Mit ChatGBT Überarbeitetes Modell WP20

app/services/llm_service.py

@@ -4,7 +4,9 @@ DESCRIPTION: Hybrid-Client für Ollama, Google GenAI (Gemini) und OpenRouter.
              Verwaltet provider-spezifische Prompts und Background-Last.
              WP-20: Optimiertes Fallback-Management zum Schutz von Cloud-Quoten.
              WP-20 Fix: Bulletproof Prompt-Auflösung für format() Aufrufe.
-VERSION: 3.3.2
+             WP-22/JSON: Optionales JSON-Schema + strict (für OpenRouter structured outputs),
+                         OHNE Breaking Changes (neue Parameter nur am Ende).
+VERSION: 3.3.3
 STATUS: Active
 """
 import httpx
@@ -14,13 +16,14 @@ import asyncio
 import json
 from google import genai
 from google.genai import types
-from openai import AsyncOpenAI # Für OpenRouter (OpenAI-kompatibel)
+from openai import AsyncOpenAI  # Für OpenRouter (OpenAI-kompatibel)
 from pathlib import Path
 from typing import Optional, Dict, Any, Literal
 from app.config import get_settings
 
 logger = logging.getLogger(__name__)
 
+
 class LLMService:
     # GLOBALER SEMAPHOR für Hintergrund-Last Steuerung (WP-06)
     _background_semaphore = None
@@ -28,16 +31,16 @@ class LLMService:
     def __init__(self):
         self.settings = get_settings()
         self.prompts = self._load_prompts()
-        
+
         # Initialisiere Semaphore einmalig auf Klassen-Ebene
         if LLMService._background_semaphore is None:
             limit = getattr(self.settings, "BACKGROUND_LIMIT", 2)
             logger.info(f"🚦 LLMService: Initializing Background Semaphore with limit: {limit}")
             LLMService._background_semaphore = asyncio.Semaphore(limit)
-        
+
         # 1. Lokaler Ollama Client
         self.ollama_client = httpx.AsyncClient(
-            base_url=self.settings.OLLAMA_URL, 
+            base_url=self.settings.OLLAMA_URL,
             timeout=httpx.Timeout(self.settings.LLM_TIMEOUT)
         )
 
@@ -74,63 +77,126 @@ class LLMService:
         Hole provider-spezifisches Template mit intelligenter Text-Kaskade.
         HINWEIS: Dies ist nur ein Text-Lookup und verbraucht kein API-Kontingent.
         Kaskade: Gewählter Provider -> Gemini (Cloud-Stil) -> Ollama (Basis-Stil).
-        
+
         WP-20 Fix: Garantiert die Rückgabe eines Strings, um AttributeError zu vermeiden.
         """
         active_provider = provider or self.settings.MINDNET_LLM_PROVIDER
         data = self.prompts.get(key, "")
-        
+
         if isinstance(data, dict):
             # Wir versuchen erst den Provider, dann Gemini (weil ähnlich leistungsfähig), dann Ollama
             val = data.get(active_provider, data.get("gemini", data.get("ollama", "")))
-            
+
             # Falls val durch YAML-Fehler immer noch ein Dict ist, extrahiere ersten String
             if isinstance(val, dict):
                 logger.warning(f"⚠️ [LLMService] Nested dictionary detected for key '{key}'. Using first entry.")
                 val = next(iter(val.values()), "") if val else ""
             return str(val)
-            
+
         return str(data)
 
