feat(platform): live-wire AGB v2 + DSE v3 + Architektur-Tab (#29)

AGB v2 (decision_method routing, 71%FP->~0) + DSE v3 (4-layer, recovered from container) + Architektur-Tab into /sdk/agent live path. Incl CI robustness (detect-changes.sh + PR-head checkout) + security (hardcoded Qdrant key removed, gitleaks allowlist).

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

docs-src/development/dse_v1_validation.md

@@ -0,0 +1,153 @@
+# DSE-Engine — Validierung & Versionierung `DSE_v1`
+
+> **Status:** Release-Candidate (qualitativ validiert, nicht „fertig")
+> **Datum:** 2026-06-19
+> **Modul:** Datenschutzerklärung (`doc_type = dse`)
+> **Zweck dieses Dokuments:** nachvollziehbar festhalten, *wie* die DSE-Engine gemessen
+> wurde, *welche* Controls *warum* korrigiert wurden und *welcher* reproduzierbare Prozess
+> daraus entstanden ist — als Referenz für Cookie-Richtlinie, Impressum, AGB, CRA, NIS2, KI-VO usw.
+
+## 1. Kurzfazit
+
+Die zentrale Aussage ist nicht „FP 11 % → 6 %", sondern: **die False Positives wurden
+halbiert, ohne den Schutz vor echten Lücken zu verlieren** (deterministisch nachgewiesen,
+0 verschluckte Lücken).
+
+| KPI (vs Opus-GT, 5 Firmen, 432 anwendbare Controls) | vorher | `DSE_v1` |
+|---|---|---|
+| Falsche Findings (Engine FEHLT / GT ERFÜLLT) | 51 (11 %) | **26 (6 %)** |
+| Verpasste Lücken (Engine ERFÜLLT / GT FEHLT) | 32 (7 %) | **~31 (~7 %, stabil)** |
+| Recall | 0,76 | **0,88** |
+| Precision | 0,83 | **0,84** |
+
+Ursache der falschen Findings war **nicht** ein zu schwaches LLM, sondern ~11 Controls,
+die mehr verlangten als das Gesetz. Die Korrektur der Regel verbessert OVH, Claude,
+Embeddings und menschliche Auditoren gleichzeitig — höchster ROI.
+
+## 2. Testkorpus (Anti-Overfit)
+
+Fünf repräsentative, real abgerufene Datenschutzerklärungen unterschiedlicher Größe/Branche:
+
+| Firma | Charakter | DSE-Größe |
+|---|---|---|
+| BMW | Großkonzern, sehr umfangreich | ~64 k Zeichen |
+| Mercedes-Benz | Großkonzern | ~19 k |
+| ELLI (VW) | Tochter/Energie | ~26 k |
+| ETO | B2B-Mittelstand | ~26 k |
+| SafetyKon | kleiner B2B, dünne DSE | ~5 k |
+
+Die dünne SafetyKon-DSE ist bewusst der Härtetest gegen **zu lasche** Kriterien.
+
+## 3. Ground-Truth-Methode
+
+- **Orakel:** `claude-opus-4-8` (stärkstes verfügbares Modell — NICHT Haiku, das auf 5-Firmen-DSE
+  zu lasch/„N/A-blind" war). Pro `(Firma × Control)` ein Urteil `ERFUELLT | FEHLT | NA`.
+- Strenge juristische Leitplanken im Prompt (Speicherdauer: zirkuläre Formeln erfüllen nicht;
+  berechtigtes Interesse eines Dritten ≠ eigenes; EU-Kommission-Erwähnung ≠ Angemessenheitsbeschluss).
+- 456 Urteile, davon 24 `NA` (nicht anwendbar) → 432 anwendbare als Messbasis.
+- Wichtige Einschränkung: das Opus-GT trägt auf einigen der korrigierten Controls **dieselbe
+  Überstrenge** — siehe §6 (FN-Nachweis). Auf diesen Controls ist die Engine inzwischen
+  *näher am Gesetz* als das GT.
+
+## 4. Gemessene Engine-Architektur
+
+Dreistufig, Verdikt je `(Firma × Control)`:
+
+1. **Keyword** (deterministisch) → trifft zu ⇒ ERFÜLLT.
+2. **BGE-M3-Embedding-Recall**, Score < 0,50 ⇒ FEHLT (deterministisch, gecacht).
