Ist-Sprachpfad (Phase N0, Vermessung)

Stand: 05.10.2026 ~17:00 UTC (19:00 MESZ). Basis: Branch selbstverbesserung 4a0aff7, Produktion 0d7f4e8 (per /health), Schalter-Schnappschuss der Produktion in produktion_flags_20261005.json. Maschinenlesbar: ist_sprachpfad.json (erzeugt von tools/native_ist_sprachpfad.py, Scanner tools/native_llm_pfad_scan.py). Kein Refactoring in dieser Phase - nur Vermessung.

1. Befund in drei Saetzen

1. Die Produktion formuliert heute ohne generatives Modell: LENNY_OUTPUT_MODE=deterministic, LENNY_ENABLE_LLM_FORM_ANSWER=0, LENNY_ALLOW_OLLAMA_FINAL_ANSWER=0, LENNY_ALLOW_CLAIM_GATE_LLM_FINAL=0. Die LLM-Verbalisierung (qwen2.5:7b ueber Ollama) ist schaltbarer Altbestand, kein laufender Pfad.
2. Die deterministische Formulierung besteht aus ~25 Antworterzeugern, die Saetze als Zeichenketten bauen (feste Vorlagen aus Fakten), danach eine duenne Sprachschicht, Sprecher, Grad-/Herkunfts-Fusszeilen. Die Qualitaet ist "Roboterdeutsch" (siehe 4.). Inhalt und Sprache sind nicht getrennt: aus dem fertigen Text wird die Quelle zurueckgelesen (_infer_lenny_answer_source).
3. Es gibt Stellen, an denen Modelltext in die Antwort gelangen kann, ohne dass ein Schalter sie schuetzt: die aktive Anfrage (_active_inquiry_temporary_surface_answer -> _request_ollama_evidence, nur Budget, kein Schalter) und zwei Diagnose-Eingaben. Sie sind im Native-Modus technisch zu sperren (NLG-025/048).

2. Stationen des Antwortpfads (POST /v1/chat/completions)

Nr	Station	Ort	LLM
1	Auth, Rate-Limit, Tenant-Kontext	api_server.chat_completions	nein
2	Retrieval (Hybrid/Graph); Einbettung ueber /api/embed	_do_retrieval -> ask_lenny._embed_batch	nur Einbettung (nicht generativ)
3	Signalbaum in den Trace	_signalbaum_in_trace	nein
4	Model-Runtime (LENNY_MODEL_RUNTIME, Standard aus)	api_server ~5342	eigene Laufzeit, aus
5	Trefferguete-Filter -> Antwortbasis	_nach_trefferguete_gefiltert	nein
6	Router -> Text des Antworterzeugers	ask_lenny._weighted_answer_router (7056/7078)	nein (deterministisch)
7	Deutung der Frage (Absicht, Subjekt, Zweitsubjekt, Form)	core/frage_deutung.py, core/frage_zerlegung.py	nein
8	Schichten (Nutzer-/Firmenwissen)	core/schichten.py	nein
9	Assistent-Modus (llm_assistant)	ask_lenny._llm_assistant_answer (10682)	ja, aus
10	Sprachrohr / Ausgabe-Router deterministic \| language_brain \| llm	api_server._render_signal_output (4997), ask_lenny._signal_voice_answer (10789)	ja nur im Modus llm (aus)
11	Sprachschicht (Wendungen mit Neu-Behauptungs-Pruefung)	ask_lenny._language_layer_apply (7903)	nein
12	Sprachschicht-Schatten (Phase 5)	core/language_shadow.py	nein
13	Sprecher (Signalbaum-Satz anhaengen)	core/sprecher.py	nein
14	Kreativ-Hinweis (bei Absage) / Sicherheitsgrad "Stufe x von 7" (bei Antwort)	_kreativ_oder_grad_anhaengen (4606)	nein
15	Finalizer: Sanitisierung, Status-Fusszeile, Tenant-Gedaechtnis	_completion_or_stream_with_observation_event_hook (3201)	nein
16	Antwortfelder lenny_herkunft, lenny_stimme, lenny_deutung, lenny_sicherheitsgrad, lenny_relationsantwort	_antwortfelder (4638)	nein