     async def generate_raw_response(
-        self, prompt: str, system: str = None, force_json: bool = False,
+        self,
-        max_retries: int = 2, base_delay: float = 2.0,
+        prompt: str,
+        system: str = None,
+        force_json: bool = False,
+        max_retries: int = 2,
+        base_delay: float = 2.0,
         priority: Literal["realtime", "background"] = "realtime",
         provider: Optional[str] = None,
-        model_override: Optional[str] = None
+        model_override: Optional[str] = None,
+        # --- NEW (am Ende => rückwärtskompatibel!) ---
+        json_schema: Optional[Dict[str, Any]] = None,
+        json_schema_name: str = "mindnet_json",
+        strict_json_schema: bool = True
     ) -> str:
-        """Haupteinstiegspunkt für LLM-Anfragen mit Priorisierung."""
+        """
+        Haupteinstiegspunkt für LLM-Anfragen mit Priorisierung.
+
+        force_json:
+          - Ollama: nutzt payload["format"]="json"
+          - Gemini: nutzt response_mime_type="application/json"
+          - OpenRouter: nutzt response_format=json_object (Fallback) oder json_schema (structured outputs)
+
+        json_schema + strict_json_schema (nur OpenRouter relevant):
+          - Wenn json_schema gesetzt ist UND force_json=True -> response_format.type="json_schema"
+          - strict_json_schema wird an OpenRouter/Provider weitergereicht (best effort je nach Provider)
+        """
         target_provider = provider or self.settings.MINDNET_LLM_PROVIDER
-        
+
         if priority == "background":
             async with LLMService._background_semaphore:
-                return await self._dispatch(target_provider, prompt, system, force_json, max_retries, base_delay, model_override)
+                return await self._dispatch(
-        
+                    target_provider,
-        return await self._dispatch(target_provider, prompt, system, force_json, max_retries, base_delay, model_override)
+                    prompt,
+                    system,
+                    force_json,
+                    max_retries,
+                    base_delay,
+                    model_override,
+                    json_schema,
+                    json_schema_name,
+                    strict_json_schema
+                )
 
-    async def _dispatch(self, provider, prompt, system, force_json, max_retries, base_delay, model_override):
+        return await self._dispatch(
+            target_provider,
+            prompt,
+            system,
+            force_json,
+            max_retries,
+            base_delay,
+            model_override,
+            json_schema,
+            json_schema_name,
+            strict_json_schema
+        )
+
+    async def _dispatch(
+        self,
+        provider: str,
+        prompt: str,
+        system: Optional[str],
+        force_json: bool,
+        max_retries: int,
+        base_delay: float,
+        model_override: Optional[str],
+        json_schema: Optional[Dict[str, Any]],
+        json_schema_name: str,
+        strict_json_schema: bool
+    ) -> str:
         """Routet die Anfrage an den physikalischen API-Provider."""
         try:
             if provider == "openrouter" and self.openrouter_client:
-                return await self._execute_openrouter(prompt, system, force_json, model_override)
+                return await self._execute_openrouter(
-            
+                    prompt=prompt,
+                    system=system,
+                    force_json=force_json,
+                    model_override=model_override,
+                    json_schema=json_schema,
+                    json_schema_name=json_schema_name,
+                    strict_json_schema=strict_json_schema
+                )
+
             if provider == "gemini" and self.google_client:
                 return await self._execute_google(prompt, system, force_json, model_override)
-            
+
             # Default/Fallback zu Ollama
             return await self._execute_ollama(prompt, system, force_json, max_retries, base_delay)
-            
+
         except Exception as e:
-            # QUOTEN-SCHUTZ: Wenn Cloud (OpenRouter/Gemini) fehlschlägt, 
+            # QUOTEN-SCHUTZ: Wenn Cloud (OpenRouter/Gemini) fehlschlägt,
             # gehen wir IMMER zu Ollama, niemals von OpenRouter zu Gemini.
             if self.settings.LLM_FALLBACK_ENABLED and provider != "ollama":
-                logger.warning(f"🔄 Provider {provider} failed: {e}. Falling back to LOCAL OLLAMA to protect cloud quotas.")
+                logger.warning(
+                    f"🔄 Provider {provider} failed: {e}. Falling back to LOCAL OLLAMA to protect cloud quotas."
+                )
                 return await self._execute_ollama(prompt, system, force_json, max_retries, base_delay)
             raise e
 
     async def _execute_google(self, prompt, system, force_json, model_override):
         """Native Google SDK Integration (Gemini)."""
-        # Nutzt GEMINI_MODEL aus config.py falls kein override (z.B. für Ingestion) übergeben wurde
+        # Nutzt GEMINI_MODEL aus config.py falls kein override übergeben wurde
         model = model_override or self.settings.GEMINI_MODEL
         config = types.GenerateContentConfig(
             system_instruction=system,
@@ -143,19 +209,52 @@ class LLMService:
         )
         return response.text.strip()
 