+3. **LLM-Judge** (OVH `gpt-oss-120b`) auf den Embedding-Passes (Score ≥ 0,50) — fängt die
+   „semantisch nah, aber nicht erfüllt"-Über-Passes des Embeddings.
+
+**Robustheit (Pflicht):** OVH liefert unter Concurrency teils leere Antworten. Eine leere
+LLM-Antwort darf **niemals** als FEHLT gewertet werden. `DSE_v1` misst mit Retry-on-empty,
+Concurrency 3, `max_tokens` 600; bei dauerhaft leer → `UNSICHER` (= 4-Status
+`INSUFFICIENT_EVIDENCE` / Eskalation), nicht FEHLT.
+
+## 5. Messverlauf (ehrlich, inkl. Sackgassen)
+
+| Stufe | verpasste Lücken | falsche Findings | Anmerkung |
+|---|---|---|---|
+| nur Keyword + Embedding @0,58 | 32 % | 3 % | Embedding allein **ungenügend** (Über-Passes) |
+| + OVH-LLM (55k-Truncation) | 5 % | 19 % | LLM löst „nichts fehlt"; FP scheinbar hoch |
+| + Volltext (kein 55k-Cut) | 6 % | 14 % | Truncation hatte BMW-FP aufgebläht |
+| + Robust (Retry, kein Leer→FEHLT) | 7 % | 11 % | Artefaktfreie Basis |
+| **+ Kriterien-Fix = `DSE_v1`** | **~7 %** | **6 %** | siehe §7 |
+
+**Schlüssel-Befund (Produkt-relevant):** ein großer Teil der ursprünglichen falschen Findings
+waren **leere OVH-Antworten**, die als FEHLT verbucht wurden — ein echter Pipeline-Bug, nicht
+ein Inhaltsproblem. Lehre für die Kaskaden-Verdrahtung: leere/Timeout-Antwort → Retry →
+`INSUFFICIENT_EVIDENCE` / Claude-Eskalation.
+
+## 6. Die korrigierten Controls (juristischer Review)
+
+12 systematische FP-Controls (firmenübergreifend wiederkehrend) wurden juristisch reviewt
+(Gesetz-Forderung vs. Control-Forderung) und in drei Klassen geteilt. **11 korrigiert,
+1 (`DATA-1611-A04`, Klasse A) unangetastet.** Volle Alt→Neu-Diffs:
+`dse_criteria_changelog.json` (Repo-Wurzel). Backup für Restore: `dse_criteria_backup.json`.
+
+### Klasse B — Control verlangte mehr als das Gesetz (7)
+
+| Control | Rechtsnorm | Kern-Korrektur |
+|---|---|---|
+| `DATA-2260-A01` | Art. 13(1)(c) | „*primärer*/einzelner Zweck" → Zweck(e) im Plural genügen |
+| `AUTH-3737-A06` | Art. 13(1)(c)+(e) | keine Zweck/Rechtsgrundlage-Matrix *je* Übermittlung |
+| `DATA-2992-A03` | Art. 13(1)(e) | Empfänger/Kategorien + Zweck; keine AV-Distinktion/Vertraulichkeit |
+| `DATA-1624-A03` | Art. 13(1)(f) | Garantie + Zugang via **Link ODER** Kontakt; keine Schutzwirkungs-Beschreibung |
+| `DATA-1619-A03` | Art. 13(1)(c) | Rechtsgrundlage je Zweck; Artikel-Zitat *nicht* zwingend |
+| `DATA-424-A09` | Art. 20 | Recht erwähnen genügt; Format (CSV/JSON) *nicht* in der DSE |
+| `GOV-3300-A06` | Art. 20 | wie A09 (Dedupe-Kandidat zu `DATA-424-A09`) |
+
+### Klasse C — Control mehrdeutig / Pflichten vermischt (4)
+
+| Control | Rechtsnorm | Kern-Korrektur |
+|---|---|---|
+| `AI-1560-A01` | Art. 13(1)(c) vs (2)(a) | Speicherdauer-Forderung entfernt (eigene Pflicht) |
+| `SEC-3444-A04` | Art. 13(1)(c) | Titel/Frage „*beschränken*" (Verhalten) → „offenlegen" |
+| `DATA-1624-A06` | Art. 13(1)(f) | Schutzwirkungs-Beschreibung raus; ⚠️ Near-Duplikat zu `DATA-1624-A03` |
+| `DATA-2812-A05` | Art. 17 / §25 TTDSG | Titel „*implementieren*" → „offenlegen"; Verweis auf Cookie-Einstellungen genügt |
+
+### Klasse A — Control korrekt, LLM/Artefakt (1, nicht geändert)
+`DATA-1611-A04` (Art. 13(1)(c)): Kriterien rechtlich sauber; die FP waren OVH-Leerantworten.
