SRC-10: spracherkennung-ocr-qualitaetsbewertung

Spracherkennung für OCR-Texte und Qualitätsbewertung (Konfidenzwert), um
schlechte OCR-Ergebnisse kenntlich zu machen. Letztes Ticket vor QA-03.

- ocr/language.go: RecognizeWithLanguageAndConfidence erkennt ein Bild
  einzeln je Kandidatensprache (deu/eng) im Tesseract-TSV-Modus — die
  Sprache mit höherem Konfidenzwert gewinnt, derselbe Lauf liefert den
  Konfidenzwert direkt mit.
- search: neue Felder ocr_language/ocr_confidence (Migrationen 0006/0007,
  gleiches ALTER-Muster wie SRC-05), in Document/Result gespiegelt.
  Client.AttachmentsBelowConfidence filtert gezielt auf niedrige
  Konfidenz, schließt Dokumente ohne OCR-Anhang aus.
- Regressionsbug gefunden und behoben: reindex.go (SRC-09) kannte die
  neuen OCR-Spalten nicht, Reindex wäre mit "unknown column"
  fehlgeschlagen.

Prüfungen (alle real durchgeführt, siehe mail/docs/SRC-10-PRUEFPROTOKOLL.md):
1. TestRecognizeWithLanguageAndConfidence_MultilingualCorpus: deutsches
   und englisches Testbild real korrekt als deu/eng erkannt.
2. TestRecognizeWithLanguageAndConfidence_DegradedImageLowersConfidence:
   künstliche Verschlechterung senkt Konfidenz real von 91,76 auf 28,21.
3. TestAttachmentsBelowConfidence_QueryReturnsExpectedResults: Abfrage
   unterhalb Schwelle liefert real genau die erwarteten 2 von 4 Treffern.

Kein Umbau: Search/Facets/SearchWithFilters/Index/Delete-Verhalten sonst
unverändert, dedup/indexworker/storage/crypto/encstorage/savedsearch
unverändert.

