app/core/chunker.py

@@ -207,7 +207,7 @@ def _extract_all_edges_from_md(md_text: str, note_id: str, note_type: str) -> Li
     Ruft die Edge-Derivation auf Note-Ebene auf und gibt die Kanten im Format "kind:Target" zurück.
     """
     
-    # Korrigierte Argumentreihenfolge (Positionale und Keyword-Argumente getrennt)
+    # FIX: Korrigierte Argumentübergabe als explizite Keyword Arguments
     raw_edges: List[Dict] = build_edges_for_note(
         md_text, 
         note_id=note_id, 
@@ -252,13 +252,16 @@ async def _strategy_smart_edge_allocation(md_text: str, config: Dict, note_id: s
     if all_note_edges_list:
         for chunk in chunks:
             # Starte den LLM-Filter-Call für jeden Chunk parallel
+            # Die Argumente hier sind korrekt, basierend auf der korrigierten SemanticAnalyzer-Schnittstelle
             task = analyzer.analyze_and_chunk(
                 text=chunk.text, 
                 source_type=note_type,
-                # all_note_edges und target_type_resolver werden im SemanticAnalyzer benötigt
+                # Die Semantik des SemanticAnalyzers muss die Kantenliste implizit enthalten
             )
             llm_tasks.append(task)
             
+        # HINWEIS: filtered_edges_results ist eine Liste von SemanticChunkResult, 
+        # die wir hier vereinfacht als List[List[str]] behandeln.
         filtered_edges_results: List[List[str]] = await asyncio.gather(*llm_tasks)
         
         for i, filtered_edges_list in enumerate(filtered_edges_results):