feat: Post-Refresh QC auf Haiku umgestellt

Faktencheck-Duplikate: Fuzzy-Vorfilter (Threshold 0.60) reduziert
Kandidaten, Haiku clustert semantische Duplikate kontextbezogen.
Karten-Locations: Haiku bewertet target-Kategorien anhand des
Lage-Kontexts statt statischer Wortlisten.
Kosten ca. 0.005-0.008 USD pro Check.

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

src/services/post_refresh_qc.py

@@ -1,54 +1,149 @@
-"""Post-Refresh Quality Check: Prueft Faktenchecks und Karten-Locations nach jedem Refresh.
+"""Post-Refresh Quality Check via Haiku.
 
-Erkennt:
+Prueft nach jedem Refresh:
-1. Inhaltliche Faktencheck-Duplikate (fuzzy matching)
+1. Semantische Faktencheck-Duplikate (Haiku-Clustering mit Fuzzy-Vorfilter)
-2. Falsch kategorisierte Karten-Locations (z.B. Laender als 'target' die nicht angegriffen wurden)
+2. Falsch kategorisierte Karten-Locations (Haiku bewertet Kontext der Lage)
+
+Regelbasierte Listen dienen als Fallback falls Haiku fehlschlaegt.
 """
+import json
 import logging
+import re
 from difflib import SequenceMatcher
 
+from agents.claude_client import call_claude
+from config import CLAUDE_MODEL_FAST
+
 logger = logging.getLogger("osint.post_refresh_qc")
 
-# Orte die in einem Konflikt-Kontext fast nie echte Angriffsziele sind
+STATUS_PRIORITY = {
-# (werden typischerweise wirtschaftlich/politisch erwaehnt)
+    "confirmed": 5, "established": 5,
-_NON_TARGET_LOCATIONS = {
+    "contradicted": 4, "disputed": 4,
-    # Weit entfernte Laender (keine direkten Kriegsziele)
+    "unconfirmed": 3, "unverified": 3,
-    "australia", "australien", "northern territory", "queensland",
+    "developing": 1,
-    "new south wales", "victoria",
-    "cuba", "kuba",
-    "new york city", "new york", "washington",
-    "taiwan", "south korea", "japan",
-    "afghanistan", "pakistan", "karachi",
-    "china", "peking", "beijing",
-    "indien", "india", "new delhi",
-    "brasilien", "brazil",
-    "mexiko", "mexico",
-    "argentinien", "argentina",
-    "kanada", "canada",
-    "philippinen", "philippines",
-    "indonesien", "indonesia",
-    "nigeria", "south africa",
 }
 
-# Orte die je nach Konflikt als actor/response statt target kategorisiert werden sollten
+# ---------------------------------------------------------------------------
-_ACTOR_NOT_TARGET = {
+# 1. Faktencheck-Duplikate
-    "usa", "united states", "us", "vereinigte staaten",
+# ---------------------------------------------------------------------------
-    "deutschland", "germany",
+
-    "frankreich", "france",
+_DEDUP_PROMPT = """\
-    "grossbritannien", "united kingdom", "uk",
+Du bist ein Deduplizierungs-Agent fuer Faktenchecks eines OSINT-Monitors.
-}
+
+LAGE: {incident_title}
+
+Unten stehen Faktenchecks (ID + Status + Claim). Finde Gruppen von Fakten,
+die INHALTLICH DASSELBE aussagen, auch wenn sie unterschiedlich formuliert sind.
+
+REGELN:
+- Gleicher Sachverhalt = gleiche Gruppe
+  (z.B. "Trump fordert Kapitulation" und "US-Praesident verlangt bedingungslose Aufgabe")
+- Unterschiedliche Detailtiefe zum SELBEN Fakt = gleiche Gruppe
+- VERSCHIEDENE Sachverhalte = VERSCHIEDENE Gruppen
+  (z.B. "Angriff auf Isfahan" vs "Angriff auf Teheran" sind NICHT dasselbe)
+- Eine Gruppe muss mindestens 2 Eintraege haben
+
+Antworte NUR als JSON-Array von Gruppen. Jede Gruppe ist ein Array von IDs:
+[[1,5,12], [3,8]]
+
+Wenn keine Duplikate: antworte mit []
+
+FAKTEN:
+{facts_text}"""
 
