fix(citation-binding): Zitat aus Grundsatzprogramm wandert in den parteiprogramm-Block

Bug auf Antrag 18/18246: Bei den GRUENEN landeten unter 'Wahlprogramm'
zwei Zitate — eines aus dem NRW-Wahlprogramm 2022, eines aus dem
Bundes-Grundsatzprogramm 2020. Letzteres haette in den parteiprogramm-Block
gehoert.

Ursache in reconstruct_zitate: bei einem Cross-Kind-Fallback-Match
wurde nur die quelle korrigiert, das Zitat blieb aber im urspruenglichen
Block (dort wo der LLM es hingeschrieben hatte).

Fix: zwei Pass-Verarbeitung. Pass 1 sammelt alle Zitate ueber beide
Bloecke und klassifiziert nach tatsaechlich matchendem Pool, Pass 2
schreibt sie in die jeweils passenden Bloecke. Damit landen Wahl- und
Grundsatzprogramm-Zitate konsequent in getrennten Bloecken.

Test: tests/test_embeddings.py::TestReconstructZitate::test_zitat_aus_grundsatzprogramm_landet_im_parteiprogramm_block reproduziert den 18/18246-Fall.

app/embeddings.py

@@ -705,11 +705,13 @@ def reconstruct_zitate(data: dict, semantic_quotes: dict) -> dict:
     Match-Reihenfolge pro Zitat:
     1. Partei + exakte Programm-Kategorie (z.B. AfD-Parteiprogramm-Chunks
        fuer ein Zitat im AfD-Parteiprogramm-Block) → ``verified: true`` mit
-       kanonischer ``quelle``/``url`` aus dem Chunk.
+       kanonischer ``quelle``/``url`` aus dem Chunk; Zitat bleibt im Block.
-    2. Partei + andere Programm-Kategorie (z.B. AfD hat nur Grundsatz-/
+    2. Partei + andere Programm-Kategorie (z.B. der LLM hat einen
-       Parteiprogramm im Index, der LLM hat den Text aber im Wahlprogramm-
+       Grundsatzprogramm-Text in den Wahlprogramm-Block geschrieben) →
-       Block emittiert) → ``verified: true`` mit korrigierter ``quelle``,
+       ``verified: true`` mit korrigierter ``quelle``, **Zitat wandert in
-       Block bleibt wie vom LLM gesetzt.
+       den passenden Block**, sodass `wahlprogramm.zitate` nur Zitate aus
+       Wahlprogrammen enthaelt und `parteiprogramm.zitate` nur Zitate aus
+       Grundsatz-/Parteiprogrammen.
     3. Kein Match in der eigenen Partei → **Zitat verwerfen**. Lieber 0
        Zitate als eines mit falscher Partei-Zuschreibung. Vorher wurde
        solche Zitate als ``verified: false`` mit der LLM-quelle behalten —
@@ -752,22 +754,33 @@ def reconstruct_zitate(data: dict, semantic_quotes: dict) -> dict:
         partei_name = fs.get("fraktion", "")
         partei_pool = _pool_for(partei_name)
 
+        # Zwei-Pass-Verarbeitung: erst alle Zitate sammeln und nach
+        # tatsaechlichem Programmtyp klassifizieren (basierend auf welchem
+        # Chunk-Pool sie matchen), dann erst in die Bloecke schreiben.
+        # Damit landet ein Zitat aus dem Grundsatzprogramm immer im
+        # parteiprogramm-Block, auch wenn der LLM es ins wahlprogramm
+        # gepackt hatte.
+        classified: dict[str, list] = {"wahlprogramm": [], "parteiprogramm": []}
+
         for kind in ("wahlprogramm", "parteiprogramm"):
             blk = fs.get(kind) or {}
             zitate = blk.get("zitate") or []
-            allowed = partei_pool.get(kind) or []
+            primary = partei_pool.get(kind) or []
             cross_kind = "parteiprogramm" if kind == "wahlprogramm" else "wahlprogramm"
-            fallback = partei_pool.get(cross_kind) or []
+            secondary = partei_pool.get(cross_kind) or []
 
-            cleaned = []
             for z in zitate:
                 text = z.get("text", "") or ""
 