-    async def _execute_openrouter(self, prompt, system, force_json, model_override):
+    async def _execute_openrouter(
-        """OpenRouter API Integration (OpenAI-kompatibel)."""
+        self,
-        # Nutzt OPENROUTER_MODEL aus config.py (v0.6.2)
+        prompt: str,
+        system: Optional[str],
+        force_json: bool,
+        model_override: Optional[str],
+        # --- NEW (optional) ---
+        json_schema: Optional[Dict[str, Any]] = None,
+        json_schema_name: str = "mindnet_json",
+        strict_json_schema: bool = True
+    ) -> str:
+        """
+        OpenRouter API Integration (OpenAI-kompatibel).
+
+        force_json=True:
+          - Ohne json_schema -> response_format={"type":"json_object"}
+          - Mit json_schema -> response_format={"type":"json_schema", "json_schema": {..., "strict": True}}
+
+        Wichtig: response_format NICHT als None senden (robuster gegenüber SDK/Provider).
+        """
+        # Nutzt OPENROUTER_MODEL aus config.py
         model = model_override or self.settings.OPENROUTER_MODEL
         messages = []
         if system:
             messages.append({"role": "system", "content": system})
         messages.append({"role": "user", "content": prompt})
-        
+
+        kwargs: Dict[str, Any] = {}
+
+        if force_json:
+            if json_schema:
+                kwargs["response_format"] = {
+                    "type": "json_schema",
+                    "json_schema": {
+                        "name": json_schema_name,
+                        "strict": strict_json_schema,
+                        "schema": json_schema
+                    }
+                }
+            else:
+                kwargs["response_format"] = {"type": "json_object"}
+
         response = await self.openrouter_client.chat.completions.create(
             model=model,
             messages=messages,
-            response_format={"type": "json_object"} if force_json else None
+            **kwargs
         )
         return response.choices[0].message.content.strip()
 
@@ -167,11 +266,13 @@ class LLMService:
             "stream": False,
             "options": {
                 "temperature": 0.1 if force_json else 0.7,
-                "num_ctx": 8192     
+                "num_ctx": 8192
             }
         }
-        if force_json: payload["format"] = "json"
+        if force_json:
-        if system: payload["system"] = system
+            payload["format"] = "json"
+        if system:
+            payload["system"] = system
 
         attempt = 0
         while True:
@@ -193,16 +294,16 @@ class LLMService:
         provider = self.settings.MINDNET_LLM_PROVIDER
         system_prompt = self.get_prompt("system_prompt", provider)
         rag_template = self.get_prompt("rag_template", provider)
-        
+
         final_prompt = rag_template.format(context_str=context_str, query=query)
-        
+
         return await self.generate_raw_response(
-            final_prompt, 
+            final_prompt,
-            system=system_prompt, 
+            system=system_prompt,
             priority="realtime"
         )
 
     async def close(self):
         """Schließt die HTTP-Verbindungen."""
         if self.ollama_client:
-            await self.ollama_client.aclose()
+            await self.ollama_client.aclose()

