app/core/retrieval/decision_engine.py

@@ -3,13 +3,13 @@ FILE: app/core/retrieval/decision_engine.py
 DESCRIPTION: Der Agentic Orchestrator für MindNet (WP-25b Edition). 
              Realisiert Multi-Stream Retrieval, Intent-basiertes Routing 
              und die neue Lazy-Prompt Orchestrierung (Module A & B).
-VERSION: 1.3.0 (WP-25b: Lazy Prompt Orchestration)
+VERSION: 1.3.1 (WP-25b: Robust Intent Cleaning & Lazy Loading)
 STATUS: Active
 FIX: 
+- WP-25b: Robuste Bereinigung von Intent-Strings (Fix: CODING[/S] -> CODING).
 - WP-25b: Umstellung auf Lazy-Loading (Übergabe von prompt_key + variables).
-- WP-25b: Entfernung lokaler String-Formatierung zur Ermöglichung modell-spezifischer Prompts.
-- WP-25a: Volle Integration der Profil-Kaskade via LLMService v3.5.5.
-- WP-25: Beibehaltung von Stream-Tracing und Pre-Initialization Robustness.
+- WP-25a: Voller Erhalt der Profil-Kaskade via LLMService v3.5.5.
+- WP-25: Beibehaltung von Stream-Tracing, Edge-Boosts und Pre-Initialization.
 """
 import asyncio
 import logging
@@ -76,14 +76,13 @@ class DecisionEngine:
         return await self._generate_final_answer(strategy_key, strategy, query, stream_results)
 
     async def _determine_strategy(self, query: str) -> str:
-        """WP-25b: Nutzt den LLM-Router via Lazy-Loading prompt_key."""
+        """WP-25b: Nutzt den LLM-Router via Lazy-Loading und bereinigt Modell-Artefakte."""
         settings_cfg = self.config.get("settings", {})
         prompt_key = settings_cfg.get("router_prompt_key", "intent_router_v1")
         router_profile = settings_cfg.get("router_profile")
         
         try:
-            # WP-25b: Keine manuelle Formatierung mehr. Wir übergeben nur Key und Variablen.
-            # Der LLMService wählt den passenden Prompt für das router_profile Modell.
+            # WP-25b: Delegation an LLMService ohne manuelle Vor-Formatierung.
             response = await self.llm_service.generate_raw_response(
                 prompt_key=prompt_key,
                 variables={"query": query},
@@ -91,7 +90,20 @@ class DecisionEngine:
                 priority="realtime", 
                 profile_name=router_profile
             )
-            return str(response).strip().upper()
+            
+            # WP-25b FIX: Bereinigung von Stop-Markern wie [/S] oder </s>
+            raw_intent = str(response).replace("[/S]", "").replace("</s>", "").strip().upper()
+            
+            # Robustheit: Nur das erste Wort nehmen, falls das Modell zu viel plaudert
+            intent = raw_intent.split()[0] if raw_intent else "FACT_WHAT"
+            
+            # Validierung gegen bekannte Strategien aus der decision_engine.yaml
+            known_strategies = self.config.get("strategies", {}).keys()
+            if intent not in known_strategies:
+                logger.warning(f"⚠️ Unmapped intent '{intent}' from router. Falling back.")
+                return "FACT_WHAT"
+                
+            return intent
         except Exception as e:
             logger.error(f"Strategy Routing failed: {e}")
             return "FACT_WHAT"
@@ -150,8 +162,7 @@ class DecisionEngine:
     async def _compress_stream_content(self, stream_name: str, content: str, query: str, profile: Optional[str]) -> str:
         """WP-25b Module A: Inhaltsverdichtung via Lazy-Loading 'compression_template'."""
         try:
-            # WP-25b: Wir übergeben den Auftrag an den LLMService.
-            # Das Modell-spezifische Template wird erst beim Call aufgelöst.
+            # WP-25b: Delegation der Inhaltsverdichtung an den LLMService.
             summary = await self.llm_service.generate_raw_response(
                 prompt_key="compression_template", 
                 variables={
@@ -169,7 +180,7 @@ class DecisionEngine:
             return content
 
     async def _run_single_stream(self, name: str, cfg: Dict, query: str) -> QueryResponse:
-        """Spezialisierte Graph-Suche mit Stream-Tracing (WP-25)."""
+        """Spezialisierte Graph-Suche mit Stream-Tracing und Edge-Boosts (WP-25)."""
         transformed_query = cfg.get("query_template", "{query}").format(query=query)
         
         request = QueryRequest(
@@ -177,7 +188,7 @@ class DecisionEngine:
             top_k=cfg.get("top_k", 5),
             filters={"type": cfg.get("filter_types", [])},
             expand={"depth": 1},
-            boost_edges=cfg.get("edge_boosts", {}),
+            boost_edges=cfg.get("edge_boosts", {}), # WP-25a Erhalt
             explain=True
         )
         
@@ -204,19 +215,23 @@ class DecisionEngine:
         query: str, 
         stream_results: Dict[str, str]
     ) -> str:
-        """WP-25b: Finale Synthese via Lazy-Prompt 'rag_template'."""
+        """WP-25b: Finale Synthese via Lazy-Prompt Orchestrierung."""
         profile = strategy.get("llm_profile")
-        template_key = strategy.get("prompt_template", "rag_template")
+        # Nutzt den Key aus der YAML oder 'fact_synthesis_v1' als sicheren Default
+        template_key = strategy.get("prompt_template", "fact_synthesis_v1")
         system_prompt = self.llm_service.get_prompt("system_prompt")
 
-        # WP-25 ROBUSTNESS: Pre-Initialization
+        # WP-25 ROBUSTNESS: Pre-Initialization der Variablen
         all_possible_streams = ["values_stream", "facts_stream", "biography_stream", "risk_stream", "tech_stream"]
         template_vars = {s: "" for s in all_possible_streams}
         template_vars.update(stream_results)
         template_vars["query"] = query
         
-        # WP-25b: Wir reichen die Variablen direkt an den Service weiter.
-        # Formatierung erfolgt erst nach Profil-Auflösung (Gemini vs. Llama vs. Phi3).
+        # WP-25a Erhalt: Optionale Prepend-Anweisung
+        template_vars["prepend_instruction"] = strategy.get("prepend_instruction", "")
+        
+        # WP-25b: Delegation der Synthese an den LLMService.
+        # Formatierung erfolgt erst nach Profil-Auflösung (Gemini vs. Llama vs. Qwen).
         try:
             return await self.llm_service.generate_raw_response(
                 prompt_key=template_key,

app/services/llm_service.py

@@ -108,7 +108,7 @@ class LLMService:
         if not isinstance(data, dict):
             return str(data)
 
-        # 1. Spezifischstes Match: Exakte Modell-ID (z.B. 'meta-llama/llama-3.3-70b-instruct:free')
+        # 1. Spezifischstes Match: Exakte Modell-ID (z.B. 'google/gemini-2.0-flash-exp:free')
         if model_id and model_id in data:
             return str(data[model_id])
         
@@ -166,6 +166,7 @@ class LLMService:
         if prompt_key:
             template = self.get_prompt(prompt_key, model_id=target_model, provider=target_provider)
             try:
+                # Formatierung mit den übergebenen Variablen
                 current_prompt = template.format(**(variables or {}))
             except Exception as e:
                 logger.error(f"❌ Prompt formatting failed for key '{prompt_key}': {e}")