und KB aus dem Image; Runtime-Image nutzt
  `requirements-runtime.txt`. Compose `config --quiet`, Image-Build und
  read-only Import-/Asset-Smoke-Test bestanden. Deployment: `docs/DOCKER.md`.
  Statische Deploymenttests erhöhen die Suite von 84 auf **87 Tests**.
- **D22 (Bootstrap, Audit und Bewertungen, 2026-09-16):** Das Container-CMD
  führt vor FastAPI `agent.bootstrap` aus. Ein Index gilt nur bei vorhandenen
  Chunks und vollständiger Vektorabdeckung für `PV_EMBED_MODEL` als bereit;
  andernfalls wird er im externen Netz `ollama_default` automatisch aufgebaut.
  Embedding-Fehler stoppen den Container statt BM25-only in Produktion zu
  starten. `agent.audit` protokolliert Interaktionen und Bewertungen in
  `data/audit.db` mit konfigurierbarer 30-Tage-Aufbewahrung und optionalen
  `AUDIT`-JSON-Zeilen nach stdout. `PV_AUDIT_LOG_CONTENT=false` entfernt alle
  Freitexte inklusive indirekter Inhalte in Suchplan/Quellen/Konflikten. Die
  authentisierte API `/v1/ratings` speichert `up|down` plus optionalen Kommentar;
  das Frontend zeigt die Funktion nur bei aktiviertem Audit. Keys/Header werden
  nie geloggt. Docker-JSON-Logs rotieren bei 50 MB × 5. Letzte Einträge:
  `python -m agent.cli audit --limit 20`. Offline-Suite **93 Tests**; Compose-
  Validierung, Image-Rebuild und unprivilegierter read-only Bootstrap-Smoke-Test
  gegen den bestehenden vollständigen Index bestanden.
- **D23 (Antwortkommentare, 2026-09-16):** Zusätzlich zu `up|down` besitzt
  jede protokollierte Antwort eine immer sichtbare Kommentarbox. Der
  authentisierte Endpunkt `/v1/comments` speichert mehrere, jeweils datierte
  Kommentare pro Request-ID in der separaten Audit-Tabelle `comments`; leere
  Texte werden abgewiesen, Maximallänge 2.000 Zeichen. `agent.cli audit` gibt
  Kommentare gemeinsam mit Interaktion und Bewertung aus. Bei deaktivierter
  Inhaltsprotokollierung bleiben Kommentarereignis und ID sichtbar, der Text
  wird weder in SQLite noch stdout gespeichert.
- **D24 (Kostenaufstellung + think-Fix, 2026-09-16):** (a)
  `is_decision_support` matcht auf `normalize_text(question)`; die Regex deckt
  neben NFKD-Folding (gunstig/losung) auch ue-Schreibweisen (guenstigste
  loesung) ab — vorher liefen solche Fragen in den generischen LLM-Planer und
  wurden verweigert. (b) Neue Trigger: "einmalig ... auszah", "bar auszah",
  "wieviel/wie viel ... kostet", "kostet mich", "mitarbeiterpra(e)m". (c)
  COST_INTENT: deterministischer Plan ergänzt `cost_tax` (einmalige Bezüge,
  Jahressechstel 6 %, 620 — trifft lb-son-04) und `cost_lnk` (Beitragssätze DN
  + Dienstgeberanteil, DB/DZ, KommSt — trifft lb-sva-06, lb-lnk-02/07); bei
  Kostennnabsicht fällt Zukunftssicherung weg (Slots), Cap 4 Queries. (d) Regel
  11: konkrete Eckdaten → Arbeitgeberkosten Schritt für Schritt aus belegten
  Sätzen rechnen, Annahmen nennen, Rückfrage nur bei wesentlichem Fehlen.
  (e) generate.chat(): OllamaError bei think=true (leerer content, Antwort nur
  im thinking-Feld) → einmaliger Retry ohne thinking. (f) Goldset q-128/q-129
  (beide recall=1,00). Offline-Eval 56 Fragen: Hit-Rate 0,98 · Recall@8 0,95 ·
  MRR 0,67. Real-Läufe: Q1 (günstigste) verified, 1 Regen; Q2 (Kosten) verified
  mit AG-SV-Rechnung; PV_THINK=true verified (281 s).
- **Bake-off-Protokoll** (Skill): Modellwechsel nur über dokumentierten
  Goldset-Vergleich; Kriterium: Zitier-Präzision > Verweigerungs-
  korrektheit > Latenz.

## Files that matter right now

- `planung.md` — Plan + Entscheidungspunkte (Abschnitt 12) + Stand.
- `.agents/skills/pv-rag-agent/SKILL.md` — verbindliche Regeln.
- `agent/README.md` — Betrieb, Konfiguration, Host-Schritte.
- `.oddo-module/` (Symlink) — Odoo-19-Addon-Bestand; `planung.md` Abschnitt 14
  — M4/D25-Planung; `l10n_at_hr_payroll_private/models/kollektivvertrag.py` —
  KV-Katalog mit `library_variant_id` (Brücke zu KB).
- `docs/API.md` — v1-Vertrag, Authentisierung, Privacy-Grenze und Odoo-Aufruf.
- `agent/api.py` — versionierte Service-Oberfläche, UI-Auslieferung und Sicherheitsgrenzen.
- `web/` — dependency-freies Test-Frontend.
- `compose.yaml`, `Dockerfile`, `.env.example`, `.dockerignore` — Zielhost-Stack und automatischer Bootstrap.
- `agent/bootstrap.py`, `agent/audit.py` — Indexbereitschaft, Q&A-Log und Bewertungen.
- `docs/DOCKER.md` — Deployment, Indexaufbau und Smoke-Tests.
- `agent/eval/goldset.yaml` — Goldset (IDs gegen kb.json verifiziert).
- `agent/generate.py` — Grounding-Kern (Prompt, Post-Validierung).
- `wissensbasis/README.md` — Layer-2-Schema + Rechtsprechungs-Provenance.
- `tools/ingest_sources.py` / `tools/catalogs/rj_catalog.json` — rj-Intake und gefrorene IDs.
- `agent/eval/goldset.yaml` — q-120–123; als Nächstes Antwortmodus-Eval.