app/services/semantic_analyzer.py

@@ -3,7 +3,7 @@ FILE: app/services/semantic_analyzer.py
 DESCRIPTION: KI-gestützte Kanten-Validierung. Nutzt LLM (Background-Priority), um Kanten präzise einem Chunk zuzuordnen.
              WP-20 Fix: Volle Kompatibilität mit der gehärteten LLMService (v3.3.2) Kaskade.
              WP-22: Integration von valid_types zur Halluzinations-Vermeidung.
-VERSION: 2.2.2
+VERSION: 2.2.3
 STATUS: Active
 DEPENDENCIES: app.services.llm_service, app.services.edge_registry, json, logging
 LAST_ANALYSIS: 2025-12-23
@@ -29,26 +29,39 @@ class SemanticAnalyzer:
         """
         Prüft, ob ein String eine valide Kante im Format 'kind:target' ist.
         Verhindert, dass LLM-Geschwätz als Kante durchrutscht.
+
+        WP-22 Erweiterung:
+        - kind muss (wenn valid_types verfügbar) im kontrollierten Vokabular enthalten sein.
         """
         if not isinstance(edge_str, str) or ":" not in edge_str:
             return False
-            
+
         parts = edge_str.split(":", 1)
         kind = parts[0].strip()
         target = parts[1].strip()
-        
+
         # Regel 1: Ein 'kind' (Beziehungstyp) darf keine Leerzeichen enthalten.
         if " " in kind:
             return False
-            
+
         # Regel 2: Plausible Länge für den Typ
         if len(kind) > 40 or len(kind) < 2:
             return False
-            
+
         # Regel 3: Target darf nicht leer sein
         if not target:
             return False
-            
+
+        # WP-22: kontrolliertes Vokabular erzwingen (falls vorhanden/geladen)
+        try:
+            if hasattr(edge_registry, "valid_types") and edge_registry.valid_types:
+                if kind not in edge_registry.valid_types:
+                    return False
+        except Exception:
+            # Bei Registry-Problemen lieber nicht crashen -> konservativ: ablehnen wäre auch möglich,
+            # aber wir bleiben kompatibel und robust.
+            pass
+
         return True
 
     async def assign_edges_to_chunk(self, chunk_text: str, all_edges: List[str], note_type: str) -> List[str]:
@@ -61,7 +74,7 @@ class SemanticAnalyzer:
 
         # 1. Prompt laden via get_prompt (handelt die Provider-Kaskade automatisch ab)
         prompt_template = self.llm.get_prompt("edge_allocation_template")
-        
+
         # Sicherheits-Check für die Format-Methode
         if not prompt_template or isinstance(prompt_template, dict):
             logger.warning("⚠️ [SemanticAnalyzer] Prompt 'edge_allocation_template' konnte nicht als String geladen werden. Nutze Not-Fallback.")
@@ -77,14 +90,14 @@ class SemanticAnalyzer:
         edge_registry.ensure_latest()
         valid_types_str = ", ".join(sorted(list(edge_registry.valid_types)))
         edges_str = "\n".join([f"- {e}" for e in all_edges])
-        
+
         # LOG: Request Info
         logger.debug(f"🔍 [SemanticAnalyzer] Request: {len(chunk_text)} chars Text, {len(all_edges)} Candidates.")
 
         # 3. Prompt füllen (FIX: valid_types hinzugefügt, um FormatError zu beheben)
         try:
             final_prompt = prompt_template.format(
-                chunk_text=chunk_text[:3500], 
+                chunk_text=chunk_text[:3500],
                 edge_list=edges_str,
                 valid_types=valid_types_str
             )
@@ -94,10 +107,11 @@ class SemanticAnalyzer:
 
         try:
             # 4. LLM Call mit Traffic Control (Background Priority)
+            # NOTE: Keine neuen Parameter hier, damit es mit deinem aktuellen llm_service.py kompatibel bleibt.
             response_json = await self.llm.generate_raw_response(
                 prompt=final_prompt,
                 force_json=True,
-                max_retries=5, 
+                max_retries=5,
                 base_delay=5.0,
                 priority="background"
             )
@@ -107,8 +121,8 @@ class SemanticAnalyzer:
 