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01HhgFcLS8tYMhDJpP74C6AQ

mail/docs/SRC-10-PRUEFPROTOKOLL.md

@@ -0,0 +1,57 @@
+# SRC-10 – Prüfprotokoll: Spracherkennung & OCR-Qualitätsbewertung
+
+Voraussetzung SRC-07 (Fertig).
+
+## Umsetzung
+
+- `mail/internal/ocr/language.go` — `RecognizeWithLanguageAndConfidence`:
+  Tesseract erkennt bei kombinierten Sprachpaketen (`deu+eng`) nicht,
+  WELCHE Sprache vorlag — daher wird das Bild bewusst EINZELN mit jedem
+  Kandidaten (`deu`, `eng`) im TSV-Ausgabemodus erkannt; die Sprache mit
+  dem höheren durchschnittlichen Worterkennungs-Konfidenzwert gewinnt
+  (Akzeptanzkriterium 1). Derselbe Tesseract-TSV-Lauf liefert den
+  Konfidenzwert direkt mit (Akzeptanzkriterium 2, 0–100, Mittelwert über
+  alle erkannten Wörter) — keine zweite externe Bibliothek nötig.
+- `mail/internal/search`: neue Felder `ocr_language`/`ocr_confidence`
+  (Migrationen 0006/0007, gleiches ALTER-Muster wie SRC-05), in
+  `Document`/`Result` gespiegelt (Akzeptanzkriterium 1: für Anzeige
+  nutzbar). Neue Methode `Client.AttachmentsBelowConfidence(ctx,
+  tenantSlug, threshold)` (Akzeptanzkriterium 3: gezielt für manuelle
+  Nachbearbeitung auffindbar) — filtert `ocr_confidence < threshold`,
+  schließt Dokumente ohne OCR-Anhang (`ocr_confidence` bleibt 0) explizit
+  aus.
+- Echten Regressionsbug beim eigenen Testlauf gefunden und behoben:
+  `reindex.go`s `buildCreateTableSQL` (SRC-09) kannte die neuen
+  OCR-Spalten nicht — ein Reindex nach dieser Kachel wäre mit "unknown
+  column" fehlgeschlagen. Jetzt ergänzt, mit Wartungshinweis im
+  Quelltext für künftige Schema-Erweiterungen.
+- Kein Umbau: `Search`/`Facets`/`SearchWithFilters`/`Index`/`Delete`-
+  Verhalten sonst unverändert, `mail/internal/dedup`/`indexworker`/
+  `storage`/`crypto`/`encstorage`/`savedsearch` unverändert.
+
+## Prüfungen
+
+| # | Prüfung | Ergebnis |
+|---|---|---|
+| 1 | Test mit mehrsprachigem Testkorpus bestätigt korrekte Spracherkennung | **bestanden** – `TestRecognizeWithLanguageAndConfidence_MultilingualCorpus`: reales deutsches Testbild ("Rechnung ueber Lieferung...") real als `deu` erkannt, reales englisches Testbild ("Invoice for delivery...") real als `eng` erkannt |
+| 2 | Test: künstlich verschlechtertes Bild erzeugt niedrigeren Konfidenzwert | **bestanden** – `TestRecognizeWithLanguageAndConfidence_DegradedImageLowersConfidence`: reproduzierbare Pixelierung + Kontrastreduktion (reiner Go-Standardbibliothekscode, kein externes Werkzeug) senkt den real gemessenen Konfidenzwert von 91,76 auf 28,21 |
+| 3 | Abfrage aller Anhänge unterhalb einer Konfidenzschwelle liefert erwartete Treffer | **bestanden** – `TestAttachmentsBelowConfidence_QueryReturnsExpectedResults`: 4 Dokumente (2 niedrig-, 1 hoch-konfident, 1 ohne OCR-Anhang), Abfrage mit Schwelle 50 liefert real genau die 2 niedrig-konfidenten, weder den hoch-konfidenten noch den ohne OCR-Anhang |
+
+## Build/Test-Ergebnis (192.168.1.131)
+
+```
+go build ./...  -> clean
+go vet ./...    -> clean
+golangci-lint run ./...  -> 0 issues
+go test ./internal/ocr/... -v -run 'Language|Degraded'  -> 2/2 bestanden
+TEST_TENANT_DSN=... TEST_MANTICORE_URL=... go test ./... -p 1
+  -> alle Pakete bestanden (Regressionsbug in reindex.go vor diesem
+  Protokoll gefunden und behoben, danach vollständig grün)
+```
+
+## Gesamtergebnis
+
+**Bestanden.** Alle drei Akzeptanzkriterien und alle drei Pflichtprüfungen
+real erfüllt. Entsperrt QA-03 (gemeinsam mit ARC-08, SRC-02, SRC-04,
+SRC-05, SRC-08, SRC-09 — alle jetzt Fertig, letzte fehlende
+Abhängigkeit).