+
+## 7. FN-Sicherheitsnachweis (kein Aufweichen)
+
+Lockerere Kriterien dürfen keine echten Lücken durchwinken. Nach dem Fix stieg FN scheinbar
+32 → 36. Kausaltest (11 korrigierte Controls × 5 Firmen) + **deterministische Textprüfung**:
+
+- **0 echte verschluckte Lücken.** Alle 5 „neuen FN" sind Fälle, in denen die Engine jetzt
+  *korrekt* ist und das **Opus-GT zu streng war** — im DSE-Text belegt (bmw nennt „Art. 20 DSGVO",
+  elli „EU-Standardvertragsklauseln … USA", mercedes Empfänger+Weitergabe, eto konkrete Zwecke).
+- **11 echte Lücken weiterhin gefangen** (TN), v.a. SafetyKons dünne DSE → die Kriterien sind
+  nicht zahnlos geworden.
+
+⇒ Die wahre Engine-FN bleibt bei ~7 % (stabil); die scheinbaren +4 sind GT-Überstrenge.
+
+## 8. Reproduzierbarer Kalibrierungsprozess (das eigentliche Ergebnis)
+
+Auf jedes weitere Modul anwendbar (Cookie, Impressum, AGB, CRA, NIS2, KI-VO, DORA, MaschVO):
+
+1. **Opus-GT** je `(Firma × Control)` über 5 repräsentative Firmen bauen.
+2. **Engine messen** (Keyword → Embedding → robuster LLM-Judge) vs GT.
+3. **FP clustern** — wiederkehrende Controls statt Einzel-Findings (systematisch ≠ zufällig).
+4. **Gesetz-vs-Control-Review** der Top-Cluster → Klassen A (LLM-Fehler) / B (zu streng) / C (mehrdeutig).
+5. **Kriterien korrigieren** (B+C), versioniert, mit Rechtsnotiz im Changelog.
+6. **Re-Messung** — Pflicht: FP gesunken **und** FN stabil (FN-Kausaltest gegen Über-Lockerung).
+
+## 9. Bekannte Grenzen / offene Punkte
+
+- **OVH stochastisch** (kein Seed): ±~4 Findings Lauf-zu-Lauf. Für harte Zahlen Mehrfachlauf/Mehrheit.
+- **GT-Überstrenge** auf einigen korrigierten Controls → „8 % FN" überzeichnet leicht (wahr ~7 %).
+- **Dedupe offen** (separater Catalog-Schritt, nicht gelöscht): `DATA-1624-A06`↔`A03`,
+  `DATA-424-A09`↔`GOV-3300`.
+- **Nur macmini-dev.** Kriterien-Änderungen sind reversibel (Backup) und noch **nicht** auf Prod.
+- **Restliche FP-Tail** (~17 außerhalb der Top-12) bei 6 % belassen — weitere Optimierung
+  schlechter ROI; operativer Hebel ist der Claude-Freigabe-Tier (Kaskade), nicht Regel-Tuning.
+
+## 10. Artefakte & Reproduktion
+
+- GT-Verdikte: `/tmp/gt_opus_dse.json` (Container) · Kandidaten/Scores: `/tmp/multi_company_gt.json`
+- Changelog (Alt→Neu + Rechtsnotiz): `dse_criteria_changelog.json` · Restore: `dse_criteria_backup.json`
+- Skripte (MacBook `/tmp`, Ausführung via `docker exec -i bp-compliance-backend python3 -`):
+  `cc_gt_opus_dse.py` (GT) · `cc_engine_llm_dse3.py` (robuste Messung) ·
+  `cc_apply_criteria.py` (Korrektur + Versionierung) · `cc_check_fn.py` (FN-Kausaltest) ·
+  `cc_verify_fn.py` (deterministische Textprüfung)