Station 10 ist die vorgesehene Naht: der Modus language_brain ist dort als "Eigenes Language Brain noch nicht angebunden" vorbereitet, und _signal_voice_answer sagt im Docstring "das eigene Language Brain ersetzt diese Funktion spaeter am selben Punkt". Die Native Language Engine haengt deshalb an _render_signal_output (neuer Schalter LENNY_LANGUAGE_MODE, Standard off).

3. LLM-Aufrufe: Eingabe, Ausgabe, was vorher feststeht, was das Modell erzeugt

Stelle	Eingabe	Ausgabe	Steht vor dem Modell fest	Das Modell erzeugt	Nachher	Gate	Produktion
_llm_form_enriched_answer -> format_facts_as_answer (core/llm_form_answer.py)	Fakten-Tripel + Frage	1-4 Saetze	alle Fakten (Vertrauensregel, Admin-Sperre)	Formulierung, Reihenfolge, Verknuepfung	Erfindungs-Sperre (grossgeschriebene Inhaltswoerter), Kennzeichnung	LENNY_ENABLE_LLM_FORM_ANSWER	0
_signal_voice_answer (via _render_signal_output)	Frage + fertiger Text + Antwortbasis	umformulierter Text	der gesamte Inhalt	Umformulierung	Erfindungs-Sperre, Schrift-Sperre	LENNY_OUTPUT_MODE=llm	deterministic
_llm_assistant_answer	Nutzernachricht + Grounding oder frei	Antwort bis 800 Tokens	Grounding (falls da)	alles Sprachliche, im freien Fall auch Inhalt	Assistant-Guard, Defekt-Verwerfen, Etikett	LENNY_OUTPUT_MODE=llm_assistant	aus
try_ollama, try_ollama_streaming, _stream_ollama_sse ("alte Luke")	Frage + Fragment-Kontext	Antworttext (auch gestreamt)	Kontext	alles	-	LENNY_ALLOW_OLLAMA_FINAL_ANSWER	0
_run_claim_gate, _claim_gate_llm_call, extract_claims_via_llm	AllowedClaimsBundle-Prompt	LLM-Antwort, danach Claim-Pruefung	erlaubte Claims	Formulierung	Claim-Verifikation	LENNY_ALLOW_CLAIM_GATE_LLM_FINAL	0
_request_ollama_evidence via _active_inquiry_temporary_surface_answer	Bedeutungsfrage zum unbekannten Begriff	Modelltext als "unverifizierte Evidenz" -> vorlaeufige Antwortflaeche	nichts (Absage des Routers)	der Inhalt selbst	Kennzeichnung "externe Evidenz"	kein Schalter, nur Budget (1 je Fragment/Frage/Anfrage)	Code erreichbar; in der Sondenmessung kein Aufruf beobachtet
_format_ollama_connection_diagnostic_observation, _format_ollama_generate_smoke_observation	Diagnose-Eingabe	Diagnosetext (Smoke-Antwort)	-	Smoke-Text	-	Text-Observation	erreichbar

Nicht verbalisierend (bleiben, ausserhalb des Antworttexts): Einbettung _embed_batch (bge-m3), Extraktion/Aufnahme/Beurteilung (relation_extractor, knowledge_ingestion, candidate_auto_promotion; Auto-Promotion per Schalter aus), Betriebsprozesse (ops/gemma_loop_server.py u. a.), Modellidentitaet (/api/tags). Der Scanner zaehlt 28 Fundstellen: 11 Verbalisierung, 1 Evidenz, 2 Diagnose, 4 Extraktion, 2 Einbettung, 6 Sonde, 2 Betrieb, 0 unbekannt.

