update

backend/config.py

@@ -21,6 +21,23 @@ LESBARKEIT_MAX = 3.5          # Section zu schwer, wenn der Satz-Schnitt darübe
 LESBARKEIT_HART = 4.0         # Einzelsatz ab hier „hart"
 LESBARKEIT_HART_ANTEIL = 0.30  # … ODER wenn dieser Anteil der Sätze hart ist
 
+# Bausteine-Konsolidierung: semantisches Embedding-Clustering statt LLM-Listen-Merge.
+# Ein kleines mehrsprachiges Satz-Embedding (mean-pool) bildet die Kandidaten-Cluster
+# GLOBAL (kein Chunk-Verlust) per Cosine + Union-Find. Titel-Varianten desselben Konzepts
+# ("Vertex Cover" / "Vertex Cover Definition") verschmelzen; der Konsens zählt danach die
+# echten Reader pro Cluster (≥2 = Konsens). Fehlen transformers/torch oder lädt das Modell
+# nicht → Embedding stumm aus, `_konsolidiere` fällt auf den alten Panel-Judge-Pfad zurück.
+EMBEDDING_AKTIV = True
+EMBEDDING_MODELL = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"  # CPU, mehrsprachig, ~470 MB
+# Stärkere (größere) CPU-Alternative bei Bedarf: "BAAI/bge-m3".
+# Konsolidierung = zweistufig: (1) Embedding bildet GROBE Ähnlichkeits-Blocks (High-Recall),
+# (2) ein LLM-Judge gruppiert JEDEN Block in die echten Bausteine (merge Paraphrasen, split
+# Über-Merges). Reines Threshold-Blocking erzeugt einen Giant-Component (alles verkettet) →
+# darum „Capped-Blocking": greedy nach Cosine mergen, aber Blockgröße deckeln. So bleiben die
+# LLM-Listen kurz und stabil (belegt: Embedding-Block + LLM-Judge ≈ 95 % Precision).
+EMBEDDING_BLOCK_FLOOR = 0.5   # Mindest-Cosine, damit zwei Kandidaten in EINEN Block dürfen
+EMBEDDING_BLOCK_CAP = 25      # max. Titel je Block (LLM-Liste kurz/stabil halten)
+
 # Deckel für gleichzeitige CLI-Agenten-Prozesse (über alle Generierungen hinweg).
 # Eigene Spur für interaktive Aufrufe (Chat, Elemente), damit sie nicht hinter
 # laufenden Writern in der Warteschlange hängen.