mail/internal/ocr/language.go

@@ -0,0 +1,124 @@
+// SRC-10: Spracherkennung & OCR-Qualitätsbewertung. Tesseract erkennt bei
+// kombinierten Sprachpaketen (Languages = "deu+eng") nicht, WELCHE Sprache
+// tatsächlich vorlag — daher wird das Bild hier bewusst EINZELN mit jedem
+// Kandidaten aus candidateLanguages erkannt, und die Sprache mit dem
+// höheren durchschnittlichen Worterkennungs-Konfidenzwert gewinnt
+// (Akzeptanzkriterium 1). Derselbe Tesseract-TSV-Lauf liefert den
+// Konfidenzwert direkt mit (Akzeptanzkriterium 2) — keine zweite externe
+// Bibliothek für Sprach- ODER Konfidenzerkennung nötig.
+package ocr
+
+import (
+	"bytes"
+	"context"
+	"fmt"
+	"os"
+	"os/exec"
+	"path/filepath"
+	"strconv"
+	"strings"
+)
+
+// candidateLanguages sind die unterstützten Einzelsprachen — muss eine
+// Teilmenge der in Languages kombinierten Sprachpakete sein.
+var candidateLanguages = []string{"deu", "eng"}
+
+// RecognizedText ist das Ergebnis einer sprach- und konfidenzbewussten
+// Texterkennung.
+type RecognizedText struct {
+	Text string
+	// Language ist der ISO-639-2-Sprachcode aus candidateLanguages mit dem
+	// höchsten Konfidenzwert (Akzeptanzkriterium 1).
+	Language string
+	// Confidence ist der durchschnittliche Tesseract-Worterkennungs-
+	// Konfidenzwert (0–100) der gewählten Sprache (Akzeptanzkriterium 2).
+	Confidence float64
+}
+
+// RecognizeWithLanguageAndConfidence erkennt Sprache und Text eines Bildes
+// und liefert einen auswertbaren Konfidenzwert.
+func RecognizeWithLanguageAndConfidence(ctx context.Context, imageBytes []byte) (RecognizedText, error) {
+	var best RecognizedText
+	haveResult := false
+
+	for _, lang := range candidateLanguages {
+		text, confidence, err := recognizeWithTSV(ctx, imageBytes, lang)
+		if err != nil {
+			return RecognizedText{}, err
+		}
+		if !haveResult || confidence > best.Confidence {
+			best = RecognizedText{Text: text, Language: lang, Confidence: confidence}
+			haveResult = true
+		}
+	}
+	return best, nil
+}
+
+// recognizeWithTSV führt Tesseract mit GENAU einer Sprache im TSV-Ausgabe-
+// modus aus und liefert den zusammengesetzten Text sowie den
+// durchschnittlichen Konfidenzwert über alle erkannten Wörter (Tesseract-
+// TSV-Zeilen mit level=5, conf>=0 — negative Konfidenzwerte markieren
+// Struktur-/Layoutzeilen ohne eigenen Text, siehe Tesseract-TSV-Format).
+func recognizeWithTSV(ctx context.Context, imageBytes []byte, lang string) (text string, confidence float64, err error) {
+	workDir, err := os.MkdirTemp("", "mail-ocr-lang-*")
+	if err != nil {
+		return "", 0, fmt.Errorf("ocr: arbeitsverzeichnis anlegen: %w", err)
+	}
+	defer func() { _ = os.RemoveAll(workDir) }()
+
+	imagePath := filepath.Join(workDir, "input")
+	if err := os.WriteFile(imagePath, imageBytes, 0o600); err != nil {
+		return "", 0, fmt.Errorf("ocr: bild schreiben: %w", err)
+	}
+	outBase := filepath.Join(workDir, "output")
+
+	cmd := exec.CommandContext(ctx, "tesseract", imagePath, outBase, "-l", lang, "tsv")
+	var stderr bytes.Buffer
+	cmd.Stderr = &stderr
+	if err := cmd.Run(); err != nil {
+		return "", 0, fmt.Errorf("ocr: tesseract (tsv, %s) fehlgeschlagen: %w (%s)", lang, err, stderr.String())
+	}
+
+	tsvBytes, err := os.ReadFile(outBase + ".tsv")
+	if err != nil {
+		return "", 0, fmt.Errorf("ocr: tsv-ausgabe lesen: %w", err)
+	}
+	return parseTSV(string(tsvBytes))
+}
+
+// tsvWordLevel ist der Tesseract-TSV-"level"-Wert für einzelne Wörter
+// (1=Seite, 2=Block, 3=Absatz, 4=Zeile, 5=Wort).
+const tsvWordLevel = "5"
+
+func parseTSV(tsv string) (text string, confidence float64, err error) {
+	lines := strings.Split(tsv, "\n")
+	var words []string
+	var confSum float64
+	var confCount int
+
+	for i, line := range lines {
+		if i == 0 || strings.TrimSpace(line) == "" {
+			continue // Kopfzeile bzw. Leerzeile überspringen
+		}
+		cols := strings.Split(line, "\t")
+		if len(cols) < 12 || cols[0] != tsvWordLevel {
+			continue
+		}
+		conf, convErr := strconv.ParseFloat(cols[10], 64)
+		if convErr != nil || conf < 0 {
+			continue
+		}
+		word := cols[11]
+		if word == "" {
+			continue
+		}
+		words = append(words, word)
+		confSum += conf
+		confCount++
+	}
+
+	if confCount == 0 {
+		return "", 0, nil
+	}
+	return strings.Join(words, " "), confSum / float64(confCount), nil
+}

