fix: Stage-B-Sibling-Linking semantisch — related-Lücke bei lexikalisch disjunkten Titeln

[TillQuandel]

Problem

cross_reference Stage B nahm Pipeline-Geschwister (Notes desselben Laufs) nur als related-Kandidat, wenn ihr Titel/Alias-Token-Overlap ≥ 1 war. Zwei semantisch fast identische Notes mit lexikalisch disjunkten Titeln fielen durch:

• „Wissensorganisation" ↔ „Semantisches Retrieval mit Assoziationsnetz" — Body-cos 0,97, aber 0 gemeinsame Titel-Tokens → kein Kandidat → beide related: [] + „0 sinnvolle related-Links".

Frühere Läufe klappten nur, weil Geschwister-Titel Stamm-Tokens teilten („ISP Stage …", „ADKAR …", „… Phase (Merrill FPI)"). Es war keine Regression, sondern ein blinder Fleck der Oberflächen-Token-Heuristik (verschärft durch dt. Komposita: „Wissens-"/„Informations-organisation" = gleiches Konzept, 0 Tokens).

Fix (additiv, kein Regressionsrisiko)

_rank_sibling_candidates: Geschwister wird Kandidat bei Token-Overlap ODER Body-Embedding-Cosine ≥ Schwelle.

• Token-Pfad unverändert — lexikalische Treffer ranken via 1.0 + overlap strikt vor semantischen.
• Embeddings nur für token-disjunkte Geschwister (Draft-Embedding einmal gecacht).
• LLM bleibt finaler Arbiter über den tatsächlichen Link (Stage B liefert nur Kandidaten).

Schwelle 0,85 empirisch kalibriert (nicht geraten): verwandte Geschwister 0,97–0,985, fremde Paare 0,73–0,76 → klare Trennung mit Marge. ENV-überschreibbar (ATOMIC_AGENT_SIBLING_SEMANTIC_COSINE).

Verifikation

• Real-Sanity: die zwei echten Notes werden mit dem Fix gegenseitig Kandidat (vorher beide leer).
• Cross-Model: Qwen (Root-Cause bestätigt, Token-vs-Embedding-Asymmetrie, diesen Ansatz empfohlen — Qwens „0,94 = Duplikat/Echo-Chamber"-Warnung gegen die Repo-Schwellen widerlegt: Merge-Gate ist 0,985, 0,90 ist explizit „distinkt→flag"); Codex (Implementierung, 0 Bugs: Ordering/None/Cache/Schwelle korrekt).
• TDD (7 neue Tests), cross_reference-Suite (42) grün.

🤖 Generated with Claude Code