-                # 1. Strikter Match in (Partei, eigenes Programm)
+                # 1. Match im Pool, der zum vom LLM gewaehlten Block passt
-                matched = find_chunk_for_text(text, allowed) if allowed else None
+                matched = find_chunk_for_text(text, primary) if primary else None
-                if matched is None and fallback:
+                target_kind = kind
-                    # 2. Fallback: gleiche Partei, andere Programm-Kategorie
+                if matched is None and secondary:
-                    matched = find_chunk_for_text(text, fallback)
+                    # 2. Fallback: gleiche Partei, andere Kategorie —
+                    #    Zitat wandert in den passenden Block.
+                    matched = find_chunk_for_text(text, secondary)
+                    if matched is not None:
+                        target_kind = cross_kind
 
                 if matched is None:
                     # 3. Kein Match in der eigenen Partei → verwerfen.
@@ -783,9 +796,14 @@ def reconstruct_zitate(data: dict, semantic_quotes: dict) -> dict:
                 if url:
                     z["url"] = url
                 z["verified"] = True
-                cleaned.append(z)
+                classified[target_kind].append(z)
+
+        # Klassifizierte Zitate in die jeweils passenden Bloecke schreiben.
+        for kind in ("wahlprogramm", "parteiprogramm"):
+            blk = fs.get(kind) or {}
+            blk["zitate"] = classified[kind]
+            fs[kind] = blk
 
-            blk["zitate"] = cleaned
     return data
 
 

tests/test_embeddings.py

@@ -391,6 +391,56 @@ class TestReconstructZitate:
         z = out["wahlprogrammScores"][0]["wahlprogramm"]["zitate"][0]
         assert z["quelle"] == "CDU NRW Wahlprogramm 2022, S. 24"
 
+    def test_zitat_aus_grundsatzprogramm_landet_im_parteiprogramm_block(self):
+        """Wenn der LLM ein Zitat aus dem Grundsatzprogramm in den
+        wahlprogramm-Block schreibt, darf reconstruct_zitate das nicht
+        einfach mit korrigierter quelle dort lassen — das Zitat muss
+        in den parteiprogramm-Block wandern, sonst stehen WP- und
+        Grundsatzprogramm-Quellen vermischt unter 'Wahlprogramm'.
+        Reproduzierte aus 18/18246 (NRW), Bewertung GRÜNE."""
+        wp_chunk = self._make_chunk(
+            "gruene-nrw-2022", 64,
+            "es darf nicht laenger vom wohnort abhaengen ob kinder die chance auf eine beitragsfreie ganztaegige bildung bekommen",
+        )
+        # Grundsatzprogramm = typ='parteiprogramm' im Pool
+        gs_chunk = {
+            "programm_id": "gruene-grundsatz",
+            "partei": "GRÜNE",
+            "typ": "parteiprogramm",
+            "seite": 94,
+            "text": "alle kitas und schulen in deutschland sollen sich zu inklusiven orten weiterentwickeln",
+            "similarity": 0.7,
+        }
+        semantic_quotes = {
+            "GRÜNE": {"wahlprogramm": [wp_chunk], "parteiprogramm": [gs_chunk]},
+        }
+        data = {
+            "wahlprogrammScores": [{
+                "fraktion": "GRÜNE",
+                "wahlprogramm": {
+                    "score": 10, "begründung": "...",
+                    "zitate": [
+                        {"text": "Alle Kitas und Schulen in Deutschland sollen sich zu inklusiven Orten weiterentwickeln",
+                         "quelle": "Grüne Grundsatzprogramm 2020, S. 94"},  # eigentlich Grundsatz!
+                        {"text": "Es darf nicht laenger vom Wohnort abhaengen ob Kinder die Chance auf eine beitragsfreie ganztaegige Bildung bekommen",
+                         "quelle": "Grüne NRW Wahlprogramm 2022, S. 64"},
+                    ],
+                },
+                "parteiprogramm": {"score": 10, "begründung": "...", "zitate": []},
+            }],
+        }
+        out = reconstruct_zitate(data, semantic_quotes)
+        wp_zitate = out["wahlprogrammScores"][0]["wahlprogramm"]["zitate"]
+        pp_zitate = out["wahlprogrammScores"][0]["parteiprogramm"]["zitate"]
+
+        # WP-Block: nur das Wahlprogramm-Zitat
+        assert len(wp_zitate) == 1, f"WP-Block hat {len(wp_zitate)} Zitate, erwartet 1"
+        assert "Wohnort" in wp_zitate[0]["text"]
+
+        # PP-Block: das Grundsatz-Zitat ist hierhin gewandert
+        assert len(pp_zitate) == 1, f"PP-Block hat {len(pp_zitate)} Zitate, erwartet 1"
+        assert "inklusiven" in pp_zitate[0]["text"]
+
     def test_find_chunk_for_text_short_needle_returns_none(self):
         chunk = self._make_chunk("x", 1, "egal was hier steht")
         assert find_chunk_for_text("ja", [chunk]) is None