Article Quality v2 und modellfreie CPU-Prüfung (v8)

Ziel

v8 trennt die Artikelqualität in zwei unabhängige Ebenen. Der mathematische CPU-Layer verwirft offensichtlich zu kurze, redundante oder schlecht evidenzgebundene Entwürfe vor dem teuren LLM-Review. Qwen bleibt anschließend für Aufgaben zuständig, die reine Mathematik nicht zuverlässig lösen kann: Faktentreue, semantische Vollständigkeit, Kausalität und die Frage, ob wesentliche belegbare Inhalte fehlen.

Gemma Author
   ↓
CPU Quality (Brain oder Agent, kein Modellaufruf)
   ↓ nur bei Pass
Qwen Claim + Coverage Review
   ↓
finale deterministische Gates
   ↓
Staging-Artikel

Der CPU-Layer ersetzt den semantischen Reviewer bewusst nicht vollständig.

Mathematische Metriken

Algorithmus: lexical-coverage-depth-v1.

Aus sichtbarem Artikel und den bereits ausgewählten Quellen werden deterministisch berechnet:

Wort- und Inhaltswortzahl;
Zahl substantieller Abschnitte, Absätze und Listenpunkte;
lexikalische Diversität;
Absatz-Redundanz über Jaccard-Ähnlichkeit;
evidenzgewichtete Tokenabdeckung mit IDF-artiger Gewichtung;
Quellennutzung: Anteil der Quellen, deren spezifische Terminologie im Artikel tatsächlich auftaucht;
technische Spezifität;
artikeltypspezifischer Tiefenscore.

Harte Mindesttiefe:

Typ	Mindestumfang	Mindestabschnitte
`reference`	600 Wörter	4
`concept`	520 Wörter	4
`decision_guide`	520 Wörter	4
`troubleshooting`	500 Wörter	4
`how_to`	450 Wörter	4

Bei mindestens drei Quellen muss die mathematische Quellennutzung mindestens 0,34 betragen. Evidenzalignment muss mindestens 0,48 erreichen; starke Redundanz und sehr niedrige Informationsdichte werden ebenfalls abgewiesen. Operationalen Artikeln fehlen ohne mindestens drei Schritte plus Validierung weiterhin die Voraussetzungen für einen Pass.

Agent-Offload und Vertrauensgrenze

Ein integrierter Compute-Agent meldet zusätzlich zur Capability vector_graph nun article_quality. Das Brain kann die mathematische Prüfung auf diesen Agent auslagern.

Der Agent darf keine frei formulierten Rewrite-Anweisungen bestimmen. Nach Rückgabe rekonstruiert das Brain aus den begrenzten Metriken/Zählern selbst:

Tiefenscore;
Gesamtscore;
harte Fehlercodes;
Pass/Fail;
feste Rewrite-Empfehlungen.

Dadurch können Agent-Antworten nicht als Prompt-Injection-Kanal für den Author dienen. Bei optionalem Offload verwendet das Brain denselben lokalen CPU-Code als Fallback. Weil der Agent dafür sichtbaren Artikel- und Quelltext erhält, ist der Offload aus Datenschutz-/Trust-Gründen standardmäßig deaktiviert. Für einen vertrauenswürdigen internen Worker BRAIN_ARTICLE_CPU_QUALITY_AGENT_OFFLOAD=true setzen.

Konfiguration:

BRAIN_ARTICLE_CPU_QUALITY_ENABLED=true
BRAIN_ARTICLE_CPU_QUALITY_AGENT_OFFLOAD=false
BRAIN_ARTICLE_CPU_QUALITY_AGENT_REQUIRED=false
BRAIN_ARTICLE_CPU_QUALITY_AGENT_WAIT=20s

Knowledge Article Quality v2

Das Author-Schema besitzt nun zusätzliche Inhaltsfelder:

technical_background
technical_details
mappings
operational_use
examples
limitations

Die sichtbaren Abschnitte hängen vom Artikeltyp ab. Eine Referenz erhält beispielsweise technischen Hintergrund, Zuordnungen, operative Nutzung, Beispiele und Grenzen statt künstlicher Symptome/Fehlerbehandlung. Der Author erhält natürliche Zielspannen von etwa 500 bis 1.300 Wörtern je Artikeltyp; künstliches Aufblähen ohne belegbaren Inhalt ist ausdrücklich untersagt.

Der Qwen-Reviewer führt zusätzlich zur Claim-Prüfung einen Coverage-Review durch. Ein Artikel kann nur akzeptiert werden, wenn coverage_complete=true und coverage_score>=0.70 ist. Für wissensintensive Artikeltypen wird der Review-Kontext im Cluster-Modus adaptiv auf mindestens etwa 12k Zeichen angehoben, soweit BRAIN_MAX_CONTEXT_CHARS dies erlaubt.

Bei autonomer Recherche darf vorhandene Web-Evidenz nicht stillschweigend verschwinden. Wenn Web-Evidenz zum finalen Review vorliegt, aber kein Claim darauf grounded ist, muss der Reviewer ihre Nichtverwendung fachlich begründen; andernfalls scheitert der Artikel.

Die Pipeline-ID wurde auf adaptive_generate_review/v3-quality-v2 angehoben, damit bereits erzeugte kurze v7-Artefakte die neue Synthese nicht als bereits erledigt deduplizieren.

Regelmäßige semantische Nähe und sanfte Layout-Entzerrung

Die bestehenden Embeddings werden regelmäßig neu mathematisch bewertet, ohne einen neuen Embedding- oder Chat-Aufruf auszulösen:

BRAIN_VECTOR_GRAPH_REEVALUATE_INTERVAL=30m

Der semantic_neighbor-Layer wird dabei mit demselben mutual-kNN/local-scaling-Verfahren neu berechnet. Der Job kann wie bisher über vector_graph auf einen Agent ausgelagert werden.

Zusätzlich kann die Visualisierung große dichte Wolken schrittweise in Richtung des semantischen 3D-Layouts bewegen:

BRAIN_VECTOR_GRAPH_LAYOUT=false
BRAIN_VECTOR_GRAPH_RELAX_LAYOUT=true
BRAIN_VECTOR_GRAPH_LAYOUT_RELAX_INTERVAL=2h
BRAIN_VECTOR_GRAPH_LAYOUT_BLEND=0.08
BRAIN_VECTOR_GRAPH_LAYOUT_MAX_SHIFT=0.035

BRAIN_VECTOR_GRAPH_LAYOUT=false bedeutet weiterhin: kein harter Layout-Austausch. Die Relaxation verwendet stattdessen standardmäßig nur 8 % des Zielvektors pro Zyklus und begrenzt die maximale Positionsänderung auf 0,035. Sehr dichte räumliche Zellen werden deterministisch leicht auseinandergezogen. Bewegungen unter 0,00075 werden nicht persistiert, damit periodische Layoutpflege nicht tausende SQLite-Zeilen wegen Rundungsrauschen dirty markiert.

Die Positionspflege verändert keine fachlichen Relationstypen. Sie ist eine abgeleitete Visualisierungseigenschaft.

Grenzen der CPU-Prüfung

Mathematik kann zuverlässig erkennen, dass ein Text zu kurz, redundant, strukturell flach, terminologisch dünn oder kaum mit den Quellen überlappend ist. Sie kann jedoch nicht sicher entscheiden, ob:

eine Aussage faktisch korrekt ist;
eine Ursache-Wirkungs-Beziehung stimmt;
eine technische Empfehlung gefährlich oder fachlich falsch ist;
ein wesentlicher semantischer Aspekt trotz ähnlicher Wörter fehlt;
zwei Aussagen einander inhaltlich widersprechen.

Darum ist der CPU-Layer ein billiger Vorfilter und Qualitätsmesser, kein Ersatz für Claim-/Coverage-Review.

6.2 KiB Raw Permalink Blame History