debug

app/routers/chat.py

@@ -1,15 +1,8 @@
 """
 app/routers/chat.py — RAG Endpunkt (WP-05)
 
-Zweck:
-    Verbindet Retrieval (WP-04) mit LLM-Generation (WP-05).
-    1. Empfängt User-Frage.
-    2. Sucht relevante Chunks (Retriever).
-    3. Baut Kontext-String.
-    4. Generiert Antwort via Ollama.
-
 Version:
-    0.1.0
+    0.1.1 (Debug-Logging enabled)
 """
 
 from fastapi import APIRouter, HTTPException, Depends
@@ -21,13 +14,11 @@ import logging
 from app.models.dto import ChatRequest, ChatResponse, QueryRequest, QueryHit
 from app.services.llm_service import LLMService
 # Annahme: Der Retriever aus WP-04 liegt hier.
-# Falls Import-Fehler: Bitte Pfad prüfen (z.B. app.services.retriever oder app.core.retriever)
 from app.core.retriever import Retriever 
 
 router = APIRouter()
 logger = logging.getLogger(__name__)
 
-# Dependency für Services (Singletons oder Factory wäre sauberer, hier pragmatisch instanziiert)
 def get_llm_service():
     return LLMService()
 
@@ -37,18 +28,24 @@ def get_retriever():
 def _build_context_from_hits(hits: List[QueryHit]) -> str:
     """
     Formatiert die Suchtreffer zu einem String für den Prompt.
-    Extrahiert Text aus hit.source (wo der Chunk-Inhalt liegt).
     """
     context_parts = []
     for i, hit in enumerate(hits, 1):
-        # Wir versuchen, den Text aus verschiedenen gängigen Feldern zu holen
         source = hit.source or {}
-        content = source.get("text") or source.get("content") or "No text content available."
+        # Wir probieren alle möglichen Felder, in denen Text stecken könnte
+        content = (
+            source.get("text") or 
+            source.get("content") or 
+            source.get("page_content") or 
+            source.get("chunk_text") or # Oft verwendet
+            "[[LEERER INHALT - PAYLOAD PRÜFEN]]"
+        )
+        
         title = hit.note_id or "Unknown Note"
         
-        # Formatierung:
+        # Debug Log für jeden Hit
-        # [1] Titel der Notiz (Score: 0.85)
+        logger.info(f"Building Context [{i}]: ID={hit.node_id} Content-Length={len(str(content))}")
-        # Inhalt...
+        
         entry = (
             f"SOURCE [{i}]: {title} (Score: {hit.total_score:.2f})\n"
             f"CONTENT: {content}\n"
@@ -69,17 +66,14 @@ async def chat_endpoint(
     logger.info(f"Chat request [{query_id}]: {request.message}")
 
     try:
-        # 1. Retrieval: Wir nutzen den existierenden Retriever
+        # 1. Retrieval
-        # Wir mappen ChatRequest auf QueryRequest (WP-04 Logik)
         query_req = QueryRequest(
             query=request.message,
-            mode="hybrid",     # Hybrid ist am robustesten für RAG
+            mode="hybrid",
             top_k=request.top_k,
-            explain=request.explain # Traceability weitergeben
+            explain=request.explain
         )
         
-        # Retrieval ausführen (retriever.search erwartet QueryRequest)
-        # Hinweis: retrieve_result ist vom Typ QueryResponse (aus DTO)
         retrieve_result = await retriever.search(query_req)
         hits = retrieve_result.results
 
@@ -90,18 +84,20 @@ async def chat_endpoint(
         else:
             context_str = _build_context_from_hits(hits)
             
+        # WICHTIG: Wir loggen den ersten Teil des Kontextes, um zu sehen, was das LLM bekommt
+        logger.info(f"--- LLM CONTEXT PREVIEW ---\n{context_str[:500]}\n--- END PREVIEW ---")
+
         # 3. LLM Generation
-        logger.info(f"[{query_id}] Generating answer with {len(hits)} context chunks...")
         answer_text = await llm.generate_rag_response(
             query=request.message,
             context_str=context_str
         )
 
-        # 4. Response bauen
+        # 4. Response
         duration_ms = int((time.time() - start_time) * 1000)
         
         return ChatResponse(
-            query_id=retrieve_result.query_id, # Wir nutzen die ID vom Retriever für Konsistenz
+            query_id=retrieve_result.query_id,
             answer=answer_text,
             sources=hits,
             latency_ms=duration_ms