             # 5. Parsing & Cleaning
             clean_json = response_json.replace("```json", "").replace("```", "").strip()
-            
+
-            if not clean_json: 
+            if not clean_json:
                 logger.warning("⚠️ [SemanticAnalyzer] Leere Antwort vom LLM erhalten.")
                 return []
 
@@ -122,15 +136,15 @@ class SemanticAnalyzer:
 
             # 6. Robuste Validierung (List vs Dict)
             raw_candidates = []
-            
+
             if isinstance(data, list):
                 raw_candidates = data
-            
+
             elif isinstance(data, dict):
                 logger.info(f"ℹ️ [SemanticAnalyzer] LLM lieferte Dict statt Liste. Versuche Reparatur.")
                 for key, val in data.items():
                     if key.lower() in ["edges", "results", "kanten", "matches"] and isinstance(val, list):
-                         raw_candidates.extend(val)
+                        raw_candidates.extend(val)
                     elif isinstance(val, str):
                         raw_candidates.append(f"{key}:{val}")
                     elif isinstance(val, list):
@@ -147,7 +161,7 @@ class SemanticAnalyzer:
                     logger.debug(f"   [SemanticAnalyzer] Invalid edge format rejected: '{e_str}'")
 
             final_result = [e for e in valid_edges if ":" in e]
-            
+
             if final_result:
                 logger.info(f"✅ [SemanticAnalyzer] Success. {len(final_result)} Kanten zugewiesen.")
             else:
@@ -169,4 +183,4 @@ def get_semantic_analyzer():
     global _analyzer_instance
     if _analyzer_instance is None:
         _analyzer_instance = SemanticAnalyzer()
-    return _analyzer_instance
+    return _analyzer_instance

config/prompts.yaml

@@ -184,13 +184,13 @@ edge_allocation_template:
     ERLAUBTE TYPEN: {valid_types}
     TEXT: {chunk_text}
     KANDIDATEN: {edge_list}
-    OUTPUT: STRIKT eine flache JSON-Liste ["typ:ziel"]. Keine Objekte!
+    OUTPUT: STRIKT eine flache JSON-Liste ["typ:ziel"]. Kein Text davor/danach. Wenn nichts: []. Keine Objekte!
   openrouter: |
     Filtere relevante Kanten.
     ERLAUBTE TYPEN: {valid_types}
     TEXT: {chunk_text}
     KANDIDATEN: {edge_list}
-    Output: JSON-Liste ["typ:ziel"].
+     OUTPUT: STRIKT JSON-Liste ["typ:ziel"]. Kein Text davor/danach. Wenn nichts: [].
 
 # ---------------------------------------------------------
 # 7. SMART EDGE ALLOCATION: Extraktion (Intent: INGEST)
@@ -221,9 +221,9 @@ edge_extraction:
     Analysiere '{note_id}'. Extrahiere semantische Beziehungen.
     ERLAUBTE TYPEN: {valid_types}
     TEXT: {text}
-    OUTPUT: STRIKT JSON-Liste von Objekten: [[{{"to": "Ziel", "kind": "typ"}}]]. Keine Erklärungen!
+    OUTPUT: STRIKT JSON-Array von Objekten: [{{"to":"Ziel","kind":"typ"}}]. Kein Text davor/danach. Wenn nichts: [].
   openrouter: |
     Wissensgraph-Extraktion für '{note_id}'.
     ERLAUBTE TYPEN: {valid_types}
     TEXT: {text}
-    OUTPUT: STRIKT JSON-Liste von Objekten: [[{{"to": "X", "kind": "Y"}}]]. Keine Dictionaries mit Schlüsseln wie 'edges'!
+    OUTPUT: STRIKT JSON-Array von Objekten: [{{"to":"X","kind":"Y"}}]. Kein Text davor/danach. Wenn nichts: []. Keine Wrapper-Objekte (z.B. kein Top-Level-Key 'edges').