Inkrementelle Analyse + Token-Optimierung + Relevanz-Scoring

TOKEN-OPTIMIERUNG:
- Inkrementelle Analyse: Folge-Refreshes senden nur noch das bisherige
  Lagebild + neue Artikel an Claude (statt alle Artikel erneut).
  Spart ~60-70% Tokens bei Lagen mit vielen Artikeln.
- Inkrementeller Faktencheck: Bestehende Fakten als Zusammenfassung,
  nur neue Artikel werden vollstaendig geprueft.
- Modell-Steuerung: Feed-Selektion nutzt jetzt Haiku (CLAUDE_MODEL_FAST)
  statt Opus. Spart ~50-70% bei Feed-Auswahl.
- Set-basierte DB-Deduplizierung: Bestehende URLs/Headlines einmal
  in Sets geladen statt N*M einzelne DB-Queries pro Artikel.

INHALTLICHE VERBESSERUNGEN:
- Relevanz-Scoring: Artikel nach Keyword-Dichte (40%),
  Quellen-Reputation (30%), Inhaltstiefe (20%), RSS-Score (10%).
- Flexibles RSS-Matching: min. Haelfte der Keywords statt alle.
  RSS-Artikel bekommen einen relevance_score.
- Fuzzy Claim-Matching: SequenceMatcher (0.7) statt exakter
  String-Vergleich. Verhindert Duplikat-Akkumulation.
- Translation-Fix: Nur gueltige DB-IDs (isinstance int).
- Researcher: WebFetch fuer Top-Artikel, erweiterte Zusammenfassungen.

DATEIEN:
- config.py: CLAUDE_MODEL_FAST
- claude_client.py: model-Parameter
- researcher.py: Haiku Feed-Selektion, erweiterte Prompts
- analyzer.py: Inkrementelle Analyse + analyze_incremental()
- factchecker.py: Inkrementeller Check + Fuzzy-Matching
- orchestrator.py: Set-Dedup, Relevanz-Scoring, inkrementeller Flow
- rss_parser.py: Flexibles Keyword-Matching + relevance_score

src/feeds/rss_parser.py

@@ -121,8 +121,11 @@ class RSSParser:
                 summary = entry.get("summary", "")
                 text = f"{title} {summary}".lower()
 
-                # Prüfe ob mindestens ein Suchwort vorkommt
-                if all(word in text for word in search_words):
+                # Flexibles Keyword-Matching: mindestens die Hälfte der Suchworte muss vorkommen
+                min_matches = max(1, len(search_words) // 2)
+                match_count = sum(1 for word in search_words if word in text)
+
+                if match_count >= min_matches:
                     published = None
                     if hasattr(entry, "published_parsed") and entry.published_parsed:
                         try:
@@ -130,6 +133,9 @@ class RSSParser:
                         except (TypeError, ValueError):
                             pass
 
+                    # Relevanz-Score: Anteil der gematchten Suchworte (0.0-1.0)
+                    relevance_score = match_count / len(search_words) if search_words else 0.0
+
                     articles.append({
                         "headline": title,
                         "headline_de": title if self._is_german(title) else None,
@@ -139,6 +145,7 @@ class RSSParser:
                         "content_de": summary[:1000] if summary and self._is_german(summary) else None,
                         "language": "de" if self._is_german(title) else "en",
                         "published_at": published,
+                        "relevance_score": relevance_score,
                     })
 
         except Exception as e: