fix(dashboard): Evaluierte-Notes-Quote serverseitig auf kpi_version-Basis — nie mehr >100 % (#224)

[TillQuandel]

Behebt #224. Closes #224.

Problem

Die Kachel „Evaluierte Notes" zeigte bei Pipeline-Versions-Filter „333,3 % der Notes" (Beleg: Playwright-Sweep 2026-07-12): Der Client rechnete 100*n_notes/total_generated — Zähler (distinct evaluierte Notes der KPI-Version, note_evals-DB, früh gefiltert) und Nenner (generierte Notes ALLER Versionen aus Logs/DB-Fallback, spät gefiltert, andere Versions-Normalisierung) stammten aus verschiedenen Kontexten. Der alte tgtHint dokumentierte die Mischung sogar selbst.

Fix

• Server rechnet selbst: Neues KPI-Feld notes_eval_pct (+ Begleitfeld generated_kpi_ver) in _calc_kpis. Nenner = generierte Notes GENAU der kpi_version (identischer Anker wie der Zähler, kein Versions-Drift möglich) aus den bereits gefilterten Lauf-Zeilen — gleiche Basis auch im ungefilterten Zustand (behebt die dokumentierte Mischung gleich mit).
• Guard statt Absurd-Wert: Bei Nenner 0 oder Zähler > Nenner (Datenlücke, z. B. Läufe vor fix(generative): pipeline_runs-Insert vom Inline-Eval entkoppeln + Test-Traces nach tmp (#198 P1+P2) #218 ohne DB-Zeile) → null → Kachel zeigt „–". Guard auf rohen Integer-Zählern (nicht dem gerundeten Prozentwert); Division nur im True-Zweig — strukturell nie >100 % serialisierbar, kein ZeroDivision möglich.
• Client rechnet nicht mehr (_fmtDE(kpis.notes_eval_pct)); total_generated bleibt für seine Lifetime-Konsumenten (Strip „Notes generiert", Akzeptanz-%) unangetastet. tgtHint beschreibt die neue gemeinsame Basis + „–"-Fälle.

RED-Beweis (TDD)

4/4 neue Tests initial rot (alter Zustand: Client-Formel, kein Server-Feld): Repro 10-vs-3 → >100 %; ungefiltert nutzte Alle-Versionen-Nenner. Nach Fix: Repro → null; 5/20 → 25,0; Nenner 0 → null; ungefiltert 4/10 der KPI-Version → 40,0 (nicht 100*4/110).

Suite

5770 passed, 3 skipped, 4 deselected; ruff format+check sauber.

Playwright-Sichtverifikation (hell+dunkel)

Server aus Worktree auf Port 8063 (genau 1 Listener-PID), echte DB read-only: Versions-Filter v0.3.59 — vorher 333,3 % → jetzt „–"; ungefiltert 40 Notes → 62,5 %. Screenshots: C:/tmp/224-verify/*.png.

Reviews

• Task-Review (Sonnet): Approved, 0 Critical/Important; Named-Risk-Checks (weitere total_generated-Konsumenten unangetastet; Zähler/Nenner-Anker identisch) bestanden. Minors (Backlog): kein expliziter ==100-%-Grenzfall-Test; generated_kpi_ver derzeit redundant zu kpi_version.
• Cross-Model (Mistral magistral-medium): 1 Fund adjudiziert-verworfen: r["n_total"]-Direktzugriff als KeyError-Risiko — die neue Zeile folgt exakt dem Muster der vorbestehenden Nachbarn auf DERSELBEN Datenquelle (accept_generated Z. 546, total_generated Z. 562); eine Zeile ohne n_total würde heute schon an Z. 562 bei jedem Load crashen. Kein neues Risiko.

Umgebungs-Nebenfund (kein Code)

Playwright-MCP-Firefox-Profil war korrupt (Ghost-Prozesse); Profil gesichert als mcp-firefox-7d6a92c-bak-224, danach sauber. Friction-Log-Kandidat.

Kontrollrunde (2026-07-12, zweite unabhängige Review-Ebene)

• Opus-Kontroll-Review (Fehlerfindung + Behauptungs-Drift, Selbstverifikationspflicht, Runtime-Proben gegen echte DB read-only): 0 Defekte. Guard-Invariante per Grenzwert-Probe belegt (1999/2000 → 100,0 — deckelt exakt, nie >100); beide Playwright-Werte nachgerechnet (ungefiltert 40/64 → 62,5 %; v0.3.59: 10 > 3 → null → „–"). 5 Kandidaten widerlegt, u. a.: die None-Versions-Kette ist in Produktion unerreichbar (Log-Pfad setzt ver="unknown", DB-Fallback überspringt versionslose Runs). Nebenbefund ohne PR-Bezug: 3 Collection-Errors bei Root-Sammlung von lib/decision_engine/tests (Package-Namen-Kollision tests) — vorbestehend, kanonischer Suite-Aufruf nicht betroffen.
• Mistral-Schwerpunkt-Resample (Linse Versions-Anker-Kaskade): 1 HOCH-Kandidat (Versions-String-Format-Drift „v1.0" vs. „1.0" zwischen Zähler- und Nenner-Quelle) adjudiziert-verworfen: Bei Format-Mismatch bliebe der Nenner leer → sichere „–"-Anzeige (by design, kein Falschwert); in den echten Daten matchen die Strings (sonst existierte der 62,5-%-Wert nicht); die vorgeschlagene Normalisierung (v-Strip + lowercase) könnte unterschiedliche Versionen zusammenlegen — riskanter als der Status quo.