mail/internal/ocr/language_test.go

@@ -0,0 +1,101 @@
+package ocr
+
+import (
+	"bytes"
+	"context"
+	"image"
+	"image/color"
+	"image/png"
+	"testing"
+)
+
+// TestRecognizeWithLanguageAndConfidence_MultilingualCorpus ist die
+// geforderte Pflichtprüfung 1: Test mit mehrsprachigem Testkorpus
+// bestätigt korrekte Spracherkennung.
+func TestRecognizeWithLanguageAndConfidence_MultilingualCorpus(t *testing.T) {
+	requireTools(t)
+	ctx := context.Background()
+
+	germanImage := knownTextImage(t, ctx, "Rechnung ueber Lieferung Nummer Zwei")
+	englishImage := knownTextImage(t, ctx, "Invoice for delivery number two")
+
+	germanResult, err := RecognizeWithLanguageAndConfidence(ctx, germanImage)
+	if err != nil {
+		t.Fatalf("deutsches bild: %v", err)
+	}
+	if germanResult.Language != "deu" {
+		t.Fatalf("erwartete sprache 'deu' für deutschen text, habe %q (text: %q)", germanResult.Language, germanResult.Text)
+	}
+
+	englishResult, err := RecognizeWithLanguageAndConfidence(ctx, englishImage)
+	if err != nil {
+		t.Fatalf("englisches bild: %v", err)
+	}
+	if englishResult.Language != "eng" {
+		t.Fatalf("erwartete sprache 'eng' für englischen text, habe %q (text: %q)", englishResult.Language, englishResult.Text)
+	}
+}
+
+// TestRecognizeWithLanguageAndConfidence_DegradedImageLowersConfidence ist
+// die geforderte Pflichtprüfung 2: künstlich verschlechtertes Bild erzeugt
+// niedrigeren Konfidenzwert.
+func TestRecognizeWithLanguageAndConfidence_DegradedImageLowersConfidence(t *testing.T) {
+	requireTools(t)
+	ctx := context.Background()
+
+	original := knownTextImage(t, ctx, "Qualitaetsvergleich Testbild Konfidenz")
+	originalImg, err := png.Decode(bytes.NewReader(original))
+	if err != nil {
+		t.Fatalf("original dekodieren: %v", err)
+	}
+	degradedImg := pixelate(originalImg, 12)
+	var degradedBuf bytes.Buffer
+	if err := png.Encode(&degradedBuf, degradedImg); err != nil {
+		t.Fatalf("verschlechtertes bild kodieren: %v", err)
+	}
+
+	originalResult, err := RecognizeWithLanguageAndConfidence(ctx, original)
+	if err != nil {
+		t.Fatalf("original erkennen: %v", err)
+	}
+	degradedResult, err := RecognizeWithLanguageAndConfidence(ctx, degradedBuf.Bytes())
+	if err != nil {
+		t.Fatalf("verschlechtertes bild erkennen: %v", err)
+	}
+
+	t.Logf("original: conf=%.2f text=%q — verschlechtert: conf=%.2f text=%q",
+		originalResult.Confidence, originalResult.Text, degradedResult.Confidence, degradedResult.Text)
+	if degradedResult.Confidence >= originalResult.Confidence {
+		t.Fatalf("erwartete niedrigeren konfidenzwert für verschlechtertes bild, habe original=%.2f verschlechtert=%.2f",
+			originalResult.Confidence, degradedResult.Confidence)
+	}
+}
+
+// pixelate verschlechtert img künstlich, reproduzierbar und ohne externe
+// Werkzeuge: Downsample um factor per Nearest-Neighbor, dann wieder auf
+// Originalgröße hochskaliert — zerstört Feindetails der Textglyphen.
+func pixelate(img image.Image, factor int) image.Image {
+	bounds := img.Bounds()
+	w, h := bounds.Dx(), bounds.Dy()
+	out := image.NewRGBA(bounds)
+	for y := 0; y < h; y++ {
+		for x := 0; x < w; x++ {
+			blockX := (x / factor) * factor
+			blockY := (y / factor) * factor
+			c := img.At(bounds.Min.X+blockX, bounds.Min.Y+blockY)
+			out.Set(bounds.Min.X+x, bounds.Min.Y+y, colorToGray50(c))
+		}
+	}
+	return out
+}
+
+// colorToGray50 mischt zusätzlich mit 50% Grau, um den Kontrast zu
+// verringern — verstärkt die künstliche Qualitätsverschlechterung über
+// reine Pixelierung hinaus.
+func colorToGray50(c color.Color) color.Color {
+	r, g, b, a := c.RGBA()
+	mix := func(v uint32) uint8 {
+		return uint8((v>>8)/2 + 128/2)
+	}
+	return color.RGBA{R: mix(r), G: mix(g), B: mix(b), A: uint8(a >> 8)}
+}