4. Antworttypen und Qualitaet heute (Sondenmessung an der Produktion, 05.10.2026)

Frage	Antwort (gekuerzt)	Befund
Was ist ein Hund?	"Hund ist eine Fauna, bedeutet Haustier, dessen Vorfahre der Wolf ist und ist freundlich. Hund hat ein Fell und Beine und empfindet Schmerz."	kein Artikel, Satzfuegung bedeutet ..., dessen ... ohne Bezug, "Fauna" aus den Daten
Ist ein Hund ein Tier?	Ja - belegt: "Hund" ist ein "Tier" (ist_ein).	Systembegriff ist_ein im Satz
Was ist der Unterschied zwischen Hund und Katze?	Es teilen "Hund" und "Katze" folgende Kategorie-Kandidaten: ...	beantwortet Gemeinsamkeiten statt Unterschied
Welche Eigenschaften hat ein Hund?	Zu "Hund" liegen folgende Eigenschafts-Kandidaten vor: "Fell", "Beine", "freundlich". Im geprueften Wissen haengt Hund an Tier.	Roboterdeutsch
Erzaehl mir etwas ueber Wasser	... Wasser bedeutet kein Plural: ... Wasser herkunft von Mittelhochdeutsch ... (vgl.	Datenrauschen ("kein Plural"), abgebrochener Satz
Woher kommt das Wort Hund?	Zitat der Wiktionary-Herkunft	Zitat, kein Satz
Warum bellt ein Hund?	Liste interner Fragment-IDs (frag:derived:...)	unbrauchbar, sollte ehrliche Absage sein
Wie funktioniert ein Backup?	"Zu dieser Frage liegen mir aktuell noch keine ausreichend gewichteten Fragmente ..."	Absage korrekt, steif

Der Antwortkanal liefert bereits strukturierte Nebenfelder (lenny_deutung: Absicht/Subjekt/Zweitsubjekt/Form; lenny_relationsantwort; lenny_sicherheitsgrad; lenny_herkunft; lenny_stimme). Der Vertrag core/spur_vertrag.py ("Naht zwischen Sprache und Wissen") beschreibt Anfrage und Befund (Fakten mit Schicht, Belegart, Beleg) - benutzt wird er heute nur von frage_deutung.

5. Daten, auf denen die Sprache steht

Fragmentspeicher (Produktion, 05.10.2026): 369 Relationstypen, 21.265 Kanten im Namensraum general; dominant ist_ein (10.416), hat_eigenschaft (8.194), besteht_aus (938), alias_von (445), contrast (295), bedeutet (152), herkunft (145), siehe_auch (57), danach ein langer Schwanz offener Verben (bilden, enthaelt, besitzen, ...). Genus: handgepflegte Tabelle (~70 Kategorienomen) + Wiktionary-Genus (494) + ausnahmslose Endungsregeln; Plural nur fuer ~60 Kategorienomen. Die Daten sind verrauscht (z. B. haustier klein, Fauna, kein Plural als Bedeutung): die Native Engine muss das sprachlich abfangen (Normalisierung, Filter), nicht die Daten korrigieren.

6. Konsequenzen fuer den Ausbau

• Die Native Engine bekommt keinen Text, sondern einen Semantic Answer Frame, gebaut aus (Deutung der Frage) + (Fakten ueber dieselben Funktionen wie die Erzeuger: _trusted_facts_for_term mit Admin-Sperre und Vertrauensregel) + (Sicherheitsgrad/Herkunft).
• Die Naht ist api_server._render_signal_output (Modus language_brain -> native); Fusszeilen/Status/Grad bleiben Sache des Finalizers (Station 14/15), die Native Engine liefert nur den Antwortkoerper und meldet "Absage/Rueckfrage" explizit an den Trace, damit kein Grad an eine Absage gehaengt wird.
• Die Firewall sperrt im Native-Modus alle Fundstellen der Klassen Verbalisierung, Evidenz und Diagnose - nicht nur die per Schalter geschlossenen.
• Der Scanner dient als automatischer Pfadtest (tests/test_native_llm_pfad.py): eine neue, unbekannte Stelle laesst ihn rot werden.