app/services/semantic_analyzer.py

@@ -48,7 +48,7 @@ class SemanticAnalyzer:
         user_prompt = f"Dokument-Typ: {source_type}\n\nTEXT:\n{text}"
 
         try:
-            # WICHTIG: Erzwingt Ollama JSON Mode
+            # 2. LLM Call (Async)
             response_json = await self.llm.generate_raw_response(
                 user_prompt, 
                 system=system_prompt,
@@ -59,8 +59,18 @@ class SemanticAnalyzer:
             clean_json = response_json.replace("```json", "").replace("```", "").strip()
             data = json.loads(clean_json)
             
+            # 3a. Typsicherheit des äußeren Arrays
+            if not isinstance(data, list):
+                 logger.error("SemanticAnalyzer: JSON root ist kein Array. Fehlerhafte LLM-Antwort.")
+                 raise ValueError("Root element is not a list.")
+
             results = []
             for item in data:
+                # FIX: Typsicherheit auf Item-Ebene
+                if not isinstance(item, dict):
+                    logger.warning(f"SemanticAnalyzer: Ungültiges Chunk-Element ignoriert: {item}")
+                    continue
+                
                 content = item.get("content", "").strip()
                 if not content: continue
                 
@@ -68,7 +78,7 @@ class SemanticAnalyzer:
                 refined_edges = []
                 
                 for rel in raw_rels:
-                    # FIX: Sicherstellen, dass rel ein Dictionary ist, um 'str' object has no attribute 'get' zu verhindern
+                    # Typsicherheit auf Relation-Ebene
                     if not isinstance(rel, dict):
                         logger.warning(f"SemanticAnalyzer: Ignoriere ungültige Relation: {rel}")
                         continue
@@ -77,7 +87,7 @@ class SemanticAnalyzer:
                     raw_type = rel.get("type", "related_to")
                     
                     if target:
-                        # 1. Annahme: Hole den Typ der ZIEL-Entität aus dem Index (für Matrix-Logik)
+                        # 1. Typ-Auflösung (für Matrix)
                         target_entity_type = self._get_target_type_from_title(target)
                         
                         # 2. Matrix-Logik anwenden:
@@ -87,7 +97,6 @@ class SemanticAnalyzer:
                         if final_kind not in ["related_to", "references"] and target_entity_type != "concept":
                              edge_str = f"{final_kind}:{target}"
                         else:
-                             # Wenn Matrix oder LLM generisch war, nutzen wir den generischen Output des LLM.
                              edge_str = f"{raw_type}:{target}"
                             
                         refined_edges.append(edge_str)
@@ -100,7 +109,7 @@ class SemanticAnalyzer:
             logger.error("SemanticAnalyzer: LLM lieferte KEIN valides JSON. Fallback auf Raw Text.")
             return [SemanticChunkResult(content=text, suggested_edges=[])]
         except Exception as e:
-            # Wichtig: Fehler im Loggen, damit wir wissen, warum es crashte (z.B. Timeout/Ressource)
+            # Wichtig: Wir fangen alle anderen Fehler, um den Prozess nicht abzubrechen.
             logger.error(f"SemanticAnalyzer Unbehandelter Fehler: {e}")
             return [SemanticChunkResult(content=text, suggested_edges=[])]
 
@@ -119,7 +128,6 @@ class SemanticAnalyzer:
         if "leitbild-rituale-system" in title_lower:
             return "concept"
             
-        # Fallback 
         return "concept" 
 
     async def close(self):