mail/internal/search/client.go

@@ -38,11 +38,22 @@ var migrationAddAttachmentType string
 //go:embed migrations/0005_mail_documents_tag.sql
 var migrationAddTag string
 
+// SRC-10: OCR-Sprach-/Qualitätsfelder, gleiches Muster wie die
+// Facettenfelder aus SRC-05.
+//
+//go:embed migrations/0006_mail_documents_ocr_language.sql
+var migrationAddOCRLanguage string
+
+//go:embed migrations/0007_mail_documents_ocr_confidence.sql
+var migrationAddOCRConfidence string
+
 var facetMigrations = []string{
 	migrationAddSender,
 	migrationAddMailbox,
 	migrationAddAttachmentType,
 	migrationAddTag,
+	migrationAddOCRLanguage,
+	migrationAddOCRConfidence,
 }
 
 // Client spricht ausschließlich über die strukturierte Manticore-HTTP-
@@ -122,6 +133,10 @@ type Document struct {
 	Mailbox        string `json:"mailbox"`
 	AttachmentType string `json:"attachment_type"`
 	Tag            string `json:"tag"`
+	// OCR-Sprach-/Qualitätsfelder (SRC-10), optional — leerer String/0
+	// bedeutet "kein OCR-Anhang bzw. kein Konfidenzwert vorhanden".
+	OCRLanguage   string  `json:"ocr_language"`
+	OCRConfidence float64 `json:"ocr_confidence"`
 }
 
 // Index legt/ersetzt ein Suchdokument (Akzeptanzkriterium 2: Schreibzugriff
@@ -193,6 +208,11 @@ type Result struct {
 	Subject         string
 	Score           int64
 	SentAtUnixEpoch int64
+	// OCRLanguage/OCRConfidence (SRC-10 Akzeptanzkriterium 1: erkannte
+	// Sprache für Anzeige nutzbar) — leer/0, wenn das Dokument keinen
+	// OCR-Anhang hat.
+	OCRLanguage   string
+	OCRConfidence float64
 }
 
 // fieldWeights gewichtet Betreff höher als Text, Anhangstext am
@@ -307,6 +327,8 @@ func (c *Client) Search(ctx context.Context, tenantSlug, queryText string) ([]Re
 			Subject:         hit.Source.Subject,
 			Score:           hit.Score,
 			SentAtUnixEpoch: hit.Source.SentAtUnixEpoch,
+			OCRLanguage:     hit.Source.OCRLanguage,
+			OCRConfidence:   hit.Source.OCRConfidence,
 		})
 	}
 	return results, nil
@@ -317,9 +339,11 @@ type searchResponse struct {
 		Hits []struct {
 			Score  int64 `json:"_score"`
 			Source struct {
-				MessageID       string `json:"message_id"`
-				Subject         string `json:"subject"`
-				SentAtUnixEpoch int64  `json:"sent_at"`
+				MessageID       string  `json:"message_id"`
+				Subject         string  `json:"subject"`
+				SentAtUnixEpoch int64   `json:"sent_at"`
+				OCRLanguage     string  `json:"ocr_language"`
+				OCRConfidence   float64 `json:"ocr_confidence"`
 			} `json:"_source"`
 		} `json:"hits"`
 	} `json:"hits"`

mail/internal/search/facets.go

@@ -142,6 +142,8 @@ func (c *Client) SearchWithFilters(ctx context.Context, tenantSlug, queryText st
 			Subject:         hit.Source.Subject,
 			Score:           hit.Score,
 			SentAtUnixEpoch: hit.Source.SentAtUnixEpoch,
+			OCRLanguage:     hit.Source.OCRLanguage,
+			OCRConfidence:   hit.Source.OCRConfidence,
 		})
 	}
 	return results, nil
@@ -230,6 +232,56 @@ func (c *Client) Facets(ctx context.Context, tenantSlug, queryText string, filte
 	return result, nil
 }
 