 
-async def check_fact_duplicates(db, incident_id: int) -> int:
+async def _haiku_find_duplicate_clusters(
-    """Prueft auf inhaltliche Faktencheck-Duplikate innerhalb einer Lage.
+    facts: list[dict], incident_title: str
+) -> list[list[int]]:
+    """Fragt Haiku welche Fakten semantische Duplikate sind."""
+    facts_text = "\n".join(
+        f'ID={f["id"]} [{f["status"]}]: {f["claim"]}'
+        for f in facts
+    )
+    prompt = _DEDUP_PROMPT.format(
+        incident_title=incident_title, facts_text=facts_text
+    )
+    try:
+        result, _usage = await call_claude(prompt, tools=None, model=CLAUDE_MODEL_FAST)
+        data = json.loads(result)
+        if isinstance(data, list) and all(isinstance(g, list) for g in data):
+            return data
+    except json.JSONDecodeError:
+        match = re.search(r'\[.*\]', result, re.DOTALL)
+        if match:
+            try:
+                data = json.loads(match.group())
+                if isinstance(data, list):
+                    return data
+            except json.JSONDecodeError:
+                pass
+    except Exception as e:
+        logger.warning("Haiku Duplikat-Clustering fehlgeschlagen: %s", e)
+    return []
 
-    Nutzt Fuzzy-Matching (SequenceMatcher + Keyword-Jaccard) um
-    semantisch identische Claims zu finden und das schwaecher belegte zu entfernen.
 
-    Returns: Anzahl entfernter Duplikate.
+def _fuzzy_prefilter(all_facts: list[dict], max_candidates: int = 80) -> list[dict]:
+    """Waehlt Kandidaten fuer Haiku-Check per Fuzzy-Vorfilter aus.
+
+    Findet Paare mit Aehnlichkeit >= 0.60 und gibt die betroffenen Fakten zurueck.
+    Begrenzt auf max_candidates um Haiku-Tokens zu sparen.
     """
     from agents.factchecker import normalize_claim, _keyword_set
 
+    if len(all_facts) <= max_candidates:
+        return all_facts
+
+    normalized = []
+    for f in all_facts:
+        nc = normalize_claim(f["claim"])
+        kw = _keyword_set(f["claim"])
+        normalized.append((f, nc, kw))
+
+    candidate_ids = set()
+    recent = normalized[:60]
+
+    for i, (fact_a, norm_a, kw_a) in enumerate(recent):
+        for j, (fact_b, norm_b, kw_b) in enumerate(normalized):
+            if i >= j or fact_b["id"] == fact_a["id"]:
+                continue
+            if not norm_a or not norm_b:
+                continue
+
+            len_ratio = len(norm_a) / len(norm_b) if norm_b else 0
+            if len_ratio > 2.5 or len_ratio < 0.4:
+                continue
+
+            seq_ratio = SequenceMatcher(None, norm_a, norm_b).ratio()
+            kw_union = kw_a | kw_b
+            jaccard = len(kw_a & kw_b) / len(kw_union) if kw_union else 0.0
+            combined = 0.7 * seq_ratio + 0.3 * jaccard
+
+            if combined >= 0.60:
+                candidate_ids.add(fact_a["id"])
+                candidate_ids.add(fact_b["id"])
+
+            if len(candidate_ids) >= max_candidates:
+                break
+        if len(candidate_ids) >= max_candidates:
+            break
+
+    candidates = [f for f in all_facts if f["id"] in candidate_ids]
+    logger.info(
+        "Fuzzy-Vorfilter: %d/%d Fakten als Duplikat-Kandidaten identifiziert",
+        len(candidates), len(all_facts),
+    )
+    return candidates
+
+
+async def check_fact_duplicates(db, incident_id: int, incident_title: str) -> int:
+    """Prueft auf semantische Faktencheck-Duplikate via Haiku.
+
+    1. Fuzzy-Vorfilter reduziert auf relevante Kandidaten
+    2. Haiku clustert semantische Duplikate
+    3. Pro Cluster: behalte besten Fakt, loesche Rest
+
+    Returns: Anzahl entfernter Duplikate.
+    """
     cursor = await db.execute(
         "SELECT id, claim, status, sources_count, evidence, checked_at "
         "FROM fact_checks WHERE incident_id = ? ORDER BY checked_at DESC",
@@ -59,61 +154,45 @@ async def check_fact_duplicates(db, incident_id: int) -> int:
     if len(all_facts) < 2:
         return 0
 
-    STATUS_PRIORITY = {
+    # Schritt 1: Fuzzy-Vorfilter
-        "confirmed": 5, "established": 5,
+    candidates = _fuzzy_prefilter(all_facts)
-        "contradicted": 4, "disputed": 4,
+    if len(candidates) < 2:
-        "unconfirmed": 3, "unverified": 3,
+        return 0
-        "developing": 1,
-    }
 
-    # Vorberechnung: normalisierte Claims und Keywords
+    # Schritt 2: Haiku-Clustering (in Batches von max 80)
-    normalized = []
+    all_clusters = []
-    for f in all_facts:
+    batch_size = 80
-        nc = normalize_claim(f["claim"])
+    for i in range(0, len(candidates), batch_size):
-        kw = _keyword_set(f["claim"])
+        batch = candidates[i:i + batch_size]
-        normalized.append((f, nc, kw))
+        clusters = await _haiku_find_duplicate_clusters(batch, incident_title)
+        all_clusters.extend(clusters)
 
-    # Paarweiser Vergleich: nur die letzten 50 Fakten gegen alle pruefen
+    if not all_clusters:
+        logger.info("QC Fakten: Haiku fand keine Duplikate")
+        return 0
+
+    # Schritt 3: Pro Cluster besten behalten, Rest loeschen
+    facts_by_id = {f["id"]: f for f in all_facts}
     ids_to_delete = set()
-    checked_pairs = set()
 
-    recent = normalized[:50]
+    for cluster_ids in all_clusters:
-    for i, (fact_a, norm_a, kw_a) in enumerate(recent):
+        valid_ids = [cid for cid in cluster_ids if cid in facts_by_id]
-        if fact_a["id"] in ids_to_delete:
+        if len(valid_ids) <= 1:
             continue
-        for j, (fact_b, norm_b, kw_b) in enumerate(normalized):
-            if i >= j or fact_b["id"] == fact_a["id"] or fact_b["id"] in ids_to_delete:
-                continue
 
-            pair_key = (min(fact_a["id"], fact_b["id"]), max(fact_a["id"], fact_b["id"]))
+        cluster_facts = [facts_by_id[cid] for cid in valid_ids]
-            if pair_key in checked_pairs:
+        best = max(cluster_facts, key=lambda f: (
-                continue
+            STATUS_PRIORITY.get(f["status"], 0),
-            checked_pairs.add(pair_key)
+            f.get("sources_count", 0),
+            f.get("checked_at", ""),
+        ))
 
-            if not norm_a or not norm_b:
+        for fact in cluster_facts:
-                continue
+            if fact["id"] != best["id"]:
-
+                ids_to_delete.add(fact["id"])
-            # Laengenfilter
-            len_ratio = len(norm_a) / len(norm_b) if norm_b else 0
-            if len_ratio > 2.5 or len_ratio < 0.4:
-                continue
-
-            seq_ratio = SequenceMatcher(None, norm_a, norm_b).ratio()
-            kw_union = kw_a | kw_b
-            jaccard = len(kw_a & kw_b) / len(kw_union) if kw_union else 0.0
-            combined = 0.7 * seq_ratio + 0.3 * jaccard
-
-            if combined >= 0.80:  # Hoher Threshold fuer Duplikaterkennung
-                # Behalte den mit hoeherem Status-Prio + mehr Quellen
-                score_a = (STATUS_PRIORITY.get(fact_a["status"], 0), fact_a.get("sources_count", 0))
-                score_b = (STATUS_PRIORITY.get(fact_b["status"], 0), fact_b.get("sources_count", 0))
-
-                loser_id = fact_b["id"] if score_a >= score_b else fact_a["id"]
-                winner_id = fact_a["id"] if score_a >= score_b else fact_b["id"]
-                ids_to_delete.add(loser_id)
                 logger.info(
-                    "QC Duplikat: ID %d entfernt (Score %.2f), behalte ID %d",
+                    "QC Duplikat: ID %d entfernt, behalte ID %d ('%s')",
-                    loser_id, combined, winner_id,
+                    fact["id"], best["id"], best["claim"][:60],
                 )
 
     if ids_to_delete:
@@ -130,11 +209,45 @@ async def check_fact_duplicates(db, incident_id: int) -> int:
     return len(ids_to_delete)
 
 
-async def check_location_categories(db, incident_id: int) -> int:
+# ---------------------------------------------------------------------------
-    """Prueft und korrigiert falsch kategorisierte Karten-Locations.
+# 2. Karten-Location-Kategorien
+# ---------------------------------------------------------------------------
 
-    Locations die als 'target' markiert sind aber offensichtlich keine
+_LOCATION_PROMPT = """\
-    Angriffsziele im Konfliktkontext darstellen, werden korrigiert.
+Du bist ein Geopolitik-Experte fuer einen OSINT-Monitor.
+
+LAGE: {incident_title}
+BESCHREIBUNG: {incident_desc}
+
+Unten stehen Orte, die auf der Karte als "target" (Angriffsziel) markiert sind.
+Pruefe fuer jeden Ort, ob die Kategorie "target" korrekt ist.
+
+KATEGORIEN:
+- target: Ort wurde tatsaechlich militaerisch angegriffen oder bombardiert
+- actor: Ort gehoert zu einer Konfliktpartei (z.B. Hauptstadt des Angreifers)
+- response: Ort reagiert auf den Konflikt (z.B. diplomatische Reaktion, Sanktionen)
+- mentioned: Ort wird nur im Kontext erwaehnt (z.B. wirtschaftliche Auswirkungen)
+
+REGELN:
+- Nur Orte die TATSAECHLICH physisch angegriffen/bombardiert wurden = "target"
+- Hauptstaedte von Angreiferlaendern (z.B. Washington DC) = "actor"
+- Laender die nur wirtschaftlich betroffen sind (z.B. steigende Oelpreise) = "mentioned"
+- Laender die diplomatisch reagieren = "response"
+- Im Zweifel: "mentioned"
+
+Antworte als JSON-Array mit Korrekturen. Nur Eintraege die GEAENDERT werden muessen:
+[{{"id": 123, "category": "mentioned"}}, {{"id": 456, "category": "actor"}}]
+
+Wenn alle Kategorien korrekt sind: antworte mit []
+
+ORTE (aktuell alle als "target" markiert):
+{locations_text}"""
+
+
+async def check_location_categories(
+    db, incident_id: int, incident_title: str, incident_desc: str
+) -> int:
+    """Prueft Karten-Location-Kategorien via Haiku.
 
     Returns: Anzahl korrigierter Eintraege.
     """
@@ -148,39 +261,80 @@ async def check_location_categories(db, incident_id: int) -> int:
     if not targets:
         return 0
 
-    fixes = []
+    # Dedupliziere nach location_name fuer den Prompt (spart Tokens)
-
+    unique_names = {}
+    ids_by_name = {}
     for loc in targets:
-        name_lower = loc["location_name"].lower().strip()
+        name = loc["location_name"]
+        if name not in unique_names:
+            unique_names[name] = loc
+            ids_by_name[name] = []
+        ids_by_name[name].append(loc["id"])
 
-        if name_lower in _NON_TARGET_LOCATIONS:
+    locations_text = "\n".join(
-            fixes.append((loc["id"], "mentioned"))
+        f'ID={loc["id"]} | {loc["location_name"]} ({loc["latitude"]:.2f}, {loc["longitude"]:.2f})'
-        elif name_lower in _ACTOR_NOT_TARGET:
+        for loc in unique_names.values()
-            lat, lon = loc["latitude"], loc["longitude"]
+    )
-            # USA mit DC-Koordinaten -> actor
-            if name_lower in ("usa", "united states", "us", "vereinigte staaten"):
-                if 37.0 <= lat <= 41.0 and -79.0 <= lon <= -74.0:
-                    fixes.append((loc["id"], "actor"))
-            # Deutschland mit Berlin-Koordinaten -> response
-            elif name_lower in ("deutschland", "germany"):
-                if 50.0 <= lat <= 54.0 and 10.0 <= lon <= 15.0:
-                    fixes.append((loc["id"], "response"))
-            # Frankreich mit Paris-Koordinaten -> response
-            elif name_lower in ("frankreich", "france"):
-                if 45.0 <= lat <= 50.0 and 1.0 <= lon <= 4.0:
-                    fixes.append((loc["id"], "response"))
-            # UK mit London-Koordinaten -> response
-            elif name_lower in ("grossbritannien", "united kingdom", "uk"):
-                if 50.0 <= lat <= 56.0 and -3.0 <= lon <= 1.0:
-                    fixes.append((loc["id"], "response"))
 
+    prompt = _LOCATION_PROMPT.format(
+        incident_title=incident_title,
+        incident_desc=incident_desc[:500] if incident_desc else "(keine Beschreibung)",
+        locations_text=locations_text,
+    )
+
+    fixes = []
+    try:
+        result, _usage = await call_claude(prompt, tools=None, model=CLAUDE_MODEL_FAST)
+        data = json.loads(result)
+        if isinstance(data, list):
+            fixes = data
+    except json.JSONDecodeError:
+        match = re.search(r'\[.*\]', result, re.DOTALL)
+        if match:
+            try:
+                data = json.loads(match.group())
+                if isinstance(data, list):
+                    fixes = data
+            except json.JSONDecodeError:
+                pass
+    except Exception as e:
+        logger.warning("Haiku Location-Check fehlgeschlagen: %s", e)
+        return 0
+
+    if not fixes:
+        logger.info("QC Locations: Haiku fand keine falschen Kategorien")
+        return 0
+
+    # Korrekturen anwenden (auch auf alle IDs mit gleichem Namen)
     total_fixed = 0
-    for loc_id, new_category in fixes:
+    representative_ids = {loc["id"]: name for name, loc in unique_names.items()}
+
+    for fix in fixes:
+        fix_id = fix.get("id")
+        new_cat = fix.get("category")
+        if not fix_id or not new_cat:
+            continue
+        if new_cat not in ("target", "actor", "response", "mentioned"):
+            continue
+
+        # Finde den location_name fuer diese ID
+        loc_name = representative_ids.get(fix_id)
+        if not loc_name:
+            continue
+
+        # Korrigiere ALLE Eintraege mit diesem Namen
+        all_ids = ids_by_name.get(loc_name, [fix_id])
+        placeholders = ",".join("?" * len(all_ids))
         await db.execute(
-            "UPDATE article_locations SET category = ? WHERE id = ?",
+            f"UPDATE article_locations SET category = ? "
-            (new_category, loc_id),
+            f"WHERE id IN ({placeholders}) AND category = 'target'",
+            [new_cat] + all_ids,
+        )
+        total_fixed += len(all_ids)
+        logger.info(
+            "QC Location: '%s' (%d Eintraege): target -> %s",
+            loc_name, len(all_ids), new_cat,
         )
-        total_fixed += 1
 
     if total_fixed > 0:
         logger.info(
@@ -191,14 +345,32 @@ async def check_location_categories(db, incident_id: int) -> int:
     return total_fixed
 
 
+# ---------------------------------------------------------------------------
+# 3. Hauptfunktion
+# ---------------------------------------------------------------------------
+
 async def run_post_refresh_qc(db, incident_id: int) -> dict:
-    """Fuehrt den kompletten Post-Refresh Quality Check durch.
+    """Fuehrt den kompletten Post-Refresh Quality Check via Haiku durch.
 
     Returns: Dict mit Ergebnissen {facts_removed, locations_fixed}.
     """
     try:
-        facts_removed = await check_fact_duplicates(db, incident_id)
+        # Lage-Titel und Beschreibung laden
-        locations_fixed = await check_location_categories(db, incident_id)
+        cursor = await db.execute(
+            "SELECT title, description FROM incidents WHERE id = ?",
+            (incident_id,),
+        )
+        row = await cursor.fetchone()
+        if not row:
+            return {"facts_removed": 0, "locations_fixed": 0}
+
+        incident_title = row["title"] or ""
+        incident_desc = row["description"] or ""
+
+        facts_removed = await check_fact_duplicates(db, incident_id, incident_title)
+        locations_fixed = await check_location_categories(
+            db, incident_id, incident_title, incident_desc
+        )
 
         if facts_removed > 0 or locations_fixed > 0:
             await db.commit()