nexarch/ai/internal/classify/classify.go

// Package classify liefert eine generische, konfigurierbare Dokumentklassifizierung
// über ein Sprachmodell: Kategorie mit Konfidenz statt binärer Zuordnung (CLS-01 AK1),
// einem festen Ausgabeschema (AK2), und einer expliziten Kennzeichnung, wenn keine der
// konfigurierten Kategorien passt (AK3).
package classify

import (
	"context"
	"encoding/json"
	"errors"
	"fmt"
	"strings"

	"gitea.perlbach24.de/scripte/nexarch/ai/internal/provider"
)

// UnknownCategory kennzeichnet ein Dokument, das keiner der konfigurierten
// Kategorien zugeordnet werden konnte (AK3).
const UnknownCategory = "unbekannt"

// Result ist das feste Ausgabeschema einer Klassifizierung (AK2).
type Result struct {
	Category   string  `json:"category"`
	Confidence float64 `json:"confidence"`
	Reasoning  string  `json:"reasoning,omitempty"`
}

// Schema ist das konfigurierbare Klassifizierungsschema: die Menge zulässiger
// Kategorien. Eine leere Liste ist ungültig.
type Schema struct {
	Categories []string
}

func (s Schema) validate() error {
	if len(s.Categories) == 0 {
		return errors.New("classify: schema ohne kategorien")
	}
	seen := make(map[string]bool, len(s.Categories))
	for _, c := range s.Categories {
		if strings.TrimSpace(c) == "" {
			return errors.New("classify: leere kategorie im schema")
		}
		if seen[c] {
			return fmt.Errorf("classify: doppelte kategorie %q im schema", c)
		}
		seen[c] = true
	}
	return nil
}

// Classifier klassifiziert Dokumenttext anhand eines Schemas über einen
// Provider (ENG-01). Model ist der zu verwendende Modellname.
type Classifier struct {
	Provider provider.Provider
	Model    string
}

// modelOutput ist das vom Sprachmodell erwartete rohe JSON, bevor es gegen
// das Schema geprüft wird.
type modelOutput struct {
	Category   string  `json:"category"`
	Confidence float64 `json:"confidence"`
	Reasoning  string  `json:"reasoning"`
}

// ClassifyWithSchema ordnet den gegebenen Dokumenttext einer Kategorie aus
// schema zu, mit Konfidenz (AK1). Passt keine Kategorie oder liefert das
// Modell eine unbekannte/leere Kategorie, ist das Ergebnis UnknownCategory
// mit Konfidenz 0 (AK3). Das Ergebnis folgt in jedem Fall dem festen
// Ausgabeschema (AK2).
func (c *Classifier) ClassifyWithSchema(ctx context.Context, schema Schema, documentText string) (Result, error) {
	if c.Provider == nil {
		return Result{}, errors.New("classify: kein provider konfiguriert")
	}
	if err := schema.validate(); err != nil {
		return Result{}, err
	}

	prompt := buildPrompt(schema, documentText)
	resp, err := c.Provider.Chat(ctx, provider.ChatRequest{
		Model: c.Model,
		Messages: []provider.Message{
			{Role: provider.RoleSystem, Content: "Du bist ein Klassifizierungsassistent. Antworte ausschließlich mit einem einzelnen JSON-Objekt, ohne Erklärtext davor oder danach."},
			{Role: provider.RoleUser, Content: prompt},
		},
		Temperature: 0,
	})
	if err != nil {
		return Result{}, fmt.Errorf("classify: modellaufruf: %w", err)
	}

	return parseAndValidate(schema, resp.Message.Content), nil
}

func buildPrompt(schema Schema, documentText string) string {
	var b strings.Builder
	b.WriteString("Ordne das folgende Dokument genau einer dieser Kategorien zu: ")
	b.WriteString(strings.Join(schema.Categories, ", "))
	b.WriteString(fmt.Sprintf(". Passt keine Kategorie eindeutig, antworte mit der Kategorie %q und einer Konfidenz von 0.\n\n", UnknownCategory))
	b.WriteString("Antworte NUR mit JSON in diesem Format: {\"category\": string, \"confidence\": number zwischen 0 und 1, \"reasoning\": string}.\n\n")
	b.WriteString("Dokument:\n")
	b.WriteString(documentText)
	return b.String()
}

// parseAndValidate parst die Modellantwort und erzwingt das Ausgabeschema
// (AK2) sowie die Unbekannt-Kennzeichnung (AK3) für jeden Fall, in dem die
// Antwort nicht eindeutig einer konfigurierten Kategorie entspricht: leeres
// JSON, kaputtes JSON, Kategorie außerhalb des Schemas, oder eine vom Modell
// selbst als unbekannt gemeldete Zuordnung.
func parseAndValidate(schema Schema, raw string) Result {
	jsonPart := extractJSON(raw)

	var out modelOutput
	if jsonPart == "" || json.Unmarshal([]byte(jsonPart), &out) != nil {
		return Result{Category: UnknownCategory, Confidence: 0, Reasoning: "antwort nicht als json auswertbar"}
	}

	if out.Confidence < 0 {
		out.Confidence = 0
	}
	if out.Confidence > 1 {
		out.Confidence = 1
	}

	for _, cat := range schema.Categories {
		if cat == out.Category {
			return Result{Category: out.Category, Confidence: out.Confidence, Reasoning: out.Reasoning}
		}
	}
	return Result{Category: UnknownCategory, Confidence: 0, Reasoning: out.Reasoning}
}

// extractJSON schneidet das erste vollständige {...}-Objekt aus raw heraus,
// falls das Modell zusätzlichen Text um das JSON herum liefert.
func extractJSON(raw string) string {
	start := strings.IndexByte(raw, '{')
	end := strings.LastIndexByte(raw, '}')
	if start < 0 || end < start {
		return ""
	}
	return raw[start : end+1]
}