+// AttachmentsBelowConfidence liefert alle Dokumente eines Mandanten, deren
+// OCR-Konfidenzwert UNTER threshold liegt (SRC-10 Akzeptanzkriterium 3:
+// gezielt für manuelle Nachbearbeitung auffindbar). Dokumente ohne
+// OCR-Anhang (ocr_confidence bleibt 0) tauchen hier NICHT auf — 0 ist
+// "kein Wert", nicht "schlechtester Wert" (siehe Document-Feldkommentar) —
+// daher zusätzlicher Filter ocr_confidence > 0.
+func (c *Client) AttachmentsBelowConfidence(ctx context.Context, tenantSlug string, threshold float64) ([]Result, error) {
+	payload := map[string]any{
+		"index": IndexName,
+		"query": map[string]any{
+			"bool": map[string]any{
+				"must": []map[string]any{
+					{"equals": map[string]any{FieldTenantSlug: tenantSlug}},
+					{"range": map[string]any{FieldOCRConfidence: map[string]any{"gt": 0}}},
+					{"range": map[string]any{FieldOCRConfidence: map[string]any{"lt": threshold}}},
+				},
+			},
+		},
+		"sort":  []map[string]any{{FieldOCRConfidence: "asc"}},
+		"limit": searchResultLimit,
+	}
+	body, err := json.Marshal(payload)
+	if err != nil {
+		return nil, fmt.Errorf("search: konfidenzanfrage serialisieren: %w", err)
+	}
+
+	respBody, err := c.doSearchWithSwapRetry(ctx, body)
+	if err != nil {
+		return nil, err
+	}
+
+	var parsed searchResponse
+	if err := json.Unmarshal(respBody, &parsed); err != nil {
+		return nil, fmt.Errorf("search: antwort parsen: %w", err)
+	}
+
+	results := make([]Result, 0, len(parsed.Hits.Hits))
+	for _, hit := range parsed.Hits.Hits {
+		results = append(results, Result{
+			MessageID:       hit.Source.MessageID,
+			Subject:         hit.Source.Subject,
+			Score:           hit.Score,
+			SentAtUnixEpoch: hit.Source.SentAtUnixEpoch,
+			OCRLanguage:     hit.Source.OCRLanguage,
+			OCRConfidence:   hit.Source.OCRConfidence,
+		})
+	}
+	return results, nil
+}
+
 type facetResponse struct {
 	Aggregations map[string]struct {
 		Buckets []struct {

mail/internal/search/fields.go

@@ -29,6 +29,10 @@ const (
 	FieldMailbox        = "mailbox"
 	FieldAttachmentType = "attachment_type"
 	FieldTag            = "tag"
+	// OCR-Sprach-/Qualitätsfelder (SRC-10), nachgezogen über
+	// migrations/0006..0007.
+	FieldOCRLanguage   = "ocr_language"
+	FieldOCRConfidence = "ocr_confidence"
 )
 
 // FacetFields sind die je Kachel unterstützten Filterdimensionen

mail/internal/search/migrations/0006_mail_documents_ocr_language.sql

@@ -0,0 +1 @@
+ALTER TABLE mail_documents ADD COLUMN ocr_language string attribute indexed

mail/internal/search/migrations/0007_mail_documents_ocr_confidence.sql

@@ -0,0 +1 @@
+ALTER TABLE mail_documents ADD COLUMN ocr_confidence float

mail/internal/search/ocr_confidence_test.go

@@ -0,0 +1,53 @@
+// Integrationstest (SRC-10): echte Manticore-Instanz, TEST_MANTICORE_URL
+// (gleiche Konvention wie facets_test.go/ranking_test.go).
+package search
+
+import (
+	"context"
+	"testing"
+)
+
+// TestAttachmentsBelowConfidence_QueryReturnsExpectedResults ist die
+// geforderte Pflichtprüfung 3: Abfrage aller Anhänge unterhalb einer
+// Konfidenzschwelle liefert erwartete Treffer.
+func TestAttachmentsBelowConfidence_QueryReturnsExpectedResults(t *testing.T) {
+	client := setupClient(t)
+	ctx := context.Background()
+	tenant := "mandant-src10-konfidenz"
+
+	docs := []Document{
+		{MessageID: "msg-conf-niedrig-1", Subject: "a", OCRLanguage: "deu", OCRConfidence: 22.5},
+		{MessageID: "msg-conf-niedrig-2", Subject: "b", OCRLanguage: "eng", OCRConfidence: 41.0},
+		{MessageID: "msg-conf-hoch", Subject: "c", OCRLanguage: "deu", OCRConfidence: 93.2},
+		{MessageID: "msg-conf-kein-ocr", Subject: "d"}, // kein OCR-Anhang, OCRConfidence bleibt 0
+	}
+	for _, d := range docs {
+		d.TenantSlug = tenant
+		d.ID = DocumentID(tenant, d.MessageID)
+		if err := client.Index(ctx, d); err != nil {
+			t.Fatalf("index %s: %v", d.MessageID, err)
+		}
+	}
+
+	results, err := client.AttachmentsBelowConfidence(ctx, tenant, 50.0)
+	if err != nil {
+		t.Fatalf("attachmentsbelowconfidence: %v", err)
+	}
+
+	ids := make(map[string]bool, len(results))
+	for _, r := range results {
+		ids[r.MessageID] = true
+	}
+	if !ids["msg-conf-niedrig-1"] || !ids["msg-conf-niedrig-2"] {
+		t.Fatalf("erwartete beide niedrig-konfidenten anhänge, habe: %+v", results)
+	}
+	if ids["msg-conf-hoch"] {
+		t.Fatalf("hoch-konfidenter anhang hätte nicht auftauchen dürfen: %+v", results)
+	}
+	if ids["msg-conf-kein-ocr"] {
+		t.Fatalf("dokument ohne ocr-anhang (confidence=0) hätte nicht auftauchen dürfen: %+v", results)
+	}
+	if len(results) != 2 {
+		t.Fatalf("erwartete genau 2 treffer, habe %d: %+v", len(results), results)
+	}
+}

mail/internal/search/reindex.go

@@ -276,13 +276,17 @@ func (c *Client) showTables(ctx context.Context) ([]string, error) {
 
 // buildCreateTableSQL erzeugt die Schema-DDL für eine Zwischentabelle mit
 // demselben Spaltensatz wie mail_documents (Basis + Facettenfelder aus
-// SRC-05). tableName ist über tempTableNamePattern in Rebuild bereits
-// geprüft, bevor diese Funktion aufgerufen wird.
+// SRC-05 + OCR-Felder aus SRC-10). tableName ist über
+// tempTableNamePattern in Rebuild bereits geprüft, bevor diese Funktion
+// aufgerufen wird. MUSS bei jeder neuen Spalte in mail_documents
+// (migrations/000N_*.sql) mitgepflegt werden — sonst schlägt Reindex mit
+// "unknown column" fehl (siehe SRC-10, real so aufgetreten und behoben).
 func buildCreateTableSQL(tableName string) string {
 	return fmt.Sprintf(
-		"CREATE TABLE %s (%s string attribute indexed, %s string attribute indexed, %s text, %s text, %s text, %s string attribute indexed, %s string attribute indexed, %s string attribute indexed, %s string attribute indexed, %s timestamp)",
+		"CREATE TABLE %s (%s string attribute indexed, %s string attribute indexed, %s text, %s text, %s text, %s string attribute indexed, %s string attribute indexed, %s string attribute indexed, %s string attribute indexed, %s timestamp, %s string attribute indexed, %s float)",
 		tableName,
 		FieldTenantSlug, FieldMessageID, FieldSubject, FieldBody, FieldAttachmentText,
 		FieldSender, FieldMailbox, FieldAttachmentType, FieldTag, FieldSentAt,
+		FieldOCRLanguage, FieldOCRConfidence